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:


реферат Интеллектуальные информационные системы

Информация:

Тип работы: реферат. Добавлен: 09.08.2012. Сдан: 2011. Страниц: 15. Уникальность по antiplagiat.ru: < 30%

Описание (план):


Глава 1. Классификация  интеллектуальных  информационных систем 

1.1. Особенности и  признаки  интеллектуальности  информационных систем 
      Любая информационная система  (ИС) выполняет  следующие функции:  воспринимает вводимые пользователем информационные запросы и необходимые исходные данные, обрабатывает введенные и хранимые в системе данные в соответствии с известным алгоритмом и формирует требуемую выходную информацию. С точки зрения реализации перечисленных функций ИС можно рассматривать как фабрику, производящую информацию, в которой заказом является информационный запрос, сырьем - исходные данные, продуктом - требуемая информация, а инструментом (оборудованием) - знание, с помощью которого  данные преобразуются в информацию.
      Знание  имеет двоякую природу: фактуальную и операционную.
    Фактуальное знание - это осмысленные и понятые данные. Данные сами по себе - это специально организованные знаки на каком-либо носителе.
    Операционное знание - это те общие зависимости между фактами, которые позволяют интерпретировать данные или извлекать из них  информацию. Информация по сути - это новое и полезное знание для решения каких-либо задач.
      Часто фактуальное знание называют экстенсиональным (детализированным), а операционное знание - интенсиональным (обобщенным).
      Процесс извлечения информации из данных сводится к адекватному соединению операционного  и фактуального знаний и в различных  типах ИС выполняется по-разному. Самый простой путь их соединения заключается в рамках  одной  прикладной программы: 

      Программа = Алгоритм (Правила преобразования данных +
                                       Управляющая структура) + Структура  данных
 
      Таким образом, операционное знание (алгоритм) и фактуальное знание (структура  данных) неотделимы друг от друга. Однако, если в ходе эксплуатации ИС выяснится потребность в модификации одного из двух компонентов программы, то возникнет необходимость ее переписывания. Это объясняется тем, что полным знанием проблемной области обладает только разработчик ИС, а программа служит “недумающим исполнителем” знания разработчика. Конечный же пользователь вследствие процедурности и машинной ориентированности представления знаний понимает лишь внешнюю сторону процесса обработки данных и никак не  может на него влиять.
      Следствием  перечисленных недостатков является плохая жизнеспособность ИС или неадаптивность к  изменениям информационных потребностей. Кроме того, в силу детерминированности алгоритмов решаемых задач ИС не способна к формированию  у  пользователя  знания о действиях в не полностью определенных ситуациях.   
      В системах, основанных на обработке  баз данных (СБД - Data Base Systems), происходит отделение фактуального и операционного  знаний друг от друга. Первое организуется в виде базы данных, второе - в виде программ. Причем программа может автоматически генерироваться по запросу пользователя (например, реализация SQL или QBE запросов). В качестве посредника между программой и базой данных выступает программный инструмент доступа к данным - система управления базой данных (СУБД): 

      СБД = Программа <=> СУБД <=> База данных 

      Концепция независимости программ от данных позволяет  повысить гибкость ИС по выполнению произвольных информационных запросов. Однако, эта  гибкость в силу процедурности представления  операционного знания имеет четко  определенные границы. Для формулирования информационного запроса пользователь должен ясно представлять себе структуру базы данных и до определенной степени алгоритм решения задачи. Следовательно, пользователь должен достаточно хорошо разбираться в проблемной области, в логической структуре базы данных и алгоритме программы. Концептуальная схема базы данных выступает в основном только в роли промежуточного звена в процессе отображения логической структуры данных на структуру данных прикладной программы.
      Общие недостатки традиционных информационных систем, к которым относятся системы первых двух типов, заключаются в слабой  адаптивности  к  изменениям  в предметной области и информационным потребностям пользователей, в невозможности решать плохо формализуемые задачи, с которыми управленческие работники постоянно имеют дело. Перечисленные недостатки устраняются в интеллектуальных информационных системах (ИИС).
      Анализ  структуры программы показывает возможность выделения из программы  операционного знания (правил преобразования данных) в так называемую базу знаний, которая в декларативной форме хранит общие для различных задач единицы знаний. При этом управляющая структура приобретает характер универсального механизма решения задач (механизма вывода), который связывает единицы знаний в исполняемые цепочки (генерируемые алгоритмы) в зависимости от конкретной постановки задачи (сформулированной в запросе цели и исходных условий). Такие ИС становятся системами, основанными на обработке  знаний  (СБЗ - Knowledge Base (Based) Systems): 

СБЗ = База знаний <=> Управляющая структура <=> База данных
    (Механизм     вывода) 
 

      Для интеллектуальных информационных систем, ориентированных на генерацию алгоритмов решения задач,  характерны следующие  признаки:
    развитые коммуникативные способности,
    умение решать сложные  плохо формализуемые задачи,
    способность к самообучению,
      Коммуникативные способности ИИС характеризуют способ взаимодействия (интерфейса) конечного пользователя с системой, в частности, возможность формулирования произвольного запроса в диалоге с ИИС на языке, максимально приближенном к естественному.
      Сложные плохо формализуемые  задачи - это задачи, которые требуют построения оригинального алгоритма решения в зависимости от конкретной ситуации, для которой могут быть характерны неопределенность и динамичность исходных данных и знаний.
      Способность к  самообучению - это возможность автоматического извлечения знаний  для решения задач из накопленного опыта конкретных ситуаций.
      В различных ИИС  перечисленные  признаки интеллектуальности развиты в неодинаковой степени и редко, когда все четыре признака реализуются одновременно. Условно каждому из признаков интеллектуальности соответствует свой класс ИИС (рис. 1.1):
    Системы с интеллектуальным интерфейсом;
    Экспертные системы;
    Самообучающиеся системы;
Рис. 1.1. Классификация ИИС 
 

