Отчет по курсовой работе по дисциплине Интеллектуальные информационные системы
 Скачать 152.5 Kb.
|
|
+ МИНИСТЕРСТВО ОБРАЗОВАНИЯ И НАУКИ РОССИЙСКОЙ ФЕДЕРАЦИИ ФЕДЕРАЛЬНОЕ АГЕНТСТВО ПО ОБРАЗОВАНИЮФГБО ВО НАЦИОНАЛЬНЫЙ ИССЛЕДОВАТЕЛЬСКИЙ УНИВЕРСИТЕТ «МОСКОВСКИЙ ЭНЕРГЕТИЧЕСКИЙ ИНСТИТУТ (ТЕХНИЧЕСКИЙ УНИВЕРСИТЕТ)» ИЖЕНЕРНО-ЭКОНОМИЧЕСКИЙ ИНСТИТУТ Кафедра «Безопасности и информационных технологий» ОТЧЕТ ПО КУРСОВОЙ РАБОТЕ по дисциплине «Интеллектуальные информационные системы» Тема: «Анализ модели представления знаний в интеллектуальных системах на основе семантических сетей» Студент группы ИЭС-165-17____Борисов А.В._ (Ф.И.О.) Руководитель к. т. н. доцент Карпович Е. Е. _______ (уч. степень, звание, Ф.И.О.)
Москва 2019 ВВЕДЕНИЕ При изучении интеллектуальных систем часто возникает вопрос — что же такое знания и чем они отличаются от обычных данных обрабатываемых ЭВМ. Данные – это отдельные факты, характеризующие объекты, процессы и явления предметной области, а также их свойства. Знания в свою очередь это закономерности предметной области (принципы), полученные в результате практической деятельности и профессионального опыта, позволяющие специалистам ставить и решать задачи в этой области. Представление знаний является одной из наиболее важных проблем при создании системы искусственного интеллекта. Форма представления знаний оказывает непосредственное влияние на характеристики и свойства системы. Основная цель представления знаний – строить математические модели реального мира и его частей, без предварительных пояснений и установления дополнительных неформальных соответствий. Модель представления знаний – рисунок 1 является формализмом, призванным отобразить статические и динамические свойства предметной области, отобразить объекты и отношения предметной области, связи между ними, иерархию понятий предметной области и изменение отношений между объектами.  Рис. 1. Модель представления знаний Продукционная модель или модель, основанная на правилах, позволяет представить знания в виде предложения: «Если (условие), то (действие)». Под условием понимается образец, по которому осуществляется поиск в базе знаний, а под действием — действия, выполняемые при успешном исходе поиска. Фреймовая модель представления знаний – предлагается как структура знаний для восприятия пространственных сцен. Фреймом называется также и формализованная модель для отображения образа. Фрейм имеет определенную внутреннюю структуру, состоящую из множества элементов, называемых слотами, которым присваиваются имена. За слотами следуют шпации, в которые помещают данные, представляющие текущие значения слотов. Каждый слот в свою очередь представляется определенной структурой данных. В значение слота подставляется конкретная информация, относящаяся к объекту, описываемому этим фреймом[3]. Логическая модель представления знаний формируются средствами логики предикатов. Функция, принимающая два значения (истина или ложь) и предназначенная для выражения свойств объектов или связей между ними является предикатом. Выражение, в котором утверждается или отрицается наличие каких-либо свойств у объекта, называется высказыванием. Константы служат для именования объектов предметной области[3]. Логические предложения или высказывания образуют атомарные формулы. Интерпретация предиката — это множество всех допустимых связываний переменных с константами. В общем случае в основе логических моделей лежит понятие формальной теории, задаваемой четверкой: S = B – счетное множество базовых символов (алфавит) теории S; F – подмножество выражений теории S, называемые формулами теории; A – выделенное множество формул, называемые аксиомами теории S; R – конечное множество отношений {r1, …, rn} между формулами (правилами вывода). Семантические сети представляют собой ориентированный граф, в узлах которого находятся имена объектов, а стрелки указывают на отношения между ними. При этом если представить семантическую сеть как граф, выражающий семантические отношения (дуги) между понятиями (вершины), то можно утверждать, что различные сочетания входящих и исходящих дуг, присутствующих в цепях различной длины в значительной степени влияют на сложность рассматриваемой структуры[3]. Семантические сети содержат описание связей в явной форме, указанных с помощью синтаксических, семантических и прагматических отношений. Модель, основанная на нечеткой логике предполагает использование теории нечетких множеств, где функция принадлежности элемента множеству не бинарная (да/нет), а может принимать любое значение в диапазоне 0-1.Это дает возможность определять понятия, нечеткие по самой своей природе: "хороший", "высокий", "слабый" и т.