|
Архитектура Аудит Военная наука Иностранные языки Медицина Металлургия Метрология Образование Политология Производство Психология Стандартизация Технологии |
|
|
Архитектура Аудит Военная наука Иностранные языки Медицина Металлургия Метрология Образование Политология Производство Психология Стандартизация Технологии |
NMS специализируется в решении комплексных проблем, стоящих перед горнодобывающей промышленностью.Стр 1 из 4Следующая ⇒
IV-1. Фреймы Сеть, состоящая из вершин(узлов) и отношений между ними Верхние уровни иерархии представляют собой общие концепции, а нижние более специфические Например, опишем предмет, растущий на моем заднем дворе:
База данных Механизм логического вывода
Факты - это Элементы систем, использующих рассуждения, основанные на фактах
Нейросетевые конструкции и обучение Архитектура Нейроны - вычислительные элементы
V-2. НЕДОСТАТКИ ЭКСПЕРТНЫХ СИСТЕМ
http: //inf.susu.ac.ru/~pollak/expert/commercial/Q5-1.htm Свободно распространяемые (дешевые) оболочки экспертных систем
http: //inf.susu.ac.ru/~pollak/expert/commercial/faq-doc-7.htm Коммерческие оболочки экспертных систем ACQUIRE - - система обнаружения знаний и оболочка экспертной системы. Это - законченная среда для разработки и поддержки интеллектуальных прикладных программ. Система содержит в себя методологию пошагового представления знаний, что позволяет специалистам в проблемной области непосредственно участвовать в процессе приобретения, структурирования и кодирования знания. (Прямое участие специалиста в проблемной области улучшает качество, законченность и точность приобретенного знания, снижает время разработки и эксплуатационные расходы). Особенностью оболочки является структурированный подход к приобретению знаний; модель приобретения знаний основана на распознавании образов; знания представлены как объекты, продукционные правила и системы правил в табличной форме; оболочка позволяет выполнять обработку неопределенных качественных знаний; содержит средства вывода и документацию баз знаний в среде гипертекста. Web страница находится по адресу http: //vvv.com/ai/
http: //inf.susu.ac.ru/~pollak/expert/neiral/neuralmin.htm
Игровые программы Вы можете купить машину, которая может играть в шахматы на уровне мастера за несколько сотен доллары. В них имеется некоторый ИСКУССТВЕННЫЙ ИНТЕЛЛЕКТ, но они играют против людей главным образом благодаря сквозным вычислением решения " в лоб" - просмотром сотни тысяч позиций. Распознавание речи В 1990-ых годах компьютерное распознавание речи достигло практического уровня для ограниченныех целей. В то время как некоторые компьютеры могут выполнять речевые команды, большинство пользователей возвратилось клавиатуре и мыши как к более удобным средствам ввода информации. Машинное зрение Мир состоит из трехмерных объектов, но представление его в человеческом глазу и компьютерных ТЕЛЕВИЗИОННЫХ камерах плоское. Некоторые программы могут работать исключительно с плоским изображением, но компьютерное зрение требует частичной трехмерной информации, которая не является набором двумерных представлений. В настоящее время имеются ограниченные пути непосредственного представления трехмернной информации, и они не так хороши, как используют люди. Экспертные системы Инженер по знаниям " берет интервью у экспертов в некоторой области и пробует воплотить их знание в компьютерной программе для выполнения некоторой задачи. Как хорошо это работает, зависит от того, насколько интеллектуальные механизмы, требуемые для решения задачи, представимы методами ИСКУССТВЕННОГО ИНТЕЛЛЕКТА. Одна из первых экспертных систем была MYCIN, разработанная в 1974, которая диагностировала бактериальные болезни крови и предлагала свои рекомендации. Она добивалась большего успеха чем студенты-медики или практикующие доктора, но имела существенные ограничения. А именно, ее онтология включала перечень бактерий, признаков и способы обработки и не включала особенности больных, докторов, больницы и события, встречающиеся время от времени. Так как эксперты, с которыми консультировались инженеры по знаниям, знали особенности больных, докторов и т.д. Полноценность экспертных систем, существующих в настоящее время, зависит от здравого смысла их пользователей. Система обнаружения Знания Система обнаружения знания - это компьютерная программа, которая может приобретать экспертные знания, необходимые для заполнения базы знаний без помощи инженера по знанию. Обычно при разработке прикладной программы экспертной системы сбор знания проводится вручную инженером по знанию, который задает специалистам в проблемной области ряд вопросов, чтобы сформировать базу знаний. Это - длинный и трудный процесс.Альтернативным путем, используемым при некоторых обстоятельствах, является путь, при котором сбор знания выполняется при анализе базы данных известных решений, используя технологию машинного обучения. Этот метод может быть применен в ситуациях, когда существует обширная и законченная база данных. Однако, даже в этих ситуациях не всегда можно получить адекватное объяснение рассуждений. ACQUIRE ® помогает специалисту в проблемной области создать базу знаний самостоятельно, не прибегая к помощи инженера по знанию. Для этой цели используется пошаговая методология приобретения и представления знаний. ACQUIRE ® выполняет функции инженера по знаниям, позволяя пользователю сосредоточиться на структурировании своих знаний.