1.2. Системы с интеллектуальным  интерфейсом
      Интеллектуальные  базы  данных отличаются от обычных баз данных возможностью выборки по запросу необходимой информации, которая может явно не храниться, а выводиться из имеющейся  в  базе данных. Примерами таких запросов могут быть следующие:
- “Вывести  список товаров, цена которых  выше среднеотраслевой”,
- “Вывести  список товаров-заменителей некоторой  продукции”,
- “Вывести  список потенциальных покупателей  некоторого товара” и т.д.
      Для выполнения первого типа запроса  необходимо сначала проведение статистического  расчета среднеотраслевой цены по всей базе данных, а уже после этого  собственно отбор данных. Для выполнения второго типа запроса необходимо вывести значения характерных признаков объекта, а затем поиск по ним аналогичных объектов.  Для третьего типа запроса требуется сначала определить список посредников-продавцов, выполняющих продажу данного товара, а затем провести поиск связанных с  ними покупателей.
      Во  всех перечисленных типах запросов требуется осуществить поиск  по условию, которое должно быть доопределено в ходе решения задачи. Интеллектуальная система без помощи пользователя по структуре базы данных сама  строит путь доступа к файлам данных.   Формулирование запроса осуществляется в диалоге с пользователем, последовательность шагов которого выполняется в максимально удобной для пользователя  форме. Запрос к базе данных может формулироваться и с помощью естественно-языкового интерфейса.
      Естественно-языковой интерфейс предполагает трансляцию естественно-языковых конструкций на внутримашинный уровень представления знаний. Для этого необходимо решать  задачи морфологического, синтаксического и семантического анализа и синтеза высказываний  на  естественном языке. Так, морфологический анализ предполагает распознавание и проверку правильности написания слов по словарям,  синтаксический контроль -  разложение входных сообщений на отдельные компоненты (определение структуры) с проверкой соответствия  грамматическим правилам внутреннего представления знаний и выявления недостающих частей и,  наконец,  семантический анализ - установление смысловой правильности синтаксических  конструкций. Синтез высказываний решает обратную задачу преобразования внутреннего представления информации в естественно-языковое.
      Естественно-языковый интерфейс используется для:
    доступа к интеллектуальным базам данных;
    контекстного поиска документальной текстовой информации;
    голосового ввода команд в системах управления;
    машинного перевода  c иностранных языков.
      Гипертекстовые  системы предназначены для реализации  поиска  по ключевым словам в базах текстовой информации. Интеллектуальные гипертекстовые системы отличаются  возможностью  более сложной семантической организации ключевых слов, которая отражает различные смысловые отношения терминов. Таким образом, механизм поиска работает прежде всего с  базой  знаний  ключевых  слов,  а уже затем непосредственно с текстом. В более широком плане сказанное распространяется и  на  поиск мультимедийной информации, включающей помимо текстовой и цифровой информации графические, аудио и видео- образы.
      Системы контекстной помощи можно рассматривать,  как частный случай интеллектуальных гипертекстовых и естественно-языковых систем. В отличие от обычных систем помощи, навязывающих пользователю схему поиска требуемой информации, в системах контекстной помощи пользователь описывает проблему (ситуацию), а система с помощью дополнительного диалога ее конкретизирует и сама выполняет поиск относящихся к ситуации рекомендаций. Такие системы относятся к классу систем распространения знаний (Knowledge Publishing) и создаются как приложение к системам документации (например, технической документации по эксплуатации товаров).
      Системы когнитивной графики  позволяют осуществлять интерфейс пользователя с ИИС с помощью графических образов, которые генерируются в соответствии с происходящими событиями. Такие системы используются в мониторинге и управлении оперативными процессами.  Графические образы в наглядном и интегрированном виде описывают множество параметров изучаемой  ситуации. Например, состояние сложного управляемого объекта отображается в виде человеческого лица, на котором каждая черта отвечает за какой-либо параметр, а общее выражение лица дает интегрированную характеристику ситуации. 
      Системы когнитивной графики широко используются также в обучающих и тренажерных  системах на основе использования принципов  виртуальной реальности, когда графические  образы моделируют ситуации, в которых  обучаемому необходимо принимать решения и выполнять определенные действия. 
 
