- •1. Понятия «система».
- •2. Понятия, «информация», «неопределенность»
- •3. Особенности и признаки интеллектуальных информационных систем
- •4. Функции информационных систем. Двойственная природа знаний, используемых в информационных системах
- •5. Способы объединения операционного и фактуального знания в традиционных информационных системах.
- •6. Способы объединения операционного и фактуального знания в интеллектуальных информационных системах. Сравнение с традиционными системами
- •7. Интеллектуальные информационные системы с базами данных
- •8. Интеллектуальные информационные системы, основанные на моделях
- •9.Понятия «предметная область» и «проблемная область»
- •Представление знаний.
- •Поведение.
- •10.Признаки интеллектуальности информационных систем
- •Понятие «искусственный интеллект (ии)». Задачи ии. История развития и основные этапы исследований по ии.
- •Основные направления исследований в области искусственного интеллекта (задачи)
- •13.Системы с интеллектуальным интерфейсом
- •14. Системы с естественно-языковым интерфейсом
- •15.Интеллектуальные базы данных. Гипертекстовые системы. Системы контекстной помощи
- •16. Системы когнитивной графики (общая характеристика)
- •19. Способы обучения в интеллектуальных системах
- •20. Индуктивные системы (основные понятия). Системы, основанные на прецедентах (общая характеристика)
- •21.Нейронные сети (основные понятия)
- •22.Хранилища данных
- •Дизайн хранилищ данных
- •Процессы работы с данными
- •23.Адаптивные информационные системы
- •24.Формализация и неформальные знания.Понятие “’экспертная система”.
- •25. Основные особенности экспертных систем. Основные модели представления знаний в классических экспертных системах
- •26. Структура экспертной системы
- •29. Общая характеристика математического аппарата теории нечетких множеств.
- •30. Основные идеи теории нечетких множеств. Сравнение обычных и нечетких множеств.
- •31. Операции над нечеткими множествами (кроме алгебраических)
- •33. Нечеткая и лингвистическая переменные.
- •34. Нечеткие отношения
- •35. Операции над нечеткими отношениями
- •36. Операции композиции нечетких отношений и нечеткой импликации, их значение для нечеткого логического вывода.
- •37. Нечеткий логический вывод.
- •38. Особенности нечеткого логического вывода по Мамдани и Ларсену.
- •Алгоритм Мамдани
- •40. Основные проблемы, решаемые при помощи искусственных нейронных сетей.
- •42. Понятие и основные идеи коннекционизма
- •43. Схема формального нейрона. Роль его составных частей
- •44. Функции активации формального нейрона, их смысл и основные виды.
- •1. Жесткая ступенька :
- •3. Гиперболический тангенс
- •4. Пологая ступенька
- •5. Экспонента:
- •7. Участки синусоиды:
- •8. Гауссова кривая:
- •Сравнение ветвей компьютерной эволюции
- •Архитектура нейронных сетей. Понятие, основные виды. Примеры
- •(Звезды Гроссберга, модели Липпмана-Хемминга)
- •Обучение нейронных сетей, сущность и основные алгоритмы обучения
- •Обучение нейронных сетей как задача оптимизации.
26. Структура экспертной системы
Экспертная система (ЭС) - это компьютерная программа, которая моделирует рассуждения человека-эксперта в некоторой определенной области и использует для этого базу знаний, содержащую факты и правила об этой области, специальную процедуру логического вывода. Взаимодействие эксперта, пользователя и структурных частей системы можно представить в виде следующей базовой структуры.
Структура ЭС интеллектуальных систем представляет следующую структуру ЭС:
Интерфейс пользователя
Пользователь
Интеллектуальный редактор базы знаний
Эксперт
Инженер по знаниям
Рабочая (оперативная) память
База знаний
Решатель (механизм вывода)
Подсистема объяснений
Архитектура экспертной системы. База знаний. Основу ЭС составляет база знаний (БЗ), хранящая множество фактов и набор правил, полученных от экспертов, из специальной литературы. БЗ отличается от базы данных тем, что в базе данных единицы информации представляют собой не связанные друг с другом сведения, формулы, теоремы, аксиомы. В БЗ те же элементы уже связаны как между собой, так и с понятиями внешнего мира. Информация в БЗ - это все необходимое для понимания, формирования и решения проблемы. Знания могут быть представлены несколькими способами: логической моделью, продукциями, фреймами и семантическими сетями. Машина логического вывода (МЛВ). Главным в ЭС является машина логического вывода, осуществляющая поиск в базе знаний для получения решения. МЛВ используются для моделирования рассуждений, обработки вопросов и подготовки ответов. Интерфейс пользователя. ЭС содержат языковой процессор для общения между пользователем и компьютером. Это общение может быть организовано с помощью естественного языка, сопровождаться графикой или многооконным меню. Интерфейс пользователя должен обеспечивать два режима работы: режим приобретения знаний и режим решения задач. В режиме приобретения знаний эксперт общается с ЭС при посредничестве инженера знаний. В режиме решения задач ЭС для пользователя является или просто носителем информации. Эксперты поставляют знания в экспертную систему и оценивают правильность получаемых результатов. Инженер по знаниям - специалист по искусственному интеллекту, выступающий в роли промежуточного буфера между экспертом и базой знаний. 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 экспертной системы.
