рефераты конспекты курсовые дипломные лекции шпоры

Реферат Курсовая Конспект

Продукционная модель представления знаний

Продукционная модель представления знаний - раздел Философия, ИНТЕЛЛЕКТУАЛЬНЫЕ ИНФОРМАЦИОННЫЕ СИСТЕМЫ В Общем Случае Продукционное Правило Можно Представить В Следующем Виде: ...

В общем случае продукционное правило можно представить в следующем виде:

i : S; L; A®B; Q ,

где i – индивидуальный номер продукции;

S – описание класса ситуаций, в котором данная структура может использоваться;

L – условие, при котором продукция активизируется;

А®В – ядро продукции, например: «ЕСЛИA1 , A2 , ... , АnТОВ». Такая запись означает, что «если все условия от A1 до Аn являются истиной, то В также истина» или же «когда все условия от A1 до Аn становятся истиной, то следует выполнить действие B»;

Q – постусловие продукционного правила, описывает операции и действия (процедуры), которые необходимо выполнить после выполнения В. Например, внести изменения в данные либо в саму продукцию.

При использовании таких моделей у систем, основанных на знаниях, имеется возможность:

· применение простого и точного механизма использования знаний;

· представления знаний с высокой однородностью, описываемых по единому синтаксису.

Программные средства, оперирующие со знаниями, представленными правилами, получили название продукционных систем (или систем продукции). Общим для систем продукции является то, что они состоят из трех элементов:

1. Набор правил, используемых как БЗ, его еще называют базой правил;

2. Рабочая память, где хранятся предпосылки, касающиеся отдельных задач, а также результаты выводов, получаемых на основе этих предпосылок (динамическая база данных - ДБД);

3. Механизм логического вывода, использующий правила в соответствии с содержимым рабочей памяти.

1.5.1. Механизм функционирования систем продукции

На простом примере рассмотрим упрощенно механизм функционирования систем продукции.

Допустим, что данные, записанные в рабочую область, представляют собой образцы в виде набора символов – «намерение – отдых», «место отдыха – горы».

Тогда после того, как в рабочую память записываются образцы, механизм вывода, в соответствии с хранящимся в базе правил описанием класса ситуаций («отдых» и «горы»), отбирает правила, отражающие содержимое рабочей памяти.

В их условной части находятся либо одиночные образцы, либо несколько условий, соединенных предлогом «И», а в заключительной части – образцы, дополнительно регистрируемые в памяти:

правило №1 ЕСЛИ «намерение – отдых» И

«дорога - ухабистая»

ТО «использовать - джип»

правило №2 ЕСЛИ «место отдыха – горы»

ТО «дорога – ухабистая».

 
 

 

 


Рис. 1.3. Прямая цепочка рассуждений

Для рассматриваемого примера последовательность логического вывода будет следующей (смотри рис. 1.3):

1. Механизм вывода анализирует правила, начиная с первого, определяет наличие образца «намерение – отдых» в рабочей памяти и отсутствие в ней образца «дорога – ухабистая».

2. Условная часть правила №1 считается ложной, и механизм вывода переходит к следующему правилу (в нашем случае к правилу №2).

3. Условная часть правила №2 признается истинной, т.к. образец «место отдыха – горы» присутствует в рабочей памяти и механизм вывода переходит к выполнению его заключительной части.

4. Заключительная часть правила №2 «дорога – ухабистая» заносится в рабочую память.

5. После просмотра всех правил происходит вторичное их применение, начиная с первого правила, за исключением тех, которые уже были применены (в примере это правило №2).

6. При повторном сопоставлении правила №1 его условная часть становится истинной ввиду доопределения рабочей памяти, и механизм вывода выполняет его заключительную часть.

7. Заключительная часть «использовать – джип» переносится в рабочую память, а правило №1 исключается из дальнейшего согласования.

8. Правил для сопоставления не остается, и система останавливается.

Результатом вывода является рекомендация:

«использовать – джип»,

с пояснением причин данного вывода, которая определяется тем, что

«дорога – ухабистая».


1.5.2. Обратная цепочка рассуждений в системе продукций

Для пояснения этого способа обратимся к знакомому примеру. Считая, что рабочая память содержит образцы «намерения – отдых» и «место отдыха – горы», а база содержит оба правила, целью составления цепочки рассуждений механизмом вывода становится доказательство факта «использовать – джип» (заключительная часть первого отобранного правила).

Последовательность составления системой продукции следующая:

1. Исследуется возможность применения первого правила для подтверждения исходного целевого факта.

2. Поскольку образец «намерение – отдых» из условной части правила №1 занесен в рабочую память, то для достижения цели достаточно подтвердить факт «дорога – ухабистая».

3. Образец «дорога – ухабистая» принимается за новую цель, и необходимо найти правило, подтверждающее этот факт.

4. Исследуется возможность применения правила №2. Условная часть этого правила является истинной, т.к. образец «место отдыха – горы» имеется в рабочей памяти;

5. В виду возможности применения правила №2, рабочая память пополнится образцом «дорога – ухабистая» и появляется возможность применения правила №1 для подтверждения цели «использовать – джип».

Таким образом, результатом вывода является подтверждение цели «использовать – джип» при условии «дорога – ухабистая».

1.5.3. Свойства продукционных моделей

Модульность — отдельные продукционные правила могут быть добавлены, удалены или изменены в базу знаний независимо от других; кроме того, модульный принцип разработки (сборки) продукционных систем позволяет автоматизировать их проектирование.

Каждое продукционное правило — самостоятельный элемент знаний (локальный источник знаний); отдельные продукционные правила связаны между собой только через поток данных, которые они обрабатывают.

Простота интерпретации – «прозрачная» структура продукционных правил облегчает их смысловую интерпретацию.

Естественность – знания в виде «что делать и когда» являются естественными с точки зрения здравого смысла.

Недостатки продукционных систем проявляются тогда, когда число правил становится большим и возникают непредсказуемые побочные эффекты от изменения старого и добавления нового правила. Кроме того, затруднительна оценка целостного образа знаний, содержащихся в системе.

– Конец работы –

Эта тема принадлежит разделу:

ИНТЕЛЛЕКТУАЛЬНЫЕ ИНФОРМАЦИОННЫЕ СИСТЕМЫ

Государственное образовательное учреждение... высшего профессионального образования... Санкт Петербургский государственный...

Если Вам нужно дополнительный материал на эту тему, или Вы не нашли то, что искали, рекомендуем воспользоваться поиском по нашей базе работ: Продукционная модель представления знаний

Что будем делать с полученным материалом:

Если этот материал оказался полезным ля Вас, Вы можете сохранить его на свою страничку в социальных сетях:

Все темы данного раздела:

Целый ряд других направлений
· Генетические алгоритмы · Когнетивное моделирование; · Интеллектуальные интерфейсы; · Распознавание и синтез речи; · Дедуктивные модели; · Многоагентны

Понятие «Знание» в ИИ
Разумное поведение человека базируется на знании и опыте, являющихся результатом обучения. Т.е. способность к обучению и накоплению знаний является основным признаком интеллекта. Получением, накопл

Проблема представления знаний
Целое направление искусственного интеллекта – «Инженерия знаний» – занимается вопросами проектирования баз знаний, т.е. проблемами обработки знаний. Обработка знаний включает в себя: ·

Логическая модель представления знаний
Одним из способов представления знаний является язык математической логики, позволяющий формально описывать понятия предметной области и связи между ними. Все логические модели знаний представляютс

Семантические сети
Семантическая сеть наиболее близка к тому, как представляются знания в текстах на естественном языке. В ее основе лежит идея о том, что вся необходимая информация может быть

Представление знаний с применением фреймов
1.6.1. Понятие фрейма и слота Термин фрейм (frame — каркас, рамка) предложен М. Минским в 70-е годы. Под фреймом понимается абстрактный образ или ситуация. В психологии и философии

Назначения и основные свойства ЭС
Существенный прорыв в практических приложениях ИИ произошел в середине 70-х годов, когда на смену поискам универсального алгоритма мышления пришла идея моделировать конкретные знания специалистов-э

Особенности построения и организации ЭС
Основой любой ЭС является совокупность знаний, структурированная в целях упрощения процесса принятия решения. Для специалистов в области ИИ термин знания означает совокупность сведений о сущ

Преимущества использования экспертных систем
Возникает вопрос: «Зачем разрабатывать ЭС? Не лучше ли обратиться к человеческому опыту, как это было раньше?» Отметим лишь основные преимущества, которые дает использование ЭС: 1

Технология разработки экспертных систем
Технология разработки ЭС включает в себя шесть этапов (см. рис. 2.5): этапы идентификации, концептуализации, формализации, выполнения, тестирования, опытной эксплуатации.

Основные режимы работы экспертных систем
В работе ЭС можно выделить два основных режима: режим приобретения знаний и режим решения задачи (режим консультации или режим использования). В режиме приобретения знаний общение с ЭС осуще

Отличия ЭС от традиционных программ
Особенности ЭС, отличающие их от обычных программ, заключаются в том, что они должны обладать: 1) Компетентностью, а именно: Ø Достигать экспертного уровня решений (

История возникновения теории нечетких множеств
Теория нечетких множеств (fuzzy sets theory) ведет свое начало с 1965г., когда профессор Лотфи Заде (Lotfi Zadeh) из университета Беркли опубликовал основополагающую работу “Fuzzy Sets” в журнале “

Понятие нейронной сети
  Нейронные вычисления – это теория разработки и исследования систем обработки информации, использующих механизмы восприятия и переработки информации естественных информационны

Задачи, решаемые с помощью нейронных вычислений
Классификация образов. Задача состоит в указании принадлежности входного образа (например, речевого сигнала или рукописного символа), представленного вектором признаков, одному или нескольки

Принципы организации и функционирования ИНС
  Нейронная сеть – это параллельная распределенная структура обработки информации в виде направленного графа с учетом следующих определений и ограничений: 1) вершинами

Архитектуры искусственных нейронных сетей
На сегодняшний день можно выделить четыре основные разновидности архитектуры ИНС. 1. Однослойные прямонаправленные сети. K-слойной называется ИНС, состоящая из k групп

Хотите получать на электронную почту самые свежие новости?
Education Insider Sample
Подпишитесь на Нашу рассылку
Наша политика приватности обеспечивает 100% безопасность и анонимность Ваших E-Mail
Реклама
Соответствующий теме материал
  • Похожее
  • Популярное
  • Облако тегов
  • Здесь
  • Временно
  • Пусто
Теги