Содержание
Введение. 3
Глава 1. Способы формального представления знаний. 4
1.1 История в информатике. 4
1.2 Связи и структуры… 5
1.3 Язык и нотация. 7
Глава 2. Модели представления знаний. Неформальные(семантические) модели 9
2.1 Методы представления знаний. 9
2.2 Формальные модели представления знаний. 12
2.3 Представление знаний в виде правил. 14
2.4 Представление знаний с использованием фреймов. 15
2.5 Представление знаний с использованием семантическихсетей. 17
2.6 Представление знаний в виде нечетких высказываний. 18
Заключение. 20
Введение
Представление знаний — вопрос, возникающий в когнитологии(науке о мышлении), в информатике и в искусственном интеллекте. В когнитологиион связан с тем, как люди хранят и обрабатывают информацию. В информатике — основнаяцель — подбор представления конкретных и обобщенных знаний, сведений и фактовдля накопления и осмысленной обработки информации в ЭВМ.
В Искусственном интеллекте (ИИ) основная цель — научитьсяхранить знания таким образом, чтобы программы могли обрабатывать их идостигнуть подобия человеческого интеллекта. Исследователи ИИ используют теориипредставления знаний из когнитологии. Такие методы как фреймы, правила, исемантические сети пришли в ИИ из теорий обработки информации человеком. Таккак знание используется для достижения разумного поведения, фундаментальнойцелью дисциплины представления знаний является поиск таких способовпредставления, которые делают возможным процесс логического вывода, то естьсоздание выводов из знаний.
Некоторые вопросы, которые возникают в представлении знанийс точки зрения ИИ:
Как люди представляют знания?
Какова природа знаний и как мы их представляем?
Должна ли схема представления связываться с частной областьюзнаний, или она должна быть общецелевой?
Насколько выразительна данная схема представления?
Должна ли быть схема декларативной или процедурной?
Попытаемся дать ответы на эти вопросы в данной контрольнойработе.
Глава 1. Способы формального представления знаний1.1 История в информатике
В информатике (главным образом в области искусственногоинтеллекта) для структурирования информации, а также организации баз знаний иэкспертных систем были предложены несколько способов представления знаний. Одноиз них представление данных и сведений в рамках логической модели баз знаний,на основе языка логического программирования Пролог.
Под термином «Представление Знаний» чаще всего подразумеваютсяспособы представления знаний, ориентированные на автоматическую обработкусовременными компьютерами, и в частности, представления, состоящие из явныхобъектов (‘класс всех слонов’, или ‘Клайд — экземпляр’), и из суждений илиутверждений о них (‘Клайд слон’, или ‘все слоны серые’). Представление знаний вподобной явной форме позволяет компьютерам делать дедуктивные выводы из ранеесохраненного знания (‘Клайд серый’).
В 1970-х и начале 1980-х были предложены, и с переменнымуспехом опробованы многочисленные методы представления знаний, напримерэвристические вопросно-ответные системы, нейросети, доказательство теорем, иэкспертные системы. Главными областями их применения в то время былимедицинская диагностика (к примеру Мицин) и игры (например шахматы).
В 1980-х годах появились формальные компьютерные языкипредставления знаний. Основные проекты того времени пытались закодировать(занести в свои базы знаний) огромные массивы общечеловеческого знания. Напримерв проекте «Cyc» была обработана большая энциклопедия, и кодировалась не самахранящаяся в ней информация, а знания, которые потребуются читателю чтобыпонять эту энциклопедию: наивная физика, понятия времени, причинности имотивации, типичные объекты и их классы. Проект Cyc развивается компаниейCycorp, Inc.; большая часть (но не вся) их базы свободно доступна.
Эта работа привела к более точной оценке сложности задачипредставления знаний. Одновременно в математической лингвистике, были созданыгораздо более объёмные базы языковой информации, и они, вместе с огромнымприростом скорости и объёмов памяти компьютеров сделали более глубокоепредставление знаний более реальным.
