Подякувати Студентському архіву довільною сумою
Admin
26.02.2023 12:38
Дякуємо, що користуєтесь нашим архівом!
Інформація про навчальний заклад
ВУЗ:
Національний університет Львівська політехніка
Інститут:
Не вказано
Факультет:
Не вказано
Кафедра:
Не вказано
Інформація про роботу
Рік:
2013
Тип роботи:
Контрольна робота
Предмет:
Системи ТЗІ
Частина тексту файла (без зображень, графіків і формул):
Міністерство освіти і науки, молоді та спорту України
Національний університет "Львівська політехніка"
Кафедра "Інформаційні системи та мережі "
Контрольна робота
з предмету:
" Інтелектуальні системи "
Контрольні питання:
1.Моделі подання знань та механізми логічного виведення(продукційна система подання знань.Механізм міркування).
2.Штучні нейронні мережі(Основні поняття штучних нейронних мереж.Архітектура шт.нейр.мереж).
3.Основні поняття мультиагентних систем.Аналіз сучасних досліджень у розробках мультиагентних систем.
1.Моделі подання знань та механізми логічного виведення(продукційна система подання знань.Механізм міркування)
Модель подання знань — це множина синтаксичних та семантичних погодженостей, що робить можливим описання предмету. Під «предметом» тут розуміється стан ПО, тобто об'єктів певної області, їх властивостей, відношень, які існують між об'єктами в деякий фіксований момент часу.
Розрізняють два типи моделей подання знань: декларативні (знати, що подавати) і процедурні (знати, як подавати). Кожна з цих двох моделей має свої переваги та недоліки.
Процедурна модель подання базується на тому, що інтелектуальна діяльність розглядається як знання ПО, вкладене у програми. Тобто знання про те, як можна використати ті чи інші сутності ПО.
Декларативна модель базується на тому, що знання сутностей не має глибоких зв'язків із процедурами, що використовуються для опрацювання цих сутностей. Модифікація знань здійснюється простим додаванням або видаленням тверджень про сутності ПО.
Важливим для моделювання інтелектуальних систем є питання, чим відрізняються знання від даних. У роботі Поспелов відзначає чотири ознаки що відрізняють знання від даних: внутрішня інтерпретованість знань; структурованість знань; зв'язність компонентів знань; активність знань.
Структурованість розглядають як властивість декомпозиції складних об'єктів на простіші та встановлення зв'язків між простими об'єктами.
Зв'язність практично неможливо знайти в базах даних. Знання зв'язані не тільки у сенсі структури, вони відображають закономірності щодо фактів, процесів, подій і причинно-наслідкові відношення між ними.
Активність — нові знання є програмами, а дані пасивно зберігаються у пам'яті машини. Наприклад, стимулом активності є неповнота знань, що змушує до необхідності їх поповнення.
Відмінність між даними та знаннями привели до появи спеціальних формалізмів у вигляді моделей подання знань, що відображають всі чотири ознаки. На сьогодні найпоширенішими є такі моделі подання знань:
-семантичні мережі;
-системи фреймів;
-логічні моделі;
-продукційні системи;
-об'єктно-орієнтована модель.
Продукційна система подання знань
Значна кількість інтелектуальних систем ґрунтується на понятті “формальна продукційна система”. Продукційна система РS визначається таким чином: PS= (E, B, I), де E – база даних, яка містить біжучі дані;B – база знань, яка містить множину продукцій (правила вигляду “умова ® дія”); іншими словами це інформація про можливі способи перетворення даних; I – інтерпретатор (машина логічного виведення), що реалізує процес виведення; в циклі виконуються такі дії: визначається множина пар (правило , набір поточних даних , на якій цей модуль (правило) задовольняється); цей модуль виконує відповідні дії над даними, тим самим здійснюючи зміни в базі даних.
Процес інтерпретації задається як пошук розв'язку в просторі станів ПО, що визначається вмістом бази даних. Оскільки не можна побудувати відразу всі шляхи розв'язування задачі, то вибір стану здійснюється відповідно до деяких евристичних функцій .