Система ACQUIRE ® Сбор знания обычно оформляется с использованием физических методов. Этот путь является дорогостоящим и требует много времени и иногда описывается как " черное искусство ", чтобы указать, что этот процесс есть все, что угодно, только не определенная процедура. Эти ограничения поощрили инициативу компании Acquired Intelligenec Inc. в разработке новых методов для процесса приобретения знания от экспертов. Кульминацией этого исследования является система ACQUIRE ® , предназначенная для быстрой и рентабельной разработки баз знаний экспертных систем. Система может использоваться экспертами без консультаций с инженерами по знанию, и не требует никакого специального обучения технологии создания экспертных систем. ACQUIRE ® основан на двух фундаментальных концепциях: · Система обнаружения знания должна быть нацелена помочь эксперту справиться с задачей формирования интеллектуальной прикладной программы; · Знания эксперта следуют из обширного опыта в распознавании и реагировании на специфические случаи, в то время как прикладная программа идет от общих правил к специфическим ситуациям. Следуя первой концепции, ACQUIRE ® помогает экспертам эффективно организовывать свое знание; то есть помогает структурировать и сфокусировать внимание эксперта на отображении пути решения проблемы с помощью знания. Далее по этой теме, см. Нисходящее Структурирование Знания. Вторая концепция ACQUIRE ® предоставляет ряд путей фиксации человеческого знания, которые уделяют главное внимание качественному представлению знаний и используют специфические информационные модели, описывающие ситуации, которые эксперты могут наблюдать или рассматривать. Это позволяет ACQUIRE ® фиксировать в дополнение к знанию, приобретенному экспертом, явное и неявное знание. ACQUIRE ® может также фиксировать то, что эксперт является способным к обучению, требуя от эксперта рассматривать и вырабатывать решения в ситуациях, с которыми он ранее не сталкивался. Это позволяет ACQUIRE ® получать полные базы знаний для прикладных программ экспертных систем без обширных циклов отладки. Это также гарантирует то, что система не столкнется со случаями, которые ей не известны. Подробнее см. Распознавание образов как Основа Экспертизы; Рассуждения О Неопределенности;
Нисходящий Сбор Знания В ACQURE ® используются модели знаний проблемной области на разных уровнях обобщения. Наиболее общая из этих моделей - Сеть объектов. Все, что соответствует знанию эксперта, должно быть названо как объект (цель). В ACQURE ® , объектом (целью) может быть все, над чем производятся действия, что может рассмотреть или решить эксперт (то есть, данные, наблюдения, переменные, гипотезы, заключения, концепции, и т.д.). Каждый объект (цель) принимает набор значений (или значения), определенные специалистом по проблемной области. Первый шаг в структурировании знания- назвать объекты (цели) и связать их вместе в Сеть объектов. Объекты связаны, когда значение, связанное с одним объектом (целью) может влиять на значение, связанное с другим объектом(целью). Вместе наборы объектных связей составляют Сеть объектов. Поскольку фактические значения объектов(целей) не рассматривается, связь объектов (целей) в сеть представляет собой очень общую модель, иллюстрирующую область приложения. ЗАМЕТЬТЕ: ACQUIRE ® может реструктурировать Сеть объектов, используя методы машинного обучения. Такое реструктурирование Сети объектов способствует созданию и-или выявлению новых концепций для дальнейшего структурирования проблемы. Следующим шагом в структурировании знания является группировка объектов (целей), связанных в Сеть объектов, в пакеты, для которых могут формироваться правила. Каждое правило содержит в левой части наборы объектов (целей), которые являются входными для правила и одного объекта (цели) в правой части для этого множества, который будет выводом правила. Выходное Значение объекта (цели) из правой части зависит от моделируемых значений для объектов(целей) левой части. При формировании правила объект в левой части правила выбирается так, чтобы воздействовать на объект(цель) правой части. Поэтому он может& быть выбран только из набора объектов(целей), сопряженных с объектом (целью) в правой части правила из Сети объектов. Правила связаны, когда объект (цель) из правой части одного правила входит в левую часть другого правила. Вместе все такие звенья правила формируют Сеть Правил. После того, как знания эксперта будут достаточно структурированы, он может сконцентрироваться на завершении деталей каждого правила так, как будто он концентрируется на специфических частях реальной проблемы. Чтобы завершить спецификации правила, необходимо определить возможные значения, которые каждый объект (цель) может принимать. Эти значения используются для определения точной природы зависимости между объектами(целями) в правиле. Эксперт может выразить детальное знание через два различных типа правил. Один тип правила - это таблица действия, составлен из высоко специфических моделей (размещенных в формате, подобном системе правил в табличной форме), в то время как другой тип правил - продукционные правила, выражают знания более абстрактно в форме IF - THEN правил. Те эксперты, кто превосходно разбираются в моделях данных (то есть, ситуациях) и реакциях на них, обычно предпочитают представлять свои знания, используя таблицы действия. Эти таблицы могут автоматически перечислять каждую возможную модель, описанную комбинацией объектов (целей) в левой части правила. Все эти модели можно точно также представить в виде набора продукционных правил, но имеется самый реальный шанс отсутствия моделей, или назначения различных последовательностей для тех же самых входных структур. Конечные (заключительные) шаги в структурировании знания в базе знаний должны контролировать пути рассуждений и предотвращать конфликты между различными вариантами решения. Одним из наиболее мощных инструментальных средств для определения правил - контекст, который разрешает эксперту выражать ситуативные связи (включая математические действия), которые должны быть выполнены прежде, чем может применяться правило. Контексты могут использоваться для разделения сети правил на связанные кластеры правил, явного управления путем рассуждения и для избегания ненужных конфликтов между правилами. Если конфликтов между правилами нельзя избежать, эксперт может приписать более приоритетному правилу коэффициент предпочтения. Если этого сделать нельзя, эксперт может выразить смещение, чтобы выбрать среди конкурирующих правил решение, близкое к значениям, представленным параметрами (например, самый высокий, самый низкий, средний, срединный, наиболее общий, и т.д.). Конечным (заключительным) шагом в формировании прикладной экспертной системы является разработка интерфейса ввода-вывода. В ACQUIRE ® имеются утилиты для управления описанием исходной ситуации, а также утилиты для настройки отчетной документации в определенном формате. · Формирование базы знаний: · Шаг 1. Объектная Сеть · Шаг 2. Сеть Правила · Шаг 3. Требование Правила - Правила Таблиц / продукционные правила · Создание прикладной программы (то есть, ввод - вывод): · Шаг 4. Установка Случаев · Шаг 5. Запись Сообщения
Распознавание образов как Основа Экспертизы Традиционные программы экспертных систем предполагают, что рассуждение эксперта может быть представлено как последовательность продукционных правил. Обычно эти правила уместны в ряде ситуаций и применяются в специфических ситуациях. Если ни одно продукционное правило не соответствует специфической ситуации, то система пытается рассуждать от первых правил (через более общие правила вывода, если это возможно) или терпит неудачу. ACQUIRE ® дает пользователям возможность сформировать продукционные правила, но он также позволяет представить высоко квалифицированное поведение эксперта как специфические сопоставление входных образцов значений объекта с известным следствием другого объекта (цели) в пределах очень специфической ситуации. В отличие от традиционного подхода, такая перспектива сбора знания состоит в аккумулировании очень специфических зависимостей. При сопоставлении с образцами, испытывающими недостаток знаний, эксперт рассуждает от первоначальных правил или используя другие методы решения задач (например, по аналогии) для изоляции вероятных последствий. Различные образцы, возможные для рассмотрения, представляются в таблице действия, и пользователь назначает подходящие значения или следствия для каждого образца. ACQUIRE ® подразумевает, что наиболее квалифицированное поведение эксперта заключает в себе тот же самое высоко специфическое поведение при распознавании образов, данное нам в ощущении и восприятии, адаптированном к познавательной роли. Такая перспектива интуитивно выигрывает от того факта, что распознавание образов лучше всего разработанно среди перцептивных и познавательных навыков. Они знают то, что информация явно относится к делу, и они действуют благодаря этому, редко останавливаясь, для обдумывания или обсуждения своих решений, кроме тех случаев, которые находятся вне сферы их деятельности, то есть они участвуют в эффективном поведении распознавания образов. Сбор Знания, следовательно, должен концентрироваться на извлечении неявных, основанных на образцах экспертных знаний, не требуя от эксперта теоретических рассуждений вне специфики своей ежедневной практики.
