- •Теоретичні відомості
- •Визначення складу знань та їх розподіл
- •Побудова моделі предметної області
- •Методи побудови системи понять предметної області
- •Методи встановлення взаємозв'язків між поняттями предметної області:
- •Методи встановлення семантичних відношень між поняттями предметної області
- •Контрольні питання
- •Варіанти завдань
- •Побудувати модель визначеної предметної області, використовуючи методи побудови системи понять та встановлення семантичних відношень між поняттями:
- •несправності комп’ютера;
- •Тема: Експертні системи. Побудова баз знань ЕС.
- •Структура експертних систем
- •атрибутивні зв’язки (має властивість, має значення).
- •Семантичні мережі можуть мати складну та громіздку структуру.
- •Рівні представлення і рівні детальності
- •Організація знань у базі знань
- •Контрольні питання
- •Варіанти завдань
- •Теоретичні відомості
- •Контрольні питання
- •Варіанти завдань
- •Теоретичні відомості
- •Рис. 2. Методика розробки ЕС
- •Прототипи і життєвий цикл експертної системи
- •Прикладами областей застосування, що потребують гнучкості з боку створення та поповнення бази знань, є: планування виробництва, проектування і діагностика в області електроніки, обчислювальної техніки та машинобудування.
- •Контрольні питання
- •Варіанти завдань
- •Створити та протестувати прототип ЕС відповідно варіанту. Вказати сильні та слабкі сторони створеного прототипу, шляхи його вдосконалення.
- •Вимоги до експертної системи і звіту
- •Тема: Нейронні мережі. Персептрон. Побудова та дослідження персептрона.
- •Теоретичні відомості
- •Рис. 3. Штучний нейрон
- •Навчання персептрона
- •Розглянемо алгоритм навчання з учителем.
- •Контрольні питання
- •Варіанти завдань
- •Оцінка алгоритму зворотнього поширення
- •Контрольні питання
- •Варіанти завдань
- •Тема: Нейронні мережі. Побудова та навчання нейромережі для вирішення задачі прогнозування.
- •Постановка задачі прогнозування курсу UKB/USD
- •Контрольні питання
- •Методичні рекомендації по вирішенню задачі та вимоги до звіту
- •Тема: Нейронні мережі. Побудова та навчання нейромережі для розпізнавання образів.
- •Рис.7. Структурна схема мережі Хопфілда
- •2. Розраховується новий стан нейронів
- •Рис. 9. Структурна схема мережі Хемінга
- •Алгоритм функціонування мережі Хемінга наступний:
- •Завдання: побудувати ЕС в області медичної діагностики.
- •Частина 1
- •Частина 2
- •Частина 3
- •Частина 4
- •Частина 5
ХМЕЛЬНИЦЬКИЙ НАЦІОНАЛЬНИЙ УНІВЕРСИТЕТ КАФЕДРА СИСТЕМНОГО ПРОГРАМУВАННЯ
СИСТЕМИ ШТУЧНОГО ІНТЕЛЕКТУ
Методичні вказівки до лабораторних робіт для студентів напряму «Компютерна інженерія»
денної та заочної форм навчання
Затверджено на засіданні кафедри комп’ютерних систем
Протокол № 4 від 8.01.2010
Хмельницький 2010
Системи штучного інтелекту. Методичні вказівки до лабораторних робіт для студентів спеціальності 7.091501 денної та заочної форм навчання. / Укл. Локазюк В.М., Поморова О.В. – Хмельницький: ХНУ, 2010.- 63с.
Відповідальний за випуск: Локазюк В.М., доктор технічних наук, професор
2
ЗМІСТ |
|
Передмова............................................................................................... |
4 |
Лабораторна робота № 1....................................................................... |
5 |
Лабораторна робота № 2 ...................................................................... |
13 |
Лабораторна робота № 3....................................................................... |
20 |
Лабораторна робота № 4....................................................................... |
24 |
Лабораторна робота № 5....................................................................... |
28 |
Лабораторна робота № 6....................................................................... |
34 |
Лабораторна робота № 7....................................................................... |
39 |
Лабораторна робота № 8....................................................................... |
43 |
Лабораторна робота № 9....................................................................... |
49 |
Приклад реалізації генетичного алгоритму........................................ |
54 |
Приклад експертної системи (ЕС)....................................................... |
58 |
Література.............................................................................................. |
61 |
3
ПЕРЕДМОВА
Даний практикум складено відповідно до програм курсу “Системи штучного інтелекту” денного та заочного відділень.