д. Нечеткая логика позволяет выполнять над такими величинами весь спектр логических операций: объединение, пересечение, отрицание и др. Нечеткая логика дает возможность строить базы знаний и интеллектуальные системы нового поколения, способные хранить и обрабатывать неточную информацию. Модели представления знаний Знания в ИИС возможно представить в виде моделей двух типов: декларативных и процедурных. При создании базы знаний важным является выбор способа представления знаний. Основная цель представления знаний в интеллектуальной информационной системе состоит в организации ее в такой форме, чтобы был возможен легкий доступ к знаниям для эффективного принятия решений, распознавания объектов и ситуаций, вывода заключений и прочих когнитивных функций. Представление знаний в интеллектуальных системах осуществляется на основе фреймов, семантических сетей, продукционных моделей знаний, логических моделей, моделей представления и формализации нечетких знаний, нейронных сетей. Из представленной классификации к типовым декларативным моделям относят фреймовые модели и семантические сети, а к типовым процедурным моделям можно отнести нечеткую логику, системы продукций и исчисление предикатов. В практической деятельности при разработке ИИС смешанное представление знаний является наиболее эффективным. Рассмотрим более подробно декларативные и процедурные модели представления знаний. Семантическая сеть в самом общем случае представляет собой ориентированный граф, вершинами которого являются обобщенные понятия, события, свойства объектов или действия. Вершины графа соединяются дугой, если соответствующие информационные единицы находятся в каком-либо взаимодействии. Дуги, таким образом, характеризуют отношения, связи между объектами, явлениями. В основе семантических моделей представления знаний лежит конструкция, названная семантической сетью. Семантический подход к построению ИИС применяется в системах распознавания естественного языка, в различных предметно-ориентированных ИИС, в вопросно-ответных системах. Вообще, термин «семантическая» означает «смысловая», ведь семантика — наука, которая устанавливает отношения между объектами и обозначающими их символами, т.е. определяющая смысловое значение знаков. В семантической сети дуги можно определить различными методами, выбор конкретного метода зависит от вида представляемых знаний. Часто дуги, используемые для представления иерархии, включают дуги типа «множество», «подмножество», «элемент». Если семантическая сеть применяется в качестве модели представления знаний при описании естественных языков (переводчики), используют дуги типа «объект», «агент», или «реципиент». Понятиями в семантической сети могут выступать объекты (абстрактные или конкретные), а отношениями — связи наподобие «это» («is»), «имеет частью» («has part»), «принадлежит». Чтобы сеть являлась семантической, обязательно присутствие трех типов отношений: «свойство - значение», «класс — элемент класса», «пример элемента класса». Основные характеристики семантических сетей как моделей представления знаний: • объекты описаны на естественном языке; • все знания накоплены в относительно однородной структуре памяти; • на сетях определены унифицированные отношения между объектами, им соответствуют унифицированные методы вывода; • методы вывода в соответствии с запросами определяют участки семантического знания, имеющего отношение к поставленной задаче, формулируя акт понимания запроса и некоторую цепь выводов, соответствующих решению задачи. Имеются различные классификации семантических сетей. По количеству типов отношений: • однородные (в сети имеется единственный тип отношений); • неоднородные (в сети имеются различные типы отношений). По типам отношений: • бинарные (в этом случае отношениями связаны два объекта); • парные (есть специальные отношения, которые связывают более двух понятий). В семантических сетях чаще всего используются следующие отношения: • связи «часть — целое» («элемент — множество», «класс — подкласс», и т.п.); • количественные («меньше», «больше», «равно» и т.п.); • пространственные («близко от», «далеко от», «над», «за», «иод» и т.п.); • функциональные связи (обычно определяемые глаголами «производит», «влияет» и т.п.); • временные («раньше», «позже», «в течение» и т.п.); • атрибутивные связи («иметь значение», «иметь свойство» и т.