Рассуждения с учетом Неопределенности Способность обрабатывать неопределенность является признаком поведения эксперта. Традиционно, при разработке экспертных систем, неопределенность представлялась численно, (например, коэффициентом доверия и величиной вероятности), что, возможно, отражает доверие экспертов своим заключениям. Психологическое исследование, однако, ясно указывает, что люди затрудняются делать такие абсолютные численные суждения. Этот факт лежит в основе трудностей, которые потребители испытывают при интерпретации заключений, произведенных экспертными системами, которые используют численные методы для обработки неопределенности. ACQUIRE ® следует другому подходу: Данные - это прежде всего высоко квалифицированное поведение, основаное на распознавании образов, поэтому возможно неявно распределить неопределенность при структурировании моделей. Поэтому, нет никакой потребности использовать дополнительные численные методы. При сборе знания экспертам разрешено квалифицировать свои заключения относительным и качественным способом. Неопределенность свойственна модулям, основанным на моделях, и должна извлекаться без явной адресации результата неопределенности. В ACQUIRE ® неопределенность распределяется экспертом, который прямо назначает важность той или иной специфической модели. Кроме того, неопределенность распределяется при явном назначении предпочтения одному специфическому модулю перед другим в пределах специфической ситуации.
Рассуждения, Ориентированные на факты Многие знания приобретаются благодаря постоянному обучению.
Пошаговый сбор знаний В ACQUIRE ® реализован структурный подход приобретения знания, который включает в себя следующие шаги: · Перечисление объектов, которые будут использованы в области экспертизы, и назначение им значений; · Объединение связанных объектов в Объектную Сеть, что ясно указывает взаимовлияние и зависимости между объектами; · Упаковка групп связанных объектов вместе для формирования Сети Правил; · Рассмотрение специфических деталей правил; и · Разбор конфликтов между правилами, использующими контексты, предпочтение, или смещения. Комбинация этих шагов предоставляет эксперту устойчивую методологию для создания правил, представляюищх знания. Эта постепенная процедура позволяет эксперту сосредоточиться на зафиксировании знания. ACQUIRE ® Предлагает несколько методов разрешения противоречий между правилами, включая такую конструкцию контекстов, которые помогут избежать конфликтов между правилами, задание предпочтений для выбора между конфликтующими правилами, и другие.
Таблицы Действия или Правила продукции Пользователи могут иметь тенденцию создавать продукционные правила, а не таблицы действия. Рекомендуется избегать этого. Продукционные правила охватывают малые модули знания, которые являются простыми для создания, но трудными для поддержания в пределах большего контекста. Таблицы действия позволяют эксперту максимально использовать преимущества ACQUIRE ® , сохраняя простой формат для правил в пределах определенной структуры. Таблицы действия позволяют представить много подобных мини-правил как одно правило. Благодаря этому знанием намного проще управлять. Первым шагом в построении правила вывода или таблицы действия должен быть выбор объектов(целей), левосторонних объектов, которые описывают соответствующие ситуации, и одного правостороннего объекта(цели), чье значение будет назначено в соответствии с правилом. Продукционное правило может представлять ряд различных ситуаций через различные комбинации допустимых значений для объектов(целей) на левосторонней стороне правила, таблицы действия могут представлять все допустимые комбинации левосторонних объектов(целей). Более решительное ограничение существует для правила продукции на правой стороне правила. Правило продукции может изменяться(заменять) правосторонний объект(цель) на только одно из его допустимых значений, и это должно быть значение, которое является одним из множеств значений для всех образцов, сопоставленных с левой стороной правила. Таблица действия, с другой стороны, позволяет эксперту назначить любое правостороннее значение к каждому из индивидуальных образцов, представленных на левой стороне таблицы. Поэтому, для гибкости и законченности, таблица действия - рекомендуемый формат для правил. Способность представлять все образцы, которые могут быть очерчены левосторонними объектами(целями), тонкое, но критически важное преимущество формата таблицы действия. Когда правила продукции созданы, некоторые образцы могут быть пропущены, или могут быть созданы несколько правил, которые перекрывают друг друга и взаимодействуют с одними и теми же образцам и различными выходами. В первом случае, пробелы в создании базы знаний обычно могут быть найдены только тогда, когда этот случай не сможет быть обработан экспертной системой. Это требует дополнительное время для отладки системы. Во втором случае, возникает требуется время на отладку для предотвращения этих конфликтов. При использовании таблиц действия в их заданной по умолчанию форме, ни одна из этих проблем не возникает. Таблица действия может охватывать все возможные образцы для левой стороны, и ограничивает для каждого индивидуального образца количество правосторонних образцов одним значением. Поэтому, таблица действия - рекомендуемый формат для правил. Выделенные ограничения свойственны любому представлению правила продукции. Даже в ACQUIRE ® , Правила продукции разрешают только одно действие на правой стороне каждого правила. Они очень гибки на левой стороне правила (например, принимая во внимание, что предложения OR обычно требуют одной продукции для каждого предложения в OR, ACQUIRE Т ® Разрешает любое число предложений OR в пределах одного правила), но преимущества таблиц действия по сравнению правилом продукции проявляются независимо от системы, в которой правила продукции используются. Нельзя, однако, сделать вывод, что правила продукции не полезны. Таблицы Действия являются подходящими для большинства результатов экспертиз, которые должны быть зафиксированы в базе знаний, и, поскольку мы видели, это наболее безопасное, эффективное, и рентабельное средство фиксации знания. Однако, для тех знаний, которые явно известны - в которых и сопоставляемые образцы, и образцы, которые можно проигнорировать, определенно известны, и которые могут быть обобщены, могут быть полезны правила продукции.
