Структура ЭС.

Рассмотрим общую структуру абстрактной ЭС. Реальные ЭС содержат большое количество дополнительных блоков специфичных для каждой предметной области.

Вновь полученные факты и знания

Факты и знания

Пользователь

Интеллектуальный интерфейс пользователя

Машина вывода

Решатель

Подсистема объяснений

База знаний

Интеллектуальный редактор базы знаний

Инженер по знаниям

Запрос пользователя

Результат консультаций

Выявление противоречивости

Факты и знания

Для продукционной модели в базе знаний будут хранится правила или фактические знания дедуктивного вывода. Для ЭС основанной на фреймовой МПЗ это будут факты и методы (присоединенная процедура). В ЭС основанной на сетевой МПЗ база знаний в общем случае будет содержать состояние системы избранную подсеть и правила вывода.

Машина вывода – программа ответственная за порядок и способ актуализации алгоритмической части базы знаний. Иногда в термин машина вывода включается подсистема объяснений. Подсистема объяснений – один из важнейших компонентов ЭС, который в значительной степени определяет эффективность ее практического использования. Практической реализацией подсистемы объяснений часто используют такие же процедуры как решатель, только в другом порядке, поэтому часто считают, что машина вывода состоит из двух компонентов: решатель и система объяснений. Специфика задач решаемых интеллектуальными системами такова, что очень часто ценность имеет не само решение полученное человеком или машиной, а ход решения полученного в ходе диалога человека с машиной. Подсистема объяснений – программный механизм получения ответов на вопросы «Почему так?» или «Почему так, а не по-другому?» относительно решения в целом или его отдельных элементов.

Отсутсвие подсистемы объяснений может быть связано со сложностью прораммирования или чаще всего с недостатками системы. В классическом понимании подсистемы объяснений существует только у систем основанных на сетевых систем.

Интеллектуальный редактор базы знаний позволяет добавлять, удалять и модифицировать факты и знания содержащиеся в базе знаний. Под интеллектом применительно к данному компоненту ЭС способность обеспечивать корректность, целостность и непротиворечивость БЗ.

Интеллектуальный интерфейс пользователя ответственна за организацию такого диалога с пользователя, который оптимальным образом приводит к достижению цели общения человека с экспертной системой. Интеллектуальность интерфейса заключается в том, что система диалога помогает пользователю уточнить или совсем переформулировать цель его консультации с экспертными системами. Такая необходимость является актуальной, потому что современные объекты процессы или явления моделируемые при помощи ЭС настолько большие и сложные, что конечный пользователь может не помнить или вообще не знать даже их названия, а следовательно не способен грамотно сформулировать запрос и получить ответ.

К разработке ЭС привлекаются специалисты из разных предметных областей, а именно – эксперты той проблемной к которой относятся задачи решаемые ЭС; инженеры по знаниям в разработке ЭС; программисты осуществляющие реализацию ЭС. Эксперты поставляют знания в ЭС и оценивают правильность получаемых ею результатов. Инженеры по знаниям помогают экспертам выявить и структурировать знания необходимые для работы с ЭС, выполняют работу по представлению знаний, выявляют методы обработки знаний, выбирают инструментальные средства для разработки ЭС наиболее пригодных для решения поставленных задач. Программисты разрабатывают ПО ЭС и осуществляют его сопряжение со средой в которой оно будет использоваться.

Любая ЭС может работать в двух режимах:

1. Режим приобретения знаний.

2. Режим консультации.

В режиме приобретения знаний ЭС наполняется знаниями, полученными от

эксперта, которые впоследствии позволят системе самостоятельно решать оп-

ределённые задачи из конкретной проблемной области.

В первых ЭС не учитывалось изменение знаний, используемых в процессе

решения конкретной задачи. Их называют статическими ЭС. Существует ши-

рокий класс приложений, в которых требуется учитывать изменения, происхо-

дящие в окружающем мире за время исполнения приложения. Для решения та-

ких задач необходимо применять динамические ЭС, которые имеют средства

связи с внешним окружением. Изменения окружения решаемой задачи требуют

изменения хранимых в ЭС знаний, для того чтобы отразить временную логику

происходящих в реальном мире событий.

