Нечеткие экспертные системы реферат

Обновлено: 05.07.2024

Таким образом, экспертная система, как всякая вычислительная система, ни в какой момент времени ее создания и функционирования неотделима от пользователя и разработчика, сопровождающего систему от замысла до полного ее морального устаревания. Первый существенный признак, позволяющий рассматривать экспертную систему как самостоятельный класс вычислительных систем, заключается в том, что она не должна морально устаревать. Знания часто понимаются как совокупность правил, определяющих характер обработки данных, в результате применения которых может продуцироваться новая совокупность правил.

На основе обзора различных работ можно утверждать, что данные в вычислительных системах — это с наперед заданной точностью закодированные образы объектов реального мира, имеющих количественную меру. Наличие количественной меры говорит о возможности сопоставления объектов.

Если соотнести теперь определения данных и знаний, то становится ясным, что данные являются частным случаем знаний. В самом деле, измеримость объекта, т.е. существование данных об объекте предполагает его сопоставимость с каким-либо другим, условно принятым за эталон. Это сопоставление позволяет установить отношение между объектами (например, равно, больше, одинаково по смыслу и т. п.), которое, в свою очередь, может быть закодировано и представлено в вычислительной системе. Если результат этого сопоставления кодируется константами, переменными либо функциями, то речь идет о представлении данных. Если же в вычислительной системе представляют (кодируют) способ и результат сопоставления и сущностью этой информации является отношение между данными, которое также может кодироваться константами, переменными и функциями, то такого рода данные в дальнейшем будут называться знаниями На основании вышеизложенного ясно, что СУБД (например, реляционного типа), которая управляет размещением таких данных (представляемых, например, продукционными правилами) и позволяет устанавливать между ними определенные отношения, условно может быть названа системой управления базой знаний, что и имеет место во многих работах по искусственному интеллекту (в частности, по экспертным системам).

Наиболее распространенными формами представления знаний являются логические, семантические, продукционные модели и нечеткие системы..

Содержание

Особенности нечетких систем

возможность оперировать нечеткими входными данными: например, непрерывно изменяющиеся во времени значения (динамические задачи), значения, которые невозможно задать однозначно (результаты статистических опросов, рекламные компании и т.д.);
возможность нечеткой формализации критериев оценки и сравнения: оперирование критериями "большинство", "возможно", преимущественно" и т.д.;
возможность проведения качественных оценок как входных данных, так и выходных результатов: вы оперируете не только значениями данных, но и их степенью достоверности и ее распределением;
возможность проведения быстрого моделирования сложных динамических систем и их сравнительный анализ с заданной степенью точности: оперируя принципами поведения системы, описанными fuzzy-методами, вы во-первых, не тратите много времени на выяснение точных значений переменных и составление описывающих уравнений, во-вторых, можете оценить разные варианты выходных значений.

Основы нечеткой логики были заложены в конце 60-х лет в работах известного американского математика Латфи Заде. Для создания действительно интеллектуальных систем, способных адекватно взаимодействовать с человеком, был необходим новый математический аппарат, который переводит неоднозначные жизненные утверждения в язык четких и формальных математических формул. Первым серьезным шагом в этом направлении стала теория нечетких множеств, разработанная Заде. Его работа "Fuzzy Sets", опубликованная в 1965 году в журнале "Information and Control", заложила основы моделирования интеллектуальной деятельности человека и стала начальным толчком к развитию новой математической теории. Он же дал и название для новой области науки - "fuzzy logic" (fuzzy - нечеткий, размытый, мягкий).

Аппарат теории нечетких множеств, продемонстрировав ряд многообещающих возможностей применения - от систем управления летательными аппаратами до прогнозирования итогов выборов, оказался вместе с тем сложным для воплощения. Учитывая имеющийся уровень технологии, нечеткая логика заняла свое место среди других специальных научных дисциплин - где-то посредине между экспертными системами и нейронными сетями. Свое второе рождение теория нечеткой логики пережила в начале восьмидесятых годов, когда несколько групп исследователей (в основном в США и Японии) всерьез занялись созданием электронных систем различного применения, использующих нечеткие управляющие алгоритмы.