 
 

1.3. Экспертные системы
      Назначение  экспертных систем  заключается в решении достаточно трудных для экспертов задач на основе накапливаемой базы знаний, отражающей опыт работы экспертов в рассматриваемой проблемной области. Достоинство применения экспертных систем заключается в возможности принятия решений в уникальных ситуациях, для которых алгоритм заранее не известен и формируется по исходным  данным  в виде цепочки рассуждений (правил принятия решений) из базы знаний. Причем решение  задач предполагается осуществлять в условиях неполноты,  недостоверности,  многозначности исходной информации и качественных оценок процессов.
      Экспертная  система является инструментом, усиливающим  интеллектуальные способности эксперта, и может выполнять следующие роли:
    консультанта для неопытных или непрофессиональных пользователей;
    ассистента в связи с необходимостью анализа экспертом различных вариантов принятия  решений;
    партнера эксперта по вопросам, относящимся к источникам знаний из смежных областей деятельности.
      Экспертные  системы используются во многих областях, среди которых лидирует сегмент  приложений в бизнесе (рис. 1.2) [ 21 ].  
Рис. 1.2. Области применения экспертных систем  

     Архитектура экспертной системы (рис.1.3) включает в себя два основных компонента: базу знаний (хранилище единиц знаний) и программный инструмент доступа и обработки знаний, состоящий из механизмов вывода заключений (решения), приобретения знаний, объяснения получаемых результатов и интеллектуального интерфейса. Причем центральным компонентом экспертной системы является база знаний, которая выступает по отношению к другим компонентам как содержательная подсистема, составляющая основную ценность. “Know-how” базы знаний хорошей экспертной системы оценивается в сотни тысяч долларов, в то время как программный инструментарий - в тысячи или десятки тысяч долларов. 
      База  знаний  - это совокупность единиц знаний,  которые представляют собой формализованное с помощью некоторого метода представления знаний отражение объектов проблемной области и их взаимосвязей,  действий над объектами и, возможно, неопределенностей, с которыми эти действия осуществляются. 

 Рис.1.3 Архитектура экспертной системы
 

      В качестве методов представления  знаний чаще всего  используются либо правила, либо объекты (фреймы), либо их комбинация. Так, правила представляют собой конструкции:
                     Если    < условие >
              То       <заключение>  CF (Фактор определенности) <значение>
      В качестве факторов определенности (CF), как правило, выступают либо условные вероятности байесовского подхода (от 0 до 1), либо коэффициенты уверенности нечеткой логики (от 0 до 100). Примеры правил имеют следующий вид:
Правило 1: Если Коэффициент  рентабельности > 0.2
                     То Рентабельность = "удовл." CF 100
Правило 2: Если Задолженность = "нет" и  Рентабельность = "удовл."
                     То Финансовое_сост. = "удовл." CF 80
Правило 3: Если Финансовое_сост. = "удовл." и Репутация="удовл."
                     То  Надежность предприятия = "удовл." CF 90
      Объекты представляют собой совокупность атрибутов, описывающих свойства и отношения  с другими объектами. В отличие  от записей баз данных каждый объект имеет уникальное имя. Часть атрибутов отражают типизированные отношения, такие как  “род - вид” (super-class - sub-class), “целое - часть” и др. Вместо конкретных значений атрибутов объектов могут задаваться  значения по умолчанию (указатель наследования атрибутов устанавливается в S), присущие целым классам объектов, или присоединенные процедуры (process). Пример описания  объектов представлен на рис. 1.4. 
      Интеллектуальный  интерфейс. Обмен данными между конечным пользователем и ЭС выполняет программа  интеллектуального  интерфейса,  которая  воспринимает сообщения пользователя и преобразует их в форму представления базы знаний и, наоборот, переводит внутреннее представление результата обработки в формат пользователя и выдает сообщение на требуемый носитель.  Важнейшим требованием к организации диалога пользователя с ЭС является естественность,  которая не означает буквально формулирование  потребностей пользователя предложениями естественного языка, хотя это и не исключается в ряде случаев.  Важно,  чтобы последовательность решения  задачи была  гибкой,  соответствовала  представлениям пользователя и велась в профессиональных терминах.
  Механизм вывода. Этот программный инструмент получает от интеллектуального интерфейса преобразованный во внутреннее представление запрос,  формирует из базы знаний конкретный алгоритм решения задачи, выполняет алгоритм, а полученный результат  предоставляется интеллектуальному интерфейсу для выдачи ответа на запрос пользователя. 

ПРЕДПРИЯТИЕ_ОТРАСЛИ#1
Имя слота Указатель наследования Тип Значение
Super-сlass U FRAME ROOT
Sub-сlass U FRAME Предприятие
Код предприятия U String     101
Код отрасли U String 123
Отраслевой коэфф. рент.
U Real      20
 
             ПРЕПРИЯТИЕ#1
Имя слота Указатель наследования Тип Значение
Super-сlass S FRAME Предприятие отрасли
Sub-сlass - - -
Код предприятия S String 101
Код отрасли
S String 123
Отраслевой коэфф. рент.
S Real   20
Коэфф. рент.   Real   25
Задолженность   String Нет
Репутация   String Удовл
Фин.состояние   Process Fin_sost
Надежность   Process Nad
Рис. 1.4. Описание  объектов
      В основе использования любого механизма  вывода лежит  процесс  нахождения  в соответствии с поставленной целью  и описанием конкретной ситуации (исходных данных) относящихся к решению единиц знаний (правил,  объектов, прецедентов  и т.д.) и связыванию их при необходимости в цепочку рассуждений,  приводящую к определенному результату. Для представления знаний в форме правил это может быть прямая (рис. 1.5) или обратная (рис. 1.6) цепочка рассуждений.
      Для объектно-ориентированного представления  знаний характерно применение механизма  наследования атрибутов, когда значения атрибутов передаются по иерархии от вышестоящих классов к нижестоящим (например, на рис.1.4. код отрасли, отраслевой коэффициент рентабельности). Также при заполнении атрибутов фрейма необходимыми данными запускаются на выполнение присоединенные процедуры.

