- •Федеральное агентство по образованию
- •Оглавление
- •Глава 1. Основные понятия искусственного интеллекта
- •§ 1.1. Основные термины и определения
- •§ 1.2. История развития систем ии
- •§ 1.3. Направления развития искусственного интеллекта
- •§ 1.4. Основные направления развития и применения
- •Вопросы для самоконтроля
- •Глава 2. Положения теории нечетких множеств
- •§ 2.1. Нечеткое множество. Операции над нечеткими множествами
- •§ 2.1.1. Основные операции над нечеткими множествами.
- •§ 2.2. Построение функции принадлежности
- •§ 2.2.1. Некоторые методы построения функции принадлежности.
- •§ 2.3. Нечеткие числа
- •§ 2.4. Операции с нечеткими числами (l-r)-типа
- •§ 2.5. Нечеткая и лингвистическая переменные
- •§ 2.6. Нечеткие отношения
- •§ 2.7. Нечеткая логика
- •§ 2.8. Нечеткие выводы
- •§ 2.9. Автоматизация обработки информации с использованием
- •Вопросы для самоконтроля
- •Глава 3. Основные интеллектуальные системы
- •§ 3.1. Данные и знания
- •§ 3.2. Модели представления знаний
- •Представление знаний
- •Классификация знаний
- •§ 3.3.1. Продукционные правила.
- •§ 3.3.2. Фреймы.
- •§ 3.3.3. Семантические сети.
- •Вопросы для самоконтроля
- •§ 3.4. Экспертные системы. Предметные области
- •§ 3.5. Назначение и область применения экспертных систем
- •§ 3.6. Методология разработки экспертных систем
- •§ 3.7. Основные экспертные системы
- •§ 3.8. Трудности в разработке экспертных систем и пути их
- •Вопросы для самоконтроля
- •§ 3.9. Назначение, классификация роботов
- •§ 3.10. Примеры роботов и робототехнических систем
- •§ 3.10.1. Домашние (бытовые) роботы.
- •§ 3.10.2. Роботы спасатели и исследовательские роботы.
- •§ 3.10.3. Роботы для промышленности и медицины.
- •§ 3.10.4. Военные роботы и робототехнические системы.
- •§ 3.10.5. Мозг как аналого-цифровое устройство.
- •§ 3.10.6. Роботы – игрушки.
- •§ 3.11. Проблемы технической реализации роботов
- •Вопросы для самоконтроля
- •§ 3.12. Адаптивные промышленные роботы
- •§ 3.12.1. Адаптация и обучение.
- •§ 3.12.2. Классификация адаптивных систем управления
- •§ 3.12.3. Примеры адаптивных систем управления роботами.
- •§ 3.12.4. Проблемы в создании промышленных роботов.
- •Вопросы для самоконтроля
- •§ 3.13. Нейросетевые и нейрокомпьютерные технологии
- •§ 3.13.1. Общая характеристика направления.
- •§ 3.13.2. Нейропакеты.
- •Вопросы для самоконтроля
- •§ 3.14. Нейронные сети
- •§ 3.14.1. Персептрон и его развитие.
- •3.14.1.1. Математический нейрон Мак-Каллока-Питтса.
- •3.14.1.2. Персептрон Розенблатта и правило Хебба.
- •3.14.1.3. Дельта-правило и распознавание букв.
- •3.14.1.4. Адалайн, мадалайн и обобщенное дельта-правило.
- •§ 3.14.2. Многослойный персептрон и алгоритм обратного
- •§ 3.14.3. Виды активационных функций.
- •Вопросы для самоконтроля
- •Список литературы
- •Основы искусственного интеллекта
Вопросы для самоконтроля
1. Перечислите основные классификационные признаки способа формализации нечеткости.
2. Приведите определение нечеткого множества, универсального множества и приведите примеры записи нечеткого множества.
3. Что такое степень принадлежности элемента нечеткому множеству?
4. Что называется носителем нечеткого множества?
5. Какое нечёткое множество называется нормальным?
6. Дайте определения основных операций над нечеткими множествами.
7. Приведите другие определения теории нечетких множеств (множество -уровня, нечеткая переменная, лингвистическая переменная).
8. Расскажите о методах построения функций принадлежности.
9. Приведите наиболее известные функции принадлежности и их графики.
10. Что такое нечеткое число? Назовите свойства нечетких чисел.
11. Напишите выражения для проведения операций с нечеткими числами (L-R)-типа.
12. Что такое нечеткая переменная?
13. Дайте определение лингвистической переменной.
14. Дайте определения синтаксически зависимой и независимой лингвистических переменных.
15. Дайте определение нечеткого отношения и укажите основные свойства нечетких отношений.
16. Расскажите о наиболее важных операциях нечеткой логики.
17. Расскажите о порядке представления четкой информации в экспертной
18. Когда системы высказываний называются однозначными, неизбыточными и полными?
19. Дайте определение нечеткого вывода и приведите системы высказываний для нечеткой информации.