Семантичні мережі
Семантичну мережу можна визначити як множину об'єктів, на якій задано множину відношень. Об'єктами можуть бути як одиничні дані, так і класи даних. Аналогічно відношеннями можуть бути як одиничні зв'язки між об'єктами (об'єкт х летить до об'єкта у), так і узагальнені (об'єкт х рухається до об'єкта у).
Переведення речень з природної мови у семантичні мережі є на сьогодні однією з актуальних проблем. Отримані результати в цьому напрямку належать до синтаксично і семантично обмежених речень. Замість поняття “одиниця природної мови” будемо надалі використовувати поняття “об'єкт” або “лінгвістична змінна”.
Семантична мережа, об'єкти і відношення якої мають індивідуальний характер, називається мікромережею. Аналогічно макромережею називається мережа, об'єкти і відношення якої мають узагальнений характер.
Розглядаються також змішані мережі, які є композицією мікро- і макромереж. При визначенні операції вважається заданою загальна для всіх операцій база знань, яка подається у вигляді макромережі, що називається базовою макромережею. Усі семантичні мережі, над якими виконуються операції, вважаються такими, що належать до базової макромережі. Поняття належності тут використовується в теоритично-множинному і логічному поняттях. У першому функція належності визначається або через перечислення елементів класу, або через вказування обмеженої якості (предикату), а в другому — за допомогою правил виведення. Семантична мережа є істинною, якщо вона належить до базової макромережі.
Операції визначаються тільки над множиною істинних семантичних мереж.
Моделі міркувань
1. Дедуктивні моделі міркувань націлені на отримання логічно правильних тверджень з множини аксіом , які є правильно побудованими формулами. Формула виводиться з формул , якщо є істинною тоді і лише тоді, коли істинною є формула . Доведення формули з множини аксіом зводиться до доведення хибності формули . Методи доведення, базовані на цьому, називаються методами заперечення. Найвідомішим серед них є метод резолюцій . Дедуктивні моделі міркувань реалізовані у продукційних системах подання знань.
2. Індуктивні моделі міркувань. Індуктивне виведення дозволяє отримати загальні закономірності на основі експериментальних спостережень. Іншими словами, застосовуються міркування від часткового до загального. Програмам демонструються приклади. Ставиться задача аналізу набору властивостей цих прикладів та ідентифікації відповідних концептів. Загальна форма задач, що розв'язуються в такій системі навчання, отримала назву індукції. Отже, індуктивна програма навчання — це програма, яка навчається на основі узагальнення властивостей прикладів, що їй надаються.
Велика кількість спеціалістів вважає задачу видобування знань однією з головних проблем технології інтелектуальних систем. Тому виникли системи автоматизації процесу передавання знань від спеціаліста до машини. Виділяють два напрями:
1) автоматизоване видобування знань (виникло як розвиток систем людино-машинного діалогу);
2) машинне навчання (ідея полягає в тому, щоб машина вчилася вирішувати проблеми приблизно так, як вчиться людина).
Існують три варіанти видобування знань, що дозволяють обійтися без спільних зусиль людини-експерта та інженера зі знань:
використовувати інтерактивні програми, які б добували знання від людини-експерта у процесі діалогу за терміналом;
використовувати програми, що можуть навчатися, читаючи тексти, аналогічно до того, як навчається людина у процесі опрацювання технічної літератури; використовувати програми, які навчаються під керівництвом людини-вчителя; один з підходів полягає в тому, що вчитель надає програмі приклади реалізації деякого концепту, а задача програми полягає в тому, щоб отримати з наявних прикладів набір атрибутів і значень, що визначають цей концепт.
2.Штучні нейронні мережі(Основні поняття штучних нейронних мереж.Архітектура шт.нейр.мереж)
Інтелектуальні системи на основі штучних нейронних мереж дозволяють з успіхом вирішувати проблеми розпізнавання образів, виконання прогнозів, оптимізації, асоціативної пам'яті і керування. Традиційні підходи до рішення цих проблем не завжди надають необхідної гнучкість і багато застосувань виграють від використання нейромереж.