Было разработано несколько языков программированияориентированных на представление знаний. Пролог, разработанный в 1972 (см. www.aaai.org/AITopics/bbhist.html#mod),но получивший популярность значительно позже, описывает высказывания и основнуюлогику, и может производить выводы из известных посылок. Ещё больше нацелен напредставление знаний язык KL-ONE (1980-е).
В области электронных документов были разработаны языки явновыражающие структуру хранимых документов, такие как SGML а впоследствии XML. Ониоблегчили задачи поиска и извлечения информации, которые в последнее время всёбольше связаны с задачей представления знаний. Веб-сообщество крайнезаинтересованно в семантической паутине, в которой основанные на XML языкипредставления знаний, такие как RDF, Карта тем и другие используются дляувеличения доступности компьютерным системам информации, хранящейся в сети. 1.2 Связи и структуры
Одной из проблем в представлении знаний является как хранитьи обрабатывать знания в информационных системах формальным способом так, чтобымеханизмы могли использовать их для достижения поставленных задач. Примерыприменения здесь экспертные системы, Машинный перевод, компьютеризированноетехническое обслуживание и системы извлечения и поиска информации (включаяпользовательские интерфейсы баз данных).
Для представления знаний можно использовать семантическиесети. Каждый узел такой сети представляет концепцию, а дуги используются дляопределения отношений между концепциями. Одна из самых выразительных и детальноописанных парадигм представления знаний основанных на семантических сетях этоMultiNet (акроним для Многослойные Расширенные Семантические Сети англ. MultilayeredExtended Semantic Networks).
Начиная с 1960-х годов, использовалось понятие фрейма знанийили просто фрейма. Каждый фрейм имеет своё собственное имя и набор атрибутов,или слотов которые содержат значения; например фрейм дом мог бы содержать слотыцвет, количество этажей и так далее.
Использование фреймов в экспертных системах являетсяпримером объектно-ориентированного программирования, с наследованием свойств,которое описывается связью «is-a». Однако, в использовании связи «is-a»существовало немало противоречий: Рональд Брахман написал работу озаглавленную «Чемявляется и не является IS-A», в которой были найдены 29 различных семантиксвязи «is-a» в проектах, чьи схемы представления знаний включали связь «is-a». Другиесвязи включают, например, «has-part».
Фреймовые структуры хорошо подходят для представлениязнаний, представленных в виде схем и стереотипных когнитивных паттернов. Элементыподобных паттернов обладают разными весами, причем большие весы назначаются темэлементам, которые соответствую текущей когнитивной схеме (schema). Паттернактивизируется при определённых условиях: Если человек видит большую птицу, приусловии что сейчас активна его «морская схема», а «земная схема» — нет, онклассифицирует её скорее как морского орлана, а не сухопутного беркута.
Фреймовые представления объектно-центрированы в том жесмысле что и Семантическая сеть: Все факты и свойства, связанные с однойконцепцией, размещаются в одном месте, поэтому не требуется тратить ресурсы напоиск по базе данных.
Скрипт это тип фреймов, который описывает последовательностьсобытий во времени; типичный пример описание похода в ресторан. События здесьвключают ожидание места, прочитать меню, сделать заказ, и так далее.
Различные решения в зависимости от их семантическойвыразительности могут быть организованы в так называемый семантический спектр(англ. Semantic spectrum). 1.3 Язык и нотация
Некоторые люди считают, что лучше всего будет представлятьзнания также как они представлены в человеческом разуме, который являетсяединственным известным на сегодняшний день работающим разумом, или жепредставлять знания в форме естественного языка. Доктор Ричард Баллард,например, разработал «семантическую систему, базирующуюся на теории», котораяне зависит от языка, которая выводит цель и рассуждает теми же концепциями итеориями что и люди. Формула, лежащая в основе этой семантики: Знание=Теория+Информация.Большинство распространенных приложений и систем баз данных основаны на языках.К несчастью, мы не знаем как знания представляются в человеческом разуме, иликак манипулировать естественными языками также как это делает человек. Одной изподсказок является то, что приматы знают как использовать интерфейсыпользователя point and click; таким образом интерфейс жестов похоже являетсячастью нашего когнитивного аппарата, модальность которая не привязана к устномуязыку, и которая существует в других животных кроме человека.
