Секция: современные

информационные технологии

подсекция: №2

УДК 321.3

Крючковский В.В., Шеховцов А.В.

Херсонский национальный технический университет

ПРЕДСТАВЛЕНИЕ ЗНАНИЙ В ЭКСПЕРТНЫХ СИСТЕМАХ ПРИ ПОСТРОЕНИИ МОДЕЛЕЙ

Предлагается гибридная модель, основанная на сочетании фреймового, продукционного, объектно-ориентированного и реляционного подходов к представлению знаний в сочетании с элементами нечеткой логики и механизма «правил активации».Основное назначение модели соответствует концептуальному моделированию объектов интеллектуальных САПР на этапах создания быстрого прототипа и ранних стадиях исследовательского варианта экспертных систем.

Решения широкого круга неформализуемых задач в различных предметных областях в настоящее время в большой степени связано с практическим применением средств вычислительной техники и современных информационных интеллектуальных технологий, одной из которых является технология экспертных систем [1].

Экспертная система (ЭС) – это специальный программный комплекс, аккумулирующий знания специалистов в конкретной предметной области и обеспечивающий пользователя возможностями [2]:

- трансформирования опыта специалистов-экспертов путем создания и развития базы знаний;

- достижения более устойчивых результатов в решении задач;

Под неформализуемыми задачами понимаются задачи, которые невозможно представить в числовой форме ввиду неточной определенности исходной информации, а также операций и целей ее преобразования. К таким задачам относятся задачи классификации, диагностики, проектирования, принятия решений в условиях неопределенности и др.

Основными отличительными характеристиками экспертных систем по отношению к прикладным и другим интеллектуальным программным системам являются:

· формирование в случае неточной исходной информации выводов и рекомендаций по решению задачи на основе базы знаний (БЗ);

· использование для решения задач эвристических методов поиска;

· моделирование механизма мышления специалистов-экспертов в предметной области реального мира;

Информационной основой экспертной системы являются база данных и база знаний.

База данных содержит формализованную информацию об отдельных фактах, характеризующих объекты, процессы и явления предметной области, а также их свойства.

На данных, полученных практическим путем, основываются знания, представляющие собой структурированные данные (метаданные), характеристическими признаками которых являются:

·активность;

·интегрируемость;

·связность;

·структурированность.

Естественен переход от данных к знаниям как следствие развития и усложнения информационно-логических структур, обрабатываемых вычислительной техникой.

База экспертных знаний является главной составной частью экспертной системы.

В настоящее время основными классами моделей представления знаний в экспертных системах являются фреймы, семантические сети, продукционные модели и модели нечетких знаний [3, 4].

Фрейм (англ. frame – рамка, каркас) – познавательная структура, дающая целостное представление об объектах, явлениях и их типах в виде абстрактных образов для представления стереотипа восприятия.

Структура фрейма представляется в виде:

N : {<S1,V1.P1>,...,<Sk,Vk,Pk>,...,<Sn,Vn,Pn>},

где N - имя фрейма; <Sk,Vk,Pk> (k=1,...,n) – слот; Sk – имя слота; Vk – значение слота; Pk– процедура.

Слоты – это структурные элементы фрейма, заполнение которых приводится к тому, что фрейм ставится в соответствие некоторой ситуации, явлению, объекту или процессу.

Имена фреймов и слотов обеспечивают интерпретируемость хранящихся во фреймах значений. Фреймы имеют свойство вложенности, т.к. значениями слота могут быть имена слотов более глубокого уровня. Значениями слотов могут быть приказы вызова процедур для активизации программ на основе имеющихся значений. Различают фреймы-образцы (прототипы), хранящиеся в БЗ, и фреймы-экземпляры, отображающие реальные ситуации на основе поступающих данных. Знания предметной области представляются фреймами-объектами, фреймами-сценариями, фреймами-ролями, фреймами-ситуациями и др.

Фреймы математически представляются как ориентированные графы с помеченными вершинами и дугами. Они отражают концептуальную основу организации памяти человека, обладают наглядностью, модульностью, объединяют достоинства процедурного и декларативного представления знаний, эффективны при обработке семантической составляющей знаний.

Семантическая сеть – это ориентированный граф, вершины которого представляют понятия. Основными видами семантических отношений являются лингвистические, теоретико-множественные, логические и квантифицированные. Семантические сети можно классифицировать по количеству типов отношений (однородные, неоднородные) и по типам отношений (бинарные, N – арные). Они обеспечивают наглядность отображения объектов, связей и отношений, а также гибкость представления знаний за счет ассоциативности и иерархичности. Эффективно, например, представление семантической сетью знаний о совокупности технологических операций в различных производствах.

Продукционная модель позволяет представить знания в виде продукционных правил, т.е. предложений типа: ЕСЛИ <перечень условий>, ТО <перечень действий >.

«Условие» - это образное предложение, по которому идет поиск в базе знаний, а «действие» - это операция, выполняемая при успешном результате поиска.

Продукционное правило в общем случае представляется в виде:

i : S; C; A → B; P,

где i - номер продукции; S - описание класса ситуаций, в котором эта структура может использоваться; С – условие, при котором данная продукция активизируется; А→В – ядро продукции (например, «ЕСЛИ А1,А2,…,Аn, ТО В»); Р – постусловие продукционного правила, определяющее действия, которые необходимо произвести после выполнения В.

В зависимости от количества условий и действий в соответствующих перечнях различают следующие типы правил: простое – одно условие и одно действие, составное – много условий и действий, фиксирующее – много условий и одно действие, разветвляющееся – одно условие и много действий.

Продукционные модели (наряду с фреймами) являются наиболее распространенными средствами представления знаний (особенно в промышленных экспертных системах), так как обеспечивают простоту смысловой интерпретации, модульность, легкость корректировки и логического вывода. Применение продукционных правил способствует «прозрачности» экспертной системы, т.е. ее способности к объяснению принятых решений и полученных результатов. Недостатками продукционных моделей являются трудности при добавлении правил, зависящих от уже имеющихся в базе знаний, а также при отладке программ.

Модели представления нечетких знаний используются для формализации человеческих знаний, описывающих качественные характеристики (например, большой, сильный, очень сильный, высокий и т.п.) объектов предметной области, которые могут интерпретироваться неоднозначно, но содержат важную информацию.

Теоретической основой данного представления являются нечеткая (fuzzy) алгебра, нечеткая логика и теория нечетких множеств [5]. Одним из основных понятий в нечеткой логике является понятие лингвистической переменной (ЛП), которая определяется как переменная, значения которой описываются набором словесных (вербальных) характеристик некоторого свойства. Например, лингвистическая переменная «цена продукции» может определяться набором значений {очень высокая, высокая, средняя, низкая, очень низкая}. Совокупность значений (названий) лингвистической переменной образует так называемое терм-множество, а исходная переменная называется базовой. Различным термам могут соответствовать различные значения базовой переменной. Значения ЛП определяются через нечеткие множества, которые, в свою очередь, определены на базовой числовой шкале, имеющей размерность.

Если рассмотреть универсальное множество U как область рассуждений (диапазон), в которой может находиться величина, то нечеткое подмножество А множества U можно охарактеризовать функцией принадлежности μА : U→[0;1], ставящей в соответствие каждому элементу u є U число μА є [0;1].

Нечеткое подмножество представляется в виде:

где - степень принадлежности элемента подмножеству А; знак суммирования обозначает объединение одноточечных множеств / ; черта не является символом деления.

Так, например, терму «высокий» для значения некоторого параметра химико-технологического процесса можно сопоставить нечеткое множество А универсального множества U = 0+1+2+3+4+5 (диапазона значений параметра):

A = 0/0 + 1/0,2 + 2/0,4 + 3/0,6 + 4/0,8 + 5/1

Если μi непрерывная функция, то нечеткое подмножество

А представляется в виде:

,

где знак интегрирования обозначает операцию объединения одноточечных множеств

u / μA(u).

Нечеткое множество можно представить в виде совокупности пар (x,μA(x)), образованной значениями базовой переменной х є Х и из функций принадлежности μА(х), устанавливающих связь между этими значениями и числами на отрезке [0;1].

Функция принадлежности характеризует степень субъективной уверенности эксперта в том, что данное значение базовой шкалы соответствует нечеткому множеству.

Для интерпретации, например, лингвистической переменной «возраст» можно использовать нечеткие множества «Детский», «Юный», «Молодой», «Зрелый», «Старый» и базовую шкалу в диапазоне от 0 до 120 лет. Функция принадлежности будет определять степень соответствия данного количества лет с данной категорией возраста.

На основе моделей представления нечетких знаний реализуются, в частности, методы принятия решений в условиях неопределенности.

Совершенствование методологии представления знаний обеспечивает дальнейшее развитие технологии экспертных систем.

Накопление знаний в САПР в диалоге с экспертами и их вербальное описание; перевод вербальных знаний на один из языков инженерии знаний, реализующий подходящий формализм представления, и проверка модели предметной области на адекватность.

Существует достаточно большой выбор оболочек ЭС и языков, отражающих различные формализмы представления. Характер указанной процедуры и инструментов моделирования задач САПР, в частности, компоновки блоков ЭВА, ставит ряд эпистемологических и психолингвистических проблем, которые: затрудняют адекватное представление знаний в САПР и снижают продуктивность работы инженера; представляются разрешимыми на сегодняшнем уровне развития когнитивных наук. Среди таких проблем укажем:

Термины проблемной области в САПР редко соответствуют тем понятиям, которые использует эксперт. Эксперт пользуется специальным языком. Эксперт, как правило, не использует в рассуждениях многочисленные свойства реальных объектов САПР, а пользуется обобщенными характеристиками, не имеющими прямых физических аналогов. Экспертным знаниям присуща ограниченная когнитивная сложность: эксперт обычно не использует сложных правил; взаимодействие между фрагментами знаний, по-видимому, ограничено. Экспертные знания носят объектно-ориентированный характер. Значительная роль (особенно в задачах проектирования) принадлежит познанию через отрицание по типу "это не есть Х", где свойства понятия (класса понятий) Х определены явно. Для любого фрагмента ЭЗ, в какой бы форме оно не выступало, имеется граничное условие его применимости. Контекст указывается двояко: посредством умолчания и диапазона ожидания (свойств объекта, значений параметра). Диапазон при этом выступает, как правило, в виде списка значений, связанных отношением "И"/"ИЛИ", либо нечеткого множества. Эксперт пользуется гибкой стратегией «разделяй и властвуй» (разбиения общей проблемы на подзадачи и перехода от подзадачи к подзадаче). Гибкость заключается в изменении стратегии решения в зависимости от хода решения; именно это позволяет избегать полного перебора вариантов. Эксперт не пользуется сложными отношениями между понятиями в САПР. Объединение фрагментов ЭЗ в целостную структуру происходит, в основном, двумя способами: за счет установления прямых ассоциативных связей по типу «это относится к Х»; посредством имплицирования некоторых фрагментов экспертных знаний. Чем выше квалификация эксперта, тем большую размерность имеет его личная матрица импликаций.

Предлагается гибридная модель, основанная на сочетании фреймового, продукционного, объектно-ориентированного и реляционного подходов к представлению знаний в сочетании с элементами нечеткой логики и механизма «правил активации».

Данный подход позволяет реализовать базу знаний (БЗ) как надстройку над любой современной реляционной СУБД (MS SQL, Oracle, MySQL, FoxPro и др.), сочетая ее возможности с интеллектуальной обработкой данных на основе механизма фреймов. Здесь каждый фрейм представляется отдельной функцией. Имя фрейма соответствует имени функции, а его значение, определенное в процессе означивания фрейма - возвращаемому функцией значению. Целевые слоты моделируются параметрами функции, начальные слоты - локальными переменными, описанными внутри тела функции. Определяемые слоты могут описываться двумя способами. Активации фрейма соответствует вызов функции. Иерархические связи между фреймами различных уровней организуются путем подстановки функции, моделирующей субфрейм, в качестве параметра функции родительского фрейма. Здесь допустимы не только древовидные иерархии, но и сети фреймов с циклическими участками. Наследование свойств фрейм-моделей достигается автоматически при соблюдении следующих принципов описания слотов: слоты фрейма, выражающие наследуемые его субфреймами свойства, должны описываться переменными в теле головной функции-фрейме. В субфреймах данные имена не должны декларироваться в качестве переменных. При условии их определенности в родительском фрейме, данные слоты-переменные становятся доступны также в любом субфрейме.

Заключение. Отметим две особенности предлагаемой модели представления ЭЗ, связанные с реализацией и использованием. Списки значений слотов и фреймы могут быть представлены в виде составных отношений с именем <ИМЯ-ФРЕЙМА> и соответствующими атрибутами. Аналогично можно рассматривать и сети. Это позволяет реализовать различные варианты данной модели в среде любой реляционной СУБД.

Литература

1. Джексон П. Введение в экспертные системы. – М.: Издательский дом «Вильямс», 2001. – 624 с.

2. Попов Э.В., Фоминых И.Б., Кисель Е.Б., Шапот М.Д. Статические и динамические экспертные системы: Учебное пособие. – М.: Финансы и статистика, 1996. – 320 с.

3. Гаврилова Т.А., Хорошевский В.Ф. Базы знаний интеллектуальных систем. – СПб.: Питер, 2001. – 384 с.

4. Рыбина Г.В. Проектирование систем, основанных на знаниях: Учебное пособие. – М.: МИФИ, 1997. -104 с.

5. Кофман А. Введение в теорию нечетких множеств: Перевод с англ. – М.: радио и связь, 1982. – 432 с.

Секция: современные

информационные технологии

подсекция: №2

Крючковский Виктор Владимирович, к.ф.-м.н., профессор кафедры прикладной математики и математического моделирования Херсонского национального технического университета

1) 73008, Херсон-8, Бериславское шоссе, 24, ХНТУ,

р/т 51-82-71 и 44-39-82

Е-mаil: kstu@tlc.kherson.ua

2) 73005, Херсон-5, а/я 15

Крючковскому В.В.

д/т 31-28-28

Шеховцов Анатолий Викторович, к.т.н., профессор кафедры информационных технологий Херсонского национального технического университета

1) 73008, Херсон-8, Бериславское шоссе, 24, ХНТУ.

р/т 51-57-31 Е-mаil: Anatol 1938@ukr.net

2) д/т 26-77-69

моб. 8-097-265-32-07