Третий период начался с конца 80-х годов и до сих пор. Этот период характеризуется бумом практического применения теории нечеткой логики в разных сферах науки и техники. До 90-ого года появилось около 40 патентов, относящихся к нечеткой логике (30 - японских). Сорок восемь японских компаний создают лабораторию LIFE (Laboratory for International Fuzzy Engineering), японское правительство финансирует 5-летнюю программу по нечеткой логике, которая включает 19 разных проектов - от систем оценки глобального загрязнения атмосферы и предвидения землетрясений до АСУ заводских цехов. Результатом выполнения этой программы было появление целого ряда новых массовых микрочипов, базирующихся на нечеткой логике. Смещение центра исследований нечетких систем в сторону практических применений привело к постановке целого ряда проблем, в частности:

· Создание интерактивного интерфейса, для удобной и быстрой работы с программой.

· Создание инструкции для дальнейшего использования.

Исходные данные

· Справочник по работе с экспертной системой.

· Экспертные данные, полученные от 2 врачей.

Актуальность работы

В этом курсовом проекте я решила рассмотреть такую распространённую проблему, как головная боль, ведь у всех нас время от времени болит голова. Причин для этого может быть множество, данная программа рассматривает наиболее распространённые причины возникновения и наиболее частые симптомы головной боли. Данная экспертная система поможет выяснить возможную причину вашей головной боли и посоветует первые мероприятия для наискорейшего снятия головной боли.

Как всем известно, чем раньше начать лечить болезнь, тем легче она пройдёт, и тем меньше будет возможных проблем и дальнейших осложнений данной болезни. Поэтому чем оперативнее начать лечение, тем быстрее будет протекать болезнь, тем легче будет проходить лечение и тем меньше будет непредвиденных осложнений болезни и негативных последствий лечения головной боли.

К сожалению, данная программа не даёт полной диагностики всех возможных заболеваний, травм и отравлений, но поскольку она охватывает наиболее распространенные из них, данная программа идеально подходит для ранней диагностики головной боли на ранних стадиях развития болезни и позволит незамедлительно приступить к лечению.

Поскольку не всегда есть возможность проконсультироваться со специалистом, данная программа будет актуальна для многих пользователей, не подготовленных в области медицины.

Цель исследования

Цель данной экспертной системы состоит в том, чтобы помочь пользователю как можно скорее определить причины головных болей и первая помощь по снятию симптомов и источников боли.

Задачи исследования

1. Создание экспертной системы для первичной диагностики причин возникновения головной боли.

2. Создание интерактивного интерфейса, для удобства, простой и быстрой работы пользователя с экспертной системой в условиях головной боли.

3. Предотвращение последствий запущенных заболеваний и неправильного лечения на ранних стадиях развития болезни, травмы или отравления.

4. Помочь простому пользователю найти наиболее доступные и простые средства лечение головной боли и предотвращения последствий и ослажнений.

Научная новизна полученных результатов

При поиске аналогичных программ в интернете, я нашла схожие программы которые пытались, распыляясь на большой диапазон болезней, диагностировать все возможные боли и симптомы. Но на практике они очень часто давали неверные или не точные результаты из-за попытки рассмотреть слишком широкий перечень болезней, травм, отравлений и тому подобное.

В данной разработке был поставлен упор на одну из наиболее актуальных проблем (головные боли). Это достаточно узкая специализация, но при этом были рассмотрены как самые распространённые, так достаточно редкие причины возникновения головных болей.

В данной экспертной системе были использованы экспертные знания врачей разных медицинских направлений.

Так же, крайне важно, что программа оперирует в основном простыми методами, подручными средствами и легкодоступными лекарствами.

Эти особенности делают данную экспертную программу уникальной и неповторимой. Никто не задавался подобной задачей, поэтому не создавалось ничего подобного.

Практическое значение работы

1. Данная экспертная система помогает простому пользователю быстро определить на ранних стадиях причины головной боли и действия по оказанию первой помощи. Данная программа охватывает большой диапазон симптомов и наиболее распространённые причины, могущие вызывать головную боль.

