17.Логические модели знаний

Логические модели, на которых в настоящем материале сделан главный акцент, наиболее универсальны и формализованы. Для них имеется мощный математический аппарат. Логическая модель представляет конечное или бесконечное множество логических формул. Для записи формул используется язык, содержащий алфавит (набор символов) и множество правил образования правильно построенных формул. Символами логического языка являются: Константы (например, 0,1,2,… или ‘a’,’b’,’c’,…);, Переменные: x,y,…,z; Функциональные символы: f,g,h; Символы предикатов (отношений) P,Q,R,; Кванторы всеобщности  и существования ; Логические операции (связки): & (“и”), v (“или”),  (“не”),  (“следует”),  (“эквивалентно”). & называют операцией конъюнкции, v – дизъюнкции,  - отрицания,  - импликацией и  - эквиваленцией. Кроме символов языка, рассматриваются синтаксические правила записи предложений (формул) логического языка. Отправным элементом является простейшая формула – предикат (в логике предикатов) и булевская переменная ( в логике высказываний). Предикат – это простейшая (атомарная) формула ( с отрицанием или без него) вида P(…), где в скобках указываются аргументы формулы – переменные, константы или функторы, либо вовсе не указываются аргументы. Предикат принимает одно из двух возможных значений: истина или ложь.

В основе логических моделей представления знаний лежит понятие формальной системы в виде четверки:

M = <T,P,A,F>,

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.

33.Методы и алгоритмы распознавания в экспертных системах.

Системы распознавания предназначены для отнесения распознаваемого объекта или явления к одному из известных классов на основе признаков данного объекта (явления). Под классом понимается некоторая совокупность объектов, обладающих близкими (в чем-либо) свойствами. В качестве объекта может рассматриваться реальный физический объект или некоторая ситуация. Примеры применения систем распознавания - системы технической диагностики, системы медицинской диагностики, системы технического контроля, системы для составления метеорологических прогнозов и т.д.Решающая (дискриминаторная, классифицирующая) функция - это функция от значений признаков распознаваемого объекта, по значению которой может быть принято решение об отнесении объекта к одному из известных классов.

Виды решающих функций:

• решающие функции на основе минимального расстояния; • разделяющие решающие функции (границы между классами).

Большинство методов построения разделяющих решающих функций основано на использовании обучающего множества, т.е. набора объектов, для которых уже известно, к каким классам они относятся. В обучающем множестве должны быть объекты из всех имеющихся классов. Построение решающей функции состоит в подборе такого вида функции, при котором она правильно распознает объекты из обучающего множества.

1. Выбираются некоторые начальные значения коэффициентов решающей функции. Пусть, например, эти коэффициенты принимаются равными нулю: W0=W1=W2=...=WN=0.

2. Счетчик правильно распознанных объектов принимается равным нулю: Е=0.

3. Из обучающего множества выбирается первый объект.

4. Выбранный объект подставляется в решающую функцию.

5. Если счетчик правильно распознанных объектов равен общему количеству объектов в обучающем множестве, то алгоритм завершается. Решающая функция построена.

6. Если счетчик правильно распознанных объектов меньше общего количества объектов в обучающем множестве, то выбирается очередной объект (если все объекты в обучающем множестве уже рассмотрены, то снова

выбирается первый объект). Выполняется возврат на шаг 4.

14.Метод экспоненциального сглаживания

Метод экспоненциального сглаживания в отличие от метода скользящих средних еще и может быть использован для краткосрочных прогнозов будущей тенденции на один период вперед и автоматически корректирует любой прогноз в свете различий между фактическим и спрогнозированным результатом. Название метода происходит из того факта, что при его применении получаются экспоненциально взвешенные скользящие средние по всему временному ряду. При экспоненциальном сглаживании учитываются все предшествующие наблюдения - предыдущее учитывается с максимальным весом, предшествующее ему - с несколько меньшим, самое ранее наблюдение влияет на результат с минимальным статистическим весом.Алгоритм расчета экспоненциально сглаженных значений в любой точке ряда i основан на трех величинах:

фактическое значение Ai в данной точке ряда i, прогноз в точке ряда Fi некоторый заранее заданный коэффициент сглаживания W, постоянный по всему ряду.

F_i+1=W_xA_i+(1-W)*F_i

8. Нейронные сети

Нейронные сети - исключительно мощный метод моделирования, позволяющий воспроизводить чрезвычайно сложные зависимости. В частности, нейронные сети нелинейны по своей природе. На протяжении многих лет линейное моделирование было основным методом моделирования в большинстве областей, поскольку для него хорошо разработаны процедуры оптимизации. В задачах, где линейная аппроксимация неудовлетворительна, линейные модели работают плохо. Кроме того, нейронные сети справляются с "проклятием размерности", которое не позволяет моделировать линейные зависимости в случае большого числа переменных

Простота в использовании.  Нейронные сети учатся на примерах. Пользователь нейронной сети подбирает представительные данные, а затем запускает алгоритм обучения, который автоматически воспринимает структуру данных. При этом от пользователя, конечно, требуется какой-то набор эвристических знаний о том, как следует отбирать и подготавливать данные, выбирать нужную архитектуру сети и интерпретировать результаты, однако уровень знаний, необходимый для успешного применения нейронных сетей, гораздо скромнее, чем, например, при использовании традиционных методов статистики.

12.Нечеткая логика в принятии решений

Нечёткая логика fuzzy logic) и теория нечётких множеств — раздел математики, являющийся обобщением классической логики и теории множеств. Понятие множества расширено допущением, что функция принадлежности элемента к множеству может принимать любые значения в интервале [0...1], а не только 0 или 1. Такие множества были названы нечёткими. Подход на основе нечеткой логики. Это менее точный метод оценки достоверности используемых знаний является применение нечеткой логики, в которой вероятности заменяются на экспертные оценки определенности фактов и применения правил (факторы уверенности). Факторы уверенности могут рассматриваться и как весовые коэффициенты, отражающие степень важности аргументов в процессе вывода заключений. Итоговые факторы уверенности получаемых решений главным образом отражают порядок достоверности результата, а не его точность, что вполне приемлемо во многих задачах.

31.Назначение разделов в языке Пролог.

Программа,   написанная на языке Пролог состоит из пяти основных разделов: раздел описания доменов  (типов объектов), раздел внутренней базы данных, раздел описания предикатов, раздел описания предложений и раздел описания цели. Ключевые слова domains,  facts(database),  predicates,  clauses и goal  отмечают начала соответствующих разделов.   Назначение этих разделов таково:

• раздел domains содержит определения доменов,   которые описывают различные типы объектов,   используемых в программе,   если используются стандартные типы, то раздел может не использоваться;

• раздел facts(database) содержит описание предикатов динамической (внутренней)  базы данных,  которые являются предикатами базы данных и могут быть изменены в процессе работы программы без перекомпиляции, если программа такой базы данных не требует, то этот раздел может быть опущен;

• раздел predicates служит для описания используемых программой предикатов, этот раздел является обязательным;• в раздел clauses заносятся факты и правила статической базы данных, которая и является собственно программой, этот раздел является обязательным;

• в разделе goal  на языке Пролога формулируется цель(  запрос)   созданной программы. Составными частями при этом могут являться некие подцели, из которых формируется единая цель программы,   этот раздел является обязательным.

26.Обработка событий в системе Visual Prolog.