Рис. 1.5.  Прямая цепочка рассуждений

Рис. 1.6.   Обратная цепочка рассуждений
      Механизм  объяснения. В процессе  или  по результатам решения задачи пользователь может запросить объяснение или обоснование хода решения.  С этой  целью  ЭС должна предоставить соответствующий механизм объяснения.  Объяснительные способности ЭС определяются возможностью механизма вывода  запоминать  путь  решения задачи.  Тогда на вопросы пользователя "Как?" и "Почему?" получено решение или запрошены те или иные  данные  система всегда  может выдать цепочку рассуждений до требуемой контрольной точки, сопровождая выдачу объяснения заранее подготовленными комментариями. В случае  отсутствия решения задач объяснение должно выдаваться пользователю автоматически. Полезно иметь возможность и гипотетического объяснения решения задачи,  когда система отвечает на вопросы,  что будет в том или ином случае.
      Однако, не всегда пользователя может интересовать полный вывод решения,  содержащий множество ненужных деталей.  В  этом случае  система должна  уметь  выбирать  из цепочки только ключевые моменты с учетом их важности и уровня знаний пользователя.  Для этого в базе знаний необходимо поддерживать модель знаний и намерений пользователя. Если же пользователь продолжает не понимать полученный ответ,  то  система должна быть  способна в диалоге на основе поддерживаемой модели проблемных знаний обучать пользователя тем или иным фрагментам знаний,  т.е. раскрывать более подробно отдельные понятия и зависимости, если даже эти детали непосредственно в выводе не использовались.
      Механизм приобретения знаний. База знаний  отражает  знания  экспертов (специалистов) в данной проблемной области о действиях в различных ситуациях или процессах решения характерных задач.  Выявлением подобных знаний и последующим их представлением в базе знаний занимаются специалисты,  называемые инженерами  знаний.  Для ввода знаний в базу и их последующего обновления ЭС должна обладать механизмом приобретения знаний. В простейшем случае это интеллектуальный редактор, который позволяет вводить единицы знаний в базу и проводить их синтаксический и семантический контроль, например, на непротиворечивость, в более сложных случаях извлекать  знания  путем специальных сценариев интервьюирования экспертов, или из вводимых примеров реальных ситуаций, как в случае индуктивного вывода, или из текстов, или из опыта работы самой интеллектуальной системы.
      Классы  экспертных систем. По степени сложности решаемых задач экспертные системы можно классифицировать следующим образом:
    По  способу  формирования решения  экспертные системы разделяются на два класса: аналитические и синтетические. Аналитические системы предполагают выбор решений из множества известных альтернатив (определение характеристик объектов),  а синтетические системы -  генерацию неизвестных решений (формирование объектов).
    По способу учета временного признака экспертные системы могут быть статическими или динамическими. Статические системы решают задачи при неизменяемых в процессе решения данных и знаниях, динамические системы допускают такие изменения. Статические системы осуществляют монотонное непрерываемое решение задачи от ввода исходных данных до конечного результата, динамические системы предусматривают возможность  пересмотра в процессе решения полученных ранее результатов и данных.
    По видам используемых данных и знаний экспертные системы классифицируются на системы с детерминированными (четко определенными) знаниями и неопределенными знаниями. Под неопределенностью знаний  (данных) понимается их неполнота (отсутствие),  недостоверность (неточность измерения),  двусмысленность (многозначность понятий), нечеткость (качественная оценка вместо количественной).
    По числу используемых источников знаний экспертные системы могут быть построены с использованием одного или множества источников знаний. Источники знаний могут быть альтернативными (множество миров) или дополняющими друг друга (кооперирующими).
      В соответствии с перечисленными признаками классификации, как правило, выделяются следующие четыре основные класса экспертных систем (рис. 1.7) 

  Анализ Синтез  
Детерминирован-ность  знаний Классифици-рующие Трансформи-рующие Один  источник знаний
Неопределенность  знаний Доопределя-ющие Многоагент-ные Множество источн. знаний
  Статика Динамика  
Рис. 1.7. Классы экспертных систем
      Классифицирующие  экспертные системы. К аналитическим задачам прежде всего относятся задачи распознавания различных ситуаций,  когда по набору заданных признаков (факторов) выявляется сущность некоторой ситуации, в зависимости от которой выбирается  определенная  последовательность  действий. Таким образом,  в  соответствии с исходными условиями среди альтернативных  решений находится одно, наилучшим образом удовлетворяющее поставленной цели и ограничениям.
      Экспертные  системы, решающие задачи распознавания  ситуаций, называются классифицирующими, поскольку определяют принадлежность анализируемой ситуации к некоторому классу. В качестве основного метода формирования решений используется метод логического дедуктивного  вывода  от  общего  к частному, когда путем подстановки исходных данных в некоторую совокупность взаимосвязанных общих утверждений получается частное заключение.
      Доопределяющие  экспертные системы. Более сложный тип аналитических задач представляют задачи,  которые решаются на основе неопределенных исходных данных и применяемых знаний. В этом случае экспертная система должна как  бы  доопределять  недостающие знания,  а в пространстве решений может получаться несколько возможных решений с различной вероятностью  или  уверенностью  в необходимости их выполнения.  В качестве методов работы с неопределенностями могут использоваться байесовский вероятностный подход,  коэффициенты  уверенности,  нечеткая логика.  Доопределяющие экспертные системы могут использовать для формирования решения несколько источников знаний. В этом случае могут использоваться эвристические приемы выбора единиц знаний из их конфликтного набора, например, на основе использования приоритетов важности, или получаемой степени определенности результата, или значений функций предпочтений и т.д.
      Для аналитических задач классифицирующего и доопределяющего типов  характерны следующие проблемные области:
    Интерпретация данных - выбор решения из  фиксированного  множества альтернатив на базе введенной информации о текущей ситуации.  Основное назначение - определение сущности рассматриваемой ситуации, выбор гипотез, исходя их фактов. Типичным примером является экспертная система анализа финансового состояния предприятия.
    Диагностика - выявление причин,  приведших к возникновению ситуации.  Требуется предварительная интерпретация ситуации с последующей проверкой дополнительных фактов, например, выявление факторов снижения эффективности производства.
    Коррекция - диагностика,  дополненная возможностью оценки и рекомендации действий по исправлению отклонений от  нормального  состояния рассматриваемых ситуаций.
      Трансформирующие  экспертные системы. В отличие от аналитических статических экспертных систем синтезирующие динамические экспертные системы предполагают повторяющееся преобразование знаний в процессе решения задач, что связано с характером результата, который нельзя заранее предопределить, а также с динамичностью самой проблемной области.
      В качестве  методов  решения  задач  в трансформирующих экспертных системах используются разновидности гипотетического  вывода:
    генерации и тестирования,  когда по исходным данным осуществляется  генерация гипотез,  а затем проверка сформулированных гипотез на подтверждение поступающими фактами;
    предположений и умолчаний, когда по неполным данным подбираются знания об аналогичных классах объектов,  которые в дальнейшем динамически адаптируются к конкретной ситуации в зависимости от ее развития;
    использование общих закономерностей (метауправления)  в  случае  неизвестных  ситуаций, позволяющих генерировать недостающее знание.
      Многоагентные системы. Для таких динамических систем характерна интеграция в базе знаний нескольких разнородных источников знаний, обменивающихся между собой получаемыми результатами на динамической основе,  например,  через "доску объявлений" (рис. 1.8).

