Сущность экспертных систем как самостоятельного направления в искусственном интеллекте. Основные правила их проектирования. Средства разработки экспертных систем. Понятие сигмоидального нейрона и звезд Гроссберга. Структура многослойного персептрона.
Аннотация к работе
в экспертные системы 1.1 Основные понятия Экспертные системы (ЭС) как самостоятельное направление в искусственном интеллекте (ИИ) сформировалось в конце 1970-х годов. История ЭС началась с сообщения японского комитета по разработке ЭВМ пятого поколения, в котором основное внимание уделялось развитию «интеллектуальных способностей» компьютеров с тем, чтобы они могли оперировать не только данными, но и знаниями. Область исследования ЭС называется инженерией знаний. Этот термин был введён Е. Фейгенбаумом и в его трактовке означает «привнесение принципов и инструментария из области искусственного интеллекта в решение трудных прикладных проблем, требующих знаний экспертов. Не каждую систему, основанную на знаниях, можно рассматривать как экспертную. Таким образом, экспертные системы предназначены для решения неформализованных задач, то есть задач, решаемых с помощью неточных знаний, которые являются результатом обобщения многолетнего опыта работы и интуиции специалистов. Неформализованные знания обычно представляют собой эвристические приемы и правила. ЭС обладают следующими особенностями (всеми сразу или частично) [2]: задачи не могут быть представлены в числовой форме; исходные данные и знания о предметной области обладают неоднозначностью, неточностью, противоречивостью; цели нельзя выразить с помощью чётко определённой целевой функции; не существует однозначного алгоритмического решения задачи; алгоритмическое решение существует, но его нельзя использовать по причине большой размерности пространства решений и ограничений на ресурсы. Статические ЭС предназначены для решения задач с неизменяемыми в процессе решения данными и знаниями, а динамические ЭС допускают такие изменения. Основным методом формирования решений в них является дедуктивный логический вывод. При этом входные данные о задаче поступают в рабочую память. В задаче анализа задана модель сущности и требуется определить неизвестные характеристики модели. ЭС могут решать следующие типы задач: интерпретации данных - процесса определения смысла данных; диагностики - процесса соотнесения объекта с некоторым классом объектов и / или обнаружения неисправностей; мониторинга - непрерывной интерпретации данных в реальном масштабе времени и контроле допуска их параметров; проектирования - создания ранее не существовавшего объекта и подготовки спецификаций на создание объектов с заранее определёнными свойствами; прогнозирования - предсказания последствий некоторых событий или явлений на основе анализа имеющихся данных; планирования - построения планов действий объектов, способных выполнять некоторые функции; обучения каким-либо дисциплинам или предметам; управления - поддержки определённого режима деятельности системы; поддержки принятия решений. Задачи интерпретации данных, диагностики, поддержки принятия решений относятся к задачам анализа, задачи проектирования, планирования и управления - к задачам синтеза, остальные задачи - комбинированного типа. 1.4 Инструментальные средства разработки экспертных систем Классификация инструментальных средств разработки ЭС обычно производится по следующим параметрам [2]: уровень используемого языка; парадигмы программирования и механизмы реализации; способ представления знаний; механизмы вывода и моделирование; средства приобретения знаний; технологии разработки. Способ (модели) представления знаний: продукционные правила; фреймы (объекты); логические формулы; семантические сети; нейронные сети. Механизмы вывода и моделирования: Моделирование процесса получения решения: построение дерева вывода на основе обучающей выборки и выбор маршрута на дереве вывода в режиме решения задачи; компиляция сети вывода из специфических правил в режиме приобретения знаний и поиск решения на сети в режиме решения задачи; генерация сети вывода и поиск решения в режиме решения задачи, при этом генерация сети вывода осуществляется в ходе выполнения сопоставления, определяющей пары «правило-совокупность данных», на которых условия этого правила удовлетворяются; в режиме решения задачи ЭС осуществляет выработку правдоподобных предположений (при отсутствии достаточной информации для решения), выполнение рассуждений по обоснованию предположений, генерацию альтернативных сетей вывода, поиск решения в сетях вывода; построение сети вывода на основе обучающей выборки и поиск решения на выходах сети в режиме решения задачи; Механизмы поиска решения: двунаправленный поиск, поиск от данных к целям, поиск от целей к данным; «поиск в ширину», «поиск в глубину». Средства приобретения знаний: Уровень приобретения знаний: формальный язык; ограниченный естественный язык; язык пиктограмм и изображений; естественный язык и язык изображений; Тип приобретаемых знаний: данные в виде таблиц, содержащих значения входных и выходных атрибутов, по которым индуктивными методами строится дерево вывода; специализированные правила; общие и специализированные правила; данные в виде таблиц, содержащих значения входных и выходных векторов, по которым строится сеть вывода. Ти