1626434760-4c9f92f9ed5188f8fc024fed893742bb (844133), страница 4
Текст из файла (страница 4)
Задачарешается в направлении от исходного состояния к целевому.Продукции, применяясь к текущему состоянию, порождаютновые состояния.В обратных СП задача решается в обратном направлении - отцели к начальному состоянию. Каждый шаг обратногодвижения, т.е. применение продукции в обратномнаправлении, когда Условие (применения) и Действиеменяются местами, производит подцелевое состояние, изкоторого целевое может быть получено при прямомдвижении.17Стратегии применения СПВ качестве примера рассмотрим СП, включающую несколько простыхправил:(1) y & w → x(2) u & z → y(3) r → zВ данном случае стрелка (→ ) означает, что если верно то, чтонаписано слева, то верно то, что написано справа.Эта СП работает над БД, содержащей следующие факты:r, s, t, u, v, w,где, например, факт r означает “зажигание исправно”,а факт s – “шумы в коробке передач”.Первое правило (1) может интерпретироваться следующим образом:«Если имеет место перегрев двигателя (y) и есть шумы в двигателе (w),то перебит маслопровод (x)".18Прямой выводПрямой вывод предполагает использование правил для выводановых фактов из имеющихся.Для этого Интерпретатор по очереди просматривает все правила сцелью выяснения, являются ли факты в левой части правилистинными.
Если у очередного правила левая часть истинна, тодобавляется факт из правой части правила к хранимым фактам (вбазу фактов).Затем Интерпретатор переходит к следующему правилу иповторяет тот же процесс. Проверив все правила, он начинаетпроверку правил сначала. Эта работа продолжается до тех пор, покав базу фактов добавляются новые факты.19Прямой выводВернемся к нашему примеру.Сначала может примениться только одно правило(3) r → z,которое добавляет z в базу фактов.После этого может примениться правило(2) u & z → y,так как факт u задан как истинный с самого начала, а факт zтолько что был выведен.В результате в базу фактов будет добавлен факт y .Теперь в базе фактов есть и y, и w , поэтому может сработатьправило(1) y & w → x,которое выведет факт x .После этого работа Интерпретатора завершится.20Обратный выводПри этом способе вывод начинается не с посылок правил, а сразус интересующего нас заключения (будем называть его целевымили целью).
Как правило, такое заключение не находится средиизвестных фактов, поэтому его истинность нужно доказать.Механизм вывода в этом случае состоит в нахождении тех правил,которые содержат данный факт в качестве заключения.Затем просматриваются посылки этих правил.Если они уже хранятся в базе фактов, то цель доказана.Если посылки не являются истинными фактами, то делаетсяпроверка: не являются ли они заключениями других правил.
Еслиэто так, то предпринимается попытка доказать истинность ужепосылок этих правил.Этот процесс продолжается до тех пор, пока в качестве посылок неокажутся факты, которые являются истинными. Если такие фактынайдутся, значит, цель доказана, в противном случае целевоезаключение не доказано.21Обратный выводПредположим, нам необходимо доказать истинность факта x наоснове представленных выше правил и фактов.Факт x не задан явно в базе фактов, поэтомуцель x активирует правило(1) y & w → x,w есть в базе фактов, тогда нужно доказать подцель y.Подцель y активирует правило(2) u & z → yu есть в базе фактов, тогда нужно доказать подцель z.Подцель z активирует правило(3) r → z,r есть в базе фактов, тогда подцель z истинна, а значит истиннаподцель y, а тогда истинна и цель x.22Выбор стратегии выводаВыбор стратегии вывода зависит от решаемой задачи.Прямой вывод применим в тех ситуациях, когда пространствовозможных решений необозримо, в то время как количествоисходных данных невелико.Например, имеется огромное число способов сборки сложногокомпьютера из модульных компонентов, набор которых ограничен.В связи с этим прямой вывод чаще всего применяется в задачахпланирования и проектирования.Обратный вывод применяется в тех задачах, где число возможныхрешений невелико, но присутствуют большие объемы исходныхданных.