20. Дайте определения нечеткого отношения. Что такое нечеткая импликация?
21. Что такое композиционное правило нечеткого вывода?
22. Укажите три вида условных предложений при нечетком условном выводе.
23. На чем базируется эффективность систем нечеткой логики?
24. Расскажите об общей схеме обработки нечеткой информации.
Глава 3. Основные интеллектуальные системы
§ 3.1. Данные и знания
Одной из наиболее сложных в теории и практике ЭС считают проблему приобретения знаний для построения баз знаний. Сложность решения этой проблемы определяется тем, что главным источником знаний ЭС является специалист-эксперт, который привык делать самостоятельные выводы и заключения, не проводя анализа отдельных шагов, да и всей цепочки рассуждений. При этом поиск решения основывается в основном на интуиции, приобретенной в результате большого практического опыта. Причем надо отметить, что чем более компетентным является эксперт, тем менее он способен описать те знания, которые использует для решения задачи (парадокс экспертизы). Указанные трудности определяют актуальность дальнейших исследований по проблеме приобретения знаний, в том числе в интересах создания новых подходов и методов извлечения знаний.
При изучении искусственного интеллекта естественно возникает вопрос: «Что такое знания и чем они отличаются от данных?». Приведем определения, заимствованные из учебника информатики.
Данные — это отдельные факты, характеризующие объекты, процессы и явления предметной области, а также их свойства.
При обработке на ЭВМ данные трансформируются, последовательно проходя следующие этапы:
данные, существующие как результат измерений и наблюдений;
данные на материальных носителях информации — в таблицах, протоколах, справочниках;
структуры данных в виде диаграмм, графиков, функций;
данные в компьютере на языке описания данных;
базы данных.
Знания связаны с данными, основываются на них, но представляют собой результат мыслительной деятельности человека, обобщают его опыт, полученный в ходе практической деятельности. Знания — это выявленные закономерности предметной области.
При обработке на ЭВМ знания трансформируются аналогично данным:
знания, существующие в памяти человека как результат обучения, воспитания, мышления;
знания, помещенные на материальных носителях — учебниках, инструкциях, методических пособиях, книгах;
знания, описанные на языках представления знаний и помещенные в компьютер;
базы знаний.
Для хранения данных используются базы данных. Для них характерны большой объем и относительно небольшая стоимость информации. Для хранения знаний используются базы знаний. Они, наоборот, отличаются сравнительно небольшими объемами, но исключительно дорогими информационными массивами.
Знания могут быть классифицированы на поверхностные — знания о видимых взаимосвязях между отдельными событиями и фактами в предметной области, и глубинные — абстракции, аналогии, схемы, отображающие структуру и процессы в предметной области. Кроме того, знания можно разделить на процедурные и декларативные.
Исторически первичными были процедурные знания, т.е. знания, растворенные в алгоритмах. Они управляли данными. Для их изменения требовалось изменять программы.
Рассмотрим, например, фрагмент программы на Паскале.
Pi:= 3.14;
R:= 20;
S:= Pi*R*R;
WRITELN ('Площадь круга S =', S) .
Первые два оператора представляют собой данные, третий оператор — знание. Оно является результатом интеллектуальной деятельности древних геометров и представляет собой закон, выражающий площадь круга через его радиус.
Однако с развитием искусственного интеллекта приоритет данных постепенно изменялся и все большая часть знаний сосредоточивалась в структурах данных, т. е. увеличивалась роль декларативных знаний. Существуют десятки способов представления декларативных знаний для различных предметных областей. Большинство из них может быть сведено к следующим классам: продукционные; фреймы; семантические сети.
Как указывалось в §1.1, среди основных направлений исследований по ИИ выделяют два, которые связаны с решением проблем представления и манипулирования знаниями. Представление знаний тесно связано с манипулированием знаниями. Считается, что эти два направления можно разделить лишь условно. Создавшаяся в настоящее время теория баз знаний включает исследования, относящиеся как к первому, так и ко второму направлению.
В рамках первого направления решаются задачи, связанные с формализацией и представлением знаний в памяти интеллектуальной системы. Для этого разрабатываются специальные модели представления знаний и языки для описания знаний, выделяются различные типы знаний. Изучаются источники, из которых ИС может черпать знания, и создаются процедуры и приемы, с помощью которых возможно приобретение знаний для ИС. Проблема представления знаний для ИС чрезвычайно актуальна, так как ИС - это система, функционирование которой опирается на знания о проблемной области, которые хранятся в ее памяти. Для того чтобы знаниями можно было пользоваться при решении задач, надо научить ИС оперировать ими.
В рамках второго направления строятся способы пополнения знаний на основе их неполных описаний, изучаются системы, классификации хранящихся в ИС знаний, разрабатываются процедуры обобщения знаний и формирования на их основе абстрактных понятий, создаются методы достоверного и правдоподобного вывода на основе имеющихся знаний, предлагаются модели рассуждений.