Контексты против Предпочтения и Смещений Когда существуют конфликты между правилами, необходимо их предотвратить. Конфликты существуют, когда несколько правил пытаются обратиться к набору тех же самых правосторонних объектов (целей) с различными значениями. Конфликты возникают, когда эксперт не имеет знаний, необходимых для предотвращения их, но может обладать знаниями, позволяющими ему разобраться в противоречивых правилах. Когда идентифицирован конфликт между правилами, эксперт должен сначала определить, как каждое конфликтующее правило может быть правильно определено, и затем предпринять шаги для предотвращения конфликта, используя один из трех методов предлагаемых в, ACQUIRE ® . Имеется тенденция предотвратить конфликты, используюя предпочтения, потому что проще указать, какие правила более предпочтительны в специфическом конфликте. Такого. подхода следует избегать, потому что лучшая экспертиза та, которая полностью избегает конфликтов между источниками знания полностью. Множество предпочтения в базе знаний отражает плохо разработанную экспертизу. Поэтому, первый шаг в предотвращении конфликтов должен быть в определении предварительного контекстного условия в противоречивых правилах, позволяющего избежать их рассмотрения. Таким образом, мы ограничиваем число ситуаций, в которых применяются данные правила. Имеются ситуации, в которых недостаточно экспертных знаний для избежания конфликтов, но где существуют знания, позволяющие избежать конфликты, которые уже возникли. Например, нельзя было квалифицировано заранее определить, почему мнение одного советника предпочтительнее мнения другого, но как его использовать известно. Это - тип ситуации, в которой нужно использовать предпочтения для предотвращения конфликта. Наконец, имеются ситуации, в которых не существует достаточных экспертных знаний о выборе между источниками знания. ACQUIRE ® Снабжен методом и для этих ситуаций.: Эксперт может определить смещение для выбора частного значения., Например: в случае конфликта, выберите самое низкое значение, чтобы быть 'консервативным'. Так как метод смещения для предотвращения конфликтов даже не рассматривают источник знания, это - наименее привилегированный метод
IV-1. Фреймы Сеть, состоящая из вершин(узлов) и отношений между ними Верхние уровни иерархии представляют собой общие концепции, а нижние более специфические Например, опишем предмет, растущий на моем заднем дворе:
База данных Механизм логического вывода
Факты - это Элементы систем, использующих рассуждения, основанные на фактах
Нейросетевые конструкции и обучение Архитектура Нейроны - вычислительные элементы
V-2. НЕДОСТАТКИ ЭКСПЕРТНЫХ СИСТЕМ
http: //inf.susu.ac.ru/~pollak/expert/commercial/Q5-1.htm Свободно распространяемые (дешевые) оболочки экспертных систем
http: //inf.susu.ac.ru/~pollak/expert/commercial/faq-doc-7.htm Коммерческие оболочки экспертных систем ACQUIRE - - система обнаружения знаний и оболочка экспертной системы. Это - законченная среда для разработки и поддержки интеллектуальных прикладных программ. Система содержит в себя методологию пошагового представления знаний, что позволяет специалистам в проблемной области непосредственно участвовать в процессе приобретения, структурирования и кодирования знания. (Прямое участие специалиста в проблемной области улучшает качество, законченность и точность приобретенного знания, снижает время разработки и эксплуатационные расходы). Особенностью оболочки является структурированный подход к приобретению знаний; модель приобретения знаний основана на распознавании образов; знания представлены как объекты, продукционные правила и системы правил в табличной форме; оболочка позволяет выполнять обработку неопределенных качественных знаний; содержит средства вывода и документацию баз знаний в среде гипертекста. Web страница находится по адресу http: //vvv.com/ai/
http: //inf.susu.ac.ru/~pollak/expert/neiral/neuralmin.htm
NMS специализируется в решении комплексных проблем, стоящих перед горнодобывающей промышленностью. | ||||||||||||||||||||||||
| NMS задает тон в разработке нейросетевых вычислительных технологий для помощи горнорудным промышленным компаниям в их поисках по улучшению конкурентоспособности и увеличению рентабельности. Широко известно, что успехи в горной промышленности и исследования в ней зависят от навыков в определении, разработке и действий по определению соответствующих перспектив. От помощи геологам в поиске новых перспективных месторождений к сокращению затрат на обрабатывающих заводах, везде нейронные вычислительные технологии приносят улучшенние технологических процессов и увеличение производительности. NMS имеет большую группу экспертов, начиная от известных геологов и концая нейро- учеными, каждая из которых обладает определенным набором навыков. Группа разработала революционные инструментальные средства, которые используют эту современную технику программирования | ||||||||||||||||||||||||
| Вы уже используете нейрокомпьютер, это - ваш мозг. Это дает Вам возможность распознавать и интерпретировать сложные модели, выполнять комплексные задачи, принимать решения или предположениями, основанные на прошлом опыте. Вы можете также все время изучать новые вещи. Нейровычисления - это технология, основанная на процессах, происходящих в биологическом мозге и имеет много человечеко-подобных качеств. Так как нейрокомпьютер способен обучаеться, то его нельзя запрограммировать с использованием твердых правил или уравнений. Это дает радикально другой путь для создания быстрых, точных решений сложных проблем. Горнодобывающая промышленность часто стоит перед проблемами, характеризующимися неопределенностью, вызванной химическими и биологическими явлениями. До недавнего времени, в отличие от большинства других перерабатывающих отраслей промышленности, использование вычислительной техники в этой отрасли для помощи человеку - эксперту было трудно. Нейрокомпьютеры могут теперь решить такие сложные проблемы. | ||||||||||||||||||||||||
| MIT был разработан как инженерами - технологами так и нейро - учеными для помощи в оптимизации и эффективном выполнении почти любого процесса выделения минералов. | ||||||||||||||||||||||||
| Полный Отчет: Нейро вычисления для процессов Моделирования и Оптимизации - Контакт neuralmining@bigpond.com | ||||||||||||||||||||||||
| Созданный геологами, Prospect Explorer - это революционный программный инструмент, использующий NMS патентованную технологию, предназначенная для автоматизации обнаружения аномалий и осуществления устойчивого распознавания образцов в данных отчета, используя современные нейрокомпьютеры. | ||||||||||||||||||||||||
http: //inf.susu.ac.ru/~pollak/expert/fuzzy/doc4.htm
Нечеткая экспертная система
Нечеткая экспертная система - экспертная система, которая для вывода решения использует место Булевой логики совокупность нечетких функций принадлежности и правил. Правила в нечеткой экспертной системе имеют обычно вид, подобный следующему: Если x низок, и y высок, тогда z = средний, где x b y - входные переменные ( для которых известны значения ), z -выходная переменная ( значение, которое будет вычислено), низко - функция принадлежности (нечеткое подмножество) определенная на x, высоко - функция принадлежности, определенная на y, и среднее - функция принадлежности, определенная на z. Антецедент правила (предпосылка правила) описывает, когда правило применяется, в то время как заключение (следствие правила) назначает функцию принадлежности к каждому из выведенных значений переменных. Большинство инструментальных средств, работающих с нечеткими экспертными системами позволяют применять в правиле несколько заключений. Совокупность правил в нечеткой экспертной системе известна как база знаний. В общем случае вывод решения происходит за три (или четыре) шага.