Поэтому для представления знаний были предложены различныеискусственные языки и нотации. Обычно они основаны на логике и математике, иимеют легко читаемую грамматику для облегчения машинной обработки. Обычно онипопадают в широкую область онтологий.
Нотация.
Последней модой в языках представления знаний являетсяиспользование XML в качестве низкоуровневого синтаксиса. Это приводит к тому,что вывод этих языков представления знаний машины могут легко Синтаксическийанализ, за счёт Удобочитаемости для человека. Логика первого порядка и языкПролог широко используется в качестве математической основы для этих систем,чтобы избежать избыточной сложности. Однако даже простые системы основанные наэтой простой логике можно использовать для представления данных котороезначительно лучше возможностей обработки для нынешних компьютерных систем: причиныраскрываются в теории вычислимости.
Примеры нотаций:
DATR является примером представления лексических знаний
RDF является простой Нотация для представления отношениймежду и среди объектов
Языки
Примеры искусственных языков которые используютсяпреимущественно для представления знаний:
CycL
IKL
KIF
Loom
OWL
KM: Машина Знаний (англ. Knowledge Machine) (фреймовый язык,использовавшийся для задач представления знаний)
язык Пролог
Глава 2. Модели представления знаний. Неформальные(семантические) модели2.1 Методы представления знаний
Существуют два типа методов представления знаний (ПЗ):
Формальные модели ПЗ;
Неформальные (семантические, реляционные) модели ПЗ.
Очевидно, все методы представления знаний, которыерассмотрены выше, включая продукции (это система правил, на которых основанапродукционная модель представления знаний), относятся к неформальным моделям. Вотличие от формальных моделей, в основе которых лежит строгая математическаятеория, неформальные модели такой теории не придерживаются. Каждая неформальнаямодель годится только для конкретной предметной области и поэтому не обладаетуниверсальностью, которая присуща моделям формальным. Логический вывод — основнаяоперация в СИИ — в формальных системах строг и корректен, поскольку подчиненжестким аксиоматическим правилам. Вывод в неформальных системах во многомопределяется самим исследователем, который и отвечает за его корректность.
Каждому из методов ПЗ соответствует свой способ описаниязнаний.
1. Логические модели. В основе моделей такого типа лежитформальная система, задаваемая четверкой вида: M = . МножествоT есть множество базовых элементов различной природы, например слов изнекоторого ограниченного словаря, деталей детского конструктора, входящих всостав некоторого набора и т.п. Важно, что для множества T существует некоторыйспособ определения принадлежности или непринадлежности произвольного элемента кэтому множеству. Процедура такой проверки может быть любой, но за конечноечисло шагов она должна давать положительный или отрицательный ответ на вопрос,является ли x элементом множества T. Обозначим эту процедуру П(T).
Множество P есть множество синтаксических правил. С ихпомощью из элементов T образуют синтаксически правильные совокупности. Например,из слов ограниченного словаря строятся синтаксически правильные фразы, издеталей детского конструктора с помощью гаек и болтов собираются новыеконструкции. Декларируется существование процедуры П(P), с помощью которой законечное число шагов можно получить ответ на вопрос, является ли совокупность Xсинтаксически правильной.
В множестве синтаксически правильных совокупностейвыделяется некоторое подмножество A. Элементы A называются аксиомами. Как и длядругих составляющих формальной системы, должна существовать процедура П(A), спомощью которой для любой синтаксически правильной совокупности можно получитьответ на вопрос о принадлежности ее к множеству A.
Множество B есть множество правил вывода. Применяя их кэлементам A, можно получать новые синтаксически правильные совокупности, ккоторым снова можно применять правила из B. Так формируется множество выводимыхв данной формальной системе совокупностей. Если имеется процедура П(B), спомощью которой можно определить для любой синтаксически правильнойсовокупности, является ли она выводимой, то соответствующая формальная системаназывается разрешимой. Это показывает, что именно правило вывода являетсянаиболее сложной составляющей формальной системы.
