Алгоритмическая модель представления знаний

Эпистемологическая полнота представления знаний.

Эпистомологическая полнота представления знаний.

Гносеология. Начало положено ей в 1922 году защита диссертации карлом монгеем.(структурный анализ эпистомологии) Положило началу нового направления в науке эпистомологии.

Эпистемологическая полнота представления знаний имеет ввиду логическое исследования предметной области, которое предполагает её систематизацию и истолкование всех её компонентов, т.е. отдельные логические сущности не должны вырываться из органической целостности и не должны быть изучены и изолированы друг от друга. Эпистемология выявляет прежде всего то, что побуждает человеческий разум переходить от одной проблемы к другой каким образом отдельные разные системы совмещаются в общем потоке человеческой мысли и объяснить почему при разных способах постановки проблемы получаются одинаковые результаты и наоборот при единообразном способе постановки проблемы получаются разные результаты, где находится точка соприкосновения различные проблемы и в которой расходятся пути их решения.

Эпистемология исследует связи между логическими сущностями и чем больше этих связей, тем глубже эпистомологическая полнота представления знаний. Эпистомология так же изучает и принципы достижения знаний, она принимает подтверждённые факты и квалифицирует их как знания. Отсюда следует сделать вывод, что идея познания вклирпючает в себя представление о кореляции субьекта и объекта познания. Чем выше корреляция между субъектом и объектом познания тем быстрее достигается эпистомологическая полнота представления знаний, через промежуточное звено между субъектом и объектом познания

58 Алгоритмическая модель. В процессе формализации знаний часто используются алголоподобные языки. Формальная система задает описание решения задачи в виде программы вычисления. В основе формальной системы лежат: алфавит используемого языка, правила формирования выражений из элементов алфавита, аксиомы и правила вывода.

Алфавит определяется множеством Т = Т1 U Т2 U Т3,

где: Т1 = {A1, A2,...An} – имена подзадач. Последовательность А представляет собой описание исходной задачи;

Т2 = {;, case, of, while, do} – включает слова, позволяющие строить синтаксические конструкции описания последовательности решения (например, case A of A1, A2,... An – означает, что описание исходной задачи А, для решения которой достаточно решить одну подзадачу);

Т3 = {begin, end} - вспомогательные значения.

Алгоритмическая модель также может отображаться графом, где в корневой вершине находится исходная решаемая задача, в промежуточных вершинах – подзадачи, в концевых – элементарные подзадачи. Дуги отображают операции программирования типа <соглашение>.

Алгоритмическая модель представления знаний является основополагающей по отношению ко всем остальным моделям представления знаний. Кроме этого, алгоритмическая модель представления знаний позволяет представить в памяти ЭВМ процедурные знания.

Все существующие модели представления знаний являются или развитием алгоритмической модели представления знаний (например, продукционная модель представления знаний), или включают её в свою структуру (например, фреймовая модель представления знаний).

Алгоритмическая модель представления знаний позволяет описать практически любую модель предметной области (в частности любую модель предметной области, реализуемую на основе другой модели представления знаний).

Алгоритмическая модель представления знаний реализуется на алгоритмических языках программирования, как универсальных, так и специализированных.

Основными достоинствами данной модели являются:

1. Универсальность. Практически все возможные знания могут быть записаны в виде алгоритмов и, следовательно, способны отражать любое процедурное знание.

2. Теоретическая проработанность. При этом снимаются неоднозначности в трактовке и использовании модели в том или ином случае. Данным достоинством обладает еще только логическая модель предметной области.

3. Модульность. Добавление или удаление новых алгоритмов не приводит к изменениям в основном алгоритме.

4. Относительная простота реализации.

В качестве основных недостатков:

1. Высокая степень детерминированости и статичности. Практически невозможно реализовать функции адаптации и обучения, а тем более самоадаптации и самообучения.

2. Ориентирована только на хорошо формализуемые предметные области.

3. Наблюдается скачкообразная потеря способности находить решения даже при незначительном выходе задачи за пределы компетентности.

4. Пополнение базы знаний и проверка её непротиворечивости осуществляется вручную (инженером по знаниям или программистом).

5. Несовпадение структуры знаний в интеллектуальной системе и их организацией у эксперта.

6. Отсутствие возможности абдуктивного (от частного к частному) вывода.

7. Жесткие границы компетентности.

Дата добавления: 2015-05-09