МІНІСТЕРСТВО ОСВІТИ І НАУКИ УКРАЇНИ НАЦІОНАЛЬНИЙ УНІВЕРСИТЕТ "ЛЬВІВСЬКА ПОЛІТЕХНІКА"
ПРОЕКТУВАННЯ СИСТЕМ ШТУЧНОГО ІНТЕЛЕКТУ МОДЕЛІ ЗНАНЬ Інструкції до лабораторних робіт №1 , №2 для студентів спеціальності 7.080403 "Програмне забезпечення автоматизованих систем" Затверджено на засіданні кафедри "Програмне забезпечення” Протокол № 8 від 9.06. 2003 р. Львів 2003 ПРОЕКТУВАННЯ СИСТЕМ ШТУЧНОГО ІНТЕЛЕКТУ. МОДЕЛІ ЗНАНЬ. Інструкції до лабораторних робіт №1, 2 для студентів спеціальності 7.080403 "Програмне забезпечення автоматизованих систем" / Укл. Є. Н. Федорчук – Львів: Видавництво ДУ "Львівська політехніка", 2003. – 10 с. Укладач Федорчук Є. Н., канд. техн. наук, доц. Відповідальний за випуск: Грицик В. В, д-р. техн. наук, професор. Рецензенти : Дружинін А. О., д-р. техн. наук, професор, Федоришин О. С., к. ф.-м. наук, доцент. ВСТУП Лабораторні роботи призначені для практичного засвоєння розділу “Моделі знань” дисципліни “Проектування систем штучного інтелекту”. Пропонуються такі теми: моделі знань експертних задач на основі продукційних правил; моделі знань експертних задач на основі фреймів; моделі знань експертних задач з нечіткими даними. Матеріал містить формули та алгоритмічні операції для практичної побудови алгоритмів і комп’ютерних програм на лабораторних заняттях. Лабораторна робота №1 Побудова і аналіз моделі знань у формі продукційних правил з нечіткими даними. 1.1. Теоретичні відомості Формули нечіткої логіки для обчислення коефіцієнтів визначеності в мережах правил. Одним із поширених методів представлення знань є застосування правил-продукцій. Продукційні правила добре відображають знання людини у вигляді асоціацій, спостережень, навичок. За їх допомогою компетентність і досвід людини легко моделюється на поверхневому рівні, без відображення глибинної суті явищ, знань і причинних зв’язків. Тому правила є ефективним способом подання рекомендацій, директив, стратегій, які обумовлюються певними фактами-знаннями з людського досвіду. Правила також забезпечують природний спосіб опису процесів, які виникають і керуються в складному і швидко змінному зовнішньому середовищі. Схематично продукція подається у формі символьного виразу: продукція = умова + наслідок. Формально умова продукції перевіряється на основі співставлення певного зразка (твердження) із даними в моделі знань. Якщо співставлення (підтвердження) успішне, то виконується наслідок (дія, процедура, рекомендація). Найбільш поширеними в літературі є подання правил у формі тверджень: Якщо (умова) то (наслідок, дія); Якщо (умова 1, умова 2, умова 3) то (наслідок 1, наслідок 2). В поданих записах умови і наслідки об’єднуються за правилом кон’юнкції, тобто можуть наступати одночасно. В ролі дії або наслідку може виступати приєднана обчислювальна процедура, рекомендація. Аналогом для продукційного правила є логічне правило : IF ( оператор ) THEN ( дія ), відоме в класичних мовах програмування. Однак розвиток продукційних обчислень привів до створення більш ефективних мов програмування-логічних та функційних мов, таких як Пролог та Лісп. Ці мови забезпечують опрацювання задач із символьними даними та підтримують ряд ефективних алгоритмів символьних обчислень, як рекурсія, пошук і виведення в мережевих ієрархічних структурах, бектрекінг. Графічне подання мережі правил, як моделі знань, дозволяє наочно показати можливі способи приєднання до правил обчислень для нечітких даних. В мережах правил існують різні види логічних зв”язків між фактами та правилами. Для окремих базових зв”язків застосовують формули нечіткої логіки для обчислення коефіцієнтів визначеності. Розглянемо базові зв”язки та формули для обчислень. Подані на рисунках позначення CF, CF1, CF2, CFP – це задані апріорі значення коефіцієнтів визначеності для елементів ...