Классификация ИИС

1. Системы с интеллектуальным интерфейсом (коммуникационные способности).

a. Интеллектуальные БД. В отличии от традиционных БД, они позволяют обеспечивать выборку информации не присутствующей в явном виде, а выводимой из совокупности данных.

b. Распознавание образов. В основном для распознавания зрительных образов, таких как печатные символы. Системы распознавания сначала обрабатывают изображения и выделяют характерные признаки, количественные или качественные, а затем по этим признакам выполняют распознавание. Также применяется идея самообучения.

c. Гипертекстовые системы. Используются для поиска по ключевым словам в БД с текстовой информацией. Для более полного отражения различных смысловых отношений терминов требуется сложная семантическая организация ключевых слов. Так в гипертекстовых системах сначала работает с базой знаний ключевых слов, а затем с самим текстом. Аналогичным образом осуществляется поиск мультимедиа, включающий кроме текстов, аудио и видео образы.

d. Системы контекстной помощи. Их относят к классу систем распространения знаний, они являются приложением к документации. Являются частным случаем гипертекстовых систем и систем с естественным языковым интерфейсом. В этих системах пользователь описывает проблему, а система на основе дополнительного диалога конкретизирует ее и выполняет поиск относящихся к этой ситуации рекомендаций.

e. Системы естественного языкового интерфейса. Такие системы применяются для доступа к интеллектуальным БД, для контекстного поиска текстовой информации, голосового ввода команд в системах управления, для машинного перевода с одного языка на другой и т.д. Для реализации ЕЯИ необходимо решить проблемы морфологического, синтаксического и семантического анализа, а также проблему синтеза высказываний на естественном языке. При морфологическом анализе, осуществляется распознавание, синтаксический анализ предполагает разложение входных сообщений на отдельные компоненты, проверку в соответствии грамматическим правилам и выявлению недостающих частей. Семантический анализ устанавливает смысл языковых конструкций и проверяет их правильность. В отличии от анализа, синтез заключается в преобразовании цифрового представления информации, представления на естественном языке.

f. Системы когнитивной графики. Такие системы ориентированы на общение с пользователем с помощью графических образов, которые генерируются в соответствии с изменениями параметров моделируемых или наблюдаемых процессов. Когнитивная графика позволяет в наглядном и выразительном виде представить множество параметров характеризующих изучаемые явления. Также освобождает пользователя от анализа тривиальных ситуаций, способствует быстрому освоению программных средств и повышение конкурентоспособности разрабатываемых систем. Применение когнитивной графики наиболее актуально в системах мониторинга, в обучающих и тренажерных системах, СПР работающих в режиме реального времени.

2. Экспертные системы – сложные программные комплексы, аккумулирующие знания специалистов в конкретных предметных областях и использующие эти знания для консультации менее опытных пользователей.

a. Классифицирующие ЭС.

b. Доопределяющие ЭС.

c. Трансформирующие ЭС.

d. Мультиагентные ЭС.

3. Самообучающиеся системы. Основаны на методах автоматической классификацией ситуации из реальной практики или на методах обучения на примерах. Примеры реальных ситуации составляют т.н. обучающую выборку, которая формируется в течении определенного периода. Элементы обучающей выборки описываются множеством классификационных признаков. В СОС несколько стратегий обучения. Стратегия обучения «с учителем» предполагает задание специалистом для каждого примера показывающих его принадлежность к определенному классу ситуаций. Стратегия «обучение без учителя» - здесь система должна самостоятельно выделять классы ситуаций по степени близости значений классификационных признаков. В процессе обучения выполняется автоматической построение обобщающим правил или функций, которые описывают принадлежность ситуаций к классам, которыми в последствии система будет пользоваться при интерпретации незнакомой ситуации. Из обобщающих правил автоматически формируется база знаний, которые периодически корректируются, по мере накоплении информации об анализируемой ситуации.

a. Индуктивные. Позволяют обобщать примеры на основе принципа индукции от частного к общему. Процедура обобщения сводится к классификации примеров по значимым признакам.

b. Системы, основанные на прецедентах. В таких системах база знаний содержит описания конкретных ситуаций или прецедентов. Прецеденты описываются, по которым строятся индексы быстрого поиска. В отличии от индуктивных систем здесь допускается нечеткий поиск с получением множества доступных альтернатив, каждый из которых оценивается некоторым коэффициентом уверенности. Поиск решения, осуществляется на основе аналогий и включает следующие этапы:

i. получение информации о текущей проблеме;

ii. сопоставление полученной информации со значениями признаков прецедентов из базы знаний;

iii. выбор прецедента из базы знаний наиболее близкого к рассматриваемой проблеме;

iv. адаптация выбранного прецедента к текущей проблеме;

v. проверка корректности каждого полученного решения;

vi. занесение детальной информации о полученном решении в базу знаний.

c. Нейронные сети. Представляют собой классический пример технологий основанный на примерах. Нейронные сети обобщенное название группы математических алгоритмов способных обучаться на примерах, узнавая в последствии черты встречных образцов и ситуаций. Благодаря этой способности нейронные сети используются для решения задач обработки сигналов и изображений, распознавание образов и прогнозирования. Нейронная сеть – это кибернетическая модель нервной системы, которая представляет собой совокупность большого числа сравнительно простых элементов или нейронов, топология соединения которых зависит от типа сети. Чтобы создать нейронную сеть для решения какой-либо задачи необходимо сначала выбрать способ соединения нейронов друг с другом, а затем разобрать значения параметров межнейронных соединений.

d. Информационные хранилища. Отличаются от обычных БД тем, что представляют собой хранилища значимой информации, регулярно извлекаемой из оперативных БД. Технологии извлечения данных из ХД основаны на методах стат анализа и моделирования, ориентированных на поиск моделей и отношений скрытых в совокупности данных. Для извлечения данных из хранилищ используются специальные методы (OLAP - анализ) и Data Mining, которые основаны на применении методов математической статистики, нейронных сетей, индуктивных методов деревьев решений.

4. Адаптивные системы. Потребность в адаптивных системах возникает в тех случаях, когда поддерживаемые ими предметные области постоянно развиваются. В связи с этим адаптивные системы должны удовлетворять ряду специфических требований:

i. адекватно отражать знания в каждый момент времени;

ii. должны быть пригодными для легкой и быстрой реконструкции при изменении проблемной среды.

Адаптивные свойства ИС обеспечиваются за счет интеллектуализации их архитектуры. Ядром таких систем является постоянно развиваемая модель предметной области, которая поддерживается в специальной базе знаний называемой репозиторий. Ядро таких систем управляет процессами генерации или переконфигурирования ПО. В процессе адаптирования применяется оригинальное и типовое проектирования. Оригинальное проектирование предполагает разработку ИС на основе сформулированных требований (CASE tech). При типовом проектировании осуществляется адаптация типовых разработок к особенностям предметной области. Главное отличие этих двух подходов состоит в том, что при использовании CASE технологии на основе репозитория при изменении предметной области каждый раз выполняется генерация ПО. А при использовании компонентной технологии осуществляется конфигурирование программ и только в редких случаях его переработка.

b. CASE – технологии.

c. Компонентные системы.

Дата добавления: 2015-07-15