Сетевая модель представления знаний это

называемой продукционным правилом.

Первая часть правила () называется антецедентом, вторая () – консеквентом. Антецедент состоит из элементарных предложений (высказываний), соединенных логическими связками И и выражающих условия срабатывания правила. Консеквент включает одно или несколько предложений, описывающих выдаваемое правилом заключение в виде некоторых фактов и/или ссылки на определенное действие.

Правило может быть задано с коэффициентом уверенности [7, 14, 21], определяющим положительным значением меньше единицы степень адекватности вывода правила (консеквента) условиям его срабатывания (антецеденту). Другими словами, коэффициент уверенности правила определяет степень близости его к точной логической конструкции, для которой его значение принимается равным единице. Коэффициент уверенности может быть задан в скобках в конце правила.

С коэффициентами уверенности могут задаваться и факты антецедента, в достоверности которых существует определенная доля сомнения.

При организации базы знаний антецеденты и консеквенты продукционных правил могут представляться совокупностью пар или троек . Это приводит к экономии числа задействованных переменных. Однако надо заметить, что использование троек усложняет процесс формирования правил и алгоритм вывода.

Представление знаний продукционными правилами обладает следующими преимуществами:

• модульность;
• единообразие структуры (возможность построения и использования оболочек);
• естественность (имитация рассуждений эксперта);
• гибкость иерархии понятий с точки зрения внесения изменений.

Вместе с тем данному представлению присущи и некоторые недостатки:

• громоздкость процесса вывода, связанная с проверкой условий применимости правил;
• сложность управления процессом вывода;
• отсутствие наглядности представления иерархии понятий.

Если с точки зрения отмеченных достоинств и недостатков сопоставить продукционные правила с другими формами представления знаний, например, такими как иерархические структуры фреймов и семантические сети, то можно сделать следующие выводы.

Отмеченные преимущества продукционных правил неоспоримы, хотя создавать и настраивать на конкретные предметные области можно и оболочки СОЗ, использующие фреймовые структуры или семантические сети [16]. Но это оказывается сложнее с точки зрения программной реализации, а главное, затрудняет процесс формализации конкретных знаний на инфологическом уровне. В продукционной системе (системе, базирующейся на продукционных правилах) для этого удобно используется дерево решений, которое к тому же существенно компенсирует недостаток продукционных правил, связанный с отсутствием наглядности представления иерархии понятий.

Что касается громоздкости процесса вывода на продукционных правилах и сложности управления им, то эти проблемы также решаются, например путем учета статистики срабатывания правил, организации распределенной структуры базы правил и использования других доступных приемов.

Труднее компенсировать отсутствие у продукционных систем явного компактного представления иерархических связей понятий и наследования по умолчанию значений слотов путем ссылок на прототипы, характерных для фреймовых структур и семантических сетей.

В пользу продукционной модели представления знаний говорит и то, что она хорошо согласуется с представлением задач в пространстве состояний, характерным для целевого назначения многих интеллектуальных систем.

В системе интеллектуальной поддержки продукционного типа процесс поиска решений реализуется как логический вывод, основанный на сопоставлении по образцу. При этом состояние процесса вывода (процесса поиска решения) определяется содержимым рабочей памяти базы знаний, а роль операторов, переводящих систему из одного состояния в другое, выполняют продукционные правила.

Источник

7. Сетевые модели представления знаний.

Наиболее полно (в явном виде) образуют семантику предметной области. С этой формой представления связаны понятие:

Опр.: Семантическая сеть – структура, отображающая совокупность объектов предметной области и отношений между ними (при этом объектам соответствуют узлы сети, а отношениям – дуги между ними). Объектами могут быть: — обобщенные понятия;

— свойства указанных объектов.

Совокупность объектов, включаемых в сеть определяется:

— содержанием предметной области;

— кругом рассматриваемых задач.

Опр.: Однородные сети – сети с одинаковыми отношениями между вершинами.

Опр.: Неоднородные сети – сети, которые могут содержать дуги различных типов, имеющие различный смысл.

Опр.: Сеть иерархического типа – сети, вершины которых могут иметь свою внутреннюю сетевую структуру.

Наиболее распространенные типы отношений:

8. Представление знаний в виде иерархической структуры фреймов.