Рис. 1.8. “Доска объявлений”
      Для многоагентных систем характерны следующие  особенности:
    Проведение альтернативных рассуждений на  основе  использования  различных источников знаний с механизмом устранения противоречий;
    Распределенное решение проблем,  которые разбиваются на  параллельно решаемые подпроблемы,  соответствующие самостоятельным источникам знаний;
    Применение  множества стратегий работы механизма вывода заключений в зависимости от типа решаемой проблемы;
    Обработка больших массивов данных, содержащихся в базе данных;
    Использование различных математических моделей и внешних процедур, хранимых в базе моделей;
    Способность прерывания решения задач в связи  с  необходимостью получения  дополнительных  данных и знаний от пользователей,  моделей, параллельно решаемых подпроблем.
      Для синтезирующих динамических экспертных систем наиболее применимы следующие проблемные области:
    Проектирование  - определение конфигурации объектов с точки зрения достижения  заданных критериев эффективности и ограничений, например, проектирование бюджета предприятия или портфеля инвестиций.
    Прогнозирование - предсказание последствий развития текущих ситуаций на основе математического и эвристического моделирования, например, прогнозирование трендов на биржевых торгах.
    Диспетчирование - распределение работ во  времени,  составление расписаний, например, планирование графика освоения капиталовложений.
    Планирование - выбор последовательности действий пользователей по достижению поставленной цели, например, планирование процессов  поставки продукции.
    Мониторинг  - слежение за текущей ситуацией с возможной последующей коррекцией.  Для этого выполняется диагностика, прогнозирование, а в случае  необходимости планирование и коррекция действий пользователей, например, мониторинг сбыта готовой продукции.
    Управление - мониторинг, дополненный реализацией действий в автоматических системах, например, принятие решений на биржевых торгах.
      По  данным публикации [ 21 ], в которой проводится анализ 12500 действующих экспертных систем, распределение экспертных систем по проблемным областям имеет следующий вид (рис. 1.9):

