Вопросы к зачету. Вопросы к зачету по дисциплине Системы искусственного интеллекта
 Скачать 1.84 Mb.
|
|
Вопросы к зачету по дисциплине «Системы искусственного интеллекта», гр. 3-7 1. Основные характеристики нечетких множеств (НМ). 2. Функция принадлежности. 3. Лингвистическая и нечеткая переменная. 4. Методы построения функции принадлежности НМ. 5. Классификация ФП. 6. Прямой метод. 7. Косвенный метод. 8. Основные операции над НМ. 9. Нечеткие числа и операции. 10. Индекс нечеткости по метрике Хемминга. 11. Индекс нечеткости по евклидовой метрике. 12. Экспертные системы, их назначение и особенность. Отличие от других программ. Типовые задачи, решаемые ЭС. Достоинства и недостатки ЭС. 13. Структура экспертных систем (рисунок, описание). 14. Базовые функции ЭС (описание). 1. Основные характеристики нечетких множеств (НМ). • Нечеткое множество: – не имеет четкой границы, – характеризуется функцией принадлежности, – позволяют моделировать часто используемые лингвистические выражения – Примеры: • Высокий рост • Близко • Погода холодная • Нечеткость множеств проистекает из неопределенной и неточной природы понятий и выражений естественных языков Нечеткое множество представляет собой совокупность элементов произвольной природы, относительно которых нельзя с полной определенностью утверждать, принадлежит ли тот или иной элемент рассматриваемой совокупности данному множеству или нет. Носитель нечеткого множества А есть обычное множество А s (s - от англ. support - поддержка), которое содержит только те элементы х, для которых значения ФП соответствующего нечеткого множества (НМ) отличны от нуля (µ A (x) положительна) Если носитель НМ А состоит из единственной точки х, то такое множество называется одноточечным. Если носитель НМ А состоит из конечного числа элементов, то нечетное множество называется конечным дискретным множеством. Оно может быть задано одним из следующих способов: а) в виде списка с явным перечислением всех элементов и соответствующих им значений ФП, образующих рассматриваемое нечеткое множество (при этом зачастую элементы с нулевыми значениями функции принадлежности просто не указываются в данном списке) б) в виде таблицы Эти способы подходят для задания нечетких множеств с конечным дискретным носителем и небольшим числом элементов. Если носитель НМ А состоит из бесконечного числа элементов, то нечеткое множество называется бесконечным множеством. В этом случае ФП задается графически или в виде аналитической зависимости Точка перехода множества А − это элемент множества А, для которого µ A (x)=0.5. -срезнечеткого множества (или множество -уровня) есть множество (обычное) элементов х, для которых µ A (x) принимает значение не меньше заданного числа (α ∈[0,1]): А ={x X | µ A }. Строгий -срез: А ={x X | µ A > }. Ядро НМ есть обычное множество элементов, для которых ФП=1: НМ называется унимодальным (строго унимодальным), если µ A (x)=1 только на одном х из Х. 2. Функция принадлежности. В теории нечетких множеств характеристическая функция называется функцией принадлежности, а ее значение μA(x) — степенью принадлежности элемента x нечеткому множеству A. Что означает степень принадлежности? • Достоверность, • Правдоподобность, Выделяют 3 типа ФП: 1. кусочно-линейные функции принадлежности 2. Z-образные и S-образные функции принадлежности 3. П-образные функции принадлежности 3. Лингвистическая и нечеткая переменная. Лингвистическую переменную можно определить как переменную, значениями которой являются не числа, а слова или предложения естественного (или формального) языка. 4. Методы построения функции принадлежности НМ. Методы построения ФП нечетких множеств различаются по следующим признакам: 1. Предполагаемый вид области определения НМ: числовая (дискретная или непрерывная) или нечисловая. 2. Применяемый способ экспертного опроса: индивидуальный или групповой. 3. Тип используемой экспертной информации: качественная (неметрическая) или количественная (метрическая). 4. Интерпретация данных экспертного опроса: вероятностная или детерминированная. Наибольшее распространение при построении функций принадлежности нечетких множеств получили прямые и косвенные методы. 