Логическое представление знаний реферат
Обновлено: 02.07.2024
В основе логических моделей представления знаний лежит понятие формальной системы в виде четверки:
где T - множество базовых символов теории M (например, буквы алфавита);
P - множество синтаксических правил, посредством которых из базовых символов строятся формулы;
A - множество построенных формул, состоящих из аксиом;
F - правила вывода, определяющие множество отношений между правильно построенными формулами.
В логическом подходе знания представляются посредством формул, которые строятся из предикатов, логических связок, кванторов и т.п. одни логические подходы ограничиваются классической логикой первого порядка, тогда как в других используется модальная логика, нечеткая логика, логика высших порядков и т.п.
Среди многих достоинств логического подхода необходимо отметить: стирание противопоставления между выводом и вычислением, что позволяет эффективно использовать метазнания; наличие четкой семантики и правил ввода.
Серьезной проблемой в логическом подходе является отсутствие структуры, так как данные представляются в виде совокупности линейных формул. К недостаткам логических моделей можно отнести следующее. На основе аппарата исчисления предикатов можно доказать существование объекта, обладающего определенными свойствами, т.е. логика первого порядка обеспечивает удобные средства описания в любой ситуации, которая определяется объектами и высказываниями, истинными относительно них. Но с другой стороны, в исчислении предикатов нет понятия процесса, что приводит к невозможности присвоения имени объекту в ходе логических преобразований и дальнейшим ссылкам на него, а также отсутствует возможность описания взаимосвязей двух ситуаций.
Логический и семантический аппарат теории исчисления предикатов не позволяет непосредственно решать такие проблемы, как совместное использование информации в альтернативных гипотезах и в различные моменты времени, создание новых структур в результате получения новых данных, планирование и т.д.
Таким образом, существует определенный круг задач, которые нельзя решать, используя только методологию исчисления предикатов. Возникает необходимость представления знаний на комбинированной основе, т.е. если некоторая часть системы представления знаний или вся эта система реализуются с помощью исчисления предикатов, то все равно остается ряд проблем, связанных с выбором оптимальной аксиоматической структуры и организации, обеспечивающей эффективность интеллектуальных операций. Речь идет о средствах указания модальности (необходимости, возможности, условности), средствах создания референций и соотнесения их с соответствующими смысловыми описаниями, о механизмах нестрогих рассуждений, а также о методах решения проблем, связанных с рассуждениями о свойствах, о механизме процесса планирования.
Внутри совокупности способов представления, основанных на исчислении предикатов, существует ряд различных подходов - метод функций Сколема, метод явных кванторов существования, метод нормальных форм Сколема, метод конъюнктивных нормальных форм, метод постатейных представлений и другие. Эти методы позволяют создать на единой семантической базе совершенно различные представления, которые обеспечивают конкретные разновидности интеллектуальных операций [4].
Согласно логическому подходу, вся система знаний, необходимая для решения прикладных задач, рассматривается как совокупность утверждений. Система знаний представляется совокупностью формул логики предикатов. Эта логика оперирует простыми высказываниями, расчлененными на субъект (нечто лежащее в основе) и предикат (нечто утверждаемое о субъекте). Предикат отображает наличие или отсутствие у субъекта того или иного признака. Формулы в базе знаний неделимы. Модификация базы предполагает лишь добавление и удаление формул. Логические методы обеспечивают развитый аппарат вывода новых фактов на основе тех, что представлены в базе знаний. Основной недостаток логических методов — отсутствие четких принципов организации фактов в базе знаний. Без формулирования таких принципов модель может превратиться в плохо обозримый конгломерат независимых фактов, не поддающихся анализу и обработке. Поэтому логические методы используются преимущественно в тех предметных областях, где система знаний невелика по объему и относительно проста по структуре [33]. В основе логических моделей лежит формальная система, задаваемая четверкой вида [33]: 222 М= . Множество T есть множество базовых элементов различной природы, входящих в состав некоторого набора. Важно, что для множества T существует некоторый способ определения принадлежности или непринадлежности произвольного элемента к этому множеству. Множество Р есть множество синтаксических правил. С их помощью из элементов T образуют синтаксически правильные совокупности. В множестве синтаксически правильных совокупностей выделяется подмножество A. Элементы А называются аксиомами. Множество В есть множество правил вывода. Применяя их к элементам А, можно получить новые синтаксически правильные совокупности, к которым снова можно применять правила ИЗ В. Правила вывода являются наиболее СЛОЖНОЙ составляющей формальной системы. В базе знаний хранятся лишь те знания, которые образуют множество А, а все остальные знания получаются из них по правилам вывода.
- Для учеников 1-11 классов и дошкольников
- Бесплатные сертификаты учителям и участникам
2.Особенности знаний (Основные понятия).
3.Модели представления знаний.
4.Фреймовые и сетевые модели.
5.Представление знаний в системе распределенных баз знаний в INTERNET / INTRANET .
Информация с которой имеют дело ЭВМ, разделяется на процедурную и декларативную. Процедурная информация овеществлена в программах,которые выполняются в процессе решения задач, декларативная – в данных с которыми эти программы работают. Стандартной формой представления информации в ЭВМ является машинное слово, состоящее из определенного для данного типа ЭВМ числа двоичных разрядов – битов . Однако в ряде случаев машинные слова разбиваются на группы по восемь двоичных разрядов которые называются байтами.
Параллельно с развитием структуры ЭВМ происходило развитие информационных структур для представления данных. Появились способы описания данных в виде векторов и матриц, возникли списочные структуры, иерархические структуры. В настоящее время в языках программирования высокого уровня используются абстрактные типы данных , структура которых задается программистом. Появление баз данных (БД) знаменовало собой еще один шаг на пути организации работы с декларативной информацией. В базах данных могут одновременно хранится большие обьемы информации, а специальные средства образующие систему управления базами данных (СУБД), позволяют эффективно манипулировать с данными, по необходимости извлекать их из базы данных и записывать их в нужном порядке в базу.
По мере развития исследований в области ИС возникла концепция знаний, которая объединила в себе многие черты процедурной и декларативной информации.
Итак, что же такое представление информации? В рамках этого направления решаются задачи, связанные с формализацией и представлением знаний в памяти интеллектуальной системы (ИС). Для этого разрабатываются специальные модели представления 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 предметной области, которые хранятся в её памяти.
Вывод: представление знаний – это одно из направлений в исследованиях по искусственному интеллекту. Другие направления это – манипулирование знаниями, общение, восприятие, обучение и поведение. Но на них я далее останавливаться не буду.
Особенности знаний.
Перечислим ряд особенностей присущих различным формам представления знаний в ЭВМ.
1. Внутренняя интерпретируемость. Каждая информационная единица должна иметь уникальное имя, по которому ИС находит её, а также отвечает на запросы, в которых это имя упомянуто. Когда данные, хранящиеся в памяти, были лишены имен, то отсутствовала возможность их идентификации системой. Данные могла идентифицировать лишь программа, извлекающая их из памяти по указанию программиста, написавшего программу. Что скрывается за тем или иным двоичным кодом машинного слова, системе было неизвестно.
2. Структурированность. Информационные единицы должны были обладать гибкой структурой. Для них должен выполняться “принцип матрешки”, т.е. рекурсивная вложенность одних информационных единиц в другие. Каждая информационная единица может быть включена в состав любой другой, и из каждой единицы можно выделить некоторые её составляющие. Другими словами должна существовать возможность произвольного установления между отдельными информационными единицами отношений типа “часть – целое”,” род – вид” или “элемент – класс”.
Перечисленные три особенности знаний позволяют ввести общую модель представления знаний, которую можно назвать семантической сетью , представляющей собой иерархическую сеть в вершинах которой находятся информационные единицы.
5. Активность. С момента появления ЭВМ и разделения используемых в ней информационных единиц на данные и команды создалась ситуация, при которой данные пассивны а команды активны. Все процессы протекающие в ЭВМ инициируются командами, а данные используются этими командами лишь в случае необходимости. Для ИС эта ситуация неприемлема. Как и у человека, в ИС актуализации тех или иных действий способствуют знания, имеющиеся в системе. Таким образом, выполнение программ в ИС должно инициироваться текущим состоянием информационной базы. Появление в базе фактов или описание событий, установление связей может стать источником активности системы.
Перечисленные пять особенностей информационных единиц определяют ту грань, за которой данные превращаются в знания, а базы данных перерастают в базы знаний (БЗ). Совокупность средств, обеспечивающих работу со знаниями, образуют систему управления базой знаний (СУБЗ). В настоящее время не существует баз знаний, в которых в полной мере были бы реализованы перечисленные вше особенности.
Модели представления знаний.
Во многих случаях для принятия решений в той или иной области человеческой деятельности неизвестен алгоритм решения, т.е. отсутствует четкая последовательность действий, заведомо приводящих к необходимому результату. Например :
проектирование развития тяжелой промышленности ;
оптимальное размещение персонала внутри здания;
лечение больного человека.
При принятии решения в таких случаях необходимо иметь некоторую сумму знаний о самой этой области. Например: при выборе наилучшего хода в конкретной шахматной позиции необходимы знания о правилах игры, силе шахматных фигур, стратегии и тактике и многое другое. Под знаниями понимается то, что стало известно после изучения. Совокупность знаний нужных для принятия решений, принято называть предметной областью или знаниями о предметной области.
В любой предметной области есть свои понятия и связи между ними, своя терминология, свои законы, связывающие между собой объекты данных предметной области, свои процессы и события. Кроме того, каждая предметная область имеет свои методы решения задач.
Решая задачи такого вида на ЭВМ используют ИС, ядром которых являются базы знаний, содержащие основные характеристики предметных областей.
При построении баз знаний традиционные языки, основанные на численном представлении данных являются неэффективными. Для этого используются специальные языки представления знаний, основанные на символьном представлении данных. Они делятся на типы по формальным моделям представления знаний. Различные авторы по-разному эти модели классифицируют. Вообще их четыре:
Кто-то объединяет продукционные и логические, а кто-то сетевые и фреймовые.
Сначала вкратце рассмотрим продукционные и логические модели:
Если человек Х является сыном человека У, и
человек У является сыном человека Z , и
человек Z является мужчиной,
то человек Х является внуком человека Z .
Далее рассмотрим сетевые модели.
В основе сетевых моделей представления знаний лежит идея о том, что любые знания можно представить в виде совокупности объектов (понятий) и связей (отношений) между ними. В отличие от продукционных эти модели более наглядны, поскольку любой пример можно представить в виде ориентированного (направленного) графа.
В основе моделей этого типа лежит конструкция, названная семантической сетью. Сетевые модели формально можно задать в виде Н=[ I , C 1, C 2. CN , G ]. Здесь I множество информационных единиц; С1. С N – множество типов связей между информационными единицами. Отображение G задает между информационными единицами, входящими в I связи из заданного набора типов связей.
В зависимости от типов связей, используемых в модели, различают классифицирующие сети, функциональные сети и сценарии.
Пример: Рассмотрим набор из нескольких фраз.
Попугай Кеша является птицей, и он умеет говорить.
Фреймовые и сетевые модели.
Ранее были рассмотрены семантические сети. Понятия, входящие в сеть, описываются в виде фреймов. А что такое фрейм?
имя слота1 (значение слота1);
имя слота2 (значение слота2);
имя слотаК (значение слотаК)).
Значением слота может быть практически что угодно (числа, математические соотношения, тексты на естественном языке или на языке программ, ссылки на другие слоты данного фрейма).Значением слота может выступать и отдельный фрейм, что является очень удобным для упорядочивания знаний по степени общности. Исключение из фрейма любого слота делает его неполным, а иногда и бессмысленным.
При конкретизации фрейма ему и слотам приписываются конкретные имена и происходит заполнение слотов. Таким образом из протофреймов получаются фреймы – экземпляры. Переход от исходного протофрейма к фрейму – экземпляру может быть многошаговым, за счет постепенного уточнения значений слотов.
Рассмотрим некоторый протофрейм:
Фамилия (значение слота1);
Год рождения (значение слота2);
Специальность (значение слота3);
Стаж (значение слота4)).
Если в качестве значений слотов использовать конкретные данные, то получим фрейм – экземпляр:
Фамилия (Попов – Сидоров – Иванов – Петров);
Год рождения (1965 – 1975 – 1980 – 1978);
Специальность (директор – бухгалтер – техник – курьер);
Стаж (15 – 7 – 3 – 4)).
Теперь рассмотрим несколько примеров:
Из примера видно что фрейм имеет следующую протоструктуру
служащий (Значение слота1);
получатель (Значение слота2);
объект (Значение слота3)).
№ 2. Пусть дан некоторый фрейм. Сформулируем на естественном языке те знания которые заложены в этом фрейме.
МОДЕЛИ ПРЕДСТАВЛЕНИЯ ЗНАНИЙ: ВИДЫ, ПРИМЕНЕНИЕ, ДОСТОИНСТВА И НЕДОСТАТКИ
Текст работы размещён без изображений и формул.
Полная версия работы доступна во вкладке "Файлы работы" в формате PDF
Введение.
Модели представления знаний имеют множество различных применений, одним из наиболее распространённых является исследование искусственного интеллекта. Фундаментом любого искусственного интеллекта являются знания и для того, чтобы этот фундамент был прочным, разрабатываются специальные модели представления знаний и языки для описания знаний.
С понятием моделирования знаний неразрывно связана проблема выбора языка представления знаний. Для классификации моделей представления знаний выделяется семь ключевых требований к моделям знаний [1]:
наглядность представления знаний;
реализация в модели свойства активности знаний;
возможность отражения структурных отношений объектов предметной области;
возможность оперирования нечеткими знаниями;
Ни одна из существующих на данный момент моделей не может в полной мере удовлетворить этим требованиям, именно это причина активных исследований в области представления знаний.
Рассмотрим четыре наиболее часто используемые и популярные на сегодняшний день модели представления знаний:
семантические сети – графическое изображение модели, чаще всего в виде графов. Узлы этого графа соответствуют понятиям и объектам, а дуги – отношениям между объектами;
фреймовые модели основывается на таком понятии как фрейм (англ. frame – рамка, каркас). Фрейм – структура данных для представления некоторого концептуального объекта. Информация, относящаяся к фрейму, содержится в составляющих его слотах. Слоты могут быть терминальными либо являться сами фреймами, т.о. образуя целую иерархическую сеть;
модель нечеткой логики основывается на неточных числах, коэффициентах уверенности, вероятности, нечетких множествах. Последние содержат упорядоченные пары, включающие номер элемента множества и функцию степени принадлежности этого элемента множеству.
Продукционная модель.
Продукционную модель можно считать самой распространенной моделью представления знаний. Пример такой модели:
ЕСЛИ у фигуры три стороны И один угол равен 90° ТО это прямоугольный треугольник.
Основные достоинства систем продукционного вида – это простота представления знаний, легкость организации логических выводов и модульность применения правил (легко удалять и добавлять знания в базе знаний).
К недостаткам таких систем относятся:
низкая эффективность обработки знаний;
неясность взаимных отношений правил;
отсутствие гибкости в логическом выводе;
сложность оценки целостного образа знаний.
При разработке небольших систем на основе данной модели проявляются положительные качества продукционной модели, но с увеличением объема знаний все сильнее проявляются ее недостатки.
Данный тип представления знаний удобен в небольших системах. Для разработки более сложных систем стоит использовать другие МПЗ.
Семантические сети.
Семантическая сеть - это граф, дуги которого есть отношения между вершинами (значениями). Семантические сети появились как модель СПЗ при решении задач разбора и понимания смысла естественного языка.
Достоинства семантических сетей:
универсальность, семантическая сеть позволяет представить любую существующую систему в виде схемы;
наглядность системы знаний, представленной графически;
близость структуры сети, представляющей систему знаний, семантической структуре фраз на естественном языке.
Недостатки семантических сетей:
формирование и модификация семантической модели затруднительны;
поиск решения в семантической сети сводится к задаче поиска фрагмента сети, соответствующего подсети, отражающей поставленный запрос;
чем больше отношений между понятий, тем сложнее использовать и модифицировать знания.
Семантические сети широко используются в экспертных системах в качестве языка представления знаний (например, в экспертной системе PROSPECTOR), в системах распознавания речи и понимания естественного языка. Непосредственное отношение к сетевым моделям имеют исследования по реляционным, сетевым и иерархическим БД. Кроме того, проводятся исследования, которые используют семантическую сеть для создания глобальной базы знаний на основе Интернета.
Несмотря на недостатки семантическая сеть, в связи со своей наглядностью и легкостью создания незаменима в обучении. Также модель необходима на начальных этапах создания проектов для рассмотрения его обобщенно.
Фреймовая модель.
Фрейм — это структура для представления знаний, которая при ее заполнении соответствующими значениями превращается в описание конкретного факта, события или ситуации.
Фреймовую модель можно считать более специализированной по отношению к сетевой. Она основана на принципе кластеризации (фрагментация) знаний.
Фреймы делятся на образцы (прототипы), хранящиеся в базе знаний, и фреймы - экземпляры, создающиеся для отображения реальных фактических ситуаций на основе поступающих знаний. Модель фрейма является достаточно универсальной, поскольку позволяет отобразить все многообразие знаний о мире через [2]:
фреймы - структуры, использующиеся для обозначения объектов и понятий (заем, залог, вексель);
фреймы - роли (менеджер, кассир, клиент);
фреймы - сценарии (банкротство, собрание акционеров, празднование именин);
фреймы - ситуации (тревога, авария, рабочий режим устройства) и др.
имя слота1 (значение слота1);
имя слота2 (значение слота2);
имя слотаК (значение слотаК)).