Опр: Фрейм (М.Минский) – иерархическая структура для описания стереотипной ситуации, состоящей из характеристик этой ситуации (слотов) и значений этих характеристик (заполнители слотов).

• Совокупность фреймов, моделирующая определенную предметную область, имеет иерархическую структуру.
• Каждый фрейм соответствует некоторому объекту предметной области.
• Слоты содержат данные, списывающие этот объект.
• На верхнем уровне иерархии находится фрейм, отражающий наиболее общую информацию, присущую фреймам низшего уровня.
• В качестве заполнителей слотов может указываться:

— одно значение (число, качество, свойство);

— фасет (перечень или диапазон возможных значений);

— правило, согласно которому определяется заполнитель слота;

— имя процедуры, реализующей алгоритм вычисления заполнителя слота.

• Значение характеристик фреймов может передаваться по умолчанию фреймам более низкой ступени иерархии, если те не содержат собственных значений данных характеристик.
• Различают статические и динамические системы фреймов: первые не меняются в процессе решения задачи, вторые – могут изменяться.
• Плюсы сетевых (в том числе фреймовых) моделей представления знаний:

— явное представление иерархических связей (видна семантика предметной области);

— представление значений слотов в единственном экземпляре;

— возможность вычисления значения любого слота (заполнителя) с помощью процедур или эвристик.

Минусы фреймов:

— сложности в реализации фреймов и во внесении изменений в базу знаний.

9.Продукционное правило как форма представления знаний.

Анализ действий экспертов, связанных с диагностикой состояний сложных объектов, систем показывает, что профессионал проводит экспертизу вполне целенаправленно, придерживаясь определенной стратегии. При этом он руководствуется множеством правил, эвристик (то, что вырабатывается опытным путем), которые могут быть представлены в форме продукционного правила (ПП):

< ПОСЫЛКА >– антецедент (первая часть правила);

< ЗАКЛЮЧЕНИЕ >– консеквент (вторая часть правила).

Опр: Антецедент – состоит элементарных предложений (высказываний), соединенных логическими связками «И» и выражающих условия срабатывания правила.

Опр: Консеквент – включает одно или несколько предложений, описывающих выдаваемое правилом решение или ссылку на некоторое действие.

С коэффициентами уверенности могут быть заданы так же конкретные факты (в посылке). При организации базы знаний в виде набора ПП, антецеденты и консеквенты этих ПП могут быть представлены совокупностью пар или троек вида:

Преимущества представления знаний в виде ПП

1. Модульность – каждое ПП не зависит от других, чтобы изменить базу знаний не надо «резать по живому» (похоже на реляционную БД);
2. Единообразие структуры СОЗ – возможность построения и использования оболочек, настраиваемых через формализм базы знаний на конкретную предметную область;
3. Естественность – имитация рассуждений эксперта;
4. Гибкость иерархии понятий с точки зрения внесения изменений.

Недостатки представления знаний в виде ПП

1. Громоздкость процесса вывода, связанная с проверкой применимости правил;
2. Сложность управления процессом вывода;
3. Отсутствие наглядности представления иерархии понятий.

Сопоставив ПП с другими формами представления знаний (семантические сети, фреймы) с точки зрения рассмотренных плюсов и минусов, можно сделать выводы:

• Рассмотренные преимущества ПП неоспоримы, хотя создавать и настраивать на конкретные предметные области можно и оболочки СС и фреймов, но это оказывается сложнее с точки зрения программной реализации, а главное, затрудняет процесс формализации конкретных знаний на инфологическом уровне. Так же усложняет процесс наполнения базы знаний конкретными знаниями.
• В ПП для представления знаний на инфологическом уровне удобно используется дерево решений, которое, к тому же, компенсирует недостаток ПП, связанный с отсутствием наглядности представления иерархии понятий.
• Что касается громоздкости процесса вывода на ПП и сложности управления им, то эти проблемы так же решаются, например, путем учета статистики срабатывания правил, организации распределенной структуры базы правил, использования других доступных приемов.
• К сожалению, труднее компенсировать отсутствие у ПП явного компактного представления связей, иерархии понятий и наследования по умолчанию значений слотов путем ссылок на прототипы, характерных для сетевых моделей (СС и фреймов).
• В пользу ПП говорит то, что эта ФПЗ хорошо согласуется с представлением задач в пространстве состояний, характерном для целевого назначения многих ИС.

Источник