5. Классификация ФП. Кусочно-линейные ФП Это функции, которые, состоят из отрезков прямых линий, образуя непрерывную или кусочно-непрерывную функцию. Наиболее характерным примером таких функций являются "треугольная" и "трапециевидная" функции принадлежности. Кусочно-линейные функции используются для задания таких свойств множеств, которые характеризуют неопределенность типа: "приблизительно равно", "среднее значение", "расположен в интервале", "подобен объекту", "похож на предмет" и др. Они также служат для представления нечетких чисел и интервалов. Значения функций просто вычислить, поэтому они используются в системах реального времени Z-образные и S-образные ФП Z-образные функции используются для представления таких свойств нечетких множеств, которые характеризуются неопределенностью типа: "малое количество", "небольшое значение", "незначительная величина", "низкая себестоимость продукции", "низкий уровень цен или доходов", "низкая процентная ставка" и многих других. Общим для всех таких ситуаций является слабая степень проявления того или иного качественного или количественного признака. Z-образные функции используются для представления таких свойств нечетких множеств, которые характеризуются неопределенностью типа: "малое количество", "небольшое значение", "незначительная величина", "низкая себестоимость продукции", "низкий уровень цен или доходов", "низкая процентная ставка" и многих других. Общим для всех таких ситуаций является слабая степень проявления того или иного качественного или количественного признака. S-образные функции используются для представления таких свойств нечетких множеств, которые характеризуются неопределенностью типа: "большое количество", "большое значение", "значительная величина", "высокий уровень доходов и цен", "высокая норма прибыли", "высокое качество услуг", "высокий сервис обслуживания" и многих других. Общим для всех таких ситуаций является высокая степень проявления того или иного качественного или количественного признака. К типу S-образных и одновременно Z-образных функций принадлежности может быть отнесена так называемая сигмоидальная функция (сигмоид), которая в общем случае задается аналитически Функции имеют непрерывные производные, которые могут использоваться как параметры скорости обучения П-образные Функции Принадлежности Первый вид П-образной функции в общем случае задается аналитически следующим выражением: Второй вид П-образных функций определяется как произведение двух сигмоидальных функций и в общем случае может быть задан аналитически следующим выражением: ) , ; ( ) , ; ( ) , , , ; ( 1 d c x f b a x f d c b a x f Z S П ) , ; ( ) , ; ( ) , , , ; ( 2 d c x f b a x f d c b a x f П 6. Прямой метод. Как правило, прямые методы построения функций принадлежности используются для таких свойств, которые могут быть измерены в некоторой количественной шкале. Например, такие физические величины, как скорость, время, расстояние, давление, температура и другие имеют соответствующие единицы и эталоны для своего измерения. В прямых методах эксперт либо группа экспертов просто задают для каждого х Х значение функции принадлежности А (х). При прямом построении функций принадлежности следует учитывать то обстоятельство, что теория нечетких множеств не требует абсолютно точного задания функций принадлежности. Зачастую бывает достаточно зафиксировать лишь наиболее характерные значения и вид (тип) функции принадлежности. К прямым методам построения ФП относят частотный метод, основанный на вероятностной интерпретации функции принадлежности ( А (х) интерпретируется как вероятность того, что ЛПР отнесет х к нечеткому множеству А). 7. Косвенный метод. Как правило, косвенные методы определения значений функции принадлежности используются в тех случаях, когда отсутствуют очевидные измеримые свойства (количественные признаки), которые могут быть использованы для построения нечетких моделей рассматриваемой предметной области, есть только качественные признаки. Среди косвенных методов наиболее известен так называемый метод попарных сравнений. 8. Основные операции над НМ. 9. Нечеткие числа и операции. Нечеткие числа – нечеткие переменные, определенные на числовой оси, т.