Системы искусственного интеллекта

Федеральное агентство по образованию

Государственное образовательное  учреждение высшего профессионального  образования

Омский государственный  технический университет

Кафедра информатики и  вычислительной техники

 

 

 

 

 

Расчётно-графическая работа

по дисциплине

«Системы искусственного интеллекта»

 

 

 

 

 

 

 

 

Выполнил: студент гр.  ИВТ-428

Спиридонов И.В.

Проверил:  д.т.н., доцент

Потапов И.В.

 

 

 

Омск 2012

 

Содержание

Введение…………………………………………………………………………………………………………………………………………..……3

База знаний.……………………………………………………………………………………………………………………………………..……4

Описание  предметной области……………………………………………………………………………………………………..……..4

Признаки  и их значения………………………………………………………………………………………………………………………..4

Список вопросов …………………………………..………………………………………………………………………………………………4

Байесовский подход………………………………………………………………………………………………………………………………5

Расчёт вероятностей……………………………………………………………………………………………………………………………...5

Таблица вероятностей..………………………………………………………………………………………………………………………...6

Разработка Экспертной системы………………………………………………………………………………………………………...7

Взвешивание ответа пользователя..…………………………………………………………………………………………………..…8

Механизм  логического вывода…………………………………………………………………………………………………………….9

Опыты……………..………...…………………………………………………………………………………………………………………………10

Заключение………………………………………………………………………………………………………………………………………….12

Список литературы……………………………………………………………………………………………………………………………...13

Приложение1…………………………………………………………………………………………………………………………………….14

Код программы………...…………………………………………………………………………………………………………………………14

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

Введение

Целью выполнения практической работы по курсу «Системы искусственного интеллекта» является написание программы экспертной системы для любой предметной области, близкой  исполнителю.

Существуют  различные способы предоставления знаний в экспертных системах и соответственно различные методы построения базы знаний и логического вывода.

Один из возможных  методов работы с ненадёжной, неопределенной информацией основанный на применении теории вероятностей, называется байесовский.

Байесовский подход позволяет вычислить относительное  правдоподобие конкурирующих гипотез  исходя из силы свидетельств.

Для данной работы был выбран поиск дерева.

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

База знаний.

Описание предметной области.

Тема данной работы «деревья»

 Деревья могут быть следующих видов:

 

1. Дуб
2. Берёза
3. Ель
4. Сосна
5. Пихта
6. Клён
7. Тополь
8. Осина
9. Кедр
10. Лиственница
11. Кипарис
12. Баобаб
13. Пальмовое дерево
14. Бамбук
15. Эвкалипт
16. Ротанг
17. Финик

 

Список  вопросов

1 Хвойное ли?

2 Мягкая иголка?

3 Есть ли плоды?

4 Можно есть шишки?

5 Высокое?

6 Широкий ствол?

7 Тёмный цвет ствола?

8 Развитая система  корневища?

9 Большие листья?

10 Опадает ли покров?

11 Растёт на севере?

12 Произрастает в южном климате?

13 Широкая крона?

14 Толстая ли кора?

15 Может обходиться  без обильных осадков? 

16 Длинные ветки?

 

 

 

 

 

 

 

 

Байесовский подход.

При использовании  байесовского подхода к построению экспертной системы в базе знаний данные формируются в форматах двух разновидностей.

В первом формате  хранятся знания о конкретной гипотезе, и он состоит из следующих элементов.

1. Имя персонажа,2. P, 3. , где второй элемент – P -  априорная вероятность того, что взятый наудачу персонаж является загаданным.  Третий элемент – трёхэлементные поля, соответствующие каждому из применимых признаков.

j – первый элемент тройки, является номером вопроса, который в данных момент рассматривается;

- вероятность того, что  данный признак будет наблюдаться  при условии, что у персонажаон  имеется;

- вероятность того, что  данный признак будет наблюдаться  при условии, что у персонажа  он не имеется;

 

 

 

Расчёт вероятностей.

Расчёт вероятностей осуществляется группам критериев. Т.е. вероятность p+ считается как:

, где N количество положительных ответов в пределе одной группы. I- номер персонажа.

Вероятность p- считается как:

, где N количество персонажей.