Штучні нейромережі є електронними моделями нейронної структури мозку, який, головним чином, навчається з досвіду. Природній аналог доводить, що множина проблем, які поки що не підвладні розв'язуванню наявними комп'ютерами, можуть бути ефективно вирішені блоками нейромереж.
Тривалий період еволюції додав мозку людини багато якостей, що відсутні в сучасних комп'ютерах з архітектурою фон Неймана. До них відносяться:
-розподілене представлення інформації і паралельні обчислення;
-здатність до навчання й узагальнення;
-адаптивність;
-толерантність до помилок
-низьке енергоспоживання.
Прилади, побудовані на принципах біологічних нейронів, мають перелічені характеристики, що можна вважати суттєвим здобутком у індустрії обробки даних.
Досягнення в галузі нейрофізіології надають початкове розуміння механізму природного мислення, де збереження інформації відбувається у вигляді образів, деякі з яких є складними. Процес зберігання інформації як образів, використання образів і вирішення поставленої проблеми визначають нову галузь в обробці даних, яка, не використовуючи традиційного програмування, забезпечує створення паралельних мереж та їх навчання. В лексиконі розробників та користувачів нейромереж присутні слова, дуже відмінні від традиційної обробки даних, зокрема, "вести себе", "реагувати", "самоорганізовувати", "навчати", "узагальнювати" та "забувати".
Базовий модуль нейронних мереж штучний нейрон моделює основні функції природного нейрона (рис. 1).
Рис. 1. Базовий штучний нейрон
Вхідні сигнали xn зважені ваговими коефіцієнтами з'єднання wn додаються, проходять через передатну функцію, генерують результат і виводяться. У наявних на цей час пакетах програм штучні нейрони називаються "елементами обробки" і мають набагато більше можливостей, ніж простий штучний нейрон, описаний вище. На рис. 2 зображена детальна схема спрощеного штучного нейрону.
Рис.2. Модель "елементу обробки"
Модифіковані входи передаються на функцію сумування, яка переважно тільки сумує добутки. Проте можна обрати багато різних операцій, такі як середнє, найбільше, найменше, OR, AND, тощо, які могли б виробляти деяку кількість різних значень. Окрім того, більшість комерційних програм дозволяють інженерам-програмістам створювати власні функції суматора за допомогою підпрограм, закодованих на мові високого рівня (C, С++, TurboPascal). Інколи функція сумування ускладнюється додаванням функції активації, яка дозволяє функції сумування оперувати в часі.
В любому з цих випадків, вихід функції сумування надсилається у передатну функцію і скеровує весь ряд на дійсний вихід (0 або 1, -1 або 1, або яке-небудь інше число) за допомогою певного алгоритму. В існуючих нейромережах в якості передатних функцій можуть бути використані сигмоїда, синус, гіперболічний тангенс та ін.
Після обробки сигналу, нейрон на виході має результат передатної функції, який надходить на входи інших нейронів або до зовнішнього з'єднання, як це передбачається структурою нейромережі.
Всі штучні нейромережі конструюються з базового формуючого блоку - штучного нейрону. Існуючі різноманітності і фундаментальні відмінності, є підставою мистецтва талановитих розробників для реалізації ефективних нейромереж.
Інша частина створення і використання нейромереж стосується нескінченої кількості зв'язків, що пов'язують окремі нейрони. Групування у мозку людини відбувається так, що інформація обробляється динамічним, інтерактивним та самоорганізуючим шляхом.
Біологічні нейронні мережі створені у тривимірному просторі з мікроскопічних компонент і здатні до різноманітних з'єднань. Але для створеної людиною мережі існують фізичні обмеження.
Існуючі на даний час, нейромережі є групуванням штучних нейронів. Це групування обумовлено створенням з'єднанних між собою прошарків.
Рис. 3. Діаграма простої нейронної мережі
На рис. 3 показана типова структура штучних нейромереж. Хоча існують мережі, які містять лише один прошарок, або навіть один елемент, більшість застосувань вимагають мережі, які містять як мінімум три нормальних типи прошарків - вхідний, прихований та вихідний. Прошарок вхідних нейронів отримує дані або з вхідних файлів, або безпосередньо з електронних давачів. Вихідний прошарок пересилає інформацію безпосередньо до зовнішнього середовища, до вторинного комп'ютерного процесу, або до інших пристроїв. Між цими двома прошарками може бути багато прихованих прошарків, які містять багато нейронів у різноманітних зв'язаних структурах. Входи та виходи кожного з прихованих нейронів просто йдуть до інших нейронів.
