- •Основные направления исследований в области искусственного интеллекта.
- •Свойства и отношения. Классификация отношений.
- •Представление знаний и работа с ними. Обзор языков представления знаний.
- •Знания экспертов. Экспертные системы (области применения). Архитектура эс.
- •Система представления знаний.
- •Фреймы. Семантические сети. Классификация базовых понятий сс. Сущности и отношения.
- •Логическая модель представления знаний. Декларативное и процедурное представление знаний. Система логического вывода (слв).
- •Система приобретения знаний. Подсистемы объяснения эс. Организация интерфейса в эс. Жизненный цикл эс.
- •Данные и знания. Управление знаниями.
- •Исчисление предикатов. Правила вывода на основе исчисления предикатов.
- •Нечеткая логика. Модели нечеткой логики.
- •Онтологии. Разработка концептуальной модели предметной области на основе онтологического подхода.
- •Программные агенты и мультиагентные системы.
- •Стохастический подход к описанию неопределенностей.
- •Байесовские сети доверия.
- •Основы искусственных нейронных сетей. Обучение персептрона.
- •Процедура обратного распространения. Сети встречного распространения.
- •Слои Кохоненна
- •Слой Гроссберга
- •Применение стохастических методов для обучения искусственных нейронных сетей.
- •Сети Хопфилда.
- •Ассоциативная память. Адаптивная резонансная теория. Оптические нейронные сети.
- •Описание apt
- •Задачи распознавания образов. Когнитрон и неокогнитрон.
- •Структура
- •Алгоритмы обучения нейронных сетей. Обучение с учителем и без учителя. Самоорганизация. Алгоритмы обучения
- •Цель обучения
- •Обучение с учителем
- •Обучение без учителя
- •Нейронная сеть Хемминга. Нейронная сеть Хебба.
- •Генетические алгоритмы. Адаптивные методы поиска.
- •Алгоритмы роевого интеллекта. Алгоритм роя частиц.
- •Метод пчелиной колонии
- •Моделирование перемещения бактерий
- •Муравьиный алгоритм
- •Жадные алгоритмы
- •Эволюционные вычисления и эволюционное программирование
- •Алгоритм имитации отжига
- •Меметический алгоритм
- •Алгоритм культурного обмена
- •Системы поддержки принятия решений
- •Многомерные данные и olap-технологии
Нечеткая логика. Модели нечеткой логики.
При работе со многими предметными областями в базах данных и знаний возникают ситуации, когда мы невозможно точно количественно описать какие-либо объекты или явления. Поэтому для успешного принятия решения мы должны научиться работать с качественными данными и нечетко определенными понятиями. В связи с этим возникают вопросы:
как сложить два качественных описания или найти их;
как выполнить фильтрацию данных, для которых критерии выражаются нечеткими понятиями? -
Для ответа на подобные вопросы используется специальный математический аппарат, называемый теорией нечетких множеств, который, как показали несколько последних десятилетия, оказался достаточно жизненным, широко и успешно применяемым в самых различных областях [6]. Рассмотрим основные определения и положения теории нечетких множеств.
Нечетким множеством А на множестве U называется совокупность пар А = (р.^(и),и), где Рл(м) - функция принадлежности нечеткого множества А, а и - носитель нечеткого множества А.
Онтологии. Разработка концептуальной модели предметной области на основе онтологического подхода.
онтология - это точная спецификация некоторой области, которая включает в себя словарь терминов предметной области и множество связей (типа «элемент-класс», «часть-целое»), которые описывают, как эти термины соотносятся между собой. Фактически это иерархический понятийный скелет предметной области.
К сожалению, при разработке новых и использовании существующих онтологий возникает множество трудностей:
отсутствие стандартизованных идентифицирующих особенностей, которые характеризовали бы онтологии с точки зрения пользователя;
разный уровень детализации онтологий, находящихся на одном сервере;
отсутствие Web-сайтов, использующих одинаковую логическую структуру и предоставляющих релевантную информацию об онтологиях;
поиск подходящих онтологий сложен, занимает много времени, а также часто безрезультатен.
Концептуализация предметной области предполагает описание множества объектов и понятий, знаний о них и связей между ними. Онтология представляет собой базу знаний, описывающую факты, которые предполагаются всегда истинными в рамках определенного сообщества на основе общепринятого смысла используемого словаря. Онтология — это эксплицитная спецификация определенной темы.
расширяемая онтология - в которой множество концептов представлено в виде сетевой структуры, используются не только определенной предметной области, а множество F включает как декларативные, так и процедурные интерпретации и отношения, обеспечивающие возможность определения новых отношений. Модель расширяемой онтологии является достаточно мощной для представления функциональных спецификаций процессов формирования пространств знаний различных предметных областей. Однако такая модель является неполной в силу своей пассивности даже в случае применения процедурных интерпретаций и применения специальных функций пополнения онтологии, поскольку единственной точкой управления активностью в такой модели является запрос на интерпретацию определенного концепта. Этот запрос выполняется всегда одинаково и инициирует запуск соответствующей процедуры. А собственно вывод ответа на запрос и/или поиск необходимой для этого информации остается вне модели и должен реализовываться другими средствами.