1. С помощью функций ПРИНАДЛЕЖНОСТИ, определенных на входных переменных, вычисляются их фактические значения и определяется степень уверенности для каждой предпосылки правила.
2. Используя процедуру ВЫВОДА, вычисляется значение истинности для предпосылки каждого правила, которое применяется к заключению каждого правила. В результате этого каждой переменной вывода для каждого правила назначается одно значения из нечеткого подмножества значений. Обычно в качестве для вывода используется МИНИМИЗАЦИЯ или правила ПРОДУКЦИИ. При МИНИМИЗИРУЮЩЕМ логическом выводе, выходная функция принадлежности ограничена сверху в соответствии с вычисленной степенью истинности предпосылок (нечеткое логическое И). В логическом выводе с использованием ПРОДУКЦИЙ, выходная функция принадлежности масштабируется с помощью вычисленной степенью истинности предпосылки правила.
3. Используя КОМПОЗИЦИЮ, все нечеткие подмножества, назначенные для каждой выходной переменной объединяются вместе и формируется единственное нечеткое подмножество значение для каждой выводимой переменной.Наконец снова, обычно используются функции MAX или SUM. При использовании композиции MAX объединенное выходное нечеткое подмножество значений создается путем нахождения максимума из всех нечетких подмножеств, назначенных переменным в соответствии с правилом вывода (нечеткое логическое ИЛИ). В композиции SUM объединенное выходное нечеткое подмножество создается суммированием всех нечетких значений из подмножеств, назначенных для переменной вывода с помощью правил вывода.
4. Наконец - (необязательный) процесс точной интерпретации, который используется тогда, когда полезно преобразовывать нечеткий набор значений выводимых переменных к точным значениям. Имеется достаточно большое количество методов перехода к точным значениям (по крайней мере 30). Два из общих методов - это методы Полной интерпретации и по Максимуму. В методе полной интерпретации, точное значение выводимой переменной вычисляется как значение " центра тяжести" функции принадлежности для нечеткого значения. В методе Максимума в качестве точного значения выводимой переменной принимается максимальное значение функции принадлежности нечеткого соответствия.
Пример::
Предположм, что переменные x, y, и z имеют значения из интервала [0, 10], и что определены следующие правила и функции принадлежности:
Низко (t) = 1 - (t / 10)
Высоко (t) = t / 10
Правило 1: если x низок и y низок тогда z высок
Правило 2: если x низок и y высок тогда z низок
Правило 3: если x высок и y низок тогда z низок
Правило 4: если x высок и y высок тогда z высок
Обратите внимание, что вместо назначения единственного значения выводимой переменной z, каждому правилу назначено нечеткое подмножество значений из множества(низко или высоко).
Примечания:
1. В этом примере, низко (t) +high (t) =1.0 для всех t. Это общесправедливое утверждение.
2. Значение t, для которого низко (t) является максимальным то же самое, что и значение t, для которого высоко (t) является минимальным, и наоборот.
3. Для всех переменных используются одни и те же функции принадлежности. При решении задачи, функции принадлежности, определенные на входных переменных, применяются к их фактическим значениям и вычисляется степень истинности для каждой предпосылки правила. Степень истинности для предпосылок правила иногда обозначается как АЛЬФА. Если предпосылка правила имеет степень истинности, отличную от нуля, то говорят, что правило АКТИВИЗИРУЕТСЯ.
Например
| X; | y | низко(x) | высоко (x) | низко (y) | высоко (y) | alpha1 | alpha2 | alpha3 | alpha4 |
| 0.0 | 0.0 | 1.0 | 0.0 | 1.0 | 0.0 | 1.0 | 0.0 | 0.0 | 0.0 |
| 0.0 | 3.2 | 1.0 | 0.0 | 0.68 | 0.32 | 0.68 | 0.32 | 0.0 | 0.0 |
| 0.0 | 6.1 | 1.0 | 0.0 | 0.39 | 0.61 | 0.39 | 0.61 | 0.0 | 0.0 |
| 0.0 | 10.0 | 1.0 | 0.0 | 0.0 | 1.0 | 0.0 | 1.0 | 0.0 | 0.0 |
| 3.2 | 0.0 | 0.68 | 0.32 | 1.0 | 0.0 | 0.68 | 0.0 | 0.32 | 0.0 |
| 6.1 | 0.0 | 0.39 | 0.61 | 1.0 | 0.0 | 0.39 | 0.0 | 0.61 | 0.0 |
| 10.0 | 0.0 | 0.0 | 1.0 | 1.0 | 0.0 | 0.0 | 0.0 | 1.0 | 0.0 |
| 3.2 | 3.1 | 0.68 | 0.32 | 0.69 | 0.31 | 0.68 | 0.31 | 0.32 | 0.31 |
| 3.2 | 3.3 | 0.68 | 0.32 | 0.67 | 0.33 | 0.67 | 0.33 | 0.32 | 0.32 |
| 10.0 | 10.0 | 0.0 | 1.0 | 0.0 | 1.0 | 0.0 | 0.0 | 0.0 | 1.0 |
В процессе вывода вычисляется значение истинности для предпосылок каждого правила и применяется заключение каждого правила. Это приводит к тому, что каждой выводимой переменной в каждом правиле назначается одно значение из нечеткого подмножества значений.
