Материал: 2488

томатически передать управление другому фрейму или деактивировать себя.

– Когда осуществлять заполнение слотов – в момент вызова или позднее, по мере необходимости?

Реализация этих функций может быть возложена на присоединенные процедуры. Процедуры могут также реализовывать эвристики, направленные на поиск необходимой для заполнения слотов информации.

1.3.7. Вывод в семантических сетях

Семантическими сетями представляются знания, касающиеся атрибутов объекта. Используя отношения IS-A и PART-OF, можно вывести факт, что объект обладает определенной характеристикой или свойством. Другими словами, факт, объявляемый для вершин на верхнем уровне иерархической структуры, на основе предпосылки, говорящей о справедливости его для узлов нижнего уровня, показывает возможность вывода множества фактов с помощью отношения

IS-A.

Вывод такого типа называется наследованием свойства, а ветвь IS-A называется ветвью наследования свойства. Вершины семантической сети обычно показывают объект проблемной области, концепт, ситуацию и т.п., а дуги – отношения между ними. Большинство систем с семантическими сетями имеет унифицированную структуру применительно к факторам действия и объекта по отношению к некоторому концепту. Преимущества использования такой структуры в вершинах сети заключаются в возможности наследования ожидаемых значений и значений по умолчанию, которые являются значениями атрибута в вершине экземпляра.

Большой проблемой, характерной для семантических сетей, является наследование атрибутов между иерархическими уровнями. Другими словами, результат вывода, получаемого с помощью семантической сети, не гарантирует достоверность как логический формализм. Это обусловлено тем, что процедура вывода, по определению, не более как наследование свойств ветви IS-A. Вследствие этого требуются также способы представления данных и вывода, которые обеспечивали бы одновременно управление наследованием.

Для отражения иерархических отношений между точками соприкосновения концептов, а также для установления связей между узла-

41

ми, показывающими концепты и их экземпляры, используются отношения IS-A. Для четкого разграничения вершин-концептов и вершинэкземпляров используются связи типа INSTANCE-JF, что позволяет обойти трудность, связанную с наследованием. В целях введения единой семантики в семантической сети используют процедурные семантические сети. В этом случае сеть строится на основе класса (понятия), а вершины, дуги (отношения) и процедуры представлены как объекты.

Процедурами определяются следующие основные действия над дугами (связями):

–установление связи;

–аннулирование связи;

–подсчет числа вершин, соединенных заданной дугой;

–проверканаличия-отсутствиясвязимежду заданными вершинами. Существуют также процедуры, определяющие основные дейст-

вия над вершинами, например:

определение экземпляра класса;

аннулирование экземпляра;

подсчет числа экземпляров, принадлежащих к классу;

проверка принадлежности экземпляра к некоторому классу. Благодаря этим процедурам семантическими сетями можно пред-

ставлять процедурные знания.

Особенность семантической сети (которая в то же время является

еенедостатком) заключается в целостности системы, выполненной на

ееоснове, не позволяющей разделить БЗ и механизм вывода. Обычно интерпретация семантической сети определяется с помощью использующих ее процедур. Эти процедуры основаны на нескольких способах, но наиболее типичный из них – это способ сопоставления частей сетевой структуры. Он основан на построении подсети, соответствующей вопросу, и сопоставлении ее с базой знаний сети. При этом для исчерпывающего сопоставления с БЗ вершинам переменных подсети присваиваются гипотетические значения.

Факты, в явном виде не содержащиеся в системе, могут быть выведены из других знаний. Выводы в семантических сетях отличаются значительной полнотой, они, скорее, сравнимы с нестандартными выводами процедурного представления и имеют ясную концептуальную интерпретацию. Последовательное применение подобных правил вывода может привести к образованию так называемых «цепочек выво-

42

да», которые в отдельных случаях могут достигать значительной длины.

Особый тип генерации вывода, используемый в семантических сетях, это так называемый метод распространяющейся активности и техники пересечений. Этот метод играет важную роль в обработке контекстов. Процесс осуществляется построением цепочек выводов на основе введенных высказываний во всех направлениях до тех пор, пока не обнаружится пересечение где-либо в сети.

Эти методы подобны тем, что используются в системах представления знаний на базе логики предикатов: расширение семантических сетей за счет введения в них знаний о применении, тематическая структуризация, предметно-ориентированная иерархия, разработка глобальных схем представления, в которых использовались бы семантические сети, содержащие локальные знания.