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

Таблица вероятностей.

1.Дуб,0.2,1,0,0.265,2,0,0.088,3,1,0.500,4,0,0.353,5,0.5,0.364,6,0.5,0.364,7,1,0.375,8,0.5,0.364,9,0,0.382,10,1,0.469,11,1,0.531,12,0,0.441,13,1,0.531,14,1,0.5,15,0.5,0.455,16,1,0.438

 

2.Берёза,0.2,1,0,0.265,2,0,0.088,3,1,0.500,4,0,0.353,5,0.5,0.364,6,0.5,0.364,7,0,0.412,8,0.5,0.364,9,0,0.382,10,1,0.469,11,0.5,0.545,12,0.5,0.424,13,0.5,0.545,14,0,0.529,15,0.5,0.455,16,1,0.438

 

3.Ель,0.2,1,1,0.219,2,0,0.088,3,0.5,0.515,4,0.5,0.333,5,0.5,0.364,6,0.5,0.364,7,0.5,0.394,8,0.5,0.364,9,0,0.382,10,0,0.500,11,1,0.531,12,0,0.441,13,0.5,0.545,14,0.5,0.515,15,1,0.438,16,0,0.471

 

4.Сосна,0.15,1,1,0.219,2,0,0.088,3,0.5,0.515,4,0.5,0.333,5,0.5,0.364,6,0.5,0.364,7,0.5,0.394,8,0.5,0.364,9,0,0.382,10,0,0.500,11,1,0.531,12,0,0.441,13,1,0.531,14,0.5,0.515,15,1,0.438,16,0.5,0.455

 

5.Пихта,0.15,1,0.5,0.242,2,0.5,0.061,3,0.5,0.515,4,0.5,0.333,5,0.5,0.364,6,0.5,0.364,7,0,0.412,8,0.5,0.364,9,0,0.382,10,0.5,0.485,11,1,0.531,12,0,0.441,13,0.5,0.545,14,0.5,0.515,15,1,0.438,16,0,0.471

 

6.Клён,0.1,1,0,0.265,2,0,0.088,3,0,0.529,4,0,0.353,5,0,0.382,6,0,0.382,7,0,0.412,8,0,0.382,9,0.5,0.364,10,1,0.469,11,0.5,0.545,12,0.5,0.424,13,1,0.531,14,0.5,0.515,15,0.5,0.455,16,0.5,0.455

 

7.Тополь,0.15,1,0,0.265,2,0,0.088,3,0,0.529,4,0,0.353,5,0.5,0.364,6,0.5,0.364,7,0,0.412,8,0.5,0.364,9,0.5,0.364,10,1,0.469,11,0.5,0.545,12,0.5,0.424,13,1,0.531,14,1,0.5,15,0.5,0.455,16,1,0.438

 

8.Осина,0.15,1,0,0.265,2,0,0.088,3,0,0.529,4,0,0.353,5,0.5,0.364,6,0.5,0.364,7,1,0.375,8,0.5,0.364,9,0.5,0.364,10,1,0.469,11,0.5,0.545,12,0.5,0.424,13,1,0.531,14,1,0.5,15,0.5,0.455,16,0.5,0.455

 

9.Кедр,0.1,1,1,0.219,2,0,0.088,3,1,0.500,4,1,0.313,5,0.5,0.364,6,0.5,0.364,7,0.5,0.394,8,0.5,0.364,9,0,0.382,10,0,0.500,11,1,0.531,12,0,0.441,13,1,0.531,14,1,0.5,15,1,0.438,16,1,0.438

 

10.Лиственница,0.1,1,0.5,0.242,2,0.5,0.061,3,1,0.500,4,1,0.313,5,0.5,0.364,6,0.5,0.364,7,1,0.375,8,0.5,0.364,9,0,0.382,10,0.5,0.485,11,1,0.531,12,0,0.441,13,0,0.559,14,0.5,0.515,15,1,0.438,16,0.5,0.455

 

11.Кипарис,0.05,1,0.5,0.242,2,0.5,0.061,3,0.5,0.515,4,0.5,0.333,5,0,0.382,6,0,0.382,7,1,0.375,8,0,0.382,9,0,0.382,10,0.5,0.485,11,0,0.559,12,1,0.406,13,0,0.559,14,0,0.529,15,0,0.471,16,0,0.471