Рис. 1.9. Проблемные области экспертных систем 

1.4. Самообучающиеся  системы
      В основе  самообучающихся систем лежат методы автоматической классификации примеров ситуаций  реальной  практики (обучения на примерах). Примеры реальных ситуаций накапливаются за некоторый исторический период и составляют обучающую выборку. Эти примеры   описываются множеством признаков классификации. Причем обучающая выборка может быть:
    “с учителем”, когда для каждого примера задается в явном виде значение признака его принадлежности некоторому классу ситуаций (классообразующего признака);
    “без учителя”, когда по степени близости значений признаков классификации система сама выделяет классы ситуаций.
      В результате обучения системы автоматически  строятся обобщенные правила или  функции, определяющие принадлежность ситуаций классам, которыми обученная  система пользуется при интерпретации  новых возникающих ситуаций. Таким образом, автоматически формируется база знаний, используемая при решении задач классификации и прогнозирования. Эта база знаний  периодически автоматически корректируется по мере накопления опыта реальных ситуаций, что позволяет сократить затраты на ее создание и обновление.  
      Общие недостатки,  свойственные всем самообучающимся  системам, заключаются в следующем:
    возможна неполнота и/или зашумленность (избыточность) обучающей выборки  и,  как  следствие,   относительная адекватность   базы знаний возникающим проблемам;
    возникают  проблемы,  связанные с плохой смысловой ясностью зависимостей признаков и, как следствие, неспособность объяснения пользователям получаемых результатов;
    ограничения в размерности признакового  пространства вызывают неглубокое описание проблемной области и узкую направленность применения.
      Индуктивные системы. Обобщение примеров по принципу от частного к общему сводится к выявлению подмножеств примеров, относящихся к одним и тем же подклассам, и определению для них значимых признаков.
      Процесс классификации примеров осуществляется следующим образом:
    Выбирается признак классификации из множества заданных (либо последовательно, либо по какому-либо правилу, например, в соответствии с максимальным числом получаемых подмножеств примеров);
    По значению выбранного признака множество примеров разбивается на подмножества;
    Выполняется проверка, принадлежит ли каждое образовавшееся подмножество примеров одному подклассу;
    Если  какое-то подмножество примеров принадлежит одному подклассу, т.е. у всех примеров подмножества совпадает значение классообразующего признака, то процесс классификации заканчивается (при этом остальные признаки классификации не рассматриваются);
    Для подмножеств примеров с несовпадающим значением классообразующего признака процесс классификации продолжается, начиная с пункта 1.  (Каждое подмножество примеров становится классифицируемым множеством).
      Процесс классификации может быть представлен  в виде дерева решений, в котором  в промежуточных узлах находятся  значения признаков последовательной классификации, а в конечных узлах - значения признака принадлежности определенному классу. Пример построения дерева решений на основе фрагмента таблицы примеров (таблица 1.1) показан на рис. 1.10.
                      Таблица 1.1
Классообр. признак
  Признаки классификации  
Цена Спрос Конкуренция Издержки Качество
низкая низкий маленькая маленькие низкое
высокая низкий маленькая большие высокое
высокая высокий маленькая большие низкое
высокая высокий маленькая маленькие высокое
высокая высокий маленькая маленькие низкое
высокая высокий маленькая большие высокое

Рис. 1.10. Фрагмент дерева решений
      Анализ  новой ситуации сводится к выбору ветви дерева, которая полностью  определяет эту ситуацию. Поиск решения  осуществляется в результате последовательной проверки признаков классификации. Каждая ветвь дерева соответствует одному правилу решения:
       Если  Спрос=“низкий” и Издержки=“маленькие”
       То       Цена=“низкая”
      Примерами инструментальных средств, поддерживающих индуктивный вывод знаний, являются 1st Class (Programs in Motion), Rulemaster (Radian Corp.), ИЛИС (ArgusSoft), KAD (ИПС Переяславль-Залесский).
      Нейронные сети. В результате обучения на примерах строятся математические решающие функции (передаточные функции или функции активации), которые определяют зависимости между входными (Xi) и выходными (Yj) признаками (сигналами) (рис. 1.11).

Рис.1.11.  Решающая функция - “нейрон”
      Каждая  такая функция, называемая по аналогии с элементарной единицей человеческого мозга - нейроном, отображает зависимость значения выходного признака (Y) от взвешенной суммы (U) значений входных признаков (Xi), в которой вес входного признака (Wi) показывает степень влияния входного признака на выходной:

      Решающие  функции используются в задачах  классификации на основе сопоставления  их значений при различных комбинациях  значений входных признаков с  некоторым пороговым значением. В случае превышения заданного порога считается, что нейрон сработал и  таким образом распознал некоторый класс ситуаций. Нейроны используются и в задачах прогнозирования, когда по значениям входных признаков после их подстановки в выражение решающей функции получается прогнозное значение выходного признака.
      Функциональная  зависимость может быть линейной, но, как правило, используется  сигмоидальная форма, которая позволяет вычленять более сложные  пространства значений выходных признаков. Такая функция  называется логистической (рис.1.12).

Рис.1.12. Логистическая (сигмоидальная) функция
      Нейроны могут быть связаны между собой, когда выход одного нейрона является входом другого. Таким образом, строится нейронная сеть (рис. 1.13), в которой  нейроны, находящиеся на одном уровне, образуют слои.

Рис.1.13. Нейронная сеть
      Обучение  нейронной сети сводится к  определению  связей (синапсов) между нейронами  и установлению силы этих связей (весовых  коэффициентов). Алгоритмы обучения нейронной сети упрощенно сводятся к определению зависимости весового коэффициента связи двух нейронов от числа примеров, подтверждающих эту зависимость.
      Наиболее  распространенным алгоритмом обучения нейронной сети является алгоритм обратного  распространения ошибки. Целевая  функция по этому алгоритму должна обеспечить минимизацию квадрата ошибки в обучении по всем примерам:
, где

Ti - заданное  значение  выходного признака  по i - му примеру;
Yi - вычисленное  значение выходного признака  по i - му примеру.
      Сущность  алгоритма обратного распространения ошибки сводится к следующему:
    Задать произвольно небольшие начальные значения весов связей нейронов.
    Для всех обучающих пар “значения входных признаков - значение выходного признака” (примеров из обучающей выборки) вычислить  выход сети (Y).
    Выполнить рекурсивный алгоритм, начиная с выходных узлов по направлению к первому скрытому слою, пока не будет достигнут минимальный уровень ошибки.
Вычислить веса на (t+1) шаге по формуле:
, где 

- вес связи от скрытого i -го нейрона или от входа к j-му нейрону   на шаге t;
- выходное значение i -го нейрона;
- коэффициент скорости обучения;
- ошибка для j-го нейрона.
Если j-й  нейрон - выходной, то

