Диссертация (1152160), страница 51
Текст из файла (страница 51)
Аксиомы можно рассматривать как концептуальноеопределение совокупности рассматриваемых объектов, их свойств и отношений между ними. Введение аксиом обучения позволяет увеличивать иулучшать знания о рассматриваемом классе задач в процессе их непосредственного решения. Таким образом, разработанные для ИЭСКК ПП аксиомыобучения являются, по существу средством представления новых знаний иуточнения старых. Затем для поиска логического выводы ИЭСКК ПП былопроведено интеллектуальное программирование. В нашем случае стратегияпоиска логического вывода являлась адаптивной, поскольку она целенаправленно подстраивалась под решение намеченных задач (рисунок 6.23).Технологический процесс производства пищевой продукцииРисунок 6.23 Адаптивная стратегия поиска логического вывода прирешении ИЭС задач контроля и прогнозирования процессов производстваЗнание языка исчисления предикатов и связанных с ним средств поиска логического вывода является необходимым для решения задач автоматического представления знаний, распознавания объектов и анализа сцен.
В328свою очередь, без решения этих задач невозможно осуществить внедрениеИЭС в производственно-технологические системы.Проблема представления знаний играет важную роль как при организации интеллектуального интерфейса, так и при разработке ИЭС контроля ипрогнозирования показателей качества пищевых продуктов в процессе ихпроизводства.
ИЭС, реализующая описанные выше логические средстваформирования понятий и представления знаний, автоматически строит (пообучающей выборке или исходя из априорного описания классов) проблемно ориентированную систему аксиом классов, обладающую свойствами полноты, непротиворечивости и инвариантности.
Получающаяся в результатеаксиоматическая система понятий выступает как эффективное средство логического представления знаний о внешней среде в памяти ИЭС.Важное значение имеет связь решающих правил с фреймами. При этомпод фреймом понимаем, прежде всего, ту минимально необходимую структурированную информацию, которая однозначно определяет данный классобъектов. Наличие фрейма позволяет относить объект к тому классу, который им определяется.В общем случае фреймы представляют собой совокупность знаний одостаточно сложных объектах и ситуациях. Поэтому они содержат не тольколокальные сведения о конкретных объектах, которые можно представить спомощью логических описаний в терминах предикатов-признаков, но и знания о возможных действиях и условиях их применимости. Кроме того,фреймы содержат некоторые «дыры», называемые слотами, которые заполняются по мере конкретизации знаний в процессе решения задач.6.7.4.
Семантические сетиУдобной формой записи фреймов являются семантические сети, дополненные описаниями возможных действий и условий их применимости. Всемантических сетях вершины соответствуют некоторым объектам, а дуги отношениям между соответствующими объектами. Иногда вершины пред-329ставляют сложные отношения между объектами [107]. Важным достоинством семантических сетей является то, что представляемые ими знания хорошо поддаются обработке на ЭВМ.
Это обеспечивается заданием связеймежду объектами и позволяет расшифровать смысл текста, заданного семантической сетью. Семантическая сеть четко описывает класс объектов илиситуаций и в этом случае имеет вид распознающего или идентифицирующего графа. Знания такого рода с успехом используются для синтеза правилповедения интеллектуальной производственной ЭС типа «класс ситуаций действие» при ее функционировании. Такие правила - фреймы позволяюторганизовать целенаправленное адаптивное поведение интеллектуальнойпроизводственной ЭС в недетерминированной и изменяющейся производственной ситуации.ИЭС должна обладать способностью анализировать производственнуюобстановку, распознавать целевые объекты (сырье, полуфабрикаты, готовыепищевые изделия и т.
п.), идентифицировать препятствия. Для решения этихзадач необходимо использовать систему компьютерного зрения.При этом главная трудность функционирования ИЭС контроля показателей качества пищевой продукции связана с тем, что производственнымкомплексам обычно приходится иметь дело не с одним объектом, принадлежащим тому или иному классу, а с совокупностью объектов из разных классов. Другая трудность обусловлена сильной вариативностью объектов в полезрения интеллектуального технологического комплекса.
Так, например, могут сильно изменяться расстояния до окружающих объектов, ракурс, в котором они воспринимаются, условия освещения и т. д. Более того, одни объекты могут заслонять другие, затрудняя тем самым их распознавание.Поэтому от ИЭС требуется определенная активность и интеллектуальность, необходимая для преодоления охарактеризованных выше трудностей.Значительный интерес представляют метод и системы инвариантногораспознавания изображений, использующие в качестве видеодатчиков сред-330ства когерентной и некогерентной оптики. Имеются также хорошо зарекомендовавшие себя эвристические подходы к выделению отдельных объектовна сложной сцене без каких-либо попыток к их распознаванию. Так, в настоящее время существует ряд программ для ЭВМ, позволяющих выделять отдельные объекты на контурном изображении сцены путем предварительнойразметки линий и выявления среди них граничных линий на основе анализатипа узлов.
