3.Логический вывод (прямой, обратный, смешанный)

Прямой логич. вывод – применяются все правила для известных фактов, в рез-те получают новые факты, продолжают, пока не получают искомый факт.

Обратн. л. в. – рассматривает все правила, из к-рых следует искомый факт, из условий правил получают новый используемый факт. Продолжать, пока не будут достигнуты известные факты.

Смешанный л. в. – делаем и получаем набор необъяснимых фактов.

4.Продукционная модель (система продукция ситуация действия)

Продукц. модель – это списки продукций. Продукция сост. из 2-х частей:

1. ситуация (набор условий, не обязательно);

2. действие.

Продукция может действовать в 2-х режимаз:

1. список проводится сначала, как только ситуация истинная вып-ся – конец;

2. для кажд. продукции вычисляется уверенность.

Прежде, чем использовать какую-л. продукцию, треб-ся добавить таблицу исключений.

Продукц. модели с возвратом: делается точка (маркер) остановки состояния системы и после нахождения требуемого факта происходит возврат. Использование вспомогат. системы продукции.

ESWIN – это оболочка для продукционной модели с поддержкой лингвистич. переменных.

5.Фреймовая структура (Что это? Для чего?)

Фреймовое представление знаний позволяет объединять данные в смысловые блоки, организовывать в иерархич.структуры, отнош-и часть – целое. ООП – предел возможностей фреймовой структуры. Части фрейма: начало, название, конец.

В ERWin:

Frame = название

Слот1

Слот2

EndF

Кажд.слот имеет: имя (название); доп.инф.(картинка, обращ-е к БД, HTML-файл и т.д.); вопрос (обращение к пользователю); тип (символьный, численный, лингвистический); значение по умолчанию).

Правила организованы след.обр: срабатывает первое правило, усл-е которого выполнимо. Если в блоке ДО задается значение слота-фрейма ЦЕЛИ, то конец логического уровня. В усл-ях правил есть значения слотов, пользователю задается вопрос этого слота: соответственно второй слот и т.д. идет в этом правиле. Если все значения слотов во всех правилах – это не ЭС, в ЭС некоторые вопросы отсекают варианты ответов.

Еще в правиле ставится в % уверенность.

6. Нечеткая логика

В нечетк.логике ввод-ся промежуточн. состояние f принадл. [0,1]. (Классич.логика оперирует понятиями «истина»=1, «ложь»=0).

Функция принадлежности нечёткого множества — обобщение индикаторной (или характеристической) функции классического множества. В нечёткой логике она представляетстепень принадлежности каждого члена пространства рассуждения к данному нечёткому множеству.

Нечеткая логика и нейронные сети

Поскольку нечеткие множества описываются функциями принадлежности, а t-нормы и k-нормы обычными математическими операциями, можно представить нечеткие логические рассуждения в виде нейронной сети. Для этого функции принадлежности надо интерпретировать как функции активации нейронов, передачу сигналов как связи, а логические t-нормы и k-нормы, как специальные виды нейронов, выполняющие математические соответствующие операции. Существует большое разнообразие подобных нейро-нечетких сетей neuro-fuzzy network (англ.) . Например, ANFIS ( Adaptive Neuro fuzzy Inference System) - адаптивная нейро-нечеткая система вывода. (англ.)

Она может быть описана в универсальной форме аппроксиматоров как

,

кроме того, этой формулой могут быть описаны также некоторые виды нейронных сетей, такие как радиально базисные сети (RBF), многослойные персептроны (MLP).

Все нечеткие объекты можно классифицировать по виду области значений функции принадлежности. Помимо интервала [0,1], функция принадлежности может принимать свои значения в интервале [-1,1], на числовой прямой R, а также в различных множествах, наделенных некой структурой. Важным практическим приложением для формулировки качественных представлений и оценок человека в процессе решения задачи служит случай S — нечетких множеств, где S — конечное линейно упорядоченное множество. Например, это может быть набор значений лингвистической переменной «КАЧЕСТВО» {«плохое», «среднее», «хорошее», «отличное»}. Носитель

Носитель U – это универсальное множество, к которому относятся все результаты наблюдений. Например, если мы наблюдаем возраст занятых в определенных отраслях экономики, то носитель – это отрезок вещественной оси где единицей измерения выступают годы жизни человека. Нечеткое множество

Нечеткое множество А – это множество значений носителя, такое, что каждому значению носителя сопоставлена степень принадлежности этого значения множеству А. Например: буквы латинского алфавита X, Y, Z безусловно принадлежат множеству Alphabet = {A, B, C, X, Y, Z}, и с этой точки зрения множество Alphabet – четкое. Но если анализировать множество «Оптимальный возраст работника», то возраст 50 лет принадлежит этому нечеткому множеству только с некоторой долей условности μ, которую называют функцией принадлежности. Функция принадлежности

Функция принадлежности 

μA(u)

– это функция, областью определения которой является носитель U, 

u⊂U,

а областью значений – единичный интервал [0,1]. Чем выше 

μA(u) тем выше оценивается степень принадлежности элемента носителя u нечеткому множеству А. 

Некоторые формы функций принадлежности a — четкое множество, состоящее из 1 точки (0,5) b — четкое множество, содержащее интервал [0.4, 0.8] с — трапециевидная ФП. Интервал [0.3, 0.6] принадлежит множеству с принадлежностью 1, числа за границами этого интервала плавно уменьшают свою принадлежность к множеству до 0 в точках 0,1 и 0,9. Соответствует фразе «примерно от 0,3 до 0,6» d — треугольное число. Точка 0,75 принадлежит множеству абсолютно, окрестности этой точки плавно уменьшают свою принадлежность по мере удаления от нее. Соответсвует фразе «Примерно 0,75» e — ФП в виде гауссианы. Имеет тот же смысл, что и предыдущая ФП, только характер изменения принадлежности чуть другой f — S-функция. Принадлежность плавно возрастает.