Мета практикуму – закріпити знання, отримані при вивченні теоретичної частини курсу і отримати практичні навички розробки та використання експертних систем, нейронних мереж та генетичних алгоритмів.
У посібнику для кожної роботи вказані мета, теоретичні відомості, порядок виконання роботи, контрольні питання. Наприкінці приведені варіанти завдань і зміст звіту по виконаній роботі.
Завершує посібник список літератури.
4
Лабораторна робота № 1 Тема: Експертні знання. Здобуття експертних знань.
Мета: Одержати навички визначення складу знань та засвоїти технології здобуття експертних знань, що стосуються визначеної предметної області.
Теоретичні відомості
У середині шестидесятих років в дослідженнях зі штучного інтелекту сформувався самостійний напрямок, що одержав назву «експертні системи» (ЕС).
Мета побудови ЕС полягає в розробці програм, що при вирішенні задач, важких для експерта-людини, заміняють експерта і дають результати, що не гірші по якості й ефективності рішенням, одержуваним експертом.
Бази знань (БЗ) ЕС являють собою формалізовані емпіричні знання експертів у якійсь вузькій предметній області.
Здобуття знань - це передача досвіду вирішення задачі від деякого джерела знань і перетворення його до вигляду, який дозволяє використовувати ці знання в експертній системі. Проблеми здобуття знань вирішують спеціалісти, яких називають експертами зі знань.
При створенні БЗ перш за все необхідно визначити склад знань, тобто визначити «ЩО ПРЕДСТАВЛЯТИ» в експертній системі. Далі необхідно визначити «ЯК ПРЕДСТАВЛЯТИ» знання. Ці дві проблеми не є незалежними. Обраний спосіб представлення знань може виявитися непридатним або неефективним для вираження знань, що стосуються предметної області задачі.
У коло питань, розв'язуваних при представленні знань, включаються наступні:
−визначення складу знань, що представляються;
−організація знань;
−представлення знань.
Склад знань ЕС визначається наступними факторами:
−проблемним середовищем;
−архітектурою експертної системи;
−потребами і цілями користувачів;
−мовою спілкування.
Визначення складу знань та їх розподіл
Для функціювання ЕС необхідні наступні знання:
−знання про процес вирішення задачі (тобто керуючі знання);
−знання про мову спілкування і способи організації діалогу;
5
−знання про способи представлення і модифікації знань;
−підтримуючі структурні і керуючі знання.
Усі знання доцільно поділяти на такі, що інтерпретуються та такі, що не інтерпретуються. До першого типу відносяться знання, структуру і зміст яких “знає ”ЕС. Всі інші знання відносяться до другого типу, якщо вони використовуються яким-небудь компонентом системи, то компонент не «усвідомлює» цих знань.
Знання, що не інтерпретуються, поділяються на допоміжні і підтримуючі знання.
Допоміжні знання зберігають інформацію про лексику і граматику мови спілкування, інформацію про структуру діалогу, вони опрацьовуються лінгвістичною компонентою системи, але хід цього опрацювання ЕС не “усвідомлює”.
Підтримуючі знання виконують роль описів (обґрунтувань) інтерпретованих знань і дій системи. Підтримуючі знання розподіляються на технологічні і семантичні.
Технологічні підтримуючі знання містять відомості про час створення описуваних ними знань, про автора знань і т.п. Семантичні підтримуючі знання містять значущий опис знань. Вони містять інформацію про причини введення знань, про призначення знань, описують спосіб використання знань і одержуваний ефект. Підтримуючі знання мають описовий характер.
Знання, що інтерпретуються, можна розподілити на предметні знання, керуючі знання та знання про представлення.
Знання про представлення містять інформацію про те, яким чином (у яких структурах) у системі представлені інтерпретовані знання.
Предметні знання містять дані про предметну область і способи перетворення цих даних при вирішенні поставлених задач. У предметних знаннях можна виділити описувачі і власне предметні знання.
Описувачі містять визначену інформацію про предметні знання, таку, як коефіцієнт визначеності правил і даних, міри важливості і складності.
Власне, предметні знання розподіляються на факти і твердження, що виконуються.
Факти визначають можливі значення сутностей і характеристик предметної області.
Твердження, що виконуються, містять інформацію про те, як можна змінювати опис предметної області в ході вирішення задач.
Керуючі знання можна розподілити на фокусуючі і вирішуючі.
6