Минимизация и Правила продукции - два МЕТОДА ВЫВОДА или ПРАВИЛА ВЫВОДА. При минимизирующем логическом выводе, функция принадлежности вывода ограничена сверху значением вычисленной степени истинности для предпосылки правила. Это соответствует традиционной интерпретации операции нечеткого логического И. В логическом выводе с использованием правил продукции функция принадлежности вывода масштабируется вычисленной степенью истинности предпосылки правила.
Например, рассмотрим правило 1 для значений x = 0.0 и y = 3.2. Как показано в таблице, степень истинности предпосылки равна 0.68. Для этого правила, при использовании минимизирующего логического вывода, z получит значение из нечеткого подмножества значений, определенное функцией принадлежности:
Rule1 (z) = {z / 10, если z < = 6.8
0.68, если z> = 6.8}
Для тех же самых условий, логический вывод с использованием правил продукции назначит z значение из нечеткого подмножества значений, определенной функцией принадлежности: :
Rule1 (z) = 0.68 * высоко (z)
= 0.068 * z
Заметьте, что терминология, использованная здесь, является слегка нестандартной. В большинстве статей, термин " метод вывода " используется для обозначения комбинации действий, упомянутых здесь как " вывод" и " композиция". Таким образом вы сможете встретить в литературе такие термины как вывод " MinMax " и вывод " Product - Sum " Они - комбинация композиции MAX и Минимизирующего вывода, или композиция SUM и Правил Продукций соответственно. Опишем два процесса отдельно.
В процессе композиции все нечеткие подмножества значений, полученные для каждой выводимой переменной, объединяются для формирования единственного нечеткого подмножества для каждой выводимой переменной. Композиция MAX и композиция Sum - два ПРАВИЛА КОМПОЗИЦИИ.
При использовании композиции MAX, объединенное выходное нечеткое подмножество создается взятием максимумального значения по всем нечетким подмножествам значений, полученных для выводимой переменной в соответствии с правилом вывода.
При использовании композиции SUM, объединенное выходное нечеткое подмножество значений создается взятием суммы по всем значениям из нечетких подмножеств, полученным для выводимой переменной согласно правилу вывода.Заметьте, что может получиться более чем одно значение! По этой причине, композиция SUM используется только тогда, когда она сопровождается методом точной интерпретации типа метода Полной интерпретации, который не имеет проблем с таким случаем. Иначе композиция Sum может быть объединена c нормализацией, что снова приводит к универсальному методу.
Например, пусть x = 0.0 и y = 3.2. МИНИМУМИЗИРУЮЩИЙ логический вывод назначил бы для z следующие значения из четырех нечетких подмножеств:
Rule1 (z) = {z / 10, если z < = 6.8
0.68, если z> = 6.8}
Rule2 (z) = {0.32, если z < = 6.8
1 - z / 10, если z> = 6.8}
Rule3 (z) = 0.0
Rule4 (z) = 0.0
Композиция MAX привела бы к такому нечеткому подмножеству:
Нечеткий (z) = {0.32, если z < = 3.2
Z / 10, если 3.2 < = z < = 6.8
0.68, если z> = 6.8}
Логический вывод согласно правилам продукции назначил бы для z следующие значения из четырех нечетких подмножеств:
Rule1 (z) = 0.068 * z
Rule2 (z) = 0.32 - 0.032 * z
Rule3 (z) = 0.0
Rule4 (z) = 0.0
Композиция SUM привела бы к нечеткому подмножеству:
нечеткий(z) = 0.32+ 0.036 * z
Иногда полезно только исследовать нечеткие подмножества, которые являются результатом композиционного процесса, но более часто это НЕЧЕТКОЕ ЗНАЧЕНИЕ необходимо преобразовать к единственному ТОЧНОМУ ЗНАЧЕНИЮ. Именно это выполняет процесс точной интерпретации. Два наиболее общих метода -это метод полной интерпретации и интерпретация по максимуму функции принадлежности. В методе полной интерпретации, точное значение выводимой переменной вычисляется как значение " центра тяжести" функции принадлежности для нечеткого значения. В методе Максимума в качестве точного значения выводимой переменной принимается максимальное значение функции принадлежности нечеткого соответствия. Имеется несколько вариаций метода максимума, которые отличаются тем, что они делают, когда имеется более чем одно значение переменной, в котором достигается максимальное значение функции принадлежности. Один из них возвращает среднее из значений переменных, для в которых достигается максимальное значение функции принадлежности.
Например, вернемся к нашему предыдущему примеру. Использование MaxMin логического вывода и метода, определяющего " среднее значение из максимумов " вычисляет точное значение z = 8.4.
Использование логического вывода Sum- Product и метода точной интерпретации приводит к точному значение z, равному 5.6. Вычисления выполнялись следующим образом. Как было сказано, все переменные (включая z) имеют значения в диапазоне [0, 10]. Вычислять центр тяжести функции f (x), это значит разделить момент функции на площадь функции. Вычислить момент f (x), это значит вычислить интеграл x*f (x) dx, а вычислить площадь f (x), это значит вычислить интеграл f (x) dx. В нашем случае, мы должны были вычислить площадь как интеграл от функции (0.32+0.036*z) в диапазоне от 0 до 10 dz, который равен ( 0.32 * 10 + 0.018*100) =( 3.2 + 1.8) =5.0, а момент функции равен интегралу из (0.32*z+0.036*z*z) dz в диапзоне от 0 до 10, или ( 0.16 * 10 * 10 + 0.012 * 10 * 10 * 10) = ( 16 + 12) =28. Наконец, центр тяжести есть - 28/5 или 5.6.
