Данные и знания. Логическая модель представления знаний. продукционная модель представления данных

Д анные - сведения, представленные в определенной знаковой системе и на определенном материальном носителе для обеспечения возможностей хранения, передачи, приема и обработки.

Знание – зафиксированная и проверенная практикой информация, которая может многократно использоваться людьми для решения тех или иных задач – см. глубинные знания, процедурные знания.

При изучении ИИ возникает вопрос: «Что такое знания и чем они отличаются от данных?». Приведем определение.

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

При обработке на ЭВМ данные трансформируются, последовательно проходя следующие этапы:

Данные, существующие как результат измерений и наблюдений;

Данные на материальных носителях информации — в таблицах, протоколах, справочниках;

Структуры данных в виде диаграмм, графиков, функций

Логическая модель представляет собой формальную систему – некоторое логическое исчисление. Все знания о предметной области описываются в виде формул этого исчисления или правил вывода. Описание в виде формул дает возможность представить декларативные знания, а правила вывода – процедурные знания.

Пример. Когда температура в печи, достигает 120 градусов и прошло, менее 30 минут с момента включения, давление не может превосходить критическое. Если с момента включения печи прошло более 30 минут, то необходимо открыть вентиль №2.

Логическая модель представления этого знания имеет вид.

P(P=120) T(t<30) (D<Dкр);

P(P=120) T(t>30)=>F(№2)

В этой записи используются следующие обозначения:

P(P=120) – предикат, становящийся истинным, когда температура достигает 120 градусов.

T(t<30) – предикат, остающийся истинным в течение 30 минут с начало процесса.

T(t>30) – предикат, становящийся истинным по истечению 30 минут с начало процесса.

(D<Dкр) – утверждение о том, что давление ниже критического;

F(№2) – команда открыть вентиль №2.

Первая строчка в записи представляет декларативные знания, а вторая процедурные.

Языки представления знаний логического типа широко использовались на ранних стадиях развития интеллектуальных систем, но вскоре были вытеснены языками других типов. Объясняется это громоздкостью записей, опирающиеся на классические логические исчисления. При формировании таких записей легко допустить ошибки, а поиск их очень сложен.

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 (они могут быть промежуточными, выступающими далее как условия, и терминаль­ными или целевыми, завершающими работу системы).

При использовании продукционной модели база знаний состоит из набора правил. Программа, управляющая перебором правил, называется машиной вывода. Чаще всего вывод бывает прямой (от данных к поиску цели) или обратный (от цели для ее подтвержде­ния — к данным). Данные — это исходные факты, на основании которых запускается ма­шина вывода — программа, перебирающая правила из базы.

Пример 1. Имеется фрагмент базы знаний из двух правил:

П1: Если «отдых — летом» и «человек — активный», то «ехать в горы».

П2: Если «любит солнце», то «отдых летом».

Предположим, в систему поступили данные — «человек активный» и «любит солнце».

Прямой вывод — исходя из данных, получить ответ.

1-й проход.

Шаг 1. Пробуем П1, не работает (не хватает данных «отдых — летом»).

Шаг 2. Пробуем П2, работает, в базу поступает факт «отдых — летом».

2-й проход.

Шаг 3. Пробуем П1, работает, активируется цель «ехать в горы», которая и выступает как совет, который дает ЭС.

Обратный вывод — подтвердить выбранную цель при помощи имеющихся правил и

данных.

1-й проход.

Шаг 1. Цель — «ехать в горы»: пробуем П1 — данных «отдых — летом» нет, они ста­новятся новой целью, и ищется правило, где она в правой части.

Шаг 2. Цель «отдых — летом»: правило П2 подтверждает цель и активирует ее.

2-й проход.

Шаг 3. Пробуем П1, подтверждается искомая цель.

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.

Дата добавления: 2015-04-24