п.); • логические связи («и», «или», «не») и др. При решении задач в семантических сетях проблема поиска решения в базе знаний сводится к задаче нахождения фрагмента сети, соответствующего некоторой подсети, которая относится к поставленному вопросу. Преимуществами представления на семантических сетях являются: • наглядность представления и повышенная гибкость за счет наличия свойств ассоциативности и иерархичности; • возможность представлять знания естественным и структурированным образом; • семантическая сеть соответствует современных представлениям об организации долговременной памяти человека; • сочетание декларативного и процедурного, синтаксического и семантического знания. К недостаткам данной модели представления знаний можно отнести: • сложность организации процедуры поиска вывода на семантической сети; • сложность и трудность разработки алгоритмов их анализа из-за нерегулярности структуры и достаточно большого количества дуг, несущих синтаксическую информацию; • семантическая сеть — пассивная структура, для ее обработки необходимо задействовать сложный аппарат формального вывода; • разнообразие типов вершин и связей, произвольность структуры, требующей большого разнообразия процедур обработки; • трудность представления и обработки неточных и противоречивых знаний. Иными словами, представление знаний в этой модели наглядно, соответствует «фразам на естественном языке», а вывод затруднен. Логические модели основаны на фундаментальном аппарате математической логики. Эти модели представляют знания в виде формул. Формулы, в свою очередь, состоят из переменных, констант, функций, логических связок, предикатов и кванторов, причем каждая логическая формула представляет частичное описание состояния предметной области. В основе всех логических моделей представления знаний лежит понятие формальной системы L, задаваемой четверкой  где В — множество базовых элементов (некоторый базовый алфавит формальной системы); R — множество синтаксических правил, которые позволяют строить синтаксически правильные выражения А из множества базовых элементов ВА — множество априори истинных аксиом (иначе говоря, любое множество синтаксически правильных выражений); F — правила (или функции) вывода, которые позволяют расширять множество аксиом. Существуют различные реализации логических моделей представления знаний. Среди них различают системы индуктивного типа (в которых правила вывода порождены системой на основе конечного числа обучающих примеров) и системы дедуктивного тина (имеющие фиксированную систему правил вывода). В логических моделях синтаксис задается набором правил построения правильных синтаксических выражений, а семантика — набором правил преобразования выражений и разрешающей процедурой, позволяющей однозначным образом и за конечное число шагов определить, является ли данное выражение семантически правильным. Преимущества логических моделей представления знаний: • использование фундаментального аппарата математической логики, позволяющего формализовано получить новые знания; • определение понятия логического вывода; • высокий уровень модульности знаний. Недостатки логических моделей представления знаний: • чрезмерный уровень формализации знаний; • сложность прочтения и трудность понимания логических формул; снижение производительности информационных интеллектуальных систем при обработке знаний и большая требуемая память; • проблема формального представления «естественной человеческой логики» путем построения формальных моделей; • отсутствие наглядности и выразительных средств при структурировании знаний и отражении особенностей предметной области; • громоздкость и сложность формальных моделей при описании больших объемов знаний. Логически модели представления знаний используются в чистом виде в ИИС крайне редко. Как уже было сказано, наиболее эффективными являются смешанные представления, где формальные логические модели применяются в сочетании с другими моделями представления знаний. Продукционные модели. Эти модели представления знаний основаны на правилах (от англ. Production). Продукционные правила (продукции) задаются в виде следующих выражений: • ЕСЛИ условие ТО действие; • ЕСЛИ причина ТО следствие; • ЕСЛИ ситуация ТО решение. Иначе говоря, если выполняется условие, то следует выполнить определенное действие, либо если условие верно, то верно и решение и т.д. Причем продукционные модели возможно реализовать и процедурно, и декларативно. Если рассматривать процедурные системы, то они включают три компонента: • базу данных; • некоторое количество продукционных правил (например, состоящих из условий и действий); • программу-интерпретатор, последовательно определяющую, какую или какие из продукций необходимо активировать в зависимости от того, какие условия в них содержатся. В БД содержатся хорошо известные факты выбранной предметной области. В продукциях (или продукционных правилах) содержатся специфические знания объекта исследования (предметной области) о том, что еще необходимо учесть (какие дополнительные факты), а также есть ли специфические данные в БД. У систем искусственного интеллекта, основанных на продукционных моделях представления знаний, имеется существенная особенность. Здесь правила и интерпретатор представляют собой неизменную составляющую, а база данных изменяется. Достоинства продукционных моделей представления знаний: • модульность, за счет которой можно изменять, добавлять и удалять