2. Она позволяет быстро диагностировать болезни и избежать непредвиденных осложнений и нежелательных последствий.

3. Интерфейс достаточно простой, что позволяет пользоваться экспертной системой, людям без особых навыков работы с компьютером.

4. Экспертная система проста, что позволяет работать с ней несмотря на головную боль.

Теория экспертной системы

Экспертная система - это программа для компьютера, которая оперирует с экспертными знаниями в определённой предметной области с целью выработки рекомендаций или решения проблем. Экспертная система может полностью взять на себя функции, выполнение которых требует привлечение опыта человека-специалиста, или играть роль ассистента для человека принимающего решение. Технология экспертных систем является одним из первых и наиболее продвинутых направлений области исследований, которая получила наименование поиск искусственного интеллекта.

Все экспертные системы включают в себя, по крайней мере, три основных элемента: базу знаний, машину вывода и интерфейс пользователя. База знаний содержит информацию о том, что известно о данном предмете в настоящий момент. Машина вывода обеспечивает применение того, что известно к тому, что еще не известно. Интерфейс пользователя способствует взаимодействию между системой и пользователем. Взятая как целое, экспертная система моделирует знания эксперта и умение их применять.

База знаний содержит известные факты, выраженные в виде сущностей, атрибутов и условий, а также включает выражения неопределенности - ограничения на достоверность факта. База создается консультантами, исследователями, либо на основании их работ. При заполнении базы знаний жизненный опыт важнее, чем высокий интеллект. Эксперт, исходящий из опыта продолжительных наблюдений, скорее, всего, создаст более полезную базу знаний, чем гениальный аналитик.

Главным в экспертной системе является механизм, осуществляющий поиск в базе знаний по правилам рациональной логики для получения решений. Машина вывода приводится в действие при получении запроса пользователя и выполняет следующие задачи:

· сравнивает информацию, содержащуюся в запросе пользователя, с информацией базы знаний;

· ищет определённые цели или причинные связи;

· оценивает относительную определённость фактов, основываясь на соответствующих коэффициентах доверия, связанными с каждым фактом.

· Действия машины вывода аналогичны рассуждениям человека-эксперта, который оценивает проблему и предлагает гипотетическое решение. Машина вывода обращается к базе знаний до тех пор, пока не найдёт вероятный путь к получению приемлемого результата.

Задача интерфейса пользователя состоит в организации обмена информации между оператором и машиной вывода. Интерфейс с использованием естественного языка создает видимость произвольной беседы, применяя повседневные выражения в правильно построенных предложениях.

Существует достаточно много подходов к разработке экспертных систем - можно, например, использовать для этих целей специализированные языки типа PROLOG, LISP или CLIPS. Можно, вообще говоря, экспертную систему создать с помощью любого современного языка высокого уровня. В этом случае разработка каждой экспертной системы, как правило, выливается в разработку новой программы.

Более быстрый способ, обеспечивающий возможность непрограммистам попробовать свои силы в создании экспертных систем, реализует класс программных средств, которые называются оболочками экспертных систем. Такие оболочки можно получить, например, из работающей экспертной системы, очистив её базу знаний. Заполнив эту пустую базу знаний новыми знаниями можно получить новую экспертную систему. Очевидно, что оболочки являются программами, ориентированными на достаточно узкий круг задач, хоть и и более широкий, чем та, на основе которой была создана та или иная оболочка. Таким образом, чтобы покрыть достаточно широкий класс задач требуется иметь адекватное количество оболочек, которые можно использовать в комбинациях.

Для заполнения баз знаний экспертных систем используются специальные программы приобретения знаний. Для программ приобретения знаний желательно не только обеспечивать ввод данных в соответствующие структуры, но и обеспечение функций отладки и тестирования, программы приобретения знаний - основное средство автоматизации при заполнении оболочки.

Анализ предметной области

В наше время, полное различных негативных факторов, головная боль является частой проблемой. К тому же мы иногда игнорируем её, что может привести к неприятным последствиям и серьёзным осложнениям.

