8.2.Экспертные системы нового уровня
Общая идея функционирования экспертных систем заключается в переносе опыта эксперта в базу знаний, в проектировании машины для вывода решений по имеющейся информации и в создании соответствующего GUI [111-113]. Первая ЭС считается программа DENDRAL, которая была написана в первой половине 60 годов в Стэнфордском университете. Задача этой программы заключалась в подсчёте всех возможных конфигураций заданного множества атомов. Интегральной частью этой программы была база знаний, содержащая химические законы и правила, которые в течение многих десятилетий вырабатывались в химических лабораториях.
Программа DENDRAL оказалась чрезвычайно полезной при решении задач, до которых не существовало аналитических методов. Также в Стэнфорде были созданы ещё две ЭС для помощи геологам, при определении типа пробы грунта, в зависимости от содержания в нём различных минералов. Она была названа PROSPECTOR. Эта система была диалоговой системой и работала на основе правил, полученных от специалистов, которые составляли базу знаний, отделённую от механизма вывода решения. Применение такой системы дало очевидный эффект в виде открытия залежей молибдена. Следующая система получила название MYCIN, созданная для диагностирования инфекционных болезней. В этой системе вводились данные пациента и данные лабораторных анализов. Результат функционирования представлял собой диагноз и рекомендацию по лечению. В случае некоторых заболеваний крови, система помогала принимать решения, при неполной информации, при наличии сомнений, система определяла уровень уверенности в поставленном диагнозе и предлагала альтернативное решение (диагноз). На базе этой системы была создана система NEOMYCIN, которая применялась для обучения врачей. Одним из крупнейших проектов в истории ИИ, известное под название CYC, это была мощная система, которая содержала миллионы правил. Разработчики предполагали ввести в её базу знаний порядка 100000000 правил, что позволило бы обеспечить чрезвычайно большие возможности компьютеру. Таким образом, основными элементами ЭС считаются БЗ, механизм вывода решения и интерфейс пользователя. Правила - это логические высказывания, которые определяют некоторые импликации и обеспечение получения новых фактов, что и позволяет решить исходную задачу.
Логические правила могут быть разного типа. Очень хорошо работает такая система при диагностике каких-то объектов. Механизм вывода решения это также программный модуль, использующий БЗ.
Большой популярностью пользуются скелетные ЭС, то есть компьютерные программы с реализованным механизмом вывода и пустой базой знаний. Но составной частью таких программ являются специальные редакторы, позволяющие заносить в базу правила решения задач, стоящие перед пользователями. Проблематика построения ЭС относится к инженерии знаний.
- Предисловие
- Список использованных сокращений
- Часть 1.
- Глава 1. Математические основы формализации и методов описания
- Часть 2.
- Глава 2. Методы представления знаний с использованием
- Часть 3.
- Глава 3. Интеллектуальные технологии создания информационных систем. Способы получения информации и ее реализации для оценивания состояния агрегатов
- Часть 4.
- Глава 4. Источники информации и причины возникновения ее неопределенности
- 4.1. Переработка и использование информации в реальных условиях функционирования агрегатов
- Часть 5.
- Список использованных сокращений и обозначений
- Введение:
- Часть 1.
- Глава 1. Математические основы формализации и методов описания
- Формализация объекта и парадигмы
- 1.3. Множества и перечень базовых операций над множествами
- Перечень базовых операций над множествами
- Области определения функций
- Обратная функция
- Теорема
- Мера и нечеткая мера
- Задача построения нечетких мер
- Нечеткие множества: определение и формы записи в операциях и
- 1.7.Функции доверия и правило Демпстера а.Р.,[23]
- 1.8. Нормировка функций в теории нечётких множеств
- 1.9. Нечёткие отношения: прямая и обратная задачи
- Глава 2. Методы представления знаний с использованием приближенных и нечетких множеств
- 2.1.Нечеткие вычислительные технологии
- 2.2.Семантика объекта: определение и типизация
- 2.3.Создание Базы знаний: постановка, семантика, прагматика
- 2.4. Сопоставление объектов: постановка, семантика, прагматика
- 2.5.Распознавание объектов: постановка, семантика, прагматика
- 2.6. Управление процессом представления знаний
- Нечёткие множества: субъективность и неточность
- 2.8.Нечеткая алгебра
- 2.9.Нечеткие иерархические отношения
- 2.10.Естественность операций max и min
- 2.11.Нечеткая статистика
- 2.12. Совместимость и нечеткое ожидание
- Глава 3. Нечеткие технологии создания информационных систем. Способы получения информации и ее реализации для оценивания состояния агрегатов
- 3.2. Обработка нечетких данных как неопределенных чисел
- Методология представления агрегата в виде комплексного механизма
- 3.2.2. Описание исходной информации на языке размытых множеств
- Размытость интервалов, ограничений, критериев и целей управления в эксплуатации и диагностике
- 3.3.3. Размытые ограничения, цели и оптимизация работы агрегата в условиях нечеткой информации о состоянии
- Анализ информации для диагностики и оценивания состояния механизмов
- 3.5. Оценки погрешностей измерений и наблюдений за состоянием агрегатов
- Влияние погрешностей исходных данных на погрешности диагноза
- Глава 4. Источники информации и причины возникновения ее неопределенности
- 4. 2. Управление и идентификация на объекте в условиях неопределенности информации на основе знаний, получаемых при функциональной диагностике
- Тогда множество диагностических признаков g также будет нечетким
- 4.3.Представление и использование чётких и «размытых» знаний в математических моделях оценивания состояния агрегатов, на основе функциональной диагностики
- 4.3.1.Формализация решения задачи оценивания состояния
- 4.3.2. Особенности решения задач контроля и функционирования агрегата
- Глава 5. Введение в генетическое программирование
- 5.1. Введение в генетические и эволюционные алгоритмы
- 5.2. Сравнительный анализ эволюционных алгоритмов
- 5.3. Генетическое программирование
- 5.4. Перспективные направления развития гп
- Глава 6. Введение в нейронные сети
- 6.1. Алгоритмы их обучение и эластичные нейро-нечеткие системы
- 6.2. Имитация нервных клеток
- 6.3. Математическая модель нейрона
- 6.4. Обучение нейронных сетей
- 6.5. Метод обратного распространения ошибки
- 6.6. Алгоритм настройки нейронной сети
- Глава 7. Другие методы нечетких технологий для построения
- 7.1. Введение в теорию возможностей и смысла
- 7.1.1. Неопределенность и неточность
- 7.1.2. Традиционные модели неточности и неопределенности
- 7.1.3. Меры неопределенности
- 7.1.4. Меры возможности и необходимости
- 7.1.5. Возможность и вероятность
- 7.2. Языки и технологии логического программирования prolog, lisp
- Глава 8. Послесловие
- 8.1. Эволюция искусственного интеллекта для развития интеллектуальных
- 8.2.Экспертные системы нового уровня
- 8.3. Роботика
- 8.4. Преобразование речи искусственного языка
- 8.5. Интеллект муравьёв и его использование
- 8.6. Искусственная жизнь, мозг, познание, разум, память и мышление
- 8.7. Боты
- Optimizator подсистемы диагностики состояния энергоустановок, skais, для решения задач технического обслуживания
- Заключение
- Заключение
- Литература