Термин фрейм («каркас» или «рамка») предложен Минским в 70-е годы для обозначения структуры знаний для восприятия пространственных сцен. Так же, как и семантическая сеть, эта модель имеет психологическое обвенование. Фрейм – это абстрактный образ для представления некоего стереотипа восприятия. В философии и психологии известного понятия абстрактного образа. Например, произнесение вслух слова «комната» порождает у слушающих образ комнаты: жилое помещение с четырьмя стенами, полом, потолком, окнами и дверью, площадью 6-20 м2. Из этого описания нечего нельзя убрать. Например, убрав окна, мы уже получим не комнату, а чулан. Но в этом описании есть «дырки» или «слоты» - это незаполненные значения некоторых атрибутов – например количество окон, цвет стен, высота потолка, покрытие пола и др.
В теории фреймов такой образ комнаты называется фреймом комнаты, фреймом комнаты также называется и формализованная модель для отображения образа.
Различают фреймы-образцы или прототипы, которые хранятся в базе знаний и фреймы-экземпляры, которые создаются для отображения реальных фактических ситуаций на основе поступающих данных.
Модель фрейма является достаточно универсальная, поскольку позволяет отображать все многообразие знаний о мире через: фреймы-структуры, которые используются для обозначения объектов и понятий (заем, залог, вексель); фреймы-роли (менеджер, кассир, клиент); фреймы-сценарии (банкротство, собрание акционеров); фреймы-ситуации (тревога, авария, рабочий режим и др.)
Описание способа получения слотом его значения и возможность присоединения к слоту специальных процедур запускается в теории фреймов. В качестве значения слота может выступать имя другого фрейма, образуя сети фреймов.
Важнейшим свойством теории фреймов является заимствование из теории семантических сетей – так называемое наследование свойств, которое происходит по АКО - связям. Слот АКО указывает на фрейм более высокого уровня иерархии, откуда неявно наследуются, то есть переносятся, значения аналогичных слотов.
Например в сети фреймов на рис.1.2 понятие «ученик» наследует свойства фреймов «ребенок» и «человек», которые находятся на более высоком уровне иерархии. Так, на вопрос «любят ли ученики сладкое» следует ответ – «да», так как эти свойством обладают все дети, что указано во фрейме «ребенок». Наследование свойств может быть частичным, так как возраст для учеников не наследуется из фрейма «ребенок», поскольку указан явно в своем собственном фрейме – «ученик».
Рис.1.2 Сеть фреймов
Основным преимуществом фреймов как модели представления знаний является то, что она отражает концептуальную основу организации памяти человека, а так же её гибкость и наглядность.
В представлении знаний выделяют формальные логические модели, основанные на классическом исчислении предикатов первого порядка, когда предметная область (или задача) описывается в виде набора аксиом. В промышленных ЭС исчисление предикатов первого порядка практически не используется. Эта логическая модель применяется в основном в исследовательских «игрушечных» системах, так как предъявляет очень высокие требования и ограничения к предметной области.
В истории искусственного интеллекта решаемая задача описывается в логической модели представления знаний определенными утверждениями на некотором логическом языке (прологоподобные языки). Тогда знания составляют множество аксиом, а решаемая задача представляет собой доказываемую теорему. Процесс доказательства теоремы и составляет логическую модель представления знаний.
Логическая модель описания задачи включает в себя язык, аксиомы, правила вывода. Задача включает в себя множество подзадач и взаимосвязей между ними. На нижнем уровне существует некоторая элементарная задача, для которой известна программа, выполняемая ЭВМ без участия пользователя. Отсюда, решение задачи есть нахождение правил, которые задают последовательность решения элементарных задач в зависимости от требуемого результата и исходных данных, имеющихся у пользователя.
Применение логической модели позволяет оценивать результаты решения каждой элементарной подзадачи. На основе этого можно установить принадлежность любой подзадачи к решению исходной задачи.
Последовательность описания решаемой задачи определяется правилами подстановки описаний составляющих её подзадач.
Логической модели представления знаний и задач соответствует графическое изображение в виде графа редукции или графа пространства состояний. Вершины графа редукции соответствуют именам задач. Имя корневой вершины есть имя исходной задачи. Имена дочерних вершин – это имена подзадач связи между подзадачами отображаются дугами. Для конъюнкции используется гипердуга типа «И». Для дизъюнкции используется дуга типа «ИЛИ». Применение логической модели позволяет оценивать результаты решения каждой элементарной подзадачи.
Наибольшее распространение получила продукционная модель представления знаний. При использовании продукционной модели база знаний состоит из набора правил. Программа, управляющая перебором правил, называется машинной вывода или интерпретатором правил.
В большинстве систем, основанных на знаниях, машина вывода представляет собой небольшую по объему программу. Эта программа реализует собственно вывод и одновременно управляет процессом вывода. Действие вывода основано на применении правила: «Если известно, что истинно утверждение А и одновременно существует правило вида – если А, то В – тогда утверждение В также истинно». Правила срабатывают, когда находятся факты, удовлетворяющие их левой части: если истина посылка, то должно быть истинно и заключение.
При разработке стратегии управления выводом важно определить:
ü метод осуществления поиска в прямом или обратном направлении;
ü выбрать стратегию перебора в глубину или ширину.
В системах с прямым выводом по известным фактам отыскивается заключение, которое следует из этих фактов. Если такое заключение удаётся найти, то оно заносится в рабочую память. Прямой вывод часто называют выводом, управляемым или иначе – выводом, управляемым антецедентами.
Обратный поиск применяется в тех случаях, когда цели известны и их сравнительно немного. При обратном порядке вывода вначале выдвигается некоторая гипотеза, а затем механизм вывода как бы возвращается назад, переходя к фактам и пытаясь найти те из них, которые подтверждают выдвинутую гипотезу. Если первая гипотеза оказалась правильной, то выбирается следующая гипотеза, которая детализирует первую и является по отношению к ней подцелью. Далее отыскиваются факты, подтверждающие истинность подчинённой гипотезы. Вывод такого типа называется управляемым целями, или иначе – управляемым консеквентами.
Существуют также системы, в которых вывод основывается на сочетании двух упомянутых выше методов – ограниченно прямого и обратного. Такой комбинированный метод получил название – циклического.
При поиске в глубину в качестве очередной подцели выбирается та, которая соответствует следующему, более детальному уровню описания задачи.
При поиске в ширину система вначале проанализирует все признаки, находящиеся на одном уровне пространства состояний и лишь затем перейдет к признакам следующего уровня.
В задачах, решаемых интеллектуальными системами, часто приходится пользоваться неточными знаниями, которые не могут быть представлены как полностью истинные или ложны. Существуют знания, достоверность которых выражается не 0/1, а промежуточным значением, например 0,7. Как представить формально подобные нечеткие знания? Для разрешения таких проблем в 1990 г. положено начало одной из ветвей ИН под названием – мягкие вычисления. Одно из главных понятий в нечеткой логике – понятие лингвистической переменной (ЛП).
Лингвистическая переменная – это переменная, значение которой определяется набором словесных (вербальных) характеристик некоторого свойства.
Например, лингвистическая переменная «рост» определяется через набор словесных характеристик: карликовый, низкий, средний, высокий, очень высокий.
Значения лингвистической переменной определяются через так называемые нечеткие множества (НМ). НМ определены на базовом наборе значений (базовой числовой шкале), имеющих размерность. Каждое значение ЛП определяется как НМ. Нечеткое множество определяется через базовую шкалу – В и функцию принадлежности НМ-М(х), хВ, принимающую значения в интервале [0…1]. Таким образом, нечеткое множество-В – это совокупность пар вида (х, М(х)), где хВ. Одни и те же значения базовой шкалы могут участвовать в определении различных НМ.
Например, для ЛП – «возраст» базовая шкала – это числовая шкала от 0 до 120, обозначающая число прожитых лет, а функция принадлежности определяет, насколько мы уверенны в том, что данное количество лет можно отнести к данной категории возраста.
Чаще всего интеллектуальные системы (ИС) применяют для решения задач, основная сложность которых связана с использованием слабо-формализованных знаний специалистов – практиков и где смысловая (или логическая) обработка информации преобладает над вычислительной. Например, понимание естественного языка, принятия решений в сложной ситуации, управление диспетчерскими пультами и т.п. Системы, ядром которых является база знаний или модель предметной области, описанная на языке сверхвысокого уровня, приближенном к собственному, называют интеллектуальными. Такой язык сверхвысокого уровня называют языком представления знаний (ЯПЗ).
Перспективным путём совершенствования и дальнейшего развития экспертных систем является создание инструментальных средств, базирующихся на совместном использовании различных моделей представления знаний: продукционных, семантических, фреймов и логических моделей. Все эти модели являются математическим средством построения перспективных интеллектуальных автоматизированных систем обработки информации и управления (АСОИУ).
1. Базы и банки данных и знаний. Учебник/Г.И. Ревунков, Э.Н. Самохвалов, В.В. Чистов./ – М.: Высш.шк., 1992.
2. Системы управления базами данных и знаний. Справ. изд./А.Н. Наумов, А.М. Вендров, В.К. Иванов и др.; Под ред. А.Н. Наумова. – М.: Финансы и статистика, 1991.
3. Экспертные системы. Принцип работы и примеры. Пер. с англ./А.Брукинг, П. Джонс, Ф. Кокс и др.; Под ред. Р. Форсайта. – М.: Радио и связь, 1987.
4. Попов Э.В. Экспертные системы. Решение неформализованных задач в диалоге с ЭВМ. – М.: Наука, 1987.
5. Экспертные системы: Сб./Ред. Б.М. Васильев. – М.: Знание, 1990.
6. Экспертные системы. Материалы семинара. – М.: МДНТП, 1986.
1. #"#">http://www.extech.msk.su/s_e/min_s/
4. http://synopsis.kubsu.ru/informatic/master/lecture/themes8_2_3.htm
5. http://www.buzdalin.ru/text/banks/t8/intel.html
6. http://migsm.narod.ru/zk27.htm
7. http://www.lektor5.narod.ru/inf/inf3.htm
8. http://www.cos.ru/index.shtml?section=51&subsection=193&article=232
Страницы: 1, 2