Замечание: Иногда объединение композиции и процесса точного представления нечетких соответствий упрощает математические зависимости для вычисления окончательного результата значения переменной
http: //inf.susu.ac.ru/~pollak/expert/AI/text1.htm
ПЕРСПЕКТИВНЫЕ ИССЛЕДОВАНИЯ И РАЗРАБОТКИ по Интеллектуальным Системам в 21 столетии
Американская Ассоциация по Искусственному интеллекту
Содержание
· Введение
· Высокоспециализированные Интеллектуальные Системы
· 2.1 Интеллектуальные Системы Моделирования
· 2.2 Специальные системы с Информационными Ресурсами
· 2.3 Интеллектуальные Проектные(строительные) системы
· 2.4 Коопераиця Роботов
· Заключение
Введение
Компьютерные системы становятся банальностью; действительно, они почти повсеместны. Они являются самым важным компонентом в функционировании бизнеса, правительственной, военной, окружающей среды и учреждениях здравоохранения. Они - также часть многих образовательных программ обучения. Но эти компьютерные системы, все более и более воздействуя на нашу жизнь, являются жестко заданными и не способны к быстрому изменению. Помочь нам и нашим учреждениям справиться с непредсказуемыми возможностями мира, могут системы, которые могут быстро адаптироваться и изменятся. Они должны быть интеллектуальными. Наша национальная конкурентоспособность зависит все более зависит от возможностей доступа, обработки и анализа информации. Компьютерные системы, используемые для этих целей, должны быть также интеллектуальными. Средства доступа в системах здравоохранения требуют свободного подступа к информационным системам, так чтобы с их помощью можно было узнавать и использовать самые современные и эффективные средства лечения больных. Группы управления кризисными ситуациями должны иметь возможность квалифицированно исследовать состояния различных параметров и принимать обоснованные решения. Педагоги нуждаются в системах, которые адаптируются к индивидуальным потребностям и способностям студента. Предприниматели требуют гибких программных средств САПР для использования информационных технологий в производстве.
Анализ и передача данных с помощью компьютера предоставили нам большое количество информации. Однако, чтобы достигнуть полного сотрудничества, компьютерные системы должны уметь больше, чем обрабатывать; информацию, они должны иметь интеллект. Они должны квалифицированными хранить и использовать большие объемы информации и эффективно помогать людям найти новые пути решения проблем. Технология должна стать более чувствительной к человеческим потребностям и стилю работы, и должна использовать более естественные средства коммуникации.
Чтобы преодолеть ограничения сегодняшних систем, мы должны понять пути и способы взаимодействия людей друг с другом и с миром, и должны разработать методы для соединения интеллекта и компьютерных систем. Создавая компьютерные программы, которые усиливают человеческие познавательные способности и увеличивают человеческую производительность и эффективность, мы можем помочь удовлетворить национальные потребности в отраслях промышленности подобно здравоохранению, образованию.
Искусственный интеллект (ИИ) - область, которая изучает интеллектуальное поведение людей, используя инструментальные средства -теоретические и экспериментальные - информатики. Область одновременно связывает; одну из наиболее глубоких научных проблем такую как природа интеллекта, и участвует в прагматических разработках интеллектуальных систем.
Здесь описаны области исследования ИСКУССТВЕННОГО ИНТЕЛЛЕКТА, в которых фундаментальные научные авансы могли бы дать возможность интеллектуальным системам удовлетворить национальные потребности. Обратимся к четырем типам систем, оказывающим высокое влияние на развитие прикладных программ.
Интеллектуальное Моделирование: Системы, которые генерируют реалистично имитируемые миры, способствовали бы развитию легко доступному в любой точке страны качественному обучению и образованию. Новое поколение интеллектуальных возможностей моделирования могло бы поддержать конструирование программ, которые моделируют сложные ситуации, включая как сложные устройства так и интеллектуальные возможности людей. Использовать эти возможности можно в диапазоне от управления кризисом до оценки изделия.
Интеллектуальные Информационные Ресурсы: информационные ресурсы специальных систем будут поддерживать эффективное использование обширных ресурсов национальной информационной инфраструктуры. Эти системы работали бы со свими потребителями так, чтобы определять информационные потребности пользователей, управлять информационным миром так, чтобы помочь соответствующим людям извлечь извлечь уместную информацию. Они должны адаптироваться к изменениям как в потребностях и способностях пользователей, так и к изменениям в информационных ресурсах.
Интеллектуальное Проектирование: И нтеллектуальное программное обеспечение могло бы помочь проектировать и работать со сложными системами. Интеллектуальная проектная(строительная) система, может помочь в проектировании сложного устройства (типа самолета) или большой программной системы, помогая сохранять знания относительно задач, делать записи причин тех или иных решений, и восстанавливать(отыскивать) информацию, подходящую для решения новых проблем. Это может помочь в улучшении поиска ошибок, обнаружения и предотвращения неисправности и увеличить эффективность системы. Проектные(строительные) системы не должны быть непосредственными экспертами; скорее, они могли бы значительно увеличить возможности и производительности человеческих экспертов.
Роботы: Интеллектуальные роботы могут выполнять задачи, которые являются опасными, например, такие как очистка окружающей среды, противопожарные и спасательные действия. Они могут также осуществлять те задачи, которые не привлекательны для рабочих, но являются важными для функционирования человеческого общества. Группы роботов не должны быть полностью независимыми, они могут работать вместе с людьми и под их управлением.
Основы и Потребности Исследованиий
Основой всех вышеперечисленных систем является то, что необходимо создать интеллектуальные системы. Они включают в себя способности рассуждения относительно задачи и знания, основанные на здравом смысле; рассуждения относительно совместного процесса и знания возможностей других систем и людей, участвующих во взаимодействии; связь с пользователями посредством понимания естественного языка, рисунков, изображений, и знаков; системы должны чувствовать мир; координировать восприятие, планирование, и действия; и обучение на предшествующем опыте и адаптацию к поведению.
Понимание этих возможностей в людях и воплощение их при разработке программ было центральным в исследованиях по ИСКУССТВЕННОМУ ИНТЕЛЛЕКТУ. Твердая основа была разработана в большом количестве предыдущих исследований. Эта работа выработала технологию, которая лежит в основе более тысячи интеллектуальных экспертных систем, использованных сегодня в промышленности, а также во многих прикладных программах для планирования, изучения, восприятия и обработки языка.
В следующем десятилетии необходимо расширить эту основу, чтобы делать возможным создание новых видов высокоспециализированных прикладных систем. Хотя разработка систем с наиболее сложными возможностями требует долговременных усилий, но интеллектуальные системы могут и будут разработаны.
Высоко - специализированные Прикладные системы
2.1 Интеллектуальные Системы Моделирования
Для многих задач обучение на рабочем месте чрезвычайно эффективно. Это снабжает стажера шансом выполнять реальные решения " на месте " и посмотреть их последствия. Однако обучение на рабоем месте невозможно, когда плохое решение может принести бедствия - например, в управлении сталелитейным заводом.Системы Моделирования, которые могут отображать реалистично имитируемые миры, и в особенности, которые имели бы возможность произвести реалистические моделирования людей, будут в этих случаях весьма полезны.