Напрямок зв'язку від одного нейрону до іншого є важливим аспектом нейромереж. У більшості мереж кожен нейрон прихованого прошарку отримує сигнали від всіх нейронів попереднього прошарку та звичайно від нейронів вхідного прошарку. Після виконання операцій над сигналами, нейрон передає свій вихід до всіх нейронів наступних прошарків, забезпечуючи шлях передачі вперед (feedforward) на вихід.
При зворотньому зв'язку, вихід нейронів прошарку скеровується до нейронів попереднього прошарку (рис. 4).
Шлях, яким нейрони з'єднуються між собою має значний вплив на роботу мережі. Більшість пакетів професіональної розробки програмного забезпечення дозволяють користувачу додавати, вилучати та керувати з'єднаннями як завгодно. Постійно коректуючі параметри, зв'язки можна робити як збуджуючими так і гальмуючими.
3.Основні поняття мультиагентних систем.Аналіз сучасних досліджень у розробках мультиагентних систем.
Мультиагентні системи (МАС) належать до розподілених систем штучного інтелекту. По суті мультиагентні системи являють собою вільно пов’язані мережі засобів вирішення проблем, що працюють разом з метою вирішити проблеми, які виходять за межі їхніх індивідуальних можливостей.
Мультиагентні системи – системи, що компонуються з автономних компонентів багаторазового використання і для яких характерні такі риси:
кожний агент не має достатньо можливостей самостійно вирішити проблему;
не існує глобальної системи управління;
дані є децентралізованими;
обчислення є асинхронними.
Розробка мультиагентних систем потребує проектування:
архітектури агентів - для забезпечення можливостей сприйняття середовища, дій і мислення агентів;
архітектури систем агентів – для полегшення дії і взаємодії агентів у середовищі, в якому вони знаходяться, та використання доступних послуг і можливостей;
інфраструктури агентів – забезпечення правил обміну повідомленнями і знаннями між агентами для правильного їх розуміння агентами. Для цього агенти використовують спеціальні онтології (специфікації опису понять), протоколи (мови) зв’язку, інфраструктури зв’язків (канали), протоколи взаємодій.
Перед агентами в рамках МАС стоять завдання:
Пошук агентів для співпраці. При цьому використовуються механізми презентації, пошуку, управління і використання послуг і інформації, що надаються агентами.
Взаємодія агентів для розподілу інформації, знань та завдань з метою досягнення власних цілей.
Переваги використання мультиагентних систем:
Відмовостійкість – агентам властивий розподілений механізм, тому система, що складається з автономних агентів, не виходитиме з ладу, коли один або більше компонентів пошкоджений.
Модульне програмне забезпечення та масштабована архітектура – можливість приєднання агента до системи або виключення його з системи відповідно до поточних потреб і завдань системи.
Самоконфігурування – можливість автоматичного переналаштування системи у відповідь на збурення від оточення або переміщення інших агентів.
Зменшення витрат на програмне забезпечення - оскільки воно стає більш модульним, час його розробки та складність зменшуються.
Зменшення витрат на апаратне забезпечення – використовуються більш дешеві технічні засоби.
Зменшення кількості операцій зв’язку – забезпечується передаванням іншим агентам тільки високорівневих часткових рішень.
Гнучкість системи – досягається динамічним об’єднанням агентів з різними можливостями для розв’язання поточних проблем.
Програмні агенти використовуються у багатьох галузях: управлінні підприємствами та виробничими процесами; плануванні рухом транспорту (повітряного, залізничного, автомобільного); аналізі та пошуку економічної інформації; навчанні; бізнесі, електронній комерції тощо. У галузі управління виробництвом першим застосуванням МАС є YAMS (Yet Another Manufacturing System).
03.10.2013 23:10-
Ділись своїми роботами та отримуй миттєві бонуси!
0%
Оголошення від адміністратора