Множество всевозможных факторов могут вызывать головную боль, начиная от банальной простуды или похмелья и заканчивая мигренями и химическими отравлениями.

Структура программного комплекса

Структура программного комплекса в экспертной системе EXPRO состоит из:

· Переменных, которые могут принимать любые значения как строковые так и числовые, логические и типа дата.

· Целей, которые выбираются из переменных. При запуске программы создаётся цепь, в последнем действие которой обязательно должна измениться цель.

· Правил, которые состоят из двух частей: предпосылки и заключения. Правила в программе имеют формат:

ЕСЛИ список условий ТО список условий

Как частный случай, правило может не иметь условий, в этом случае оно выполняется сразу при переходе на содержащую его подзадачу. Программа может иметь линейную, разветвлённую или цикличную структуру

Разработка процедур оболочки.

Главное окно программы

Интерфейс программы прозрачен, стандартизован и практически не нуждается в пояснениях. Главное окно программы содержит 2 основные части.

Также есть панель инструментов:

Создание новой базы знаний.

Открытие базы знаний из файла.

Сохранение базы знаний в файле.

Решить задачу (запустить программу).

Справка.

Выход из программы.

Перед началом решения задачи необходимо выбрать цель.

В результате совершения выбора мы получаем одно из возможных решение:
Описание режимов работы

В представленной ЭС имеется несколько аспектов, по которым ведётся отбор причин болей и средств их устранения:

1. Наличие головной боли

2. Употребление алкоголя

3. Употребление токсичных веществ

4. Травмы головы

4.1.1. Наличие в крови прозрачной жидкости

5. Возраст от 14 до 20 лет; боли периодические

7. Контакт с дымом и испарениями

8. Усиления боли при наклоне

9. Стреляющая боль в ушах.

11. Температура тела

12. Боль сильная пульсирующая сильная не сбивается

13. Занятие мелкой работай

Показательный тест.

Ради показательности теста мы выберем самую длинную ветвь:

10)

11)

12)

13) Ну и, наконец, в последнем вопросе мы согласимся:

В итоге мы получаем причину и метод её устранения:

1. Мною была проделана большая работа по сбору экспертной информации, был проведён глубокий анализ причин и симптомов головной боли, а также методов решения.

2. Была создана экспертная система, позволяющая быстро и просто продиагностировать головною боль, что позволит любому пользователю легко найти решение и способ лечения.

Эта ЭС система имеет свои недостатки:

1. Она имеет свои не точности.

2. Она не даёт абсолютно точный ответ, она обрабатывает, хоть и большую часть наиболее распространенных симптомов и причин их вызывающих, но всё-таки не все.

3. Как и всякая экспертная система, данная система лишь предлагает 1 из возможных вариантов, а не обязательно единственно верное решение проблемы.

Перспективы дальнейших разработок

Конечно же, в данную экспертную систему можно добавить ещё сущностей, правил и прочее и тогда она может стать более точной, но основной часть уже прописана и ей уже можно с успехом пользоваться. К тому же был создан каркас, на который можно наращивать новые и новые правила и болезни. Данную экспертную систему можно интегрировать в более обширную ЭС по диагностики болезней человека.

На входе блока фаззификации (БФ) сигналы снимаемых значений параметров х =Тг еХ от источников информации о состоянии предметной области на основе функций принадлежности, описывающих соответствующие нечеткие множества, переводятся в форму фаззификации (в нечеткую форму; от англ. fuzzification; fuzzy — нечеткий). На выходе БФ снимается вектор А' нечетких значений параметров, рассматриваемых как… Читать ещё >

Нечеткие экспертные системы ( реферат , курсовая , диплом , контрольная )

Архитектура нечетких систем

Рассмотрим архитектуру классической ЭС (рис. 6.3).

Рис. 63. Архитектура нечеткой экспертной системы.

База нечетких правил (БНП или БНЗ), которую иногда называют лингвистической моделью предметной области (объекта управления), состоит из правил (p k ) вида.

где Af, By — нечеткие множества, i = (1,ri), j = (1,т) — такие что Af с с Xj с R, B k j с Yj cz R, k = (1, /), / — число нечетких правил, х — вектор входных переменных, у — вектор выходных переменных.