Как правило, такие программы используют сложные алгоритмылингвистического анализа сложных (главным образом, контурных) изображений [19 – 23, 25, 28, 29, 31].Принципиально иной подход к распознаванию объектов по их изображениям базируется на предварительном (в процессе обучения интеллектуальной системы) формировании понятий в виде аксиом классов с последующим выделением тех или иных предметов посредством логического анализа и распознавания. Этот подход воплощен в рассматриваемом ниже адаптивном методе логического распознавания предметов, который нашѐл широкое применение в современных интеллектуальных технологиях, применяемых в машиностроении при производстве приборов [26].
Этот метод позволяет сравнительно легко и просто с помощью ЭВМ преодолеть возникающиетрудности. Основная идея метода заключается, во-первых, в логическомпредставлении понятий, формируемых в процессе обучения ИЭС в видепроблемно-ориентированных аксиом классов, и, во-вторых, в организациипроцесса распознавания (включая режимы идентификации, классификации ианализа объектов) с помощью алгоритмических средств поиска логическоговывода. Метод хорошо приспособлен для реализации на ЭВМ, причем программирование логических алгоритмов формирования понятий и распознавания предметов удобно осуществлять как на языках высокого уровня (типа«С++), так и на языке логического программирования «ПРОЛОГ».Управляющая система в модуле ИЭС контроля и прогнозирования параметров качества пищевой продукции, реализующая этот метод, обладает331важным свойством: она легко дообучается новым понятиям и адаптируется кизменяющимся производственным условиям, что позволяет надежно распознавать как известные, но сильно преобразованные предметы, так и совершенно новые классы объектов.
В режиме обучения ИЭС предъявляются вразличных ракурсах эталонные объекты (например, цвет муки или сливочного масла, хлебного кваса и т.д.) из разных классов. При этом автоматически строятся описания классов в виде формул исчисления предикатов А1(ω), ..., Ам (ω), связывающих исходные предикаты-признаки и принимающих истинные значения по меньшей мере на элементах обучающей выборки.Рассмотрим одно из важнейших свойств этих аксиом — их инвариантностьпо отношению к заданной совокупности преобразований, поскольку напрактике объекты из каждого класса часто отличаются только преобразованиями g из некоторой фиксированной совокупности преобразований G. Вдругих случаях для порождения всех элементов некоторого класса Ωк можетоказаться недостаточно одного эталонного элемента из этого класса и можетпотребоваться некоторое множество «эталонов», соответствующее, например, существенно различным ракурсам восприятия предметов из данногокласса.
В подобных случаях необходимо, чтобы ИЭС одинаково классифицировала объекты, отличающиеся допустимыми преобразованиями g из G.Поскольку конкретное преобразование g, подействовавшее на распознаваемый объект, обычно неизвестно, то ИЭС, по существу, является адаптивнойпо отношению к совокупности возможных преобразований.В режиме распознавания перед ИЭС возникают задачи трех типов:идентификация, классификация и анализ. Цель идентификации заключаетсяв том, чтобы система отыскала на изображении предмета данного класса.Целью классификации является выяснение вопроса: объекты каких классовпредставлены на изображении предмета.
Наконец, цель анализа заключаетсяв выяснении того, объекты каких классов и в каком количестве имеются на332изображении предмета, а также в определении их расположения, ориентациии т. п.Задача классификации предметов сводилась к многократному решению задач идентификации для каждого класса объектов. Задача анализапредметов также сводилась к многократному решению задачи идентификации для всех классов объектов. В результате такого логического анализа были выделены все предметы, составляющие определенный класс объектов. ВИЭС указывается: к какому классу принадлежит каждый предмет, где расположен и как ориентирован.
Таким образом, в рамках описанного методаразделение производства пищевой продукции на отдельные объекты разныхклассов происходят в процессе их распознавания. В этом заключается одноиз принципиальных отличий и преимуществ данного метода от других известных. Благодаря этому, именно данный метод и был использован вИЭСКК пищевой продукции.Общая схема описанной адаптивной системы логического распознавания объектов пищевых производств представлена на рис.
![](https://s.studizba.com/z.php?f=/templates/si/i/noavatar.png&w=100&h=100&t=1"){kind=avatar}