Многие образовательные, коммерческие, военные и научные прикладные программы требует возможности реалистично имитировать различные миры.
Обучение: система обучения для групп по управлению кризисами могла бы подсказывать непосредственную технологию решения проблем.
Образование: интерактивная книга хронологий могла бы позволить студентам обсудить причины принятия решений Абрахамом Линкольном и Робертом Ли и их последствия в Американской Гражданской Войны; среда для изучения японского языка могла бы взять ученика в Токио, где он мог бы взаимодействовать со владельцами магазина, водителями такси и деловыми людьми; моделирование реальных рынков, могли бы позволить студентам исследовать последствия различных экономических теорий.
Промышленность и Торговля, Военные Системы: среда для оценки новых изделий, типа автомобилей или самолетов, могла бы использовать моделирование людей для проверки конструкции изделия.
2.2. Специализированные Системы С информационными ресурсами
Накопление информации, которой мы располагаем с помощью электронных, представляет собой большую дилемму. Хорошие новости - то, что все всемирные электронные библиотеки находятся теперь в вашем использовании; плохие новости - то, что вы не можете найти ничего нужного вам в столе справок. Чтобы быть полезный, люди должны иметь возможность квалифицированы найти информацию, подходящую для их проблем и задач за разумное количестве временя и с разумными усилиями.
В ближайшем будущем каждый дом и учреждение должно иметь некоторый информационный прибор, который объединяет возможности телефона, телевидения, газеты, компьютера, и услуг Internet типа электронной почты. Но активная помощь, этого информационного прибора, будет реализована только тогда, когда приборы будут интеллектуальными. Такие системы должны быть приспособлены к индивидуальным потребителям.
Интеллектуальный прибор может помочь прослеживать информацию за длительный период времени. Например, специалист по коньюнктуре рынка мог бы использовать его помощь в изучении находящихся на стадии становления промышленных трендов.
Чтобы реализовать свой огромный потенциал, прибор должен быть мощен, гибок, и удобен. Потребители должны иметь возможность квалифицированно связаться с ним любым способом, наиболее естественен для них. Он должен выполнять команды, общие ( иногда и неопределенные) для многих проблем. Информация, требуемая пользователю, может хранться в нескольких местах; таким образом прибор должен уметь обращаться ко многим местам и находить общую информацию. ).
2.3. Интеллектуальные Проектные(строительные) Системы
Мир становится все более и более сложным. Еще недавно автомобильные двигатели имели карбюраторы с ручными настройками; теперь они имеют компоненты, управляемые микропроцессором, и локальные сети, использующие внутри машинного отделения. Автомобили могут быть более эффективными и меньше загрязнять среду, если они тщательно разработаны, но сложные проекты более трудны для создания их сложнее отлаживать и изменять. Проблемы сложности нигде не являются более очевидными, чем при проектировании, изменении и обслуживании аппаратных средств и программного обеспечения комплексных компьютерных систем.
Международные политические и финансовые события усилили потребность восстановления конкурентоспособности производственных отраслей промышленности. Компьютеризированные инструментальные средства выполняют разработку проекта, производственное планирование и планирование(календарное планирование), и управление производственным процессом. Однако многие из этих инструментальных средств широко не приняты промышленностью, потому что они трудны в использовании и не обладают гибкостью.
2.4. Кооперация Роботов
Внимание, уделяемое роботам, образующих группы, учитывает решения, в которых знания, экспертные оценки и моторные возможности может быть распределены во времени и пространстве. В то время как индивидуальные роботы, возможно, имели только ограниченные возможности, вместе в группах они могли бы квалифицированно решать сложные задачи. Группы совместных(кооперативных) роботов могли помогать обществу следующими способами.
· Группы подвижных машин можно было бы научить сотрудничать в задачах контроля в фабриках или в военном деле. Они совместно использовали бы информацию и распределяли части задачи между собой и людьми.
· Роботы - особенно подвижные, могли бы использоваться для работы в опасных средах, например, в очистке окружающей среды и планетарном исследовании.
· Роботы, обладающие значительным интеллектом могли бы использоваться в домашней работе, взаимодействуя естественно и гибко с людьми.
· Крупномасштабные лабораторные опыты, будут сделаны гораздо более успешными при автоматизации некоторых из сложных лабораторных процедур, которые требуют считывания, манипуляции, планирования, и транспортировки.
· Изготовители используют роботы, которые могут быть алегко даптированы к новым задачам и, которые могут оперировать в динамической среде, с минимально оснащенной аппаратурой. Это дает экономию за счет роста производства без потребности в большом вкладе в специализированные фабрики.
Возможности, необходимые для реализации таких систем выходят за рамки традиционных управляемых компьютером машин типа промышленных роботов, использованных, например, в автомобильной точечной сварке. Эти новые роботы должны безопасно и эффективно двигаться в естественных человеческих средах; определять препятствия, которыео можно избежать и координаты для взаимодействия с другими средствами.
Заключение
Национальная конкурентоспособность зависит от возрастания мощностей для проведения информационного анализа, принятия решения и гибкого проектирования и производства. Усилия в этих областях были ограничены недостаточными данными, отсутствием вычислительной мощности или неадекватными контролирующими механизмами. Многие из этих ограничений могут быть преодолены только при добавлении интеллекта к системам.
Фундаментальные исследования в ИСКУССТВЕННОМ ИНТЕЛЛЕКТЕ будут, в конечном счете, способствовать не только нашему научному знанию но также расширению технологической основы и к широкому разнообразию прикладных программ.
http: //inf.susu.ac.ru/~pollak/expert/AI/text4.htm
Прикладные программы ИСКУССТВЕННОГО ИНТЕЛЛЕКТА
Игровые программы
Вы можете купить машину, которая может играть в шахматы на уровне мастера за несколько сотен доллары. В них имеется некоторый ИСКУССТВЕННЫЙ ИНТЕЛЛЕКТ, но они играют против людей главным образом благодаря сквозным вычислением решения " в лоб" - просмотром сотни тысяч позиций.
Распознавание речи
В 1990-ых годах компьютерное распознавание речи достигло практического уровня для ограниченныех целей. В то время как некоторые компьютеры могут выполнять речевые команды, большинство пользователей возвратилось клавиатуре и мыши как к более удобным средствам ввода информации.
Последнее изменение этой страницы: 2019-06-19; Просмотров: 190; Нарушение авторского права страницы