Правила связаны между собой оператором ИЛИ. Считаем также, что выходы у_х, у₂, у_т взаимонезависимы. Тогда без потери общности будем рассматривать нечеткие правила со скалярным выходом:

Переменные х = х_х, х₂, …" х_п] Гг и у могут принимать значения в виде слов, например малый, средний, высокий, или в виде чисел.

В обобщенном виде это правило можно представить как нечеткую импликацию.

Правило p k можно также интерпретировать как нечеткое отношение, заданное на множестве X х Y, т. е. Р* с X х Y — нечеткое множество с функцией принадлежности [i k _p(x, г/) = р _Лк^_вк (•*> У)•.

Предполагается, что между правилами нет взаимодействия.

В отличие от ЭС размер БЗ НЭС на порядок меньше за счет того, что для приближенного описания предметной области требуется меньшая детализация.

На входе блока фаззификации (БФ) сигналы снимаемых значений параметров х = [х_х,…, х_п] Тг еХ от источников информации о состоянии предметной области на основе функций принадлежности, описывающих соответствующие нечеткие множества, переводятся в форму фаззификации (в нечеткую форму; от англ. fuzzification; fuzzy — нечеткий). На выходе БФ снимается вектор А' нечетких значений параметров, рассматриваемых как лингвистические переменные с заданными множествами значений — именами нечетких множеств.

Рассмотрим два случая фаззификации, спецификация которых зависит от способа измерения входного сигнала.

В первом случае, характерном для нечетких систем поддержки принятия решений, для каждого х_{, х₂,…, х_п} должны быть априорно известны функции принадлежности р (х₁), р (х₂),…, р (х"). Тогда операция фаззификации выполняется согласно рис. 6.4. Здесь символами х₁, х₂,…, х_п обозначены конкретные численные значения входных сигналов, поступившие от соответствующих систем измерения (например, от человека).

Рис. 6.4. Операция фаззификации.

где с, о, Ь — параметры генератора, смысл которых ясен из рис. 6.5, на котором изображена гауссовская кривая при разных значениях Ь.

Рис. 6.5. Использование в блоке фаззификации гауссовской кривой.

Таким образом, при априорно выбранных значениях с, о, Ь и при поступившем на вход фаззификатора х на выходе получаем значение ц._г(х).

Очевидно, что во втором случае генератор должен быть применен п раз.

Блок рассуждений (БР). Процесс обработки нечетких правил вывода состоит из четырех этапов.

На формальном уровне происходит следующее. На вход БР подается нечеткое множество А' с Х х Х₂ х … х Х".

Найдем соответствующее нечеткое множество на выходе этого блока. Рассмотрим два случая, которым будут соответствовать разные методы дефаззификации.

Случай 1. Па выходе блока рассуждений имеем N нечетких множеств, получаемых в соответствии с нечеткими правилами рассуждений modes ponens (от лат. — правило вывода и соответствующий ему закон):

Используя левые части подходящих нечетких правил БЗ, ему ставится в соответствие результирующее нечеткое множество — вектор В'(у) =.

получаем результат: B k сУ, Ь 1,N.

Нечеткое множество В к определяется через композицию (сумму) нечеткого множества А' и отношения P ( k т. е.

Вид функции принадлежности Ущ (у) зависит от принятой Т — нормы и вида правил нечеткой импликации.

Если п = 2, принята Г-норма (типа min), вид правила нечеткой импликации — правило Мамдани (Mamdani), то:

Случай 2. На выходе блока рассуждений имеем одно нечеткое множество В' с У, полученное в соответствии с нечеткими правилами рассуждений modes ponens:

Нечеткое множество В' определяется следующим образом:

Здесь заключение у есть В' — результат композиции посылки А' и глобального правила Р как агрегации правил P^ k k = 1, п. Это уравнение справедливо, если правила нечеткой импликации определены через Т — норму типа min или произведение.

Функция принадлежности нечеткого множества В' примет вид.

При этом функция принадлежности (у) при выполнении тех же условий, что и в случае 1, примет вид.