Современные ЭС к знаниям, которыми располагает эксперт, предъявляют

требования надёжности, важности, чёткости, для чего они снабжаются весовы-

ми коэффициентами, которые называют коэффициентами доверия. В процессе

эксплуатации ЭС обучаются, т.е. коэффициенты доверия подвергаются коррек-

тировке. Процесс обучения ЭС может производиться автоматически с помощью

обучающего алгоритма либо путём вмешательства когнитолога, выполняющего

роль учителя.

В режиме консультации пользователь ЭС сообщает системе конкретные

данные о решаемой задаче и стремится получить с её помощью результат.

Пользователи-неспециалисты обращаются к ЭС за результатом, не умея полу-

чить его самостоятельно, пользователи-специалисты используют её для ускоре-

ния и облегчения процесса получения результата.

Динамические ЭС

Существуют реальные вещи которые требуют фиксации за время выполнения приложения. Для решения таких задач применяют динамические ЭС, которые на ряду с компонентами стат систем содержат подсистему моделирования внешнего мира и подсистему связи с внешним окружением. Подсистема моделирования внешнего мира необходимо для прогнозирования, анализа и адекватной оценки состояния внешней среды. Изменение окружения решаемой задачи требует изменения хранимых в ЭС знаний для того, чтобы отобразить временную логику происходящих в реальном мире событий. Подсистема связи с внешним миром актуальна для автомномных ИИС или роботов, а также для интел. систем управления. Связь с внешним миром осущствляется через систему датчиков и контроллеров.

В основе классификации экспертных систем лежат следующие параметры:

1. Тип приложения

a. Возможность взаимодействия с другими программными средствами

i. Изолированные приложения

ii. Интегрируемы приложения

b. Возможность выполнения и переноса на другие платформы

i. Закрытые приложения. Могут перенесены на другие платформы только перепрограммированием.

ii. Открытые приложения. Ориентированные на исполнение в разнородном программно-аппартном окружении и могут быть перенесены на другие платформы без перепрограммирования.

c. Архитектура

i. Централизованное приложение. Реализуется на базе центральной ЭВМ с которой связаны терминалы.

ii. Распределенное приложение. Используется в архитектуре клиент-сервер.

2. Стадия существования. Характеризует степень завершенности разработки ЭС.

a. исследуемый прототип. ЭС, которая решает представительный класс задач проблемной области, но может быть неустойчива в работе или не полностью проверена. При наличии развитых инструментальных средств для разработки прототипа требуется 2-4 месяца. БЗ исследуемого прототипа обычно содержит небольшое число используемых утверждений или фактов и знаний.

b. действующий прототип. Действующий прототип надежно решает все задачи, но для решения сложных задач может требовать чрезмерно много времени и (или) памяти. Доведение системы от начала разработки до стадии действующего прототипа требует примерно 6-9 месяцев, при этом количество исполняемых утверждений в базе знаний увеличивается до 100.

c. промышленная система. ЭС, достигшая стадии промышленной системы, обеспечивает высокое качество решений всех задач при минимуме времени и памяти. Обычно процесс преобразования действующего прототипа в промышленную систему состоит в расширении базы знаний (до 150 исполняемых утверждений) и ее тщательной отладке. Доведение ЭС от начала разработки до стадии промышленной системы на развитом ИС требует примерно 12-18 месяцев.

d. коммерческая система. Доведение системы до коммерческой стадии требует примерно 1,5-2 года. Приведенные выше сроки справедливы для ЭС средней сложности.

3. Масштаб. Многие специалисты классифицируют ЭС (приложения) по их сложности (типу используемой ЭВМ) на малые, средние, большие и символьные.

a. малые ЭС. Малые ЭС реализуются на ПК типа PC или Macintosh, часто являясь изолированными ЭС. Малые ЭС обычно используются в целях первичного обучения или для исследования возможности использования технологии ЭС в данной области.

b. средние ЭС. Средние ЭС реализуются на рабочих станциях. Они бывают изолированными и интегрированными с БД и электронными таблицами. Данные приложения охватывают весь спектр использования ЭС.

c. большие ЭС. Большие ЭС реализуются на рабочих станциях или ЭВМ общего назначения (mainframe). Они, как правило, имеют доступ к огромным БД.

d. символьные ЭС. Символьные ЭС реализуются на символьных ЭВМ или с использованием ИС типа Lisp и Prolog. Эти ЭС, как правило, являются исследовательскими и не используются для решения реальных задач.