знания (факты, отдельные правила); • правила-продукции несут информацию о последовательности целенаправленных действий; • продукционные модели из-за причинно-следственного характера продукций адекватно отражают именно прагматическое знание, необходимое при принятии решения. Однако продукционные модели имеют и следующие недостатки: • интеллектуальная информационная система продукционного типа при решении небольшой задачи проявляют свои сильные стороны, но при существенном росте объема системы, а следовательно, и количества продукционных правил, эффективность принятия решения падает; • продукционные модели представления знаний эффективно применяются в тех случаях, где не присутствует четкая формальная логика, а задачи решаются на основе независимых правил (эвристик). Фреймы (от англ, frame — «рамка, каркас») — это особые познавательные структуры, дающие целостное представление о явлениях и их типах. Фреймы отражают концептуальную основу организации памяти человека. Фрейм представляет собой образ, модель явления, ситуации. Фрейм — структура данных для представления некоторого концептуального объекта. Информация, относящаяся к фрейму, содержится в составляющих его слотах (щелях). Слот (англ, slot — «щель, прорезь») может быть терминальным или представлять собой фрейм нижнего уровня. Таким образом, можно строить иерархические структуры фреймов. Различают фрейм-образец и фрейм- экземпляр. Фрейм-экземпляр содержит заполненные значения слотов. Структура фрейма имеет вид  где qv рх>, 1 — слот; Т] — имя слота; qx, — значение слота; А — имя фрейма. Значениями слота могут быть конкретные данные, процедуры, либо может иметь место незаполненный (пустой) слот. Например, фрейм «комната» содержит обязательные значения — «пол», «потолок», «стены», «окно», «дверь». Если исключить из этого минимального описания какой-нибудь элемент, то фрейм уже не будет характеризовать данное понятие. Например, исключив элемент «окно», мы получим чулан, а не комнату. Значениями слотов в данном примере могут быть, например, высота потолка, цвет стен, размер, цвет окон, ширина, цвет, материал дверей и т.д. Достоинства фреймовых моделей: • высокая структурируемость, внутренняя интерпретируемость посредством имен и значений и связность слотов и их значений; • большая наглядность, модульность; • объединение преимуществ декларативного и процедурного представления знаний. Недостаток фреймовых моделей: у фреймов отсутствуют универсальные процедуры обработки семантической составляющей знаний, следовательно, снижается эффективность использования ресурсов памяти и быстродействия. Общими слабыми сторонами моделей представления знаний являются ограниченные выразительные возможности для описания экспертных знаний, невозможность описания знаний сложной структуры, недостаточная эффективность нотации (вычислительная эффективность). Поэтому, как правило, наиболее эффективным является сочетание моделей представления знаний. Одной из попыток расширения возможностей ИИС является использование сочетания различных моделей представления знаний, например фреймов и продукций (продукционные правила в слотах фрейма являются формой присоединения к фрейму процедурных знаний); семантических сетей и логических моделей; семантических сетей и продукций. Логика предикатов является расширением логики высказываний. Основным объектом здесь является переменное высказывание (предикат), истинность и ложность которого зависят от значения его переменных. Язык логики предикатов является более мощным по сравнению с языком логики высказываний. Он пригоден для формализации понятий многих проблемных областей. Количественные данные (знания) могут быть неточными. Для учета неточности лингвистических знаний используется формальный аппарат нечеткой алгебры. Одно из главных понятий в нечеткой логике — это понятие лингвистической переменной, которое определяется через нечеткие множества. Нечеткие множества позволяют учитывать субъективные мнения отдельных экспертов. Системы, основанные на знаниях, являются интеллектуальными ИС в силу возможности генерации алгоритмов решения задач, для которых характерны следующие признаки: • развитые коммуникативные способности; • умение решать сложные плохо формализуемые задачи; • способность к развитию и самообучению. Коммуникативные способности ИИС характеризуют способ взаимодействия (интерфейса) конечного пользователя с системой, в частности возможность формулирования произвольного запроса в диалоге с ИИС на языке, максимально приближенном к естественному. Сложные плохо формализуемые задачи — задачи, которые требуют построения оригинального алгоритма решения в зависимости от конкретной ситуации, для которой могут быть характерны неопределенность и динамичность исходных данных и знаний. Способность к самообучению — это возможность автоматического