Источники неопределенности

Представление и использование неопределенных знаний

Знания не всегда могут быть описаны точно. Часто встречаются так называемые “нечеткие знания”, которые связаны с предметной областью (ПО), строгое описание которой невозможно. В такой ПО точные знания невозможно получить, поэтому чаще всего они носят неточный характер. Для того чтобы интеллектуальные системы вышли за рамки простых символьных выводов и приблизились к мышлению человека, необходимы методы представления нечетких знаний и механизм выводов, работающий в их среде.

Нечеткость знаний можно классифицировать следующим образом:

1) Не детерминированность выводов;

2) многозначность;

3) ненадежность;

4) неполнота;

5) нечеткость или неточность.

Источники неопределенности

1) недостаточно полное знание предметной области

Описание предметной области может быть неясной или неполной: в нем могут использоваться недостаточно четко сформулированные понятия или недостаточно изученные явления. (Напрмер, может существовать несколько определений одного и того же явления).

2) недостаточная информация о конкретной ситуации

3) фактор времени, связанный с устареванием информации.

Ненадежные знания и выводы

В задачах решаемых ИИ иногда приходится применять ненадежные знания и факты, которые трудно представить двумя значениями (“истина”=1 и “ложь”=0). Знания, достоверность которых можно представить вероятностью, и вывод на них можно описать с помощью Байесовского метода (основанного на теореме Байеса в теории вероятностей).

Существует ряд методов, использующих вероятностный подход для описания ненадежных знаний. Так в ЭС MYCIN использован метод коэффициентов уверенности. В ЭС PROSPECTOR фирмой SRI (США) был предложен метод выводов названный субъективным байесовским методом. Позже была выведена теория Демпстера-Шафера, которая по сравнению с байесовской вероятностью характеризуется тем, что она не фиксирует значение вероятности, а может представлять и описывать ситуацию “незнания”.

Рассмотрим подробнее решение задач с ненадежными данными в ИИ.

Для решения сложных задач можно использовать метод разбиения на несколько подзадач. Каждая подзадача тоже разбивается на простые подзадачи. Таким образом, задача в целом может быть описана иерархически. В задачах с ненадежными данными значения могут иметь степень надежности (коэффициент), например из интервала [0;1].

Например, сложную систему выводов, основанную на следующих стандартных конструкциях правил: “И”,”ИЛИ”,”КОМБ”- можно представить деревом вывода (Рис.1).

Рис.1. Пример дерева вывода

Введем структуры правил для реализации вывода:

Для структуры “И”: Если X и Y то A с С₁

Для структуры “ИЛИ”: 1) Если X или Y то А с С₂

Если X и Y не могут выполняться одновременно, то правила можно записать в виде двух отдельных правил

2) Если X то A с С₂₁

Если Y то A с С₂₂

Для структуры “КОМБ”(комбинированная связь правил):

Правило1: Если X то А с С₃₁

Правило 2: Если Y то А с С₃₂

Расшифруем обозначения: X,Y – результаты доказательств, А- цель или гипотеза, “И”, “ИЛИ”,“КОМБ” – виды связей. С₁, С₂, С₂₁, С₂₂, С₃₁, С₃₂ – степени надежности, приписываемые правилам (значениям).

Дата добавления: 2015-07-20