- •Основные направления ии.
- •Классификация сии.
- •Характеристики знаний.
- •Модели представления знаний.
- •Исчисление высказываний.
- •Интерпретация формул в логике предикатов первого порядка.
- •Системы аксиом логики предикатов.
- •Правила вывода в исчислении предикатов.
- •Автоматизация доказательства в логике предикатов.
- •Скулемовские стандартные формы.
- •Алгоритм преобразования пнф в ссф.
- •Метод резолюций.
- •Метод резолюций в исчислении высказываний.
- •Метод резолюций в исчислении предикатов. Правило унификации в логике предикатов.
- •Алгоритм унификации для нахождения наиболее общего унификатора.
- •Алгоритм метода резолюций.
- •Основы языка программирования Пролог.
- •Структура программ Турбо-Пролога.
- •Представление бинарных деревьев
- •Формирование ответа на вопрос «почему».
- •Работа с неопределенностью.
Формирование ответа на вопрос «почему».
Объяснение экспертной системы в этом случае должно выглядеть примерно так:
потому, что
Я могу использовать a,
чтобы проверить по правилу 1, что b, и
Я могу использовать b,
чтобы проверить по правилу 2, что c, и
Я могу использовать c,
чтобы проверить по правилу 3, что d, и
…
Я могу использовать y,
чтобы проверить по правилу n, что z, и
z – это Ваш исходный вопрос.
Объяснение – это демонстрация того, как система намерена использовать информацию, которую она хочет получить от пользователя. Намерения системы демонстрируются в виде цепочки правил и целей, соединяющей эту информацию с исходным вопросом. Такая цепочка называется трассой. Трассу можно представить как цепочку правил, соединяющую в И/ИЛИ – дереве вопросов текущую цель с целью самого верхнего уровня так, как это показано на рисунке. Таким образом, для формирования ответа на вопрос «почему» нужно двигаться в простанстве поиска от текущей цели вверх вплоть до самой верхней цели. Для того, чтобы суметь это сделать, нам придется в процессе рассуждений сохранять трассу в явном виде.
Формирование ответа на вопрос «как».
Один из известных способов ответить на вопрос «как» – это представить доказательство, то есть те правила и подцели, которые использовались для достижения полученного заключения. Это доказательство имеет вид решающего И/ИЛИ – дерева. Поэтому наша машина логического вывода будет не просто отвечать на вопрос, соответствующий цели самого верхнего уровня, а будет выдавать в качестве ответа решающее И/ИЛИ – дерево, составленное из имен правил и подцелей. Затем это дерево можно отобразить на выходе системы в качестве объяснения типа «как». Объяснению можно придать удобную для восприятия форму, например:
«Пушок» это хищник
было выведено по правилу 3 из
«Пушок» это млекопитающее
было выведено по правилу 1 из
«Пушок» имеет шерсть
было сказано
и
«Пушок» ест мясо
было сказано.
Работа с неопределенностью.
Описанная выше оболочка экспертной системы может работать только с такими вопросами (утверждениями), которые либо истинны, либо ложны. Правила базы знаний - «категорические импликации», однако многие области экспертных знаний не являются категорическими. Поэтому, как данные, относящиеся к конкретной задаче, так и импликации, содержащиеся в правилах, могут быть не вполне определенными. Неопределенность можно продемонстрировать, приписывая утверждениям некоторые характеристики, отличные от «истина» и «ложь». Характеристики могут иметь свое внешнее выражение в форме дескрипторов, таких как, например, верно, весьма вероятно, вероятно, маловероятно, невозможно. Другой способ представления – степень вероятности может выражаться в форме действительного числа, заключенного в некотором интервале, например между 0 и 1 или между –5 и +5. Такую характеристику называют по-разному- «коэффициент определенности», «степень доверия», «субъективная уверенность». Более естественным было бы использовать вероятности в математическом смысле слова, но попытки применить их на практике приводят к трудностям по следующим причинам:
экспертам неудобно мыслить в терминах вероятностей. Их оценки правдоподобия не вполне соответствуют математическому определению вероятности;
работа с вероятностями, корректная с точки зрения математики, потребовала бы каких-либо упрощающих допущений, не вполне оправданных с точки зрения практического приложения.
Поэтому, даже если выбранная мера правдоподобия лежит в интервале от 0 до 1, более правильным будет называть ее «субъективной уверенностью», подчеркивая этим, что имеется в виду оценка, данная экспертом. Вычисления над такими оценками могут отличаться от вычислений теории вероятностей, однако, они могут служить вполне адекватной моделью того, как человек оценивает достоверность своих выводов.
Для работы в условиях неопределенности было придумано множество различных механизмов, мы рассмотрим одну простую модель, которая не лишена недостатков, но была использована на практике в экспертных системах минералогической разведки и локализации неисправностей.
В данной системе достоверность событий моделируется с помощью действительных чисел, заключенных в интервале от 0 до 1. Отношения между событиями можно представить графически в виде «сети вывода», на которой события изображаются прямоугольниками, а отношения между ними стрелками. Овалами изображены комбинации событий (И, ИЛИ, НЕ). Отношения между событиями являются «мягкими импликациями».
Пусть имеются два события E и H, и пусть информация о том, что имело место событие E, оказывает влияние на нашу уверенность в том, что произошло событие H. Данному отношению можно приписать некоторую «силу», с которой оно действует:
если E, то H с силой S.
В данной системе сила моделируется при помощи двух параметров:
N =<коэффициент необходимости>;
S=<коэффициент достаточности>.
В сети вывода это изображается так:
E
H
(N, S)
p0 (E) p0(H), p0 – априорная вероятность;
p(E) p(H|E), p – апостериорная вероятность.
Два события, участвующие в отношении, часто называют “фактом” и “гипотезой”. Тогда, необходимо найти такой факт E, кторый мог бы подтвердить или опровергнуть гипотезу H. S показывает, в какой степени достаточно факта E для подтверждения гипотезы H, N – насколько необходим факт E для подтверждения гипотезы H. Если факт E имел место, то чем больше S, тем больше уверенности в H. С другой стороны, если не верно, что имел место факт E, то чем больше N, тем менее вероятно, что гипотеза H верна.
Для каждого события H сети вывода существует априорная вероятность p0 (H)- безусловная вероятность события H в состоянии, когда неизвестно ни одного положительного или отрицательного факта. Если становится известным какой-нибудь факт E, то вероятность H меняет свое значение с p0 (H) на p(H|E). Величина изменения зависит от «силы» стрелки, ведущей из E в H.
Таким образом, проверка гипотез начинается, исходя из априорных вероятностей. В дальнейшем происходит накопление информации о фактах, что находит свое отражение в изменении вероятностей событий сети. Эти изменения распространяются по сети событий в соответствии со связями между событиями. Логические комбинации отношений можно изобразить следующим образом:
E не E
p 1-p
p1 E1
E1 и E2 и E3
p2 E2
p3 E3 p= max (pi)
p1 E1 i
E1 или E2 или E3
p2 E2
p= min (pi)
p3 E3 i
На следующем рисунке представлен пример представления сети событий.
0.001 0.001 0.001
(0.001,2000)
(0.001,1000) (0.001,400)
0.005 0.005
(0.05,400) (0.001,10000) (0.5,200) (0.001, 800)
0.01 0.005 0.001 0.01
ть это избыточная информация.