Для знаний, входящих в базу знаний, можно считать, чтомножество A образуют все информационные единицы, которые введены в базу знанийизвне, а с помощью правил вывода из них выводятся новые производные знания. Другимисловами формальная система представляет собой генератор порождения новыхзнаний, образующих множество выводимых в данной системе знаний. Это свойствологических моделей делает их притягательными для использования в базах знаний. Онопозволяет хранить в базе лишь те знания, которые образуют множество A, а всеостальные знания получать из них по правилам вывода.
2. Сетевые модели. В основе моделей этого типа лежитконструкция, названная ранее семантической сетью. Сетевые модели формальноможно задать в виде H = . Здесь I есть множествоинформационных единиц; C1, C2,…, Cn — множество типов связей междуинформационными единицами. Отображение Г задает между информационнымиединицами, входящими в I, связи из заданного набора типов связей.
В зависимости от типов связей, используемых в модели,различают классифицирующие сети, функциональные сети и сценарии. Вклассифицирующих сетях используются отношения структуризации. Такие сетипозволяют в базах знаний вводить разные иерархические отношения междуинформационными единицами. Функциональные сети характеризуются наличиемфункциональных отношений. Их часто называют вычислительными моделями, т.к онипозволяют описывать процедуры «вычислений» одних информационных единиц черездругие. В сценариях используются каузальные отношения, а также отношения типов «средство- результат», «орудие — действие» и т.п. Если в сетевой модели допускаютсясвязи различного типа, то ее обычно называют семантической сетью.
3. Продукционные модели. В моделях этого типа используютсянекоторые элементы логических и сетевых моделей. Из логических моделейзаимствована идея правил вывода, которые здесь называются продукциями, а изсетевых моделей — описание знаний в виде семантической сети. В результатеприменения правил вывода к фрагментам сетевого описания происходиттрансформация семантической сети за счет смены ее фрагментов, наращивания сетии исключения из нее ненужных фрагментов. Таким образом, в продукционных моделяхпроцедурная информация явно выделена и описывается иными средствами, чемдекларативная информация. Вместо логического вывода, характерного длялогических моделей, в продукционных моделях появляется вывод на знаниях.
4. Фреймовые модели. В отличие от моделей других типов вофреймовых моделях фиксируется жесткая структура информационных единиц, котораяназывается протофреймом. В общем виде она выглядит следующим образом:
(Имя фрейма:
Имя слота 1(значение слота 1)
Имя слота 2(значение слота 2)
…………………
Имя слота К (значение слота К)).
Значением слота может быть практически что угодно (числа илиматематические соотношения, тексты на естественном языке или программы, правилавывода или ссылки на другие слоты данного фрейма или других фреймов). Вкачестве значения слота может выступать набор слотов более низкого уровня, чтопозволяет во фреймовых представлениях реализовать «принцип матрешки».
При конкретизации фрейма ему и слотам присваиваютсяконкретные имена и происходит заполнение слотов. Таким образом, из протофреймовполучаются фреймы — экземпляры. Переход от исходного протофрейма к фрейму — экземпляруможет быть многошаговым, за счет постепенного уточнения значений слотов. 2.2 Формальные модели представления знаний
Система ИИ в определенном смысле моделирует интеллектуальнуюдеятельность человека и, в частности, — логику его рассуждений. В грубоупрощенной форме наши логические построения при этом сводятся к следующей схеме:из одной или нескольких посылок (которые считаются истинными) следует сделать «логическиверное» заключение (вывод, следствие). Очевидно, для этого необходимо, чтобы ипосылки, и заключение были представлены на понятном языке, адекватно отражающемпредметную область, в которой проводится вывод. В обычной жизни это нашестественный язык общения, в математике, например, это язык определенных формули т.п. Наличие же языка предполагает, во — первых, наличие алфавита (словаря),отображающего в символьной форме весь набор базовых понятий (элементов), скоторыми придется иметь дело и, во — вторых, набор синтаксических правил, наоснове которых, пользуясь алфавитом, можно построить определенные выражения.