е. нечеткое число определяется как нечеткое множество А на множестве R c функцией принадлежности Нечеткое число — это нечеткое подмножество универсального множества действительных чисел, имеющее нормальную и выпуклую функцию принадлежности, то есть такую, что: а) существует значение носителя, в котором функция принадлежности равна единице, а также b) при отступлении от своего максимума влево или вправо функция принадлежности не возрастает. Пример: «Толщина» (Т = {«малая толщина», «средняя толщина», «большая толщина»}) Возможны значения, зависящие от области определения U: в данном случае значения лингвистической переменной «толщина изделия» могут быть определены как «около 20 мм», «около 50 мм», «около 70 мм», то есть в виде нечетких чисел. Операции над нечеткими числами 10. Индекс нечеткости по метрике Хемминга (+ 11.Индекс нечеткости по евклидовой метрике.) 12. Экспертные системы, их назначение и особенность. Отличие от других программ. Типовые задачи, решаемые ЭС. Достоинства и недостатки ЭС. — это программный комплекс, который оперирует знаниями в определенной предметной области с целью выработки рекомендаций или решения проблем. ЭС может полностью взять на себя функции эксперта или играть роль ассистента для человека, принимающего решение. Технология ЭС – одно из направлений искусственного интеллекта. Экспертная система – один из немногих видов систем искусственного интеллекта. ЭС особо востребованы в областях, где наблюдается недостаток специалистов или существует реальная опасность для их жизни (атомные электростанции). ЭС находят широкое применение ● в медицине, ● микроэлектронике, ● геологии, ● военном деле, ● навигации и т.д. ЭС предназначены для так называемых неформализованных задач, таких как: 1.Интерпретация 2.Прогнозирование 3.Диагностика 4.Планирование 5.Контроль и управление 6.Обучение или инструктаж 7.Медицинская диагностика Неформализованные задачи обычно обладают следующими особенностями • ошибочностью, неоднозначностью, неполнотой и противоречивостью исходных данных; • ошибочностью, неоднозначностью, неполнотой и противоречивостью знаний о проблемной области и решаемой задаче; • большой размерностью пространства решения, т.е. перебор при поиске решения весьма велик; • динамически изменяющимися данными и знаниями. Типовые задачи, решаемые ЭС: * извлечение информации из первичных данных (потоков данных, баз данных и т.д.); * диагностика неисправностей (как в технических системах, так и в человеческом организме); * структурный анализ сложных объектов (например, химических соединений); * выбор конфигурации сложных многокомпонентных систем (например, распределенных компьютерных систем); * планирование последовательности выполнения операций, приводящих к заданной цели (например, выполняемых промышленными роботами). Особенность ЭС • Экспертные системы и системы искусственного интеллекта отличаются от систем обработки данных тем, что в них в основном используются символьный (а не числовой) способ представления, символьный вывод и эвристический поиск решения (а не исполнение известного алгоритма). • Решения экспертных систем обладают "прозрачностью", т.е. могут быть объяснены пользователю на качественном уровне. • Это качество экспертных систем обеспечивается их способностью рассуждать о своих знаниях и умозаключениях. • Экспертные системы способны пополнять свои знания в ходе взаимодействия с экспертом. Преимущества ЭС: 1. Постоянство. 2. Легкость передачи. 3. Устойчивость результатов. 4. Стоимость. Недостатки ЭС: 1. Здравый смысл. 2. Творческий потенциал. 3. Обучение. 4. Сенсорный опыт. Преимущества ЭС перед человеком – экспертом: 1. У них нет предубеждений. 2. Они не делают поспешных выводов. 3. Они выбирают наилучшее оптимальное решение из всех возможных. 4. База знаний может быть очень большой. Отличия от других программ: 1. Компетентность. 2. Символьные рассуждения. 3. Глубина. 4. Самосознание. 5. Использование не только данных , но и знаний. 