извлечения знаний для решения задач из накопленного опыта конкретных ситуаций. Представление знаний семантическими сетями Семантика – раздел языкознания, изучающий значение единиц языка, прежде всего его слов и словосочетаний. В более общем смысле, семантика определяет смысл знаков (образов, обозначений) и их сочетаний. Семантическая сеть (смысловая сеть) — модель предметной области, представленная в виде графа, вершинами которого являются понятия, а дуги (ребра) – отношения между ними. Прародителями современных семантических сетей можно считать экзистенциальные (лат. exsisto - возникаю, происхожу, существую) графы, предложенные Чарльзом Пирсом в 1909 г. С их помощью описывались понятия и логические связи между ними некоторой предметной области. Важным этапом в становлении семантических сетей стали работы немецкого психолога Отто Сэлза 1913 и 1922 гг. Для описания понятий и связей между ними, а также изучения методов наследования свойств он использовал графы и семантические отношения. Первые компьютерные реализации семантических сетей появились в конце 1950-х – начале 1960-х гг. в системах машинного перевода (Ричард Риченс, Маргарет Мастерман). Одной из основополагающих теоретических работ по семантическим сетям считается труд американского психолога Росса Куиллиана о «семантической памяти» («Semantic memory. Semantic information processing», «Семантическая память. Семантическая обработка информации», 1968г.) В качестве понятий обычно выступают абстрактные или конкретные объекты (огурец, машина, любовь, Маша). В качестве отношений наиболее часто используются следующие (смысловая классификация): - таксономические («класс – подкласс – экземпляр», «множество – подмножество – элемент» и т.п.). Данный тип отношения называют также отношением AKO (англ. A Kind Of – является разновидностью), IS A (является, это есть) или гипонимии (гипероним – общая сущность; гипоним – частная сущность); - структурные («часть – целое»). Данный тип отношения называют также отношением Part of (является частью), Has part (состоит из, включает в себя), агрегации (лат. aggregatio – присоединение), композиции (лат. compositio – составление, связывание, сложение, соединение) или меронимии (холоним – сущность, включающая в себя другие; мероним – сущность, являющаяся частью другой); - родовые («предок» - «потомок»); - производственные («начальник» - «подчиненный»); - функциональные (определяемые обычно глаголами «производит», «влияет» и т.п.); - количественные (больше, меньше, равно и т.п.); - пространственные (далеко от, близко от, за, под, над и т.п.); - временные (раньше, позже, в течение и т.п.); - атрибутивные (иметь свойство, иметь значение); - логические (И, ИЛИ, НЕ); - казуальные (причинно-следственные). Отношения можно также классифицировать по степени участия (арности) понятий в отношениях: - унарное (рекурсивное) - отношение связывает понятие само с собой; - бинарное - отношение связывает два понятия; - N-арное - отношение, связывающее более двух понятий. Приведем пример двух простых семантических сетей. Одна из них (рис.5.1а) описывает понятие «помидор», а другая (рис. 5.1б) описывает факт «Маша укрепила стул клеем».  Рис 2 Примеры семантических сетей В разных вариациях семантических сетей для отображения понятий используются различные геометрические примитивы: прямоугольники, овалы, четырехугольники со скругленными углами и т.п. Проблема поиска решения в семантической сети сводится к задаче поиска фрагмента сети, соответствующего поставленному запросу. Например, вопрос «Какого цвета помидор?» можно графически представить в виде подсети.  Рис.5.2. Представление вопроса в виде подсети Наложение подсети вопроса на сеть, описывающую предметную область, дает ответ – «красный». Семантические сети широко используются в экспертных системах в качестве языка представления знаний (например, в экспертной системе PROSPECTOR), в системах распознавания речи и понимания естественного языка. Непосредственное отношение к сетевым моделям имеют исследования по реляционным, сетевым и иерархическим БД. Список использованной литературы: https://studme.org/ Модель представления знаний https://sites.google.com/ Представление знаний семантическими сетями https://studme.org/ Данные и знания в информационных системах https://novainfo.ru/ Анализ видов моделей представления знаний в интеллектуальных системах Бондарев В.Н. Искусственный интеллект: учеб. пособие для вузов /В.Н. Бондарев, Ф. Г.Аде. — Севастополь: Изд-во СевНТУ, 2002. — 615 с. Борисов А.Н. Обработка нечеткой информации в системах принятия решений / А.Н. Борисов, А.В. Алексеев, Г.В. Меркурьева и др. – М.: Радио и связь, 1989. – 304с. Прад А. Модальная семантика и теория нечетких множеств // Нечеткие множества и теория возможностей / Под ред. Р.Р. Ягера. - М.: Радио и связь, 1986. - С.161-177. |