Процесс нечеткого вывода (дефаззификации) для случая 2 на примере двух правил проиллюстрирован на рис. 6.6.

Рис. 6.6. Процесс нечеткого вывода на примере двух правил.

Рассмотрим методы, применяемые на практике для выполнения этого процесса.

Первый метод ограничивает функцию принадлежности для множества, указанного в правой части, ее минимальным значением из полученных в левой части (рис. 6.7).

Рис. 6.7. Метод минимума

Во втором методе значение истинности левой части используется как коэффициент, на который умножаются значения функции принадлежности в правой части (рис. 6.8).

Рис. 6.8. Метод произведения

Результат выполнения правила — тоже нечеткое множество.

Выходы всех правил вычисляются нечеткой экспертной системой отдельно, однако в правой части нескольких из них может быть указана одна и та же нечеткая переменная. Очевидно, что при определении обобщенного результата необходимо учитывать все правила. Для этого система производит суперпозицию нечетких множеств, связанных с каждой из таких переменных. Эта операция называется нечетким объединением правил вывода (Max Combination). Два нечетких подмножества, получаемые при выполнении этих правил, должны быть объединены в одно.

Как было показано выше, суперпозиция функций принадлежности нечетких множеств |Лв'(У), МяЧУг)" •••> №_Вт (у_т) определяется как ._в> <у)= =, шах Цд.(у).

Рис. 6.12. Скаляризация методом максимума

Пусть на плоскости OXY дана система материальных точек х, у_), …, (х_п, у_п) с массами т_<>т_п соответственно. Произведения хщ и у-т называются моментами массы т, относительно осей ОХ и OY соответственно. Если обозначить через х,• и г/, координаты центра тяжести некоторой системы, например фигуры на плоскости, то.

Используя в нечетких системах идеи механики, можно рассчитать координаты, а точнее, только координату по оси OY центра тяжести фигуры abcdfe (рис. 6.13):

Рис. 6.13. Графическая интерпретация дефаззификации:

® — центр тяжести фигуры abcdfe

Метод максимума функции принадлежности или суммы (SUM). В этом методе в качестве точного значения выводимой переменной принимается максимальное значение функции принадлежности нечеткого соответствия Ив'(у) (Р ис — 6.14):

Рис. 6.14. Графическая интерпретация метода максимума функции принадлежности.

Нечеткая экспертная система — экспертная система, которая для вывода решения использует вместо булевой логики совокупность нечетких функций принадлежности и правил.

Данная экспертная система помогает определить грузовую машину для транспортировочных работ и помогает определиться в нужде заказа грузчиков к машине.

В дальнейшем, это система будет разработана на языке PHP, с использованием запросов на языке SQL для доступа к таблицам базы данных.

Основные задачи. 4

1. Изучение принципов построения экспертных систем на основе представления нечетких знаний (метод Криса Нейлора). 7

2. Анализ существующих экспертных систем, построенных на основе представления нечетких знаний (метод Криса Нейлора). 9

3. Обоснование применимости технологии инженерии знаний для выбранной предметной области (решаемой задачи). 11

4.1. Проектирование базы знаний на основе метода Криса Нейлора. 14

4.2. Построение стратегии логического вывода (блок-схема алгоритма формирования базы исходных фактов, сопоставление данных и знаний, разрешения конфликтов, принятия решения). 15

Список использованных источников. 18

Проектирование интеллектуальной системы на основе применения технологии инженерии знаний для решения задачи, имеющей важное прикладное значение.

1. Изучение принципов построения экспертных систем на основе представления нечетких знаний (метод Криса Нейлора).

2. Анализ существующих экспертных систем, построенных на основе представления нечетких знаний (метод Криса Нейлора).

3. Обоснование применимости технологии инженерии знаний для выбранной предметной области (решаемой задачи).

4.1. Проектирование базы знаний на основе представления нечетких знаний (метод Криса Нейлора) (извлечение, структурирование и формализация знаний).

