Экспертная система на правилах

В системе, базирующейся на правилах, результат является действием одного из продукционных правил. Эти продукционные правила определяются входными данными.

Таким образом, экспертная система, базирующаяся на правилах (на Прологе) содержит множество правил, которые вызываются посредством входных данных в момент сопоставления. Экспертная система также содержит интерпретатор в механизме вывода, который выбирает и активизирует различные модули системы.

Работу этого интерпретатора можно описать последовательностью из трех шагов:

1. Интерпретатор сопоставляет образец правила с элементами данных в базе знаний.

2. Если можно вызвать более одного правила, то интерпретатор использует механизм разрешения конфликта для выбора правила.

3. Интерпретатор применяет выбранное правило, чтобы найти ответ на вопрос.

Этот трех шаговый процесс интерпретации является циклическим и называется циклом "распознавание-действие".

В системе, базирующейся на правилах, количество продукционных правил определяет размер базы знаний. Некоторые наиболее сложные системы имеют базы знаний с более чем 5000 продукционных правил. Вы можете начать с небольшого количества правил и добавлять их в базу знаний по мере расширения экспертной системы.

Может быть более важным, чем размеры базы знаний, является структура самих продукционных правил. Вот несколько рекомендаций по построению совместимых правил:

1. Использовать минимально достаточное множество условий при определении продукционного правила.

2. Избегать противоречащих продукционных правил.

3. Конструировать правила, опираясь на структуру присущую предметной области.

Экспертная система на Турбо-Прологе - система для идентификации породы собак.

Предположим, что пользователь сообщил множество характеристик собаки в ответ на вопросы экспертной системы.

Интерпретатор работает в цикле распознавание-действие. Если характеристики сопоставимы с характеристиками породы собаки, составляющими часть базы знаний, тогда вызывается соответствующее продукционное правило и в результате идентифицируется порода. Затем результат сообщается пользователю. Аналогично, если порода не идентифицирована, это тоже сообщается пользователю.

Теперь рассмотрим две характеристики породы собак, которые содержаться в базе знаний. Гончая имеет короткую шерсть, рост меньше 22 дюймов, длинные уши и хороший характер. Дог имеет короткую шерсть, свисающий хвост, длинные уши, хороший характер и вес более 100 фунтов.

Из этого описания ясно, что обе породы имеют короткую шерсть, длинные уши и хороший характер. Рост гончей меньше 22 дюймов в то время как ничего не сказано о росте дога. Дог имеет свисающий хвост и вес более 100 фунтов – характеристики отсутствующие для гончей. Описание двух собак в терминах указанных характеристик достаточно, чтобы различить эти две породы, и даже отличить их от любой другой породы в базе знаний.

Следующие продукционные правила могут быть составлены по указанным характеристикам:

dog_is("Great Dane") :-

it_is("short-haired dog"),

positive(has,"low-set tail"),

positive(has,"good natured personality"),

positive(has,"weight over 100 lb"),!.

dog_is("Beagle"):-

it_is("short-haired dog"),

positive(has,"height under 22 inches"),

positive(has,"long ears"),

positive(has,"good natured personality"), !.

 

В предыдущем правиле длина шерсти может быть представлена с помощью предиката positive в виде:

positive(has,"short-hair").

Но использование предиката it_is позволяет ограничить "пространство поиска" (количество данных, проверяемых при поиске решения) одним поддеревом древовидной структуры, содержащей информацию о породах собак (Рисунок 4.8).

Рисунок 4.8 Дерево, содержащее информацию о разных породах собак

 

Экспертная система, базирующаяся на правилах, позволяет проектировщику строить правила, которые естественным образом объединяют в группы связанные фрагменты знаний. Каждое продукционное правило может быть независимым от других. Эта независимость делает базу продукционных правил семантически модульной, т.е. группы информации не влияют друг на друга. Более того, модульность базы правил позволяет развивать базу знаний, увеличивая ее.

В Прологе продукционные правила помещаются в программу, и, следовательно, размеры программы увеличиваются по мере добавления правил. Размеры памяти в конце концов ограничивают число правил. В этом случае использование системы на правилах становится проблематичным. В то же время, в системе, базирующейся на логике, где база знаний находится в файле на диске, ограничения на размеры базы знаний не накладываются. Поэтому система, основанная на логике, предпочтительнее в этом случае.

Известно также, что в медицинских экспертных системах нашла применение организация знаний в виде статических описании болезней, определенных через соответствующие симптомы. Подобные программы рассмотрены в книге Е. И. Ефимова “Решатели интеллектуальных задач”, Москва, Наука, 1982. Задача диагностических программ; сводится к поиску наименьшего набора болезней, способных быть причиной заданного сочетания симптомов (система INTERNIST).

Текст программы экспертизы по породам собак реализующей продукционную систему, базирующуюся на правилах приведен в Приложении 3.