13. Структура экспертных систем (рисунок, описание). • решатель (интерпретатор); • рабочая память (РП), называемая также базой данных (БД); • база знаний (БЗ); • компоненты приобретения знаний; • объяснительный компонент; • диалоговый компонент. ППП – пакеты прикладных программ • База данных (рабочая память) предназначена для хранения исходных и промежуточных данных решаемой в текущий момент задачи. • База знаний (БЗ) в ЭС предназначена для хранения долгосрочных данных, описывающих рассматриваемую область (а не текущих данных), и правил, описывающих целесообразные преобразования данных этой области. • Решатель, используя исходные данные из рабочей памяти и знания из БЗ, формирует такую последовательность правил, которые, будучи примененными к исходным данным, приводят к решению задачи. • Компонент приобретения знаний автоматизирует процесс наполнения ЭС знаниями, осуществляемый пользователем-экспертом. • Объяснительный компонент объясняет, как система получила решение задачи (или почему она не получила решение) и какие знания она при этом использовала, что облегчает эксперту тестирование системы и повышает доверие пользователя к полученному результату. • Диалоговый компонент ориентирован на организацию дружественного общения с пользователем как в ходе решения задач, так и в процессе приобретения знаний и объяснения результатов работы. 14. Базовые функции ЭС (описание). 1. Приобретение знаний 2. Представление знаний 3. Управление процессом поиска решения 4. Разъяснение принятого решения 1. Приобретение знаний - это передача потенциального опыта решения проблемы от некоторого источника знаний и преобразование его в вид, который позволяет использовать эти знания в программе. Передача знаний выполняется в процессе длительных и пространных собеседований между специалистом по проектированию экспертной системы Таким методом можно сформировать от двух до пяти "элементов знания" в день - низкая производительность. Причины низкой производительности • Специалисты в узкой области, как правило, пользуются собственным жаргоном. • Факты и принципы, лежащие в основе многих специфических областей знания эксперта, часто не могут быть формализованы • Для того чтобы решить проблему в определенной области, недостаточно просто обладать суммой знаний о фактах и принципах в этой области. • Экспертный анализ включает и многие вещи, кажущиеся эксперту само собой разумеющимися 2. Представление знаний Исследования направлены на отыскание методов формального описания больших массивов информации с целью их последующей обработки. Формальное описание означает упорядочение в рамках какого-либо языка, обладающего достаточно четко формализованным синтаксисом и семантикой, увязывающей смысл выражения с его формой. Ведется интенсивная работа по созданию языков представления (representation languages). Языки представления - компьютерные языки, ориентированные на организацию описаний объектов и идей. Основными критериями доступа к представлению знаний являются логическая адекватность, эвристическая мощность и естественность, дружественность к пользователю. 3. Управление процессом поиска решения 1. Как осуществляется доступ к знаниям и как они используются при поиске решения? 2. Какие знания нужны в той или иной конкретной ситуации? Как ими распорядиться? 3. Какую стратегию выбрать для решения данной задачи? 4. Разъяснение принятого решения Представление информации о поведении экспертной системы важно по многим причинам. * Пользователи, работающие с системой, нуждаются в подтверждении того, что в каждом конкретном случае заключение, к которому пришла программа, в основном корректно. * Инженеры, имеющие дело с формированием базы знаний, должны убедиться, что сформулированные ими знания применены правильно, в том числе и в случае, когда существует прототип. * Экспертам в предметной области желательно проследить ход рассуждений и способ использования тех сведений, которые с их слов были введены в базу знаний. Это позволит судить, насколько корректно они применяются в данной ситуации. * Программистам, которые сопровождают, отлаживают и модернизируют систему, нужно иметь в своем распоряжении инструмент, позволяющий заглянуть в "ее нутро" на уровне более высоком, чем вызов отдельных языковых процедур. * Менеджер системы, использующей экспертную технологию, который в конце концов несет ответственность за последствия решения, принятого программой, также нуждается в подтверждении, что эти решения достаточно обоснованы. |