Хотя указанные преимущества и очевидны, следует отметить, что ЭС не обладают интуицией и общими знаниями о мире, их ход и метод решения проблемы не может выйти за рамки тех знаний, что в них заложены. ЭС также будут бессильны при решении проблемы в изменяющихся условиях, например, при смене методики решения или появлении нового оборудования. Эксперты могут непосредственно воспринимать весь комплекс входной сенсорной информации, будь то визуальная, звуковая, осязательная или обонятельная. ЭС воспринимает только символы, которыми представлены знания. Поэтому сенсорную информацию необходимо проанализировать и преобразовать в символьную форму, пригодную для машинной обработки. При преобразовании человеком сенсорной информации неизбежно возникают искажения и потери, но классифицировать весь поток информации на значимое и второстепенное или абсурдное способен только человек. Так, например, любой человек сразу же выразит свое недоумение, если его попросят найти номер телефона Аристотеля, но едва ли найдется программа, которая скажет, что древнегреческие философы не пользовались телефонами.

Таким образом, назначением экспертных систем является консультирование по узкоспециальным вопросам при принятии решений человеком. То есть ЭС используются для усиления и расширения профессиональных возможностей их пользователей.

1. Изучение принципов построения экспертных систем на основе представления нечетких знаний (метод Криса Нейлора)

Нечеткие (в широком смысле) знания могут обладать следующими признаками:

2. Многозначность интерпретации;

4. Нечеткость (в узком смысле) – размытость;

Ненадежность как свойство информации обычно делят на объективную и субъективную.

Объективная ненадежность представляет собой такое свойство информации, когда те или иные знания не всегда применимы, а те или иные данные не всегда наблюдаются по объективным причинам. Она может быть представлена с применением вероятностного подхода. Например, при одних и тех же клинических данных диагноз может быть разным.

Субъективная ненадежность представляет собой такое свойство информации, когда имеет смысл говорить о достоверности знаний или данных с субъективной точки зрения. Например, один и тот же врач, следуя своему опыту, ставит один диагноз, а другой врач, также следуя своему опыту, ставит другой диагноз. Субъективная ненадежность представляется по-разному: как с помощью вероятностного подхода, так и с помощью невероятностных коэффициентов, которые позволяют оценивать достоверность информации.

Метод Криса Нейлора

Данный метод применяется для представления как объективной, так и субъективной ненадежности знаний. Модель знаний Криса Нейлора: знания представляются как совокупность гипотез и характеризующих из признаков.

1-ая часть (гипотезы) – кортежи вида: ,

где H – название гипотезы;

– априорная вероятность наступления H;

j – номер признака;

– вероятность наступления события j при наступлении H;

– вероятность наступления события j в случае если H не наблюдается;

2-ая часть (характеризующие признаки):

( j; название признака; вопрос, который система задаст пользователю по поводу j-ого признака)

(Грипп; 0,01; 4; (1; 0,7; 0,01); (2; 0,5; 0,02); (3; 0,8; 0,05); (5; 0,7; 0,03));

(Ангина; 0,001; 3; (1; 0,9; 0,01); (4; 0,9; 0,06); (5; 0,6; 0,04))

Идея логического вывода: на каждом шаге логического вывода рассматривается какой-либо признак из тех, которые еще не рассмотрены. Пользователю задается вопрос по поводу этого признака и, в зависимости от ответа, пересчитываются текущие вероятности гипотез по следующим правилам:

2. Анализ существующих экспертных систем, построенных на основе представления нечетких знаний (метод Криса Нейлора)

Экспертные системы, основанные на методе Криса Нейлора, могут применяться для представления как объективной, так и субъективной ненадежности. Разница состоит в том, что при представлении объективной ненадежности необходимо придерживаться правил получения значений вероятностей, как это принято в математической статистике. При представлении же субъективной ненадежности, вместо этого используются субъективные оценки вероятностей. Разработан и успешно эксплуатируется целый ряд экспертных систем с использованием метода Криса Нейлора, среди которых можно отметить следующие:

• MYCIN - осуществляет диагностику инфекционных заболеваний. Помогает врачам выбирать подходящую антимикробную терапию для госпитализированных больных с бактериемией, менингитом и циститом. Система определяет причину инфекции (например, тип инфицирующего организма-псевдомонады), применяя знания, связывающие инфицирующий микроорганизм с историей болезни, симптомами и результатами лабораторных исследований. Система рекомендует лекарственное лечение (вид и дозу) в соответствии с процедурами, которым следуют опытные специалисты по лечению инфекционных заболеваний. MYCIN — это основанная на правилах система с обратной цепочкой рассуждений. Она содержит механизмы вычисления вероятностей и построения объяснений процесса рассуждения системы;

• PROSPECTOR - оказывает помощь геологам в оценке месторождений полезных ископаемых;

• PUFF - анализирует результаты функциональных тестов работы легких человека. Диагностирует наличие и степень тяжести заболевания легких у пациента, интерпретируя измерения параметров дыхания, выполненные в лаборатории функций легких. Интерпретируемые данные включают результаты проб (например, общую емкость легких, остаточный объем) и историю болезни. Решения системы основаны на знаниях о результатах проб, наблюдаемых при различных нарушениях. PUFF — это основанная на правилах система с обратной цепочкой рассуждений, реализованная на языке EMYCIN.

• DENDRAL — первая экспертная система в области идентификации органических соединений с помощью анализа масс-спектрограмм. Задача, стоявшая перед DENDRAL — это определение молекулярной структуры неизвестного органического соединения.

3. Обоснование применимости технологии инженерии знаний для выбранной предметной области (решаемой задачи)

Инженерия знаний – это одно из направлений искусственного интеллекта, которое изучает технологию построения интеллектуальных систем на основе знаний.

Знания выделены в отдельный блок, который называется базой знаний (БЗ).

Также чертой технологии инженерии знаний является то, что в базе знаний можно корректировать знания, тем самым можно менять способы решения задач, не меняя программное обеспечение.

4.1. Проектирование базы знаний на основе метода Криса Нейлора

В продукционной модели база знаний состоит из гипотез и характеризующих признаков.

Для данной экспертной системы будут использоваться такие характерные признаки, как:

(1; Вид перевозки – Квартирный переезд);

(2; Вид перевозки – Офисный переезд);

(3; Грузоподъёмность – 1,5 тонны);

(4; Высота фургона – 2 метра);

(5; Длина фургона – 3 метра);

(6; Объём фургона – 6 кубов);

Для данной экспертной системы, так же будут использоваться такие гипотезы:

(“Газель тентованая”, 0.01, 3; (1; 0,5; 0,09); (2; 0,3; 0,7); (3; 0,5; 0,01));

(“Газель Бортовая”, 0.01, 3; (1; 0,5; 0,09); (3; 0,5; 0,01); (5; 0,5, 0,04));

(“2-х тонник”, 0.01, 2; (1; 0,7; 0,2); (2; 0,4; 0,6));

(“3-х тонник”, 0.01, 4; (1; 0,8; 0,3); (2; 0,7; 0,2); (4; 0,6; 0,2); (6; 0,3, 0,1));

(“5-ти тонник”, 0.01, 3; (1; 0,9; 0,2); (3; 0,9; 0,3); (5; 0,5; 0,1));

Стратегия логического вывода:

Цена свидетельства характеризует степень влияния данного признака на вероятность гипотезы.

В процессе логического вывода величины и сходятся. Следовательно:

· Если на некотором шаге оказывается, что какой-либо гипотезы становится меньше всех других гипотез, то такую гипотезу можно просто отбросить;

· Если какой-либо гипотезы становится больше всех других гипотез, то эта гипотеза может быть досрочно взята в качестве решения.

Часто эти два условия оказываются слишком жесткими, и время логического вывода превосходит разумные пределы. Тогда вместо и в качестве верхней и нижней граней можно взять некоторые величины и . Например, такие:

Рисунок 1 – блок-схема алгоритма

В ходе проектирования, были получены навыки работы с данным методом, проанализированы аналогичные экспертные системы.

В дальнейшем спроектированная ЭС будет разработана в виде страницы сайта на языке PHP.

Список использованных источников

Раздел: Информатика
Количество знаков с пробелами: 18128
Количество таблиц: 0
Количество изображений: 1

Читайте также: