2.2 Фреймовая модель

Фрейм – это некоторая структура для  представления   знаний  которая при ее заполнении соответствующими значениями превращается в описание конкретного факта, события или ситуации. Каждый фрейм можно рассматривать как семантическую сеть, состоящую из выделенных вершин  и  связей.

Фреймовая  модель  основана на принципе фрагментации  знаний .

Основа фреймовой  модели  – слот, который состоит из имени некоторого признака, значений этого признака  и  связи с другими слотами.

Например, описание ситуации «Студент Иванов получил книгу А. Я. Архангельского «100 компонентов Delphi» в библиотеке ТГПУ  им . Л. Н. Толстого в г. Туле» может быть представлено следующим образом:

ПОЛУЧЕНИЕ:

ОБЕКТ (КНИГА: (Автор, А. Я. Архангельский), (Название, 100 компонентов Delphi));

АГЕНТ (СТУДЕНТ: (Фамилия, Иванов));

МЕСТО: (БИБЛИОТЕКА: (Название, ТГПУ), (Расположение, Тула)).

Здесь ОБЪЕКТ, АГЕНТ  и  МЕСТО – это роли, которые играют слоты КНИГА, СТУДЕНТ  и  БИБЛИОТЕКА в рамках фрейма ПОЛУЧЕНИЕ.

Фреймовую  модель  можно представить в виде таблицы, у которой в отличие от реляционной  модели  данных есть ряд особенностей:

    возможность смешанного заполнения слотов константами  и  переменными;

    возможность наличия пустых слотов;

    размещение в слотах указателей на другие фреймы для создания сети;

    размещение в слотах имен выполняемых процедур.

12..Экспертные системы. Основные понятия и определения

 ОСНОВНЫЕ   ПОНЯТИЯ   И   ОПРЕДЕЛЕНИЯ 

 Экспертные   системы  (ЭС) - это сложные программные комплексы, аккумулирующие знания специалистов в конкретных предметных областях н тиражирующие этот эмпирический опыт для консультаций менее квалифицированных пользователей.

Обобщенная структура  экспертной   системы  представлена на рис. 16.5. Следует учесть, что реальные  экспертные   системы  могут иметь более сложную структуру, однако блоки, изображенные на рисунке, непременно присутствуют в любой действительно  экспертной   системе , поскольку являют собой негласный канон на структуру современной  экспертной   системы .

Определим  основные  термины в рамках данного учебника.

 

Рис. 16.5 Структура  экспертной   системы 

Пользователь - специалист предметной области, для которого предназначена система, Обычно его квалификация недостаточно высока,  и  поэтому он нуждается в помощи и поддержке своей деятельности со стороны ЭС.

Инженер по знаниям - специалист по искусственному интеллекту, выступающий в роли промежуточного буфера между экспертом и базой знаний. Синонимы: когнитолог, инженер-интерпретатор, аналитик.

Интерфейс пользователя - комплекс программ, реализующих диалог пользователя с ЭС как на стадии ввода информации, так и получения результатов.

База знаний (БЗ) - ядро ЭС, совокупность знаний предметной области, записанная на машинный носитель в форме, понятной эксперту и пользователю (обычно на некотором языке, приближенном к естественному). Параллельно такому "человеческому" представлению существует БЗ во внутреннем "машинном" представлении-

Решатель - программа, моделирующая ход рассуждении эксперта на основании знаний, имеющихся в БЗ. Синонимы: дедуктивная машина, блок логического вывода.

Подсистема объяснений - программа, позволяющая пользователю получить ответы на вопросы; "Как была получена та или иная рекомендация?" и "Почему система приняла такое решение?" Ответ на вопрос "как" - это трассировка всего процесса получения решения с указанием использованных фрагментов БЗ, т.е. всех шагов цепи умозаключений. Ответ на вопрос "почему"- ссылка на умозаключение, непосредственно предшествовавшее полученному решению, т.е. отход на один шаг назад.

Интеллектуальный редактор БЗ - программа, представляющая инженеру по знаниям возможность создавать БЗ в диалоговом режиме- Включает в себя систему вложенных меню, шаблонов языка представления знаний, подсказок ("help" - режим)  и  других сервисных средств, облегчающих работу с базой.

В коллектив разработчиков ЭС входят как минимум четыре человека:

• эксперт;

• инженер по знаниям;

• программист;

• пользователь.

Возглавляет коллектив инженер по знаниям, это ключевая фигура при разработке  систем , основанных на знаниях.

13. Обобщенная структура экспертной системы

Определим  основные  термины в рамках данного учебника.

 

Рис. 16.5 Структура  экспертной   системы 

14. Нейрокомпьютер и основы нейроинформатики

15. Нейрон, нейронные сети, основные понятия

Нейронные сети - класс интеллектуальных информационных систем. Принципы построения нейронной сети основаны на изучении и моделировании функций нервных клеток - нейронов.

