Интеллектуальные информационные системы. Рак И.П - 7 стр.

UptoLike

ВУЗ: 

ТГТУ | Тамбов

Составители: 

Рубрика: 

Тема 4. ПРЕДСТАВЛЕНИЕ ЗНАНИЙ В СИСТЕМАХ
ИСКУССТВЕННОГО ИНТЕЛЛЕКТА
Знания в ИИС можно представить с помощью моделей двух типов: декларативных и процедурных. К типовым
декларативным моделям относят семантические сети и фреймы, а типовым процедурным моделям – исчисления предикатов,
системы продукций, нечёткая логика.
На практике редко удаётся обойтись рамками одной модели при разработке ИИС, поэтому представление знаний
получается сложным.
Семантическая сеть представляет собой ориентированный граф, вершинами которого являются информационные
единицы, имеющие индивидуальные имена. В качестве информационной единицы могут выступать события, действия,
обобщённые понятия или свойства объектов. Вершины графа соединяются дугой, если соответствующие информационные
единицы находятся в каком-либо отношении.
Фрейм представляет собой структуру данных, дающую целостное представление об объектах, явлениях и их типах в
виде абстрактных образов. Структура фрейма записывается в виде списка свойств (слотов). Каждый фрейм имеет
специальный слот, заполненный наименованием представляемой сущности, а другие заполнены значениями разнообразных
атрибутов, ассоциирующихся с объектом.
Логика предикатов является расширением логики высказываний. Основным объектом здесь является переменное
высказывание (предикат), истинность и ложность которого зависят от значения его переменных. Язык логики предикатов
является более мощным по сравнению с языком логики высказываний. Он пригоден для формализации понятий многих
проблемных областей.
Продукционная модель, или модель, основанная на правилах, позволяет представить знания в виде предложений типа
ЕСЛИ (условие), ТО (действие).
Количественные данные (знания) могут быть неточными. Для учёта неточности лингвистических знаний используется
формальный аппарат нечёткой алгебры. Одно из главных понятий в нечёткой логике – это понятие лингвистической
переменной, которое определяется через нечёткие множества. Нечёткие множества позволяют учитывать субъективные
мнения отдельных экспертов.
Темы докладов и контрольных работ
1. Формальная (Аристотелева) логика: имена, высказывания, процедуры доказательства и опровержения.
2. Математическая реализация формальной логики.
3. Исчисление предикатов.
4. Теория нечётких множеств.
5. Системы нечёткой логики.
6. Семантические сети.
7. Продукционная модель представления знаний.
8. Фреймы.
9. Эвристические методы поиска в пространстве состояний.
10. Языки описания продукционной модели Prolog и Lisp.
11. Практическая реализация фреймовой модели.
Тема 5. НЕЙРОИНФОРМАТИКА
На самой заре компьютерной эры, в середине XX в., были предложены различные варианты принципов действия и
архитектурного исполнения ЭВМ. Многие из этих вариантов не получили дальнейшего развития. Наибольшую
популярность получила архитектура машины фон Неймана. Наряду с ней до наших дней дошла ещё одна схема, которая в
последние годы получила стремительное развитие, – это нейронные сети.
Нейронные сети – это направление компьютерной индустрии, в основе которого лежит идея создания ИИ по образу и
подобию человеческого мозга. Чтобы создать нейронную сеть для решения какой-либо конкретной задачи, следует выбрать
способ соединения нейронов друг с другом и подобрать значения параметров межнейронных соединений.
Теоретической основой создания нейронных сетей является работа Уоррена Мак-Каллока и Вальтера Питтса, которые
выдвинули гипотезу математического нейрона – устройства, моделирующего нейрон мозга. Идея Мак-Каллока–Питтса
была реализована Фрэнком Розенблаттом сначала в виде компьютерной программы, а затем в виде электронного устройства
– персептрона. Розенблатту Ф. удалось обучить свой персептрон распознавать буквы алфавита.
Персептроны применялись для решения задач диагностики, например, анализа электрокардиограмм и заключения врача
о диагнозе болезни пациента. По мере расширения области научных исследований появились трудности. Неожиданно
оказалось, что многие новые задачи персептрон решить не мог. Как показали исследования, персептрон в принципе не
способен воспроизвести соотношение между входами и выходом, требуемое для представления функции «Исключающее
ИЛИ».
Тем не менее работы в области нейросетевых технологий продолжались. Многие понимали, что надо усложнять
структуру персептронов, т.е. продолжать приближать компьютерную модель к человеческому мозгу. Использование
многослойных нейронных сетей расширило класс задач, решаемых ими.
Но возникла проблема обучения таких сетей. Правила Хебба годились только для корректировки синаптических весов
нейронов выходного слоя, тогда как вопрос о настройке параметров внутренних нейронных слоёв оставался открытым.

Страницы