27. Логическая модель представления знаний в экспертных системах.Логические модели представления знаний реализуются средствами логики предикатов. Предикатом называется функция, принимающая только два значения - истина и ложь - и предназначенная для выражения свойств объектов или связей между ними. Выражение, в котором утверждается или отрицается наличие каких-либо свойств у объекта, называется высказыванием. Наиболее простым языком логики является исчисление высказываний, в котором отсутствуют переменные. Любому высказыванию можно приписать значение истинно или ложно. Отдельные высказывания могут соединяться связками И, ИЛИ, НЕ, которые называются булевыми операторами. В общем случае модели, основанные на логике предикатов, описываются формальной системой, которая задается четверкой: М=(Т,Р,А,П), где Т - множество базовых элементов или алфавит формальной системы; Р - множество синтаксических правил, с помощью которых можно строить синтаксически корректные предложения; А - множество аксиом или некоторых синтаксически правильных предложений, заданных априорно; П - правила продукций, с помощью которых можно расширять множество А. Главное преимущество логических моделей - возможность непосредственно запрограммировать механизм вывода синтаксически правильных высказываний. Логические модели удобны для представления логических взаимосвязей между фактами, они формализованы, строги (теоретические), для их использования имеется удобный и адекватный инструментарий, например, язык логического программирования Пролог. В основе логического способа представления знаний лежит идея описания знаний о предметной области в виде некоторого множества утверждений, выраженных в виде логических формул, и получение решения построением вывода в некоторой формальной (дедуктивной) системе.Знания, которые могут быть представлены с помощью логики предикатов, являются либо фактами, либо правилами. При использовании логических методов сначала анализируется структура предметной области, затем выбираются соответствующие обозначения и в заключении формируются логические формулы, представляющие собой закономерности рассматриваемой области. Множество таких формул является логической программой, содержащей информацию о ПО. Например, в качестве языка логического программирования можно использовать ПРОЛОГ, а совокупность логических формул, состоящую из запроса, множества предложений программы и интерпретатора языка, можно рассматривать как алгоритм решения задач приложений.
28. Продукционная модель представления знаний в экспертных системах. Продукционная модель, или модель, основанная на правилах, позволяет представить знания в виде предложений типа: Если (условие), то (действие). Под условием понимается некоторое предложение-образец, по которому осуществляется поиск в базе знаний, а под действием — действия, выполняемые при успешном исходе поиска (они могут быть промежуточными, выступающими далее как условия, и терминальными или целевыми, завершающими работу системы). Продукционные системы делят на два типа — с прямыми и обратными выводами. При прямом выводе рассуждение ведется от данных к поиску цели, а при обратном производится поиск доказательства или опровержения некоторой цели— к данным. Часто используются комбинации прямой и обратной цепи рассуждений. Данные — это исходные факты, на основании которых запускается машина вывода — программа, перебирающая правила из базы. Продукции выгодны для выражения знаний, которые могут принимать форму перехода между состояниями: ситуация ® действие; посылка ® заключение; причина ® следствие. Продукции по сравнению с другими формами представления знаний имеют следующие преимущества:
модульность; наглядность; единообразие структуры (основные компоненты продукционной системы могут применяться для построения интеллектуальных систем с различной проблемной ориентацией); естественность (вывод заключения в продукционной системе во многом аналогичен процессу рассуждений эксперта); легкость внесения дополнений и простота механизма логического вывода; гибкость родовидовой иерархии понятий, которая поддерживается только как связи между правилами (изменение правила влечет за собой изменение в иерархии).
Недостатки: процесс вывода менее эффективен, чем в других системах, поскольку большая часть времени при выводе затрачивается на непроизводительную проверку применимости правил; этот процесс трудно поддается управлению; сложно представить родовидовую иерархию понятий.