Мозг состоит из очень большого числа (приблизительно 10,000,000,000) нейронов, соединенных многочисленными связями (в среднем несколько тысяч связей на один нейрон, однако это число может сильно колебаться). Биологический нейрон является особой клеткой, которая обрабатывает информацию. Она состоит из тела клетки, или сомы, и двух типов внешних древоподобных ветвей: аксона и дендритов. (рис. 1)

Тело клетки включает ядро, которое содержит информацию о наследственных свойствах, и плазму, обладающую молекулярными средствами для производства необходимых нейрону материалов.

Нейроны осуществляют передачу информации от одного участка нервной системы к другому, обмен информацией между нервной системой и различными участками тела. В нейронах происходят сложнейшие процессы обработки информации, с помощью которых формируются ответные реакции организма (рефлексы) на внешние и внутренние раздражения.

Нейрон получает сигналы (импульсы) от других нейронов через дендриты (приемники) и передает сигнал, сгенерированный телом клетки, вдоль аксона (передатчика), который в конце разветвляется на волокна. На окончании волокон находятся синапсы. Синапс является элементарной структурой и функциональным узлом между двумя нейронами. Результативность синапса может настраиваться проходящими через него сигналами, так что синапсы могут обучаться в зависимости от активности процессов, в которых они участвуют. Эта зависимость от предыстории действует как память.

Рис. 1. Строение биологического нейрона.

Для того чтобы отразить суть биологических нейронных систем в результате обучения на примерах, строятся математические решающие функции (передаточные функции или функции активации). Модель решающей функции нейрона приведена на рис. 2. Каждая такая функция, называемая по аналогии с элементарной единицей человеческого мозга - нейроном, отображает зависимость значения выходного признака (y) от взвешенной суммы значений входных признаков (x_i), в которой вес входного признака (w_i) показывает степень влияния входного признака на выходной. Этот все соответствует активности биологического нейрона.

Рис. 2. Модель решающей функции нейрона

На рисунке изображена модель нейрона с тремя входами (дендритами), причем синапсы этих дендритов имеют веса w₁, w₂, w₃. Пусть к синапсам поступают импульсы силы x₁, x₂, x₃ соответственно, тогда после прохождения синапсов и дендритов к нейрону поступают импульсы w₁x₁, w₂x₂, w₃x₃. Нейрон преобразует полученный суммарный импульс x=w₁x₁+ w₂x₂+ w₃x₃ в соответствии с некоторой передаточной функцией f(x). Сила выходного импульса равна y=f(x)=f(w₁x₁+ w₂x₂+ w₃x₃).

Таким образом, нейрон полностью описывается своими весами w_k и передаточной функцией f(x). Получив набор чисел (вектор) x_k в качестве входов, нейрон выдает некоторое число y на выходе.

Решающие функции применяются в задачах классификации на основе сопоставления их значений при различных комбинациях значений входных признаков с некоторым пороговым значением. В случае превышения заданного порога считается, что нейрон сработал и таким образом распознал некоторый класс ситуаций. Нейроны используются и в задачах прогнозирования, когда по значениям входных признаков после их подстановки в выражение решающей функции получается прогнозное значение выходного признака.

16. Классификации нейронных сетей

Классификация по типу входной информации

• Аналоговые нейронные сети (используют информацию в форме действительных чисел);

• Двоичные нейронные сети (оперируют с информацией, представленной в двоичном виде).

[править] Классификация по характеру обучения

• Обучение с учителем — выходное пространство решений нейронной сети известно;

• Обучение без учителя — нейронная сеть формирует выходное пространство решений только на основе входных воздействий. Такие сети называют самоорганизующимися;

• Обучение с подкреплением — система назначения штрафов и поощрений от среды.

[править] Классификация по характеру настройки синапсов

• Сети с фиксированными связями (весовые коэффициенты нейронной сети выбираются сразу, исходя из условий задачи, при этом: , где W — весовые коэффициенты сети);

• сети с динамическими связями (для них в процессе обучения происходит настройка синаптических связей, то есть , где W — весовые коэффициенты сети).

[править] Классификация по времени передачи сигнала

В ряде нейронных сетей активирующая функция может зависеть не только от весовых коэффициентов связей w_ij, но и от времени передачи импульса (сигнала) по каналам связи τ_ij. Поэтому в общем виде активирующая (передающая) функция связи c_ij от элемента u_i к элементу u_j имеет вид: . Тогда синхронной сетью называют такую сеть, у которой время передачи τ_ij каждой связи равно либо нулю, либо фиксированной постоянной τ. Асинхронной называют такую сеть у которой время передачи τ_ij для каждой связи между элементами u_i и u_j свое, но тоже постоянное.