Если j-й  нейрон находится в  скрытом внутреннем слое, то
, где 

к - индекс всех нейронов в слое, расположенном  вслед за слоем с j-м нейроном.
Выполнить шаг 2.
      Достоинство нейронных сетей перед индуктивным  выводом заключается в решении не только классифицирующих, но и прогнозных задач. Возможность нелинейного характера функциональной зависимости выходных и входных признаков позволяет строить  более точные классификации.
      Сам процесс решения задач в силу проведения матричных преобразований проводится очень быстро. Фактически имитируется параллельный процесс прохода по нейронной сети в отличие от последовательного в индуктивных системах. Нейронные сети могут быть реализованы и аппаратно в виде нейрокомпьютеров с ассоциативной памятью.
      Последнее время нейронные сети получили стремительное  развитие и очень активно используются в финансовой области.  В качестве примеров внедрения нейронных сетей  можно назвать:
    "Система прогнозирования динамики биржевых  курсов  для Chemical Bank" (фирма Logica);
    "Система прогнозирования для Лондонской  фондовой  биржи"  (фирма SearchSpace);
    "Управление инвестициями для Mellon Bank"  (фирма NeuralWare)  и др.
      В качестве инструментальных средств  разработки  нейронных  сетей  следует выделить инструментальные средства  NeurOn-line (фирма GENSYM), NeuralWorks Professional II/Plus (фирма NeuralWare),  отечественную разработку FOREX-94 (Уралвнешторгбанк) и др.
      Системы, основанные на прецедентах (Case-based reasoning). В этих системах база знаний содержит описания не обобщенных ситуаций, а собственно сами ситуации или прецеденты. Тогда поиск решения проблемы сводится к поиску по аналогии (абдуктивному выводу от частного к частному):
    Получение подробной информации о текущей проблеме;
    Сопоставление полученной информации со значениями признаков прецедентов из базы знаний;
    Выбор прецедента из базы знаний, наиболее близкого к рассматриваемой проблеме;
    В случае необходимости выполняется адаптация выбранного прецедента к текущей проблеме;
    Проверка корректности каждого полученного решения;
    Занесение детальной информации о полученном решении в базу знаний. 
      Так же как и для индуктивных систем прецеденты описываются множеством признаков, по которым строятся  индексы  быстрого поиска.  Но в  отличие от индуктивных систем допускается нечеткий поиск с  получением  множества  допустимых альтернатив, каждая  из  которых  оценивается  некоторым коэффициентом уверенности. Далее наиболее подходящие решения адаптируются по  специальным алгоритмам  к  реальным ситуациям. Обучение системы сводится к запоминанию каждой новой обработанной ситуации с принятыми решениями в  базе прецедентов. 
      Системы, основанные на прецедентах, применяются  как системы распространения  знаний с расширенными возможностями  или как в системах контекстной помощи (рис.  1.14.).
Описание  ситуации (проблемы)
      Не  печатает принтер
Вопросы
      Включено  ли питание?         да
      Прошло  ли тестирование?   да
      Замята  ли бумага?                 да
      Подключен ли драйвер?       не знаю
Действия 
      Освободите бумагу                уверенность 80
      Загрузите драйвер                  уверенность 50
      Вызовите  тех. персонал        уверенность  10
Рис. 1.14. Пример диалога с CBR-системой
      В качестве примера инструментального  средства поддержки  баз знаний прецедентов, распространяемого в России, можно назвать систему CBR-Express (Inference, дистрибьютор фирма Метатехнология).
      Информационные  хранилища (Data Warehouse). В отличие от интеллектуальной базы данных информационное хранилище представляет собой хранилище извлеченной значимой информации из оперативной базы данных, которое предназначено для оперативного  анализа данных (реализации OLAP - технологии). Извлечение знаний из баз данных осуществляется регулярно, например, ежедневно.
      Типичными задачами оперативного ситуационного анализа являются:
    Определение профиля потребителей конкретного товара;
    Предсказание изменений ситуации на рынке;
    Анализ зависимостей признаков ситуаций (корреляционный анализ) и др.
      Для извлечения значимой информации из баз  данных используются специальные
 методы (Data Mining или Knowledge Discovery), основанные  или на применении многомерных  статистических таблиц, или индуктивных  методов построения деревьев  решений, или нейронных сетей.  Формулирование запроса осуществляется  в результате применения интеллектуального интерфейса, позволяющего в диалоге гибко определять значимые признаки анализа.
      Применение  информационных хранилищ на практике все в большей степени  демонстрирует  необходимость интеграции интеллектуальных и традиционных информационных технологий, комбинированное использование различных методов  представления  и вывода знаний,  усложнение  архитектуры информационных систем.
      Разработкой  и распространением информационных хранилищ в настоящее время занимаются такие компьютерные фирмы, как IBM (Intelligent Miner), Silicon Graphics  (MineSet), Intersolv (DataDirect, SmartData), Oracle (Express), SAS Institute (SAS/Assist) и др. 

