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:


курсовая работа Представление знаний Операции над знаниями

Информация:

Тип работы: курсовая работа. Добавлен: 03.09.2012. Сдан: 2011. Страниц: 13. Уникальность по antiplagiat.ru: < 30%

Описание (план):


Федеральное агентство по образованию
ГОУ ВПО
Филиал  Уральского государственного экономического университета
в г. Березники 

Кафедра экономики 
 
 
 
 
 
 
 
 

Курсовая  работа 

по дисциплине: «Интеллектуальные информационные системы» 

Тема: «Представление знаний Операции над знаниями» 
 
 
 

Выполнил:
                                              студент III курса, группы ПРИЭС-081
              Овчинникова Н.Г. 

                                                          Проверил:
                                                          доцент
     Крылов В.Г. 
 
 
 
 
 
 
 
 
 
 

Березники
2010 

Содержание 
 

 


Введение

     Проблема  представления знаний в компьютерных системах – одна из основных проблем  в области искусственного интеллекта. Решение этой проблемы позволит специалистам , не обученных программированию, непосредственно  на языке « деловой прозы» в диалоговом режиме работать с ЭВМ  и ее помощью формировать необходимые решения. Таким образом, решение проблемы представления знаний в компьютерных системах позволит существенно усилить интеллектуальную творческую деятельность человека за счет ЭВМ.
     Актуальность  данной темы заключается в том, что содержимое памяти ЭВМ неравносильно человеческому знанию, которое является гораздо более сложным феноменом, но может служить удобной для коммуникации моделью этого знания.
     Знания  – это зафиксированная и проверенная практикой обработанная информация, которая использовалась и может многократно использоваться для принятия решений. Также знания – это вид информации, которая хранится в базе знаний и отображает знания специалиста в конкретной предметной области. Знания – это интеллектуальный капитал.
     Цель  курсовой работы является исследование различных моделей представления знаний.
     Задача  курсовой работы дать определения понятия знания, показать особенности представления знаний внутри интеллектуальной системы, описать модели представления знаний и разработать операции над знаниями в логической модели представления знаний.
 

1 Знания

     Наступивший XXI век станет этапным для проникновения  новых информационных технологий и  создаваемых на их основе высокопроизводительных компьютерных систем во все сферы человеческой деятельности - управление, производство, науку, образование и т.д. Конструируемые посредством этих технологий интеллектуальные компьютерные системы призваны усилить мыслительные способности человека, помочь ему находить эффективные решения так называемых плохо формализованных и слабоструктурированных задач, характеризующихся наличием различного типа неопределенностей и огромными поисковыми пространствами. Сложность таких задач усиливается зачастую необходимостью их решения в очень ограниченных временных рамках, например, при управлении сложными техническими объектами в аномальных режимах или при оперативном разрешении конфликтных (кризисных) ситуаций. Наибольшей эффективности современные интеллектуальные системы достигают при реализации их как интегрируемых систем, объединяющих различные модели и методы представления и оперирования знаниями, а также механизмы приобретения (извлечения) знаний из различных источников.
     Понятие «управление знаниями» родилось в середине 1990-х годов в крупных корпорациях, где проблемы обработки информации приобрели критический характер. Постепенно пришло понимание того, что знания — это фундаментальный ресурс, базирующийся на практическом опыте специалистов и на данных, существующих на конкретном предприятии. Компании, которые осознали ценность «знания» и наладили управление им, способны лучше использовать свои традиционные ресурсы, комбинировать их особыми способами, обеспечивая большую выгоду для потребителей, чем конкуренты.
     Знания  неявно стали одним из главных  источников капитала. Однако применяются  эти знания не столько в производственных, сколько в управленческих процессах, предполагающих принятие стратегических и оперативных решений.
     Прежде, чем рассуждать о представлении знаний в доступном и «понятном»  машине виде, требуется определиться с терминологией. Это в достаточной степени проблематично, так как такие термины, как «информация», «данные» и «знания» не имеют четкого определения, а то множество определений, что были созданы человечеством, иногда не просто частично пересекаются, а даже противоречат одно другому.
     Данные – факты и идеи, представленные в некотором, четко формализованном виде, в котором их можно использовать для передачи в информационном процессе. Сведения, представленные в определенной знаковой системе и на определенном материальном носителе для обеспечения возможностей хранения, передачи, приема и обработки.
     Информация  – данные, определенным образом организованные, имеющие для своего получателя смысл, значение и ценность, необходимые для принятия решений, а также реализации других функций. Данные, сопровождающиеся смысловой нагрузкой, помещенные в некоторый контекст; данные, как-либо оцениваемые получателем информации. При этом то, что для одних является данными, для других может оказаться информацией.
     Знания  –проверенная информация и та информация, которой доверяют, результаты принятия решений, поведения, обобщенные в виде теорем и законов, совокупности взглядов. Зафиксированная и проверенная практикой информация, котороя может многократно использоваться людьми для решения тех или иных задач.
     Таким образом, мы получаем следующие закономерности:
                   Имеют смысл                                             Проверенная
                           
     То, что мы знаем - ограничено, а что не знаем - бесконечно. Апулей
     Зна?ние - форма существования и систематизации результатов познавательной деятельности человека. Знание помогает людям рационально организовывать свою деятельность и решать различные проблемы, возникающие в её процессе.
     Зна?ние - в теории искусственного интеллекта и экспертных систем - совокупность информации и правил вывода (у индивидуума, общества или системы ИИ) о мире, свойствах объектов, закономерностях процессов и явлений, а также правилах использования их для принятия решений. Главное отличие знаний от данных состоит в их структурности и активности, появление в базе новых фактов или установление новых связей может стать источником изменений в принятии решений1.
     Выделяют  различные виды знания: научное, обыденное (здравый смысл), интуитивное, религиозное и др. Обыденное знание служит основой ориентации человека в окружающем мире, основой его повседневного поведения и предвидения, но обычно содержит ошибки, противоречия. Научному знанию присущи логическая обоснованность, доказательность, воспроизводимость результатов, проверяемость, стремление к устранению ошибок и преодолению противоречий.
     Выделяют: личностные (неявные, скрытые, пока не формализованные) знания и формализованные (явные) знания;
     Неявные знания:
    знания людей, которые еще не формализованы и не могут быть переданы другим людям.
     Формализованные на некотором языке (явные) знания:
    знания в документах,
    знания на компакт дисках,
    знания в персональных компьютерах,
    знания в Интернете,
    знания в базах знаний,
    знания в экспертных системах, извлеченные из неявных знаний людей-экспертов.
 
 

     

2 Классификация знаний

     Разнообразие  форм и способов представления и  передачи знания почти не поддаются  формализованной классификации  из-за сложности формулировки признака классификации. Одни формы или способы представления знаний могут переводиться в другие формы или способы представления. Однако мы дадим подходящую классификацию для некоторого упорядочивания знаний о знаниях. Для этого будем использовать признак, соответствующий семи этапам развития познания.
      Знания подразделяются по наукам, специализациям, направлениям исследований и т.п. Каждая наука характеризуется в первую очередь своим багажом знаний, отличающимся от совокупности знаний другой науки. Эта классификация фундаментальна и широко известна. Также хорошо известна разнообразная классификация знаний по назначению или использованию. В учебном процессе известна классификация знаний по влиянию на учащегося или по усвояемости учащимся. В вычислительном деле различают три средства представления знаний: предметное, символьное и графическое. Эти или аналогичные средства также могут представить классификацию в представлениях знаний. Признак классификации по средствам представления знаний важен и актуален для выбора технических средств установления взаимодействия в системе человек - вычислительная машина.
       

     
       

     
       

       

     Классифика?ция (классифицирование) — процесс группировки объектов исследования или наблюдения в соответствии с их общими признаками.
     В программировании важен признак сорта используемого языка представления знаний. Здесь используется, например такая классификация:
    - языки профессиональной прозы,
    - языки спецификаций,
    - концептуальные языки,
    - формальные языки,
    - языки логических исчислений,
    - алгоритмические языки (их классификация важна в информатике),
    - системные языки для управления.
     Классификация ориентирована на семь сортов языков для представления знаний. Она  может показаться неправильной. Допускается, что она не соответствует чьему-то представлению. Пусть будет принята такая классификация. Она подчеркивает важность средств общения в системе человек - вычислительная машина и широкой применимостью языка профессиональной прозы в отличие от языков другого сорта.
     В деятельности человека по применению СВТ важна классификация знаний по спецификации разработки:
    - спецификация задания или проекта,
    - описания разработок и ее спецификация,
    - концепции разработки и руководства по применению,
    - спецификация меню работ пользователя,
    - спецификации логики разработки,
    - спецификация подпрограмм и программ,
    - спецификация комплекса разработки и применений.
     Классификация по форме представления данных в  широком смысле этого слова имеет  такую структуру. Здесь под данными  подразумеваем знания или средства для представления знаний (в примерах):
    - тексты из символов,
    - семантические сети или смысловые графы,
    - фреймы из слотов или записи с именованными полями,
    - отношения, таблицы или массивы,
    - алгебраические формулы или утверждения для передачи фактов (и аксиом),
    - правила вывода новых фактов, знания, представляемые продукциями,
    - языки систем управления баз данных или баз знаний.
     Наконец, классификация по видам знаний является информатической, она главным образом  и рассматривается:
    - лингвосемиотические знания,
    - семантические знания,
    - концептуальные знания,
    - фактографические знания,
    - теоретические знания,
    - алгоритмические знания,
    - кибернетические знания.
 

3 Особенности представления знаний внутри ИС

     Представление знаний в памяти ЭВМ или на внешних носителях должно иметь особенности, отличающие знания от данных, например, такие как:
      внутренняя интерпретируемость;
      структурированность;
      связанность;
      сематическая метрика;
      активность;
      конвертируемость.
     Обрабатываемой  единицей для знаний является факт, а не запись данных. Факт – это некоторая запись, наделенная сематикой.
     Внутренняя  интерпретируемость. Каждая информационная единица должна иметь уникальное имя, по которому ИС находит ее, а также отвечает на запросы, в которых это имя упомянуто. Роль «имени» может выполнять набор атрибутов. Смысл такого расширения данных – идентифицировать данные и их назначение должна уметь не только посторонняя программа, которая обладает информацией о том, как правильно расшифровать эти данные, но и сама система.
     Структурированность. Информационные единицы должны обладать гибкой структурой. Для них может выполняться рекурсия – вложимость одних информационных единиц в другие. Иначе говоря, должна существовать возможность произвольного установления между отдельными информационными единицами отношений типа «часть – целое», «род – вид» или «элемент-класс».
     Связность. Между информационными единицами должна быть предусмотрена возможность установления связей различного типа. Сематика отношений может носить декларативный или процедурный характер. Например, две и более информационные единицы могут быть связаны отношением «одновременно», две информационные единицы – отношением «причина-следствие» или «быть рядом».
     Сематическая  метрика. На множестве информационных единиц в некоторых случаях полезно задавать отношение, характеризующее их ситуационную близость, т.е. силу ассоциативной связи. Этот пункт считается критичным для моделирования процесса генерации идей.
     Активность. Данные обычно пассивны и используются командами в случае необходимости. Для ИС выполнение программ должно наоборот инициироваться текущим состоянием системы.
     Конвертируемость. Содержание знаний не должно зависить от его записи. Поэтому форма представления, уровень детализации и степень неопределенности информации о предметной области может трансформироваться в процессе перехода к очередному этапу решения интеллектуальной задачи. Это свойство, в отличие от предыдущих, отражает динамичность знаний и связано с обучением системы.
     Поле  знаний – это условное неформальное описание основных понятий и взаимосвязей между понятиями предметной области, выявленных из системы знаний эксперта, в виде графа, диаграммы, таблицы или текста.
     Поле  знаний, как первый шаг к формализации, представляет модель знаний о предметной области, в том виде, в каком ее сумел выразить аналитик на некотором «своем» языке. При выборе языка описания поля знаний на стадии формализации необходимо его заменить на машинно-реализуемый язык представления знаний, выбор которого зависит от структуры поля знаний.
 

4 Представления знаний

     Система искусственного интеллекта – это  система, оперирующая знаниями о  проблемной области. Без базы знаний систем искусственного интеллекта не существует. Для формализации и представления  знаний разрабатываются специальные  модели представления знаний и языки для описания знаний, выделяются различные типы знаний.
     Модели  представления знаний относятся  к прагматическому направлению (основано на предположении о том, что мыслительная деятельность человека – «черный  ящик») в исследованиях по искусственному интеллекту. При этом в системах, основанных на знаниях, информационные структуры представляются в форме декларативных (описательных) знаний, а алгоритмы и эвристики – в форме процедурных знаний.
     Признано, что системы, основанные на знаниях, целесообразно разрабатывать с выделением ряда подсистем. Основными из них считаются:
      подсистема представления декларативных знаний;
      подсистема представления процедурных знаний;
      подсистема манипулирования знаниями (механизм логического вывода).
     Целью такого разделения является возможность  использования системы в различных  предметных областях. Для этого достаточно заменить подсистему представления  декларативных знаний без изменения  остальных частей. В самом деле, имея универсальный механизм логического вывода, достаточно заполнить оболочку системы конкретными правилами и фактами из требуемой предметной области, чтобы получить готовую к применению систему.
     История развития методов инженерии знаний свидетельствует о том, что эта  идея продолжительное время являлась основополагающим направлением исследований. Так, например, А. Ньюэлл и Г. Саймон из Университета Карнеги-Меллона (США) разработали программу GPS – универсальный решатель задач. В формальной логике был разработан метод резолюций. В 70-х гг. XX в., однако, большинство исследователей пришли к выводу, что не существует универсальной системы представления процедурных знаний, пригодной для всех областей деятельности. Подтверждением этому служит высокая ценность специалистов-экспертов в узких предметных областях. Была сформулирована проблема представления знаний.
     Проблема  представления знаний заключается  в несоответствии между сведениями о зависимостях данной предметной области, имеющимися у специалиста, методами, используемыми им при решении  задач, и возможностями формального (однозначно-ограниченного) представления такой информации в ЭВМ. Часто проблема осложняется трудностями для эксперта по формулированию в явном виде имеющихся у него знаний.
     Общая проблема представления знаний включает ряд частных проблем:
      представление декларативных знаний как данных, наделенных семантикой (фактов);
      представление процедурных знаний как отношений между элементами модели, в том числе в виде процедур и функций;
      представление метазнаний – правил обработки фактов, способов организации логического вывода, методов решения задач пользователем, порождения новых знаний и т. д.
 

5 Модели представления знаний

     Среди множества разнообразных моделей  представления знаний можно выделить два основных подхода: эмпирический и теоретический.
     
     
     
     
       

     
     
     
     
       

     
     
     
     Эмпирический  подход основывается на исследовании сознания человека, изучении принципов  организации памяти и моделировании  механизмов решения задач. Другой подход – теоретический, можно назвать  теоретически обоснованным. Он «гарантирует правильность решений. В рамках этого подхода до настоящего времени удавалось решать только сравнительно простые задачи из узкой предметной области.
     Кроме моделей, разработанных в рамках каждого из этих подходов, отдельно выделяют бионическое направление, представленное генетическими алгоритмами и нейронными сетями.
     В каждом подходе увидим свое отношение  и к тому, что является знанием, и к тому, как его представлять. Если в теоретических моделях  знания строго формализованы, то эмпирические призваны дать некоторую свободу. Однако, ценой за эту свободу будет потенциальная невыводимость некоторых решений и невозможность найти ответ на поставленный вопрос, когда теоретические модели это гарантируют.
 

6 Продукционная модель

     Продукционные модели можно считать наиболее распространенными моделями представления знаний. Продукционная модель – это модель, основанная на правилах, позволяющая представить знание в виде предложений типа:
     «ЕСЛИ условие, ТО действие»
     Продукционная модель обладает тем недостатком, что при накоплении достаточно большого числа (порядка нескольких сотен) продукций они начинают противоречить друг другу.
     В общем случае продукционную модель можно представить в следующем  виде:
     N – имя продукции;
     A – сфера применения продукции;
     U – условие применимости продукции;
     C – ядро продукции;
     I – постусловия продукции, актуализирующиеся при положительной реализации продукции;
     R – комментарий, неформальное пояснение (обоснование) продукции, время введения в базу знаний и т. д.;
     Системы обработки знаний, использующие продукционную модель получили название «продукционных систем». В состав экспертных систем продукционного типа входят база правил (знаний), рабочая память и интерпретатор правил (решатель), реализующий определенный механизм логического вывода. Любое продукционное правило, содержащееся в базе знаний, состоит из двух частей: антецендента и консеквента. Антецедент представляет собой посылку правила (условную часть) и состоит из элементарных предложений, соединенных логическими связками «и», «или». Консеквент (заключение) включает одно или несколько предложений, которые выражают либо некоторый факт, либо указание на определенное действие, подлежащее исполнению. Продукционные правила принято записывать в виде антецедент-консеквент.
     Примеры продукционных правил:
     ЕСЛИ  «двигатель не заводится»  и  «стартер двигателя не работает»ТО 
       «неполадки в системе электропитания  стартера»
     Любое правило состоит из одной или  нескольких пар «атрибут-значение». В рабочей памяти систем, основанных на продукционных моделях, хранятся пары атрибут-значение, истинность которых установлена в процессе решения конкретной задачи к некоторому текущему моменту времени. Содержимое рабочей памяти изменяется в процессе решения задачи. Это происходит по мере срабатывания правил. Правило срабатывает, если при сопоставлении фактов, содержащихся в рабочей памяти, с антецедентом анализируемого правила имеет место совпадение, при этом заключение сработавшего правила заносится в рабочую память. Поэтому в процессе логического вывода объём фактов в рабочей памяти, как правило, увеличивается (уменьшаться он может в том случае, если действие какого-нибудь правила состоит в удалении фактов из рабочей памяти). В процессе логического вывода каждое правило из базы правил может сработать только один раз.
     Существуют  два типа продукционных систем –  с «прямыми» и «обратными»  выводами. Прямые выводы реализуют  стратегию «от фактов к заключениям». При обратных выводах выдвигаются  гипотезы вероятностных заключений, которые могут быть подтверждены или опровергнуты на основании фактов, поступающих в рабочую память. Существуют также системы с двунаправленными выводами.
     Основные  достоинства систем, основанных на продукционных моделях, связаны  с простотой представления знаний и организации логического вывода. К недостаткам таких систем можно отнести следующее:
     отличие от структур знаний, свойственных человеку;
     неясность взаимных отношений правил;
     сложность оценки целостного образа знаний;
     низкая  эффективность обработки знаний.
     При разработке небольших систем (десятки правил) проявляются в основном положительные стороны продукционных моделей знаний, однако при увеличении объёма знаний более заметными становятся слабые стороны.
 

7 Логическая модель

     Основная  идея при построении логических моделей знаний заключается в следующем – вся информация, необходимая для решения прикладных задач, рассматривается как совокупность фактов и утверждений, которые представляются как формулы в некоторой логике. Знания отображаются совокупностью таких формул, а получение новых знаний сводится к реализации процедур логического вывода. В основе логических моделей знаний лежит понятие формальной теории, задаваемое картежем:
     S=<A,F,Ax,R>
     А – счетное множество базовых  символов (алфавит);
     F – множество, называемое формулами;
     Ax – выделенное подмножество априори истинных формул (аксиом);
     R – конечное множество отношений между формулами, называемое правилами вывода.
     Основные  достоинства логических моделей  знаний:
      в качестве «фундамента» здесь используется классический аппарат математической логики, методы которой достаточно хорошо изучены и формально обоснованы;
      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.