Логические выражения, построенные в данном языке, могут бытьистинными или ложными. Некоторые из этих выражений, являющиеся всегда истинными.Объявляются аксиомами (или постулатами). Они составляют ту базовую системупосылок, исходя из которой и пользуясь определенными правилами вывода, можнополучить заключения в виде новых выражений, также являющихся истинными.
Если перечисленные условия выполняются, то говорят, чтосистема удовлетворяет требованиям формальной теории. Ее так и называютформальной системой (ФС). Система, построенная на основе формальной теории,называется также аксиоматической системой.
Формальная теория должна, таким образом, удовлетворятьследующему определению:
всякая формальная теория F = (A, V, W, R), определяющаянекоторую аксиоматическую систему, характеризуется:
наличием алфавита (словаря), A,
множеством синтаксических правил, V,
множеством аксиом, лежащих в основе теории, W,
множеством правил вывода, R.
Исчисление высказываний и исчисление предикатов являютсяклассическими примерами аксиоматических систем. Эти ФС хорошо исследованы иимеют прекрасно разработанные модели логического вывода — главной метапроцедурыв интеллектуальных системах. Поэтому все, что может и гарантирует каждая изэтих систем, гарантируется и для прикладных ФС как моделей конкретныхпредметных областей. В частности, это гарантии непротиворечивости вывода,алгоритмической разрешимости (для исчисления высказываний) и полуразрешимости(для исчислений предикатов первого порядка).
ФС имеют и недостатки, которые заставляют искать иные формыпредставления. Главный недостаток — это «закрытость» ФС, их негибкость. Модификацияи расширение здесь всегда связаны с перестройкой всей ФС, что для практическихсистем сложно и трудоемко. В них очень сложно учитывать происходящие изменения.Поэтому ФС как модели представления знаний используются в тех предметныхобластях, которые хорошо локализуются и мало зависят от внешних факторов2.3 Представление знаний в виде правил
Такой способ является наиболее понятным и популярным методомформального представления знаний. Правила обеспечивают формальный способ представлениярекомендаций, знаний или стратегий. Они чаще подходят в тех случаях, когдапредметные знания возникают из эмпирических ассоциаций, накопленных за годыработы по решению задач в данной области.
В системах, основанных на правилах, предметные знания представляютсянабором правил, которые проверяются на группе фактов и знаний о текущейситуации (входной информации). Когда часть правила ЕСЛИ удовлетворяет фактам,то действия, указанные в части ТО, выполняется. Когда это происходит, тоговорят, что правило срабатывает. Интерпретатор правил сопоставляет частиправил ЕСЛИ с фактами и выполняет то правило, часть ЕСЛИ которого сходится сфактами, т.е. интерпретатор правил работает в цикле «Сопоставить — выполнить»,формируя последовательность действий.
Действия правил могут состоять:
в модификации набора фактов в базе знаний, напримердобавление нового факта, который сам может быть использован для сопоставления счастями ЕСЛИ;
во взаимодействии с внешней средой (например, «Вызватьпожарную команду»). 2.4 Представление знаний с использованием фреймов
Системы, базы знаний иногда насчитывают сотни правил, и дляинженера знаний при такой сложности системы, процесс обновления состава правили контроль связей между ними становится весьма затруднительным, посколькудобавляемые правила могут дублировать имеющиеся знания или вступать с ними впротиворечие.
Для выявления подобных фактов можно использовать программныесредства, но включение их в работу системы приводит к еще более тяжелым последствиям- потере работоспособности, так как в этом случае инженер знаний теряетпредставление о том, как взаимодействуют правила.
Так как возрастает количество связей между понятиями,инженеру знаний трудно их контролировать.
Представление знаний, основанных на фреймах, являетсяальтернативным по отношению к системам, основанным на правилах: оно даетвозможность хранить иерархию понятий в базе знаний в явной форме.
Фреймом называется структура для описания стереотипнойситуации, состоящая из характеристик этой ситуации и их значений. Характеристикиназываются слотами, а значения — заполнителями слотов. Слот может содержать нетолько конкретное значение, но и имя процедуры, позволяющей вычислить его позаданному алгоритму, а также одно или несколько правил, с помощью которых этозначение можно найти. В слот может входить не одно, а несколько значений. Иногдаслот включает компонент называемый фасетом, который задает диапазон илиперечень его возможных значений. Как уже отмечалось, помимо конкретного значения,в слоте могут храниться процедуры и правила, которые вызываются принеобходимости вычисления этого значения. Если, например, фрейм, описывающийчеловека, включает слоты «Дата рождения» и «Возраст», и в первом из нихнаходится некоторое значение, то во втором слоте может стоять процедура,вычисляющая возраст по дате рождения и текущей дате.
Процедуры, располагающиеся в слоте, называются связаннымипроцедурами.
Чаще всего используются процедуры:
«если — добавлено» — выполняется, когда новая информацияпомещается в слот;
«если — удалено» — выполняется, когда информация удаляетсяиз слота;
«если — нужно» — выполняется, когда запрашивается информацияиз слота, а он пустой.
Эти процедуры могут проверять, что при изменении значенияпроизводятся соответствующие действия.
Совокупность фреймов, моделирующая какую-нибудь предметнуюобласть, представляет собой иерархическую структуру, в которую соединяютсяфреймы. На верхнем уровне иерархии находится фрейм, содержащий наиболее общуюинформацию, истинную для всех остальных фреймов. Фреймы обладают способностьюнаследовать значения характеристик своих родителей, находящихся на болеевысоком уровне иерархии. Значения характеристик фреймов могут передаваться поумолчанию фреймам, находящимся ниже них в иерархии, но, если последние содержатсобственные значения данных характеристик, то в качестве истинных данныхпринимаются именно они. Это обстоятельство позволяет легко учитывать вофреймовых системах различного рода исключения. Различают статические идинамические системы фреймов. В системах статических фреймы не могут бытьизменены в процессе решения задачи, в динамических системах это допустимо. Наиболееярко достоинства фреймовых систем представления знаний проявляется в томслучае, если связи между объектами изменяются нечасто и предметная областьнасчитывает немного исключений.
Значения слотов представляются в системе в единственномэкземпляре, поскольку включается только в один фрейм, описывающий наиболееобщее понятие из всех тех, которые содержат слот с данным именем. Такоесвойство систем фреймов дает возможность уменьшить объем памяти, необходимыйдля их размещения в компьютере. Однако основное достоинство состоит не вэкономии памяти, а в представлении в БЗ связей, существующих между понятиямипредметной области. 2.5 Представление знаний с использованиемсемантических сетей
Семантическая сеть используется для описания методапредставления знания, основанного на сетевой структуре. Этот метод являетсяодним из наиболее эффективных методов хранения знаний. Семантические сетисостоят из:
узлов, соответствующих объектам, понятиям и событиям;
дуг, связывающих узлы и описывающих отношения между ними.
Иными словами, семантическая сеть отображает совокупностьобъектов предметной области и отношений между ними. При этом, объектамсоответствуют вершины сети, а отношениям — соединяющие их дуги. В семантическуюсеть включаются только те объекты предметной области, которые необходимы длярешения прикладных задач. В качестве объектов могут выступать события,действия, обобщенные понятия или свойства объектов.
Вершины сети соединяются дугой, если соответствующие объектыпредметной области находятся в каком-либо отношении.
Наиболее распространенными являются следующие типы отношений:
«является» — означает, что объект входит в состав данногокласса;
«имеет» — позволяет задавать свойства объектов.
Возможны также отношения вида:
«является следствием» — отражает причинно-следственные связи;
«имеет значение» — задает значение свойств объектов. 2.6 Представление знаний в виде нечеткихвысказываний
Методы построения математических моделей часто основаны нанеточной, но в объективной информации об объекте. Однако возможны ситуации,когда при построении моделей решающее значение имеют сведения, полученные отэксперта, обычно качественного характера. Они отражают содержательныеособенности изучаемого объекта и формулируются на естественном языке. Описаниеобъекта в таком случае носит нечеткий характер.
Например:
В булевой алгебре 1 представляет истину, а 0 — ложь. То жеимеет место и в нечеткой логике, но, кроме того используются также все дробимежду 0 и 1, чтобы указать на частичную истинность [2, 5 — 11]. Так запись «µ(высокий(Х))= 0,75» говорит о том, что предположение «Х — высокий» в некотором смысле натри четверти истинно, а на одну четверть ложно.
Для комбинирования нецелочисленных значений истинности внечеткой логике определяются эквиваленты логических операций:
µ1 И µ2 = min (µ1, µ2);
µ1 ИЛИ µ2 = max (µ1, µ2);
НЕ µ1 = 1 — µ1.
Таким образом, обрывочные сведения можно комбинировать наоснове строгих и согласованных методов.
Слабым моментом в применении нечеткой логики являетсяотображение (функция принадлежности). Предположим, возраст Х — 40 лет. Насколькоистинно предположение, что Х — старый. Равна ли эта величина 0,5, поскольку Хпрожил примерно полжизни, или величины 0,4 и 0,6 более реалистичны. Необходиморешить, какую функцию лучше использовать для отображения возраста в интервал от0 до 1.
Чем, например, кривая лучше, чем линейная зависимость. Дляпредпочтения одной формы функции другой нет объективных обоснований, поэтому вреальной задаче будут присутствовать десятки и сотни подобных функций, каждаяиз которых до некоторой степени является произвольной. Значит в системах,основанных на нечеткой логике, необходимо предусмотреть средства, позволяющиемодифицировать функции принадлежности.
Еще одной проблемой является проблема взвешивания отдельныхсведений. Предположим, например, что мы располагаем некоторой совокупностьюнечетких правил:
Правило 1: ЕСЛИ нить Х горит медленно И при горении нити Хобразуется твердый шарик бурого цвета ТО нить Х — капроновая;
Правило 2: ЕСЛИ нить Х вне пламени гаснет И при горении нитиХ чувствуется запах сургуча ТО нить Х — капроновая.
Заключение
В заключении хочется сказать, что было очень немногоtop-down обсуждения вопросов представления знаний и исследования в даннойобласти is a well aged quiltwork. Есть хорошо известные проблемы, такие как «spreadingactivation, « (задача навигации в сети узлов)»категоризация» (это связано свыборочным наследованием; например вездеход можно считать специализацией(особым случаем) автомобиля, но он наследует только некоторые характеристики) и«классификация». Например помидор можно считать как фруктом, так и овощем.
В области искусственного интеллекта, решение задач можетбыть упрощено правильным выбором метода представления знаний. Определенныйметод может сделать какую-либо область знаний легко представимой. Напримердиагностическая экспертная система Мицин использовала схему представлениязнаний основанную на правилах. Неправильный выбор метода представлениязатрудняет обработку. В качестве аналогии можно взять вычисления виндо-арабской или римской записи. Деление в столбик проще в первом случае исложнее во втором. Аналогично, не существует такого способа представления,который можно было бы использовать во всех задачах, или сделать все задачиодинаково простыми.
Список используемых источников
1. Благодатских В.А., Волнин В.А., Поскакалов К.Ф. Стандартизацияразработки программных средств. — М: Финансы и статистика, 2003.
2. Вендров А.М. Проектирование программного обеспечения экономическихинформационных систем — М: Финансы и статистика, 2002.
3. Вендрова А.М. Практикум по проектированию программного обеспеченияэкономических информационных систем — М: Финансы и статистика, 2002.
4. Черемных С.В., Семенов И.О., Ручкин В.С. Структурный анализ систем: IDEF-технологии- М: Финансы и статистика, 2001.