 

12.Баобаб,0.05,1,0,0.265,2,0,0.088,3,1,0.500,4,1,0.313,5,1,0.344,6,1,0.344,7,0,0.412,8,1,0.344,9,1,0.344,10,1,0.469,11,0,0.559,12,1,0.406,13,0,0.559,14,1,0.5,15,0,0.471,16,0,0.471

 

13. Пальмовое дерево,0.1,1,0,0.265,2,0,0.088,3,1,0.500,4,1,0.313,5,0,0.382,6,0,0.382,7,0,0.412,8,0,0.382,9,1,0.344,10,0,0.500,11,0,0.559,12,1,0.406,13,0,0.559,14,0,0.529,15,0,0.471,16,0.5,0.455

 

14.Бамбук,0.1,1,0,0.265,2,0,0.088,3,0,0.529,4,0,0.353,5,0,0.382,6,0,0.382,7,0.5,0.394,8,0,0.382,9,1,0.344,10,1,0.469,11,0.5,0.545,12,0.5,0.424,13,0,0.559,14,0,0.529,15,0.5,0.455,16,0,0.471

 

15.Эвкалипт,0.05,1,0,0.265,2,0,0.088,3,0,0.529,4,0,0.353,5,1,0.344,6,1,0.344,7,0.5,0.394,8,1,0.344,9,1,0.344,10,0,0.500,11,0.5,0.545,12,0.5,0.424,13,0.5,0.545,14,0.5,0.515,15,0,0.471,16,0.5,0.455

 

16.Ротанг,0.05,1,0,0.265,2,0,0.088,3,0,0.529,4,0,0.353,5,0,0.382,6,0,0.382,7,0,0.412,8,0,0.382,9,0,0.382,10,0,0.500,11,0,0.559,12,1,0.406,13,1,0.531,14,1,0.5,15,0,0.471,16,1,0.438

 

17.Финик,0.05,1,0,0.265,2,0,0.088,3,1,0.500,4,0,0.353,5,0,0.382,6,0,0.382,7,0.5,0.394,8,0,0.382,9,1,0.344,10,0,0.500,11,0.5,0.545,12,0.5,0.424,13,0.5,0.545,14,0,0.529,15,0,0.471,16,0,0.471

Разработка Экспертной системы.

 

Байесовский подход.

Теория Байеса опирается на предположение, что  практически для любой гипотезы имеется, какая бы малая она не была, априорная вероятность того, что эта гипотеза истина.

Если имеется  априорная вероятность некоторой  гипотезы, то должны иметься и некоторые  данные, которые можно было бы привлечь для доказательства гипотезы.

Тогда априорная  вероятность может быть модифицирована так, чтобы получить апостериорную  вероятность той же гипотезы с  учётом поступивших данных:

 

,(1) Формула Байеса

Или 
,(2) где – априорная вероятность гипотезы H при отсутствии каких-либо свидетельств. – апостериорная вероятность гипотезы H при наличии свидетельства E. – полная вероятность свидетельства E.

Для вычисления апостериорной вероятности очень  удобно пользоваться информацией из базы знаний. В обозначениях базы знаний получим:

 

, (3)

 

 

Здесь начинают проявляться достоинства байесовского метода.

Первоначальным  значением P(H), которым мы воспользовались, была априорная вероятность p, которая хранилась в базе знаний. Задав вопрос о мировоззрении персонажа и вычислив новую величину P(H|E), можно воспользоваться значением P(H|E) как обновлённым значением P(H). Таким образом, весь процесс вычисления апостериорной вероятности можно повторять, увеличивая или уменьшая вероятность персонажа с привлечением каждого нового свидетельства:

,

Где – апостериорная вероятность, вычисленная на предыдущем шаге. Аналогично вычисления производятся и для значений  .

В конечном итоге, собрав все сведения, касающиеся всех гипотез, можно прийти к окончательному заключению об истинности рассматриваемых  гипотез.

 

 

 

 

 

 

 

Взвешивание ответа пользователя.