К достоинствам фреймовой модели знаний относятся:
гибкость, т. е. структурное описание сложных объектов;
наглядность, т. е. данные о родовидовых связях хранятся явно;
механизм наследования свойств. Фреймы обладают способность наследовать значения характеристик своих родителей, находящихся на более высоком уровне иерархии, что обеспечивает широкое распространение языков такого типа в интеллектуальных системах;
значение может быть вычислено с помощью процедур или найдено эвристическими методами;
возможность использования предположений и ожиданий;
универсальность за счет существования не только фреймов для обозначения объектов и понятий, но и фреймов - событий, фреймов - ситуаций, фреймов - ролей, фреймов - сценариев и т.п.;
Возможность легкого перехода к сетевой модели.
Недостатками фреймовой системы являются:
высокая сложность систем в целом;
отсутствие строгой формализации;
трудно внести изменение в иерархию;
затруднена обработка исключений.
Широко известны такие фреймо-ориентированные экспертные системы, как ANALYST, МОДИС.
FRL (Frame Representation Language) — технология создана для проектирования интеллектуальных систем на основе фреймовой модели представления знаний. В основном применяется для проектирования вырождающихся в сеть фреймовой модели. Существуют и другие среды: KRL (Knowledge Representation Language), фреймовая оболочка Kappa, PILOT/2.
Фреймовую модель представления знаний можно заменить сетевой (семантической).
Логическая модель.
Логическая форма представления знаний – представляет собой несколько утверждений и фактов (формулы). Знания — это набор таких формул, а процесс вывода новых знаний — это реализация процедур логического вывода.
Достоинства логической модели:
независимо от количества формул и процедур, логическая форма будет иметь только один вывод;
благодаря тому, что логическая модель использует математические формулы, которые обширно изучены к настоящему времени, методы модели можно точно обосновать
благодаря строгому представлению формул в виде процедур, можно однозначно реализовать метод, используя логические языки программирования (например: Prologue , Planner , Visual Prologue , Oz и другие)
благодаря особенностям процесса вывода новых знаний, в базе знаний можно хранить только множество аксиом, что в свою очередь существенно облегчает базу данных будущего искусственного интеллекта.
Недостатки логической модели [3] :
из-за того, что факты(формулы) выглядят очень похоже, модель тяжело использовать для конкретных предметной области
из-за отсутствия определённости в некоторых сферах науки, в логическую модель тяжело добавить необходимое количество аксиом для корректной работы будущей системы;
вывод, полученный из верных аксиом может не иметь смысла со стороны человеческого разума. Программа может верно построить связи, но получить совершенно неверный вывод
На данный момент данная модель используется в языке программирования Пролог, поэтому для того чтобы понять актуальность использования модели, в первую очередь надо выявить плюсы и минусы использования языка.
В Пролог сложно создавать практически полезные программы: отсутствие поддержки итеративного программирования и строгой типизации заставляет программиста использовать приёмы, заметно усложняющие создание и отладку программы. Предопределенный порядок обхода дерева решений делает почти невозможным автоматическое распараллеливание программ.
Один из возможных методов способных заменить логическую форму - нечеткая логика
Нечеткая логика инструмент для управления технологическими и индустриальными процессами, для интеллектуального домашнего хозяйства и электроники развлечения, в системах обнаружения ошибок и других экспертных системах. Разработаны специальные средства нечеткого вывода, например, инструментальное средство FuzzyCLIPS. Нечеткая логика была изобретена в Соединенных Штатах, и сейчас быстрый рост этой технологии начался в Японии, Европе и теперь снова достиг США.
Заключение.
На сегодняшний день существует огромное количество разнообразных моделей представления знаний. Каждая из них имеет свои особенности, достоинства и недостатки. Поэтому вопрос выбора оптимальной модели стоит как никогда остро. Правильная модель представления знаний поможет не только решить задачу максимально эффективным способом, но и облегчить функционирование созданной системы.
На данный момент процесс разработки модели представления знаний можно рассматривать, как процесс разработки базы знаний. В связи с этим очень важно, чтобы все свойства и характеристики знаний соответствовали не только свойствам баз знаний, но и моделям представления знаний
На этапе проектирования модели целесообразно сделать систему настолько простой, насколько это возможно. Этого можно достичь, представляя все элементы модели в едином виде. Единый вид элементов модели позволяет упростить управление как логическим выводом, так и знанием.
Единый вид означает, что система проста и интуитивна понятна обычному пользователю, который не является экспертом. Легче всего этого достигнуть, используя несколько видов моделей представления знаний в симбиозе.
Смагин А.А., Липатова С.В., Мельниченко А.С. Интеллектуальные информационные системы – Ульяновск: Издательский центр Ульяновского государственного университета, 2010г. – 50с.
Читайте также: