На бирже курсовых и дипломных проектов можно найти образцы готовых работ или получить помощь в написании уникальных курсовых работ, дипломов, лабораторных работ, контрольных работ, диссертаций, рефератов. Так же вы мажете самостоятельно повысить уникальность своей работы для прохождения проверки на плагиат всего за несколько минут.

ЛИЧНЫЙ КАБИНЕТ 

 

Здравствуйте гость!

 

Логин:

Пароль:

 

Запомнить

 

 

Забыли пароль? Регистрация

Повышение уникальности

Предлагаем нашим посетителям воспользоваться бесплатным программным обеспечением «StudentHelp», которое позволит вам всего за несколько минут, выполнить повышение уникальности любого файла в формате MS Word. После такого повышения уникальности, ваша работа легко пройдете проверку в системах антиплагиат вуз, antiplagiat.ru, etxt.ru или advego.ru. Программа «StudentHelp» работает по уникальной технологии и при повышении уникальности не вставляет в текст скрытых символов, и даже если препод скопирует текст в блокнот – не увидит ни каких отличий от текста в Word файле.

Результат поиска


Наименование:


Лекции Лекции по "Интеллектуальным информационным системам"

Информация:

Тип работы: Лекции. Добавлен: 25.05.2012. Сдан: 2011. Страниц: 9. Уникальность по antiplagiat.ru: < 30%

Описание (план):


  ЭЛЕКТРОННЫЙ КОНСПЕКТ ЛЕКЦИЙ
  ПО  ДИСЦЕПЛИНЕ
  ИНТЕЛЛЕКТУАЛЬНЫЕ  ИНФОРМАЦИОННЫЕ СИСТЕМЫ
     В 1950 году британский математик Алан Тьюринг опубликовал в журнале  «Mind» свою работу «Вычислительная  машина и интеллект», в которой  описал тест для проверки программы  на интеллектуальность. Он предложил поместить исследователя и программу в разные комнаты и до тех пор, пока исследователь не определит, кто за стеной - человек или программа, считать поведение программы разумным. Это было одно из первых определений интеллектуальности, то есть А. Тьюринг предложил называть интеллектуальным такое поведение программы, которое будет моделировать разумное поведение человека.
     С тех пор появилось много определений интеллектуальных систем (ИС) и искусственного интеллекта (ИИ). Сам термин ИИ (AI - Artificial Intelligence) был предложен в 1956 году на семинаре в Дартсмутском колледже (США). Приведем некоторые из этих определений.
     ИИ есть область компьютерных наук, занимающуюся исследованием и автоматизацией разумного поведения.
     ИИ - это одно из направлений информатики, целью которого является разработка аппаратно-программных средств, позволяющих пользователю-непрограммисту ставить и решать свои, традиционно считающиеся интеллектуальными задачи, общаясь с ЭВМ на ограниченном подмножестве естественного языка (более специализированное на решение практических задач).
    Рассмотрим  основные направления исследований в области искусственного интеллекта.
    Разработка  интеллектуальных информационных cucmeм или систем, основанных на знаниях. Это одно из главных направлений ИИ. Основной целью построения таких систем являются выявление, исследование и применение знаний высококвалифицированных экспертов для решения сложных задач, возникающих на практике. При построении систем, основанных на знаниях (СОЗ), используются знания, накопленные экспертами в виде конкретных правил решения тех или иных задач. Это направление преследует цель имитации человеческого искусства анализа неструктурированных и слабоструктурированных проблем. В данной области исследований осуществляется разработка моделей представления, извлечения и структурирования знаний, а также изучаются проблемы создания баз знаний (БЗ), образующих ядро СОЗ. Частным случаем СОЗ являются экспертные системы (ЭС).
    Разработка  естественно-языковых интерфейсов и машинный перевод. Проблемы компьютерной лингвистики и машинного перевода разрабатываются в ИИ с 1950-х гг. Системы машинного перевода с одного естественного языка на другой обеспечивают быстроту и систематичность доступа к информации, оперативность и единообразие перевода больших потоков, как правило, научно-технических текстов. Системы машинного перевода строятся как интеллектуальные системы, поскольку в их основе лежат БЗ в определенной предметной области и сложные модели, обеспечивающие дополнительную трансляцию «исходный язык оригинала — язык смысла - язык перевода». Они базируются на структурно-логическом подходе, включающем последовательный анализ и синтез естественно-языковых сообщений. Кроме того, в них осуществляется ассоциативный поиск аналогичных фрагментов текста и их переводов в специальных базах данных (БД). Данное направление охватывает также исследования методов и разработку систем, обеспечивающих реализацию процесса общения человека с компьютером на естественном языке (так называемые системы ЕЯ-общения).
    Генерация и распознавание  речи. Системы речевого общения создается в целях повышения скорости ввода информации в ЭВМДразгрузки зрения и рук, а также для реализации речевого общещш на значительном расстоянии. В таких системах под текстом поднимают фонемный текст (как слышится).
    Обработка визуальной информации. В этом научном направлении решаются задачи обработки, анализа и синтеза изображений. Задача обработки изображений связана с трансформированием графических образов, результатом которого являются новые изображения. В задаче анализа исходные изображения преобразуются в данные другого типа, например в текстовые описания. При синтезе изображений на вход системы поступает алгоритм построения изображения, а выходными данными являются графические объекты (системы машинной графики).
    Обучение  и самообучение. Эта актуальная область ИИ включает модели, методы и алгоритмы, ориентированные на автоматическое накопление и формирование знаний с использованием процедур анализа и обобщения данных. К данному направлению относятся не так давно появившиеся системы добычи данных (Data-mining) и системы поиска закономерностей в компьютерных базах данных (Knowledge Discovery).
    Распознавание образов. Это одно из самых ранних направлений ИИ, в котором распознавание объектов осуществляется на основании применения специального математического аппарата, обеспечивающего отнесение объектов к классам, а классы описываются совокупностями определенных значений признаков.
    Игры  и машинное творчество. Машинное творчество охватывает сочинение компьютерной музыки, стихов, интеллектуальные системы для изобретения новых объектов. Создание интеллектуальных компьютерных игр является одним из самых развитых коммерческих направлений в сфере разработки программного обеспечения. Кроме того, компьютерные игры предоставляют мощный арсенал разнообразных средств, используемых для обучения.
    Программное обеспечение систем ИИ. Инструментальные средства для разработки интеллектуальных систем включают специальные языки программирования, ориентированные на обработку символьной информации (LISP, SMALLTALK, РЕФАЛ), языки логического программирования (PROLOG), языки представления знаний (OPS 5, KRL, FRL), интегрированные программные среды, содержащие арсенал инструментальных средств для создания систем ИИ (КЕ, ARTS, GURU, G2), а также оболочки экспертных систем (BUILD, EMYCIN, EXSYS Professional, ЭКСПЕРТ), которые позволяют создавать прикладные ЭС, не прибегая к программированию.
    Новые архитектуры компьютеров. Это направление связано с созданием компьютеров не фон-неймановской архитектуры, ориентированных на обработку символьной информации. Известны удачные промышленные решения параллельных и векторных компьютеров, однако в настоящее время они имеют весьма высокую стоимость, а также недостаточную совместимость с существующими вычислительными средствами.
    Интеллектуальные  роботы. Создание интеллектуальных роботов составляет конечную цель робототехники. В настоящее время в основном используются программируемые манипуляторы с жесткой схемой управления, названные роботами первого поколения. Несмотря на очевидные успехи отдельных разработок, эра интеллектуальных автономных роботов пока не наступила. Основными сдерживающими факторами в разработке автономных роботов являются нерешенные проблемы в области интерпретации знаний, машинного зрения, адекватного хранения и обработки трехмерной визуальной информации. 

    Понятие интеллектуальной информационной системы.
    Интеллектуальная  информационная система (ИИС) основана на концепции использования базы знаний для генерации алгоритмов решения прикладных задач различных классов в зависимости от конкретных информационных потребностей пользователей.
    Для ИИС характерны следующие признаки :
    • развитые коммуникативные способности;
    • умение решать сложные плохо формализуемые  задачи;
    • способность к самообучению;
    • адаптивность
    Каждому из перечисленных признаков условно  соответствует свой класс ИИС. Различные  системы могут обладать одним или несколькими признаками интеллектуальности с различной степенью проявления.
     К сфере решаемых ИС задач относятся задачи, обладающие, как правило, следующими особенностями:
      в них неизвестен алгоритм решения задач (такие задачи будем называть интеллектуальными задачами);
      в них используется помимо традиционных данных в числовом формате информация в виде изображений, рисунков, знаков, букв, слов, звуков;
      в них предполагается наличие выбора (не существует алгоритма - это значит, что нужно сделать выбор между многими вариантами в условиях неопределенности). Свобода действий является существенной составляющей интеллектуальных задач.
    Характерным признаком интеллектуальных систем является наличие знаний, необходимых для решения задач конкретной предметной области. При этом возникает естественный вопрос, что такое знания и чем они отличаются от обычных данных, обрабатываемых ЭВМ.
    Данными называют информацию фактического характера, описывающую объекты, процессы и явления предметной области, а также их свойства. В процессах компьютерной обработки данные проходят следующие этапы преобразований:
    •исходная форма существования данных (результаты наблюдений и измерений, таблицы, справочники, диаграммы, графики и т.д.);
    •представление  на специальных языках описания данных, предназначенных для ввода и  обработки исходных данных в ЭВМ;
    •базы данных на машинных носителях информации.
    Знания  являются более сложной категорией информации по сравнению с данными. Знания описывают не только отдельные  факты, но и взаимосвязи между ними, поэтому знания иногда называют структурированными данными. Знания могут быть получены на основе обработки эмпирических данных. Они представляют собой результат мыслительной деятельности человека, направленной на обобщение его опыта, полученного в результате практической деятельности.
    Для того чтобы наделить ИИС знаниями, их необходимо представить в определенной форме. Существуют два основных способа наделения знаниями программных систем. Первый - поместить знания в программу, написанную на обычном языке программирования. Такая система будет представлять собой единый программный код, в котором знания не вынесены в отдельную категорию. Несмотря на то, что основная задача будет решена, в этом случае трудно оценить роль знаний и понять, каким образом они используются в процессе решения задач. Нелегким делом являются модификация и сопровождение подобных программ, а проблема пополнения знаний может стать неразрешимой.
    Второй  способ базируется на концепции баз данных и заключается в вынесении знаний в отдельную категорию, т.е. знания представляются в определенном формате и помещаются в БЗ. База знаний легко пополняется и модифицируется. Она является автономной частью интеллектуальной системы, хотя механизм логического вывода, реализованный в логическом блоке, а также средства ведения диалога накладывают определенные ограничения на структуру БЗ и операции с нею. В современных ИИС принят этот способ.
    Следует заметить, что для того, чтобы  поместить знания в компьютер, их необходимо представить определенными структурами данных, соответствующих выбранной среде разработки интеллектуальной системы. Следовательно, при разработке ИИС сначала осуществляются накопление и представление знаний, причем на этом этапе обязательно участие человека, а затем знания представляются определенными структурами данных, удобными для хранения и обработки в ЭВМ. Знания в ИИС существуют в следующих формах:
    •исходные знания {правила, выведенные на основе практического опыта, математические и эмпирические зависимости, отражающие взаимные связи между фактами; закономерности и тенденции, описывающие изменение фактов с течением времени; функции, диаграммы, графы и т. д.);
    •описание исходных знаний средствами выбранной  модели представления знаний (множество  логических формул или продукционных  правил, семантическая сеть, иерархии фреймов и т. п.);
    •представление  знаний структурами данных, которые предназначены для хранения и обработки в ЭВМ;
    •базы знаний на машинных носителях информации. Что же такое знания? Приведем несколько определений.
    Исследователями в области ИИ даются более конкретные определения знаний.
    «Знания - это закономерности предметной области (принципы, связи, законы), полученные в результате практической деятельности и профессионального опыта, позволяющие специалистам ставить и решать задачи в этой области».
    «Знания — это хорошо структурированные  данные или данные о данных, или  метаданные».
    «Знания - формализованная информация, на которую  ссылаются или используют в процессе логического вывода».
    Существует  множество классификаций знаний. Как правило, с помощью классификаций систематизируют знания конкретных предметных областей. На абстрактном уровне рассмотрения
    Можно говорить о признаках, по которым  подразделяются знания, а не о классификациях. По своей природе знания можно разделить на декларативные и процедурные.
    Декларативные знания представляют собой описания фактов и явлений, фиксируют наличие или отсутствие таких фактов, а также включают описания основных связей и закономерностей, в которые эти факты и явления входят.
    Процедурные знания — это описания действий, которые возможны при манипулировании фактами и явлениями для достижения намеченных целей.
    Для описания знаний на абстрактном уровне разработаны специальные языки - языки описания знаний. Эти языки  также делятся на языки процедурного типа и декларативного. Все языки описания знаний, ориентированные на использование традиционных компьютеров фон-неймановской архитектуры, являются языками процедурного типа. Разработка языков декларативного типа, удобных для представления знаний, является актуальной проблемой сегодняшнего дня.
    По  способу приобретения знания можно разделить на факты и эвристику (правила, которые позволяют сделать выбор при отсутствии точных теоретических обоснований). Первая категория знаний обычно указывает на хорошо известные в данной предметной области обстоятельства. Вторая категория знаний основана на собственном опыте эксперта, работающего в конкретной предметной области, накопленном в результате многолетней практики.
    По  типу представления знания делятся на факты и правила. Факты - это знания типа «А - это А», такие знания характерны для баз данных и сетевых моделей. Правила, или продукции, - это знания типа «ЕСЛИ А, ТО В».
    Кроме фактов и правил существуют еще  метазнания — знания о знаниях. Они необходимы для управления БЗ и для эффективной организации процедур логического вывода.
    Форма представления знаний оказывает существенное влияние на характеристики ИИС. Базы знаний являются моделями человеческих знаний. Однако все знания, которые привлекает человек в процессе решения сложных задач, смоделировать невозможно. Поэтому в интеллектуальных системах требуется четко разделить знания на те, которые предназначены для обработки компьютером, и знания, используемые человеком. Очевидно, что для решения сложных задач БЗ должна иметь достаточно большой объем, в связи с чем неизбежно возникают проблемы управления такой базой. Поэтому при выборе модели представления знаний следует учитывать такие факторы, как однородность представления и простота понимания. Однородность представления приводит к упрощению механизма управления знаниями. Простота понимания важна для пользователей интеллектуальных систем и экспертов, чьи знания закладываются в ИИС. Если форма представления знаний будет трудна для понимания, то усложняются процессы приобретения и интерпретации знаний. Следует заметить, что одновременно выполнить эти требования довольно сложно, особенно в больших системах, где неизбежным становится структурирование и модульное представление знаний.
  Интеллектуальные информационные системы способны выполнять отдельные интеллектуальные функции человека. ИИС помимо традиционных функций управления, контроля, защиты и диагностирования выполняют и дополнительные специфические функции, облегчающие интеллектуальный труд человека: быстрое принятие правильных решений в сложной обстановке, практически мгновенное реагирование на изменение внешних воздействий, непрерывный анализ и оценка текущих ситуаций, прогнозирование и предотвращение экстремальных и непредвиденных ситуаций, выдача оператору советов и рекомендаций по оптимальному управлению объектом и т. д. ИИС, подобно человеку, работают со знаниями, при этом важно учитывать что знания в ИИС ориентированы на компьютерную обработку. Знания, используемые в ИИС, должны быть определенным образом представлены или описаны. Представление знаний в ИИС — это процесс или результат кодирования и хранения знаний в базе знаний (правил). Процесс использования знаний в ИИС осуществляется с помощью специальных механизмов вывода (поиска) решений. База знаний и механизм вывода решений составляет ядро ИИС.
  Существуют  различные способы практической реализации базы знаний (правил) и механизмов вывода решений ИИС, основанные на технологиях моделирования интеллектуальной деятельности человека. В практике проектирования различных типов ИИС наиболее часто используются такие технологии, как «Экспертные системы» и «Нечеткая логика». 

Экспертные  системы 

  В начале 1970-х гг. пришло понимание, что  необходимы глубокие знания в соответствующей  области и выделение знаний из данных, получаемых от эксперта. Появляются экспертные системы (ЭС), или системы, основанные на знаниях.
  В основе базы знаний экспертных систем используется система представления знаний, называемая «системой продукций». Системы продукций — это набор правил, используемый как база знаний, поэтому его еще называют базой правил.
  В продукционных системах, основанных на правилах, знания о решении задачи представляются в виде правил «Если…то…». Этот подход, являясь одним из старейших методов представления знаний о предметной области в экспертной системе, широко применяется в коммерческих и экспериментальных ИСУ.
  Общий вид  продукционного правила представлен ниже:
      <Идентификатор  правила> <приоритет правила>
      Если <Условие> то <Действие>,
где:
  идентификатор правила — это уникальное наименование продукционного правила, выделяющее его из множества других правил в базе знаний;
  приоритет правила — число, показывающее «важность» правила в рассуждениях. Если два и более правил будут иметь истинные условия в левой части, то продолжит рассуждения правило с большим приоритетом;
  условие — это левая часть продукционного правила, совокупность элементарных фактов, связанных знаками конъюнкции (И), дизъюнкции (ИЛИ) и отрицания (НЕ).
  В качестве простого примера рассмотрим следующее  продукционное правило, формат записи которого представлен на языке интегрированной среды для разработки интеллектуальных систем управления КAPPA-РС (компании IntelliCorp):
  GoodElecSys:
  IF    car:SparkPlugCondition #= Ok And
      car:Timing #= InSynch And
      car:Battery #= Charged;
  THEN car:ElectricalSystem = Ok; car:Status = Running. 

  При записи правила сначала указывается его идентификатор (имя) «GodElecSys:», а затем после двоеточия — левая и правая части, соответственно <Условие> и <Действие>. Имеем следующий словарь информационных объектов (фактов): car:SparkPlugCondiion — условия искрообразования в автомобиле, car:Timing — регулировка момента зажигания автомобиля, InSynch — синхронизированно, car:Battery — состояние аккумулятора, Charged — заряжено, car:ElectricalSystem — состояние электрической системы автомобиля, car:Status — статус автомобиля, Running — готовность к запуску, ОК — хорошее, And — операция конъюнкции.
  Логический  смысл данного правила следующий: 

      Если <условия искрообразования в автомобиле хорошие
      И регулировка момента зажигания  автомобиля
      синхронизирована
      И аккумулятор заряжен>
      То <состояние электрической системы  автомобиля хорошее,
      автомобиль  готов к запуску> 

  Поиск решений  в системах продукций наталкивается  на проблемы выбора правил из конфликтного множества. Один из вариантов механизма  поиска решений в системах продукций рассмотрим на примере технологии, предлагаемой разработчиками широко известной в России интегрированной среды для разработки интеллектуальных систем управления КAPPA-РС.
  На рисунке 32 изображены основные элементы механизма поиска решений системы КAPPA-РС. 

 

  Интерпретатор — программа, имитирующая рассуждения  эксперта, решающего задачу, и работающая в одном из двух режимов — в режиме рассуждений в прямом направлении (прямой вывод) или в режиме рассуждений в обратном направлении (обратный вывод). Рассуждения в прямом направлении — это рассуждения, идущие в направлении «от фактов» в левых частях правил базы знаний к «действиям», указанным в правых частях правил из базы знаний.
  База фактов хранит иерархию информационных объектов (пирамиду знаний) в виде «объект: слот».
  База знаний хранит иерархию правил обработки фактов.
  План решения  задачи (Agenda) — очередь пар «объект: слот», которые должны быть обработаны машиной прямого вывода. Слоты, чьи значения изменены в результате применения правила, автоматически добавляются интерпретатором в Agenda.
  Список  правил (Rule List) — это список всех правил из текущего подмножества правил, удовлетворяющего следующему условию: все элементарные факты, а значит, и составной факт в левой части правила получили значение ИСТИНА. Правило, размещенное в списке правил, считается возбужденным, т. е. «готовым к применению». Прежде чем проверять истинность всех элементарных фактов из левой части правила, интерпретатор проверяет его релевантность («уместность»). Для этого пара «объект: слот» из Agenda сверяется со всеми элементарными фактами из левых частей всех правил базы знаний. Если совпадений нет, правило исключается из рассмотрения. Если есть хотя бы одно совпадение, то правило продолжает рассматриваться, т. е. продолжается оценка истинности других фактов в его левой части.
  Таким образом, Agenda содержит обрабатываемую информацию из базы фактов, а список правил — множество правил, готовых продолжить рассуждения по решению задачи.
  Если  в списке будет несколько правил, то такая ситуация называется «конфликтом правил», они «конфликтуют» за то, чтобы продолжить рассуждения. Для того чтобы разрешить конфликт, интерпретатору нужна дополнительная информация. Такая информация называется стратегией разрешения конфликта.
  Система КАPPA-PC, как и большинство аналогичных систем, поддерживает следующие классические стратегии разрешения конфликтов:
    стратегия Выборочная оценка (SELECTIVE Evaluation) — в процессе прямого вывода заново возбужденное правило добавляется в список правил в соответствии с его приоритетом. Одно правило из списка получает значение «истина», остальные из конфликтующих правил из списка правил удаляются. Список правил очищается перед тем, как новая пара «объект: слот» из Agenda начнет рассматриваться;
    стратегия Поиск в глубину (DEPTHFIRST Evaluation) — отличается от выборочной стратегии только тем, что не очищает список правил после выбора одного из конфликтующих правил и его использования в рассуждениях. Только что активированное правило (т. е. правило из базы знаний, у которого подтвердилась истинность составного факта в левой части) классифицируется в соответствии с его приоритетом и добавляется в начало списка правил. Правило из начала списка применяется интерпретатором в рассуждениях, что добавляет новую пару «объект: слот» в начало Agenda (пара добавляется, если значение слота какого-либо объекта из базы фактов изменено в результате действия, указанного в правой части правила, использованного в рассуждениях). Если есть пары «объект: слот» в Agenda и список правил не пустой, то приоритет отдается оценке следующей пары «объект: слот» в Agenda.
    стратегия Поиск в ширину (BREADTHFIRST Evaluation) — в течение прямого вывода в режиме «в ширину» вновь возбужденное правило размещается в соответствии с приоритетом, а потом добавляется в конец списка правил. Затем первое правило из списка применяется, и оно может сгенерировать новую пару «объект: слот» в Agenda. Если есть пары «объект: слот» в Agenda и правила в списке правил, приоритет отдается проверке следующего правила из списка.
  Рассмотрим  пример, иллюстрирующий работу выше описанного механизма поиска решений (см. рис. 32, с. 124) для выборочной стратегии разрешения конфликтов и базы знаний, состоящей из нескольких правил. Имеем следующий словарь информационных объектов базы знаний: SparkPlugCondition — условия искрообразования, Timing — регулировка момента зажигания, OutOfSynch — разсинхронизация, InSynch — синхронизация, IgnitionKey — ключ зажигания, Charged — заряжено, GasSystem — топливная система, Status — состояние, LightSwitch — включатель фар, LightsAppearance — наружный свет (свет фар), Bright — яркий, Dim — тусклый, EngineTurnover — обороты двигателя, Brisk — хорошие, Sluggish — медленные, Battery — аккумулятор.
  База знаний рассматриваемого примера следующая:
  BadElecSys:
  IF    car:SparkPlugCondition #= Bad Or
      car:Timing #= OutOfSynch Or
      car:Battery #= Low;
  THEN car:ElectricalSystem = Bad;
  GoodElecSys:
  IF    car:SparkPlugCondition #= Ok And
      car:Timing #= InSynch And
      car:Battery #= Charged;
  THEN car:ElectricalSystem = Ok;
  BadEngineSys:
  IF    car:IgnitionKey #= Off Or
      car:GasSystem #= Bad Or
      car:ElectricalSystem #= Bad;
и т.д.................


Перейти к полному тексту работы


Скачать работу с онлайн повышением уникальности до 90% по antiplagiat.ru, etxt.ru или advego.ru


Смотреть полный текст работы бесплатно


Смотреть похожие работы


* Примечание. Уникальность работы указана на дату публикации, текущее значение может отличаться от указанного.