- •Представление и использование неопределенных знаний
- •Источники неопределенности
- •Неточный вывод на основе фактора уверенности
- •Метод mycin
- •Стохастический подход к описанию неопределенности Субъективный Байесовский метод
- •Теория доказательства Демпстера-Шафера
- •Админ Саша:
- •Нечеткие множества
- •Рассматриваются следующие характеристики игроков
- •Этапы процесса нечеткого вывода
- •Приложения нечеткой логики
- •Ниже приведены несколько примеров того, как реально применяется нечеткая логика:
Лекция
Представление и использование неопределенных знаний
Знания не всегда могут быть описаны точно. Часто встречаются так называемые “нечеткие знания”, которые связаны с предметной областью (ПО), строгое описание которой невозможно. В такой ПО точные знания невозможно получить, поэтому чаще всего они носят неточный характер. Для того чтобы интеллектуальные системы вышли за рамки простых символьных выводов и приблизились к мышлению человека, необходимы методы представления нечетких знаний и механизм выводов, работающий в их среде.
Нечеткость знаний можно классифицировать следующим образом:
Не детерминированность выводов;
многозначность;
ненадежность;
неполнота;
нечеткость или неточность.
Источники неопределенности
недостаточно полное знание предметной области
Описание предметной области может быть неясной или неполной: в нем могут использоваться недостаточно четко сформулированные понятия или недостаточно изученные явления. (Напрмер, может существовать несколько определений одного и того же явления).
недостаточная информация о конкретной ситуации
фактор времени, связанный с устареванием информации.
Ненадежные знания и выводы
В задачах решаемых ИИ иногда приходится применять ненадежные знания и факты, которые трудно представить двумя значениями (“истина”=1 и “ложь”=0). Знания, достоверность которых можно представить вероятностью, и вывод на них можно описать с помощью Байесовского метода (основанного на теореме Байеса в теории вероятностей).
Существует ряд методов, использующих вероятностный подход для описания ненадежных знаний. Так в ЭС MYCIN использован метод коэффициентов уверенности. В ЭС PROSPECTOR фирмой SRI (США) был предложен метод выводов названный субъективным байесовским методом. Позже была выведена теория Демпстера-Шафера, которая по сравнению с байесовской вероятностью характеризуется тем, что она не фиксирует значение вероятности, а может представлять и описывать ситуацию “незнания”.
Рассмотрим подробнее решение задач с ненадежными данными в ИИ.
Для решения сложных задач можно использовать метод разбиения на несколько подзадач. Каждая подзадача тоже разбивается на простые подзадачи. Таким образом, задача в целом может быть описана иерархически. В задачах с ненадежными данными значения могут иметь степень надежности ( коэффициент), например из интервала [0;1].
Например, сложную систему выводов, основанную на следующих стандартных конструкциях правил: “И”,”ИЛИ”,”КОМБ”- можно представить деревом вывода (Рис.1).
Рис.1. Пример дерева вывода
Введем структуры правил для реализации вывода:
Для структуры “И”: Если X и Y то A с С1
Для структуры “ИЛИ”: 1) Если X или Y то А с С2
Если X и Y не могут выполняться одновременно, то правила можно записать в виде двух отдельных правил
2) Если X то A с С21
Если Y то A с С22
Для структуры “КОМБ”(комбинированная связь правил):
Правило1: Если X то А с С31
Правило 2: Если Y то А с С32
Расшифруем обозначения : X,Y – результаты доказательств, А- цель или гипотеза, “И”, “ИЛИ”,“КОМБ” – виды связей. С1, С2, С21, С22, С31, С32 – степени надежности, приписываемые правилам (значениям).