К таким задачам относятся задачи классификации идиагностики, в которых число видов (например, животных) илидиагностируемых ситуаций (например, заболеваний, техническихнеисправностей) невелико. Поэтому обратный вывод чаще всегоприменяется при диагностике и классификации.23Классификация систем продукцийРассмотрим деление СП по тому, как они решаютпроблему активации продукций.• Простые системы продукций• Управляемые системы продукций––––СП с независимым управляющим языкомИерархические СППоследовательные СППараллельно-последовательные СПВ управляемых СП предусмотрены средства структуризациимножества продукций и/или их активации.24Простые системы продукцийВ простых СП активными считаются все продукции.Такой способ активации правил применяется– в СП с небольшим количеством правил,– в СП, в которых структуризация множества продукций и ихпринудительная активация противоречат принципам,положенным в основу данной СП, или используемой еюстратегии выбора продукций.Это относится, например, ксемейству языков OPS, использующих специальныйалгоритм быстрого сопоставления образцов (Rete-алгоритм,эффективность которого не зависит от количества правил) иязыку Пролог, множество правил которого образует единуюсистему утверждений и выключение хотя бы одного правилаиз этой системы, нарушит ее логическую целостность.25СП с независимым управляющимязыком«Чистая»системапродукций:p1p2…pnСтратегия активации правил:p1, (p2,p3)2, (p4,p5)*, (p6)3, p726Иерархическая СППри этом подходе используются метапродукции, т.е.продукции, содержащие информацию о других продукцияхи активирующих (дезактивирующих) на основе этих знанийи анализа текущего состояния БД другие продукции.СП могут включать несколько уровней метапродукций.Поэтому такие СП называются иерархическими.27Иерархическая СПp1p2mp1mp11p3p4mp2mp111p5……pk……mpnnmPnpk+n28Последовательная СПСП1СП2СПnСП разбивается на несколько подмножеств, каждое изкоторых представляет автономный модуль обработкиданных (продукционный модуль).Каждый модуль (СПi) соответствует определенному уровнюзнаний или этапу обработки данных.Пример: система ЗАПСИБ (InBASE) – обработка запросовна естественном языке к реляционной БД.29Параллельно-последовательная СПСП1ОбщаяпамятьСП3СП230Достоинства и недостатки СПДостоинства:•Универсальность СП, как метода описания широкого классазадач.•Естественность спецификации знаний.
Для многихпредметных областей естественно представлять знания в видеправил вида Условие → Действие.•Высокая и естественная модульность СП:(1) каждая продукция представляет собой автономное действие,снабженное индивидуальной функцией управления,самостоятельно определяющей момент выполнения действия;(2) все множество продукций может естественным образомструктурироваться путем разбиения на подмножества,объединяющие продукции, которые относятся к одним и тем жекомпонентам знаний.31Достоинства и недостатки СПНедостатки:•Существенно более низкая эффективность вычислительногопроцесса по сравнению с программированием на традиционныхязыках.•Повышенная сложность контроля правильности СП-процесса.32Использование продукционной модели• Построение компиляторов• Автоматическая обработка текстов• Распознавание и синтез речи• Экспертные системы33Методы представления нечетких знанийЧасто, представляя знания о сложных предметных областях,приходится сталкиваться с их неполнотой, неточностью,неоднозначностью, нечеткостью.Нечеткость связана с отсутствием точных границ областиопределений и свойственна большинству понятий.Эта нечеткость границ приводит к тому, что в общем случаеоказывается невозможным решать вопрос о соответствии данногообъекта и данного понятия по принципу да/нет.
Часто можнотолько говорить о степени соотнесенности одного другому,оценивая ее, например, в интервале от 1 (определенное да) до 0(определенное нет).Это означает, что переход от полной принадлежности объектаклассу к полной его непринадлежности происходит не скачком, аплавно, причем принадлежность объекта классу выражается1числом из интервала [0,1].Методы представления нечетких знанийАналогичные рассуждения можно отнести и к отдельнымсвойствам объектов.
Не всегда можно четко рассуждать отаких свойствах объектов, как вес, цвет, температура, размери т.п. Нет четкой границы между тяжелым и легким, темными светлым, холодным и горячим, большим и маленьким и т.п.Методы представления нечетких знаний были предложеныамериканским профессором Л.Заде в 1965 году.Он ввел два фундаментальных понятия:• лингвистическая переменная и• нечеткое множество.2Понятие лингвистической переменнойСначала дадим неформальное определение.Лингвистическая переменная (ЛП) – это переменная,значениями которой являются слова или выраженияестественного (иногда искусственного) языка.Переменную Возраст можно рассматривать каклингвистическую переменную, если она принимает нечисловые значения (например, от 0 до 100), а лингвистическиезначения, такие как молодой, старый, очень молодой, оченьстарый и т.п.Аналогично можно ввести ЛП Температура_тела_больногосо значениями нормальная, повышенная, высокая, оченьвысокая и т.п.3Понятие лингвистической переменнойЛингвистическая переменная описывается следующимнабором:(N, T(N), U, G, M), гдеN – название лингвистической переменной,T(N) – терм-множество N, т.е.
![](https://s.studizba.com/z.php?f=/templates/si/i/noavatar.png&w=100&h=100&t=1"){kind=avatar}