4. Тип решаемой задачи.

a. интеграция и визуализация

b. диагностика

c. мониторинг и прогнозирование

d. проектирование и планирование

e. обучение

f. управление

g. поддержка принятия решения

5. Тип используемой МПЗ.

a. ЭС моделирующие мышление человека

i. логическая эс

ii. продукционная эс

iii. фреймовая эс

iv. сетевая эс

v. объектно-ориентированая эс

b. ЭС не моделирующие мышление человека

i. вероятностная модель

ii. критериальные методы

iii. нейронные сети

Глубинная модель позволяет обоснованно доказывать свои выводы. К ним относятся абстракции, образы и аналогии в которых отображается понимание структуры предметной области, назначение и взаимосвязь отдельных понятий, известные законы и теоретические обоснования. Поверхностные знания касаются в основном внешних проявлений объекта исследования. Они позволяют некоторые предположения. Выводы полученные на поверхностных знаниях, возможно являются столь надежными и ценными как и выводы полученные на глубинных знаниях, но они не обоснованы.

Жесткость и мягкость знаний означает получать четкие однозначные рекомендации при заданных начальных условиях, либо множественные расплывчатые решения, согласно этой классификации знания можно относить к жестким и мягким. Современная тенденция развития экспертных систем состоит в том, что от широкого применения жестких поверхностных моделей в большинстве задач переходить к мягким глубинным.

2 этап: Логический вывод. На основании набора правил или нечеткой базы знаний вычисляется значение истинности для предпосылки каждого правила на основании конкретных нечеткой операций, соответствующих конъюнкции или дизъюнкции термов в левой части правил. В большинстве случаев это либо максимум, либо минимум из степеней уверенности термов, вычисленных на этапе фаззификации. Используя один из способов построения нечеткой импликации, мы получим нечеткую переменную, соответствующую вычисленному значению степени уверенности в левой части правила и нечеткому множеству в правой части правила. В качестве правил логического вывода обычно используются 2 правила:

· минимума (правило Мамдани)

· произведения (правило Ларсена)

При операции min функция принадлежности вывода отсекается по высоте, соответствующей вычисленной степени истинности предпосылки правила.

3 этап: Композиция. Все нечеткие множества, назначенные для каждого терма каждой выходной лингвистической переменной, объединяются вместе, и формируется единственное нечеткое множество, которое является значением для каждой выводимой лингвистической переменной. При таком объединении используются следующие операции при композиции:

· операция максимума (max)

· операция суммы (sum)

При композиции max комбинированный вывод формируется как поточечный максимум по всем нечетким подмножествам. При композиции суммы такой вывод строится кК поточечная сумма по всем нечетким подмножествам.

4 этап: Приведение к четкости или дефаззификация (необязательный). Используется тогда, когда полезно преобразовать нечеткий набор значений выводимых лингвистических переменных к четким значениям.

Обычно используют следующие методы дефаззификации:

· метод центра тяжести

· метод первого max

· метод среднего max

Модификации алгоритма нечеткого логического вывода

1. Алгоритм Мамдани

2. Алгоритм Ларсена

3. Алгоритм Цукамото

4. Алгоритм Сугено

Предположим, что базу правил образуют 2 нечнетких правила:

П1: если х есть А1 и у есть В1, то z есть С1

П2: если х есть А2 и у есть В2, то z есть С2

где х и у – имена входных переменных

z – имя переменной вывода

А, В, С – некоторые заданные значения функции принадлжености.

При этом четкое значение z0 необходимо определить на основе приведенной инфы и четких значений х0, у0.

Дата добавления: 2015-07-15