Модели представления знаний. Фреймы.

Поволжский государственный университет связи

Заочный факультет

РЕГИСТРАЦИОННЫЙ № ______

Контрольная работа № ____1____           Вариант _17__

по _____Интеллектуальным информационным системам_______

Студент _____________ Иванова Г.П._________________

Факультет _ПИвЭ_  курс  __1__  шифр  __080009__   гр. __56я_

Работа выслана «_____»_________________ 200__г.

Оценка _______________  Дата _______________200___г.

Подпись преподавателя ___________________

Контрольная работа вместе с рецензией предъявляется

экзаменатору при сдаче экзамена

СОДЕРЖАНИЕ

Введение                                                                                                                       2

Модели представления знаний                                                                                   3

Фреймы                                                                                                                         8

Список используемых источников                                                                          11

ВВЕДЕНИЕ

При изучении интеллектуальных систем возникает вопрос - что же такое знания и чем они отличаются от обычных данных, обрабатываемых ЭВМ.

Данные - это отдельные факты, характеризующие объекты, процессы и явления предметной области, а также их свойства.

При обработке на ЭВМ данные трансформируются.

Знания основаны на данных, полученных эмпирическим путем. Они представляют собой результат мыслительной деятельности человека, направленной на обобщение его опыта, полученного в результате практической деятельности.

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.

При обработке на ЭВМ знания трансформируются аналогично данным.

Часто используется такое определение знаний.

Знания - это хорошо структурированные данные, или данные о данных, или метаданные.

Для хранения знаний используются базы знаний (для них характерны небольшой объем, но исключительно дорогие информационные массивы). База знаний - основа любой интеллектуальной системы. 

Знания могут быть классифицированы по следующим категориям:

       Поверхностные - знания о видимых взаимосвязях между отдельными событиями и фактами в предметной области.

        Глубинные - абстракции, аналогии, схемы, отображающие структуру и природу процессов, протекающих в предметной области. Эти знания объясняют явления и могут использоваться для прогнозирования поведения объектов.

Пример
Поверхностные знания: "Если нажать на кнопку звонка, раздастся звук. Если болит голова, то следует принять аспирин". 
Глубинные знания: "Принципиальная электрическая схема звонка и проводки. Знания физиологов и врачей высокой квалификации о причинах, видах головных болей и методах их лечения".

МОДЕЛИ ПРЕДСТАВЛЕНИЯ ЗНАНИЙ

Модели представления знаний – это одно из важнейших направлений исследований в области искусственного интеллекта. Потому что, что без знаний искусственный интеллект не может существовать в принципе. Представьте себе человека, который абсолютно ничего не знает. Например, он не знает даже таких элементарных вещей как:

        для того чтобы не умереть от голода, необходимо периодически есть;

        необязательно из одного края города в другой идти пешком, если для этих целей можно воспользоваться общественным транспортом.

Таких примеров удастся привести еще много.

Поведение такого человека может считаться не разумным. Именно поэтому, при создании систем искусственного интеллекта особенное внимание уделяется моделям представления знаний.

Существуют десятки моделей (или языков) представления знаний для различных предметных областей.

Модели представления знаний относятся к прагматическому направлению исследований в области искусственного интеллекта. Это направление основано на предположении о том, что мыслительная деятельность человека – «черный ящик». При таком подходе не ставится вопрос об адекватности используемых в компьютере моделей представления знаний тем моделям, которыми пользуется в аналогичных ситуациях человек, а рассматривается лишь конечный результат решения конкретных задач.

Типы моделей показаны на рисунке.

Самые распространенные из них:

        продукционные модели;

        семантические сети;

        фреймы;

      формальные логические модели.

Продукционная модель.

Продукционная модель или модель, основанная на правилах, позволяет представить знания в виде предложений типа "Если (условие), то (действие)".

Под "условием" понимается некоторое предложение-образец, по которому осуществляется поиск в базе знаний, а под "действием" - действия, выполняемые при успешном исходе поиска. Чаще всего вывод на такой базе знаний бывает прямой (от данных к поиску цели) или обратный (от цели для ее подтверждения - к данным). Данные - это исходные факты, хранящиеся в базе фактов, на основании которых запускается машина вывода или интерпретатор правил, перебирающий правила из продукционной базы знаний.

Продукционная модель чаще всего применяется в промышленных экспертных системах. Она привлекает разработчиков своей наглядностью, высокой модульностью, легкостью внесения дополнений и изменений и простотой механизма логического вывода.

Имеется большое число программных средств, реализующих продукционный подход (язык OPS 5; "оболочки" или "пустые" ЭС - EXSYS Professional, Kappa, ЭКСПЕРТ; ЭКО, инструментальные системы ПИЭС [Хорошевский, 1993] и СПЭИС [Ковригин, Перфильев, 1988] и др.), а также промышленных ЭС на его основе (например, ЭС, созданных средствами G2 [Попов, 1996]) и другие.

Семантические сети.

Термин семантическая означает "смысловая", а сама семантика - это наука, устанавливающая отношения между символами и объектами, которые они обозначают, то есть наука, определяющая смысл знаков.

Семантическая сеть - это ориентированный граф, вершины которого - понятия, а дуги - отношения между ними.

В качестве понятий обычно выступают абстрактные или конкретные объекты, а отношения - это связи типа: "это" ("АКО - А-Kind-Of", "is"), "имеет частью" ("has part"), "принадлежит", "любит".

Характерной особенностью семантических сетей является обязательное наличие трех типов отношений:

        класс - элемент класса (цветок - роза);

        свойство - значение (цвет - желтый);

        пример элемента класса (роза - чайная).

Можно предложить несколько классификаций семантических сетей, связанных с типами отношений между понятиями. 

По количеству типов отношений:

        Однородные (с единственным типом отношений).

        Неоднородные (с различными типами отношений).

По типам отношений:

        Бинарные (в которых отношения связывают два объекта).

        N-арные (в которых есть специальные отношения, связывающие более двух понятий).

Проблема поиска решения в базе знаний типа семантической сети сводится к задаче поиска фрагмента сети, соответствующего некоторой подсети, отражающей поставленный запрос к базе.

Основным преимуществом данной модели является то, что она более других соответствует современным представлениям об организации долговременной памяти человека [Скрэгг, 1983]. 

Для реализации семантических сетей существуют специальные сетевые языки, например NET [Цейтин, 1985], язык реализации систем SIMER+MIR [Осипов, 1997] и др. Широко известны экспертные системы, использующие семантические сети в качестве языка представления знаний - PROSPECTOR, CASNET, TORUS [Хейес-Рот и др., 1987; Durkin, 1998].

Фреймы

Термин фрейм (от английского frame, что означает "каркас" или "рамка") был предложен Марвином Минским [Минский, 1979], одним из пионеров ИИ, в 70-е годы для обозначения структуры знаний для восприятия пространственных сцен. Эта модель, как и семантическая сеть, имеет глубокое психологическое обоснование.

Фрейм - это абстрактный образ для представления некоего стереотипа восприятия.

Специальные языки представления знаний в сетях фреймов FRL (Frame Representation Language) [Байдун, Бунин, 1990], KRL (Knowledge Representation Language) [Уотермен, 1989], фреймовая "оболочка" Kappa [Стрельников, Бори- сов, 1997] и другие программные средства позволяют эффективно строить промышленные ЭС. Широко известны такие фрейм-ориентированные экспертные системы, как ANALYST, МОДИС, TRISTAN, ALTERID [Ковригин, Перфильев, 1988; Николов, 1988; Sisodia, Warkentin, 1992].

Формальные логические модели

Традиционно в представлении знаний выделяют формальные логические модели, основанные на классическом исчислении предикатов I-го порядка, когда предметная область или задача описывается в виде набора аксиом.

Логические выражения, построенные в данной модели, могут быть истинными или ложными. Некоторые из этих выражений, являющиеся всегда истинными, объявляются аксиомами (или постулатами). Они составляют ту базовую систему посылок, исходя из которой и пользуясь определенными правилами вывода, можно получить заключения в виде новых выражений, также являющихся истинными.

Если перечисленные условия выполняются, то говорят, что модель удовлетворяет требованиям формальной теории. Ее так и называют формальной системой (ФС). Система, построенная на основе формальной теории, называется также аксиоматической системой.

Формальная теория должна, таким образом, удовлетворять следующему определению:

всякая формальная молель, определяющая некоторую аксиоматическую систему, характеризуется:

      наличием алфавита (словаря), A,

      множеством синтаксических правил, V,

      множеством аксиом, лежащих в основе теории, W,

      множеством правил вывода, R.

Исчисление высказываний (ИВ) и исчисление предикатов (ИП) являются классическими примерами аксиоматических систем. Эти ФС хорошо исследованы и имеют прекрасно разработанные модели логического вывода - главной метапроцедуры в интеллектуальных системах. Поэтому все, что может и гарантирует каждая из этих систем, гарантируется и для прикладных ФС как моделей конкретных предметных областей. В частности, это гарантии непротиворечивости вывода, алгоритмической разрешимости (для исчисления высказываний) и полуразрешимости (для исчислений предикатов первого порядка).

ФС имеют и недостатки, которые заставляют искать иные формы представления. Главный недостаток - это "закрытость" ФС, их негибкость. Модификация и расширение здесь всегда связаны с перестройкой всей ФС, что для практических систем сложно и трудоемко. В них очень сложно учитывать происходящие изменения. Поэтому ФС как модели представления знаний используются в тех предметных областях, которые хорошо локализуются и мало зависят от внешних факторов.

Исчисление предикатов I-го порядка в промышленных экспертных системах практически не используется. Эта логическая модель применима в основном в исследовательских "игрушечных" системах, так как предъявляет очень высокие требования и ограничения к предметной области.