1.3.8. Вероятностный вывод

Одной из общих характеристик информации, доступной ЛПР, является ее несовершенство. Информация может быть неполной, противоречивой, неопределенной, ненадежной, нечеткой, носить случайный характер или может характеризоваться различными комбинациями этих описаний. Другими словами, информация часто является не вполне подходящей для решения задачи. Однако эксперт справляется с этими недостатками и обычно может делать верные суждения и принимать правильные решения. Интеллектуальная СППР также должна быть в состоянии справляться с неопределенностью и приходить к обоснованным выводам.

В основном определяют четыре источника неопределенных знаний в интеллектуальных СППР: неизвестные данные, неточный язык, неявное смысловое содержание и трудности, связанные с сочетанием взглядов различных экспертов. Интеллектуальные СППР должны быть в состоянии управлять неопределенностью, т.к. любая предметная область реального мира содержит неточные знания и нужно справляться с неполными, противоречивыми или даже отсутствующими данными. Были разработаны различные методы для работы с неопределенностью, наиболее известные из них: байесовское вероятностное рассуждение и его расширения и теория уверенности.

Случайная (или вероятностная) неопределенность может быть связана со случайностью событий, например, экономических ситуа-

43

ций, состояний объекта, случайным характером отказов оборудования

идругими факторами. При проектировании интеллектуальных СППР

иорганизации работы с БЗ уровень достоверности и надежность многих знаний, фактов, событий и данных бывает различным. Для формализации рассуждений в условиях стохастической неопределенности используются теория вероятностей и статические решения. При реализации рассуждений с учетом неопределенности для вычисления вероятности некоторой гипотезы для варианта решения возможно применение байесовского подхода.

Допустим, все правила в БЗ представлены в следующей форме: если Н истинно, тогда С истинно {с вероятностью р}.

Это правило подразумевает, что если событие Н происходит, тогда вероятность того, что событие С произойдет, равна р.

Вероятность того, что произойдет событие H, при условии, что событие C произошло, находится по формуле Байеса:

p(C | H) p(H)

p(H |C) p(C | H) p( H) p(C | H) p( H) ,

где p(С|Н) – вероятность того, что гипотеза Н является истинной, будет результатом свидетельства С; p(Н) – априорная (безусловная) вероятность того, что гипотеза Н является истинной; p(С| Н) – вероятность нахождения свидетельства С, даже когда гипотеза Н ложна; p( Н) – априорная (безусловная) вероятность того, что гипотеза Н является ложной.

В интеллектуальных СППР вероятности требуются для решения задачи, которые ставят эксперты. Эксперт определяет априорные вероятности для возможных гипотез p(Н) и p( Н), а также условные вероятности для наблюдаемого свидетельства С, если гипотеза Н истинна, p(С|Н), и если гипотеза Н ложна, p(С| Н). Пользователи обеспечивают информацию о наблюдаемом свидетельстве, интеллектуальная система вычисляет p(С|Н) для гипотезы Н в свете представленного пользователем свидетельства С. Вероятность p(С|Н) называется апостериорной вероятностью гипотезы Н при наблюдаемом свидетельстве С.

Рассмотрим ситуации, когда эксперт, основываясь на простом свидетельстве С, не может выбрать простую гипотезу, но скорее обеспечивает многочисленные гипотезы Н1, Н2,…, НТ. Или когда имеются многочисленные свидетельства С1, С2, …, Сn и эксперт так-

44

же выдает множество гипотез.

Предположим, что эксперт, имея три условно независимых свидетельства С1, С2 и С3, создает три взаимно исключающие гипотезы Н1, Н2 и Н3 и обеспечивает априорные вероятности для этих гипотез – p(Н1), p(Н2) и p(Н3) соответственно. Эксперт также определяет условные вероятности каждого отмеченного свидетельства для всех возможных гипотез. В табл. 1 показаны априорные и условные вероятности, обеспеченные экспертом.

Таблица 1

Априорные и условные вероятности

Допустим, что мы сначала наблюдаем свидетельство С3. Интеллектуальная система вычисляет апостериорные вероятности для всех гипотез:

p(Hi |C3) 3p(C3 | Hi) p(Hi) ,i 1,2,3.

p(E3 | Hi) p(Hk )

k 1

Таким образом,

Как можно видеть, после того, как наблюдается свидетельство С3, доверие гипотезе Н2 становится равным доверию гипотезе Н1. Доверие