 

Глава 2. Технология  создания экспертных систем
2.1. Этапы создания  экспертной системы
      Слабая  формализуемость    процесса    принятия    решений,    его альтернативность  и  нечеткость,  качественная  и  символьная  природа используемых знаний,  динамичность изменения проблемной области -  все эти характерные особенности применения экспертных систем обусловливают сложность и большую трудоемкость их разработки по сравнению с другими подклассами ИИС. Поэтому в дальнейшем  вопросы проектирования и реализации интеллектуальных информационных систем будут рассматриваться для класса экспертных систем.
    Извлечение  знаний при создании экспертной системы предполагает изучение множества источников знаний, к которым относятся специальная литература, базы фактуальных знаний, отчеты о решении аналогичных проблем, а самое главное, опыт работы специалистов в исследуемой проблемной области - экспертов. Успех проектирования экспертной системы во многом определяется тем, насколько компетентны привлекаемые к разработке эксперты и насколько они способны передать свой опыт инженерам по знаниям. Вместе с тем, эксперты не имеют представления о возможностях и ограничениях ЭС. Следовательно процесс разработки ЭС должен быть организован инженерами по знаниям таким образом, чтобы в процессе их итеративного взаимодействия с экспертами они получили весь необходимый объем знаний для решения четко очерченных проблем. Этапы проектирования экспертной системы представлены на рис. 2.1.
      На  начальных этапах идентификации  и концептуализации, связанных с  определением контуров будущей системы,  инженер по знаниям выступает  в роли ученика,  а эксперт - в  роли учителя,  мастера. На заключительных этапах реализации и  тестирования  инженер  по  знаниям  демонстрирует результаты   разработки,   адекватность   которых  проблемной  области оценивает эксперт.  На  этапе  тестирования это могут быть совершенно другие эксперты. 
      На  этапе тестирования созданные экспертные системы оцениваются  с позиции  двух основных групп критериев: точности и полезности.
      С точностью работы связаны такие  характеристики, как правильность делаемых заключений,  адекватность  базы  знаний  проблемной  области, соответствие применяемых методов решения  проблемы  экспертным.  Поэтому  конечные оценки системе ставят специалисты в проблемной области - эксперты. Полезность же   экспертной   системы   характеризуется   степенью удовлетворения требований  пользователя  в части получения необходимых рекомендаций, легкости и естественности  взаимодействия  с системой, надежности, производительности  и стоимости эксплуатации,  способности обоснования решений и обучения, настройки на изменение потребностей. Оценивание экспертной  системы  осуществляется по набору тестовых примеров как из предшествующей практики экспертов,  так  и  специально подобранных ситуаций. Результаты     тестирования    подлежат    статистической обработке, после  чего  делаются  выводы  о  степени  точности  работы экспертной системы.

Рис.2.1. Этапы создания экспертной системы  
      Следующий этап жизненного  цикла  экспертной  системы  -  внедрение и опытная  эксплуатация в  массовом  порядке  без  непосредственного контроля со стороны разработчиков и переход от  тестовых  примеров  к   решению реальных задач.  Важнейшим критерием оценки  становятся  соотношение стоимости системы и ее эффективности.  На  этом  этапе осуществляется сбор критических   замечаний   и  внесение  необходимых  изменений.  В результате опытной эксплуатации может потребоваться  разработка  новых специализированных версий, учитывающих особенности проблемных областей.
      На  всех этапах разработки инженер по знаниям играет активную роль, а эксперт - пассивную. По мере развития самообучающихся свойств экспертных систем роль  инженера  по  знаниям уменьшается,  а активное  поведение заинтересованного в эффективной работе экспертной системы пользователя-эксперта возрастает. Описание приемов извлечения знаний инженерами знаний представлено в таблице 2.1.
                      Таблица 2.1
Приемы Описание
1. Наблюдение Инженер наблюдает, не вмешиваясь, за тем, как эксперт решает реальную задачу
2. Обсуждение  задачи Инженер на представительном множестве задач неформально  обсуждает с экспертом данные,                           знания и процедуры решения
3. Описание  задачи Эксперт описывает  решение задач для типичных запросов
4. Анализ  решения Эксперт комментирует получаемые результаты решения задачи, детализируя ход рассуждений
5. Проверка  системы Эксперт предлагает инженеру перечень задач  для решения (от простых до сложных),которые                           решаются разработанной системой
6. Исследование  системы Эксперт исследует и критикует структуру базы знаний и работу механизма вывода
7. Оценка  системы Инженер предлагает новым экспертам оценить решения  разработанной системы
      Первые  два этапа разработки экспертной системы составляют логическую стадию, не связанную с применением четко определенного инструментального средства. Последующие этапы реализуются в рамках физического создания проекта на базе выбранного инструментального средства. Вместе с тем, процесс создания экспертной системы, как сложного программного продукта, имеет смысл выполнять методом прототипного проектирования, сущность которого сводится к постоянному  наращиванию  базы  знаний, начиная с логической стадии. Технология разработки прототипов представлена в таблице  2.2.
                   Таблица 2.2.
Этап  разработки Характер прототипа Количество  правил Срок разработки Стоимость
Идентификация Демонстрацион-ный  50 - 100 1 - 2 мес.   
Концептуализация Исследователь-      
Формализация ский 200 - 500 3 - 6 мес. 25 - 50т.$
Реализация Действующий 500 - 1000 6 - 12 мес.  
Тестирование Промышленный 1000 - 1500 1 - 1,5 года 300т.$
Опытная эксплуатация Коммерческий 1500 - 3000 1,5 - 3 года 2 - 5 млн.$
 
     Прототипная технология создания экспертной системы  означает, что простейший прототип будущей системы  реализуется с помощью любого подручного инструментального средства еще на этапах идентификации и концептуализации, в дальнейшем этот прототип детализируется, концептуальная модель уточняется, реализация выполняется в среде окончательно выбранного инструментального средства. После каждого  этапа  возможны итеративные возвраты на уже выполненные этапы проектирования, что способствует постепенному проникновению  инженера  по  знаниям  в  глубину   решаемых   проблем, эффективности  использования  выделенных ресурсов,  сокращению времени разработки,  постоянному улучшению компетентности и производительности системы.
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.