Те  системы, которые решают трудно формализуемые  задачи относят к числу интеллектуальных систем.

     Область применения систем искусственного интеллекта:

     Там, где наука не может создать конструктивных определений, область этих определений меняется. Языковая (описательная) модель доминирует над алгоритмической.

1.5 Требования к системам знаний

1. Терпимость  к противоречиям;
2. Обеспечение вывода, т.е. система значений должна быть способна к логическому выводу, как из имеющейся информации, так и из поступающей вновь.

 Различают два типа вывода:

• свободный (вывод связан с поступлением новой информации);
• направленный (вывод связан с поступлением конкретного запроса).

3. Критичность  к новой информации – способность проверить достоверность новой информации и согласовать её с имеющимися значениями.

4. Дробность системы знаний – знания в системе должны быть разбиты на фрагменты, каждый из которых может быть использован.
5. Обучаемость и способность к переструктуированию знаний.

     1.6 Особенности знаний для их представления в ЭВМ

1. Внутренняя  интерпретируемость – каждая информационная единица должна иметь уникальное имя, по которой бы информационная система находила ее, а также отвечала бы на запросы, в которой это имя упомянуто.
2. Структурированность знаний, т.е. информационные единицы должны обладать определенной структурой, это означает, что должны быть возможности для установления отношений типа: часть – целое или род-вид, или элемент-класс.
3. Связность – между информационными единицами должна быть возможность установления связей различного типа.

   Типы  связей:

1. функциональные связи (аргумент – функция), это пример процедур знания;
2. отношения структуризации;
3. казуальные отношения (причинно – следственные связи, «одновременно»);
4. семантические отношения (объединяют и представляют все ранее перечисленные связи).

     Семантическая сеть – модель знаний, в вершинах – информационные единицы, а дуги характеризуют виды связи между  информационными единицами. Если связи иерархичны, то они определяют отношение структуризации, а неиерархические связи будут определять отношения иных типов.

4. Семантическая метрика – отношение, которое характеризует близость информационных единиц, т.е. силу ассоциативных связей между ними;
5. Активность – данные – пассивные элементы, а команды – активные элементы по Фон Нейману. Появление новых данных может стать источником активности.

   Нейрокомпьютеры понимают, прежде всего, символьные данные, а не цифровые.       
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 

Глава 2. Модели представления  знаний

     В интеллектуальных системах используют следующие способы описания знаний:

1. Логические  модели;

2. Сетевые  модели;

3. Продукционные  модели;

4. Фреймовые  модели;

5. Сценарии;

6. Другие  методы представления знаний.

            2.1 Логические модели

     В основе модели лежит формальная система, которая на языке теории множеств описывается следующей четверкой множеств:

                           М = <Т, Р, А, В>

Т – это множество базовых элементов (тезаурус): термины из какого либо словаря, набор деталей из конструкции. Для этого множества существует некоторый способ определения принадлежности к этому способу: П(Т)

Р – это множество синтаксических правил, с помощью которых из элементов множества Т образуют синтаксически правильные совокупности.

А – элементы этого множества образуют аксиомы, определенных на множестве Р.  П(А) – процедура, определяющая принадлежность к А.

В – множество правил вывода, которые применяются к элементам множества  

     В множестве А входят информационные единицы, которые введены в базу из вне, а с помощью правил вывода из множества В получают новые производственные знания. Таким образом, описанная система представляет собой генератор порождения новых знаний в данной предметной области.

     Пример  создания логической модели:

     Когда температура в печи достигает 120˚ , и прошло менее 30 мин. с момента  включения печи, то давление не превосходит  критического. Если с момента включения  прошло более 30 мин., то необходимо включить вентиль N2.

     С помощью логики предикатов, это утверждение выглядит следующим образом:

1. Р(  р = 120)»И» Т(t <30) → (D < Dкр.)

2. Р(р  = 120)»И»Т(t >30)→ F(N2)

Р( р = 120) создает так называемый предикат, который становится истинным, когда температура достигается 120˚

Т(t <30) предикат, остающийся истинным в течение 30 мин. с начала процесса.

Т(t >30) становится истинным по истечении 30 мин.

(D < Dкр.) это утверждение о том, что давление ниже критического.

F(N2) команда открыть вентиль N2.

Логические  знаки:

U - конъюнкция

^ - импликация

=>   - логическое следование

1. Строка представляет собой описание декларативного знания
2. Строка описывает процедурные знания

     Достоинства:

1. Возможность непосредственно запрограммировать механизм вывода высказываний

     Языки логического типа использовались на ранних стадиях развития интеллектуальных систем, однако в последствие большее внимание стали уделять другим моделям, это связано с недостатками логической модели PROLOG.

     Недостатки:

1. Отсутствие наглядности и удобочитаемости.
2. Громоздкость записи, которая приводит к трудности нахождения ошибок.

  Область применения:

Задача  формально описана и полностью  известна

2.2 Сетевые модели

      В основе этой модели лежит конструкция, которая называется семантической сетью, которая может быть описана на языке теории множеств:

             Н = < I, C1, C2, …., Cn , Г >

I – множество информационных единиц

C1,C2,….,Cn – множество типов связей между I (информационными единицами)

Г –  множество отображений между  информационными единицами

     В зависимости от типов связей, между  информационными единицами, которые используются в данной модели, различают следующие типы сетей:

     1. Классифицирующие сети – применяют  отношение структуризации;

    2. Функциональные сети – функциональные отношения между информационной единицей. Примером является вычисление, поэтому они могут выступать еще как вычислительные;

3. Сценарии.

     Часто используются казуальные отношения между информационными единицами (причинно-следственные отношения). Кроме того, могут встречаться отношения следующих типов:

            1. средство – результат;

       2. орудие – действие.

     Если  в сетевой модели применяют отношения  всех типов, то такую сеть называют семантической.

Пример представления декларативных знаний с помощью сетевой модели:

     «Слева  от станка расположен приемный бункер, расстояние до него = 2м. Справа от станка находится бункер готовой продукции, находящийся рядом со станком (0м.) Робот перемещается прямо параллельно станку и бункерам на расстоянии 1м.». 
 

Рисунок 1 – Расположение станка по отношении других объектов.

Преимущество  сетевых моделей:

1. Наглядность;
2. Понятность;
3. Удобство для представления в компьютере.

Недостатки сетевых моделей:

1. По мере роста сложности модели теряется её наглядность;
2. Область применения сетевых моделей ограничена.

2.3 Продукционные модели (product (ion))

Продукция – логическое выражение следующего типа:

          (i); Q; P; A => B; N

1. – имя продукции, с помощью которой данная продукция выделяется из всего множества (порядковый номер, некоторая фраза, некоторая совокупность слов или цифр).

Q     –   характеризует сферу применения продукции (предусловие).

A => B – ядро продукции, главный элемент может быть прочитан: если выполняется  А, то следует В.

P   –  условие применимости ядра продукции. Обычно представляет собой  логическое выражение типа предиката. Если Р – истина, то ядро продукции активируется, если Р – ложно, то ядро продукции не может быть использовано (условие).

      N – описывает постусловие продукции. Оно активируется, когда ядро продукции реализовано. N – это действия и условия процедуры, которые могут быть выполнены после P.

      Таким образом, продукционная модель хорошо применима для представления процедур знаний.

Имя продукции i – интерпретация результатов психологического  тестирования.

Предусловие Q – использовать в первую очередь.

Условие P – шкала лжи L < 70.

Ядро  A; => B - если (шкала ошибок – шкала коррекции) <  - 11, то сообщение: «Результаты недостоверны».

Постусловие N -  закончить интерпретацию результатов.

        2.3.1 Классификация ядер продукции  

Все ядра можно разделить на 2 большие группы:

1. Детерминированные (А=>В наступит с вероятностью 1);
2. Недетерминированные (если А выполняется, то возможно В).

Возможны  различные оценки реализации ядра:

1. Вероятностная (если А, то с вероятностью Р реализуется В);
2. Лингвистическая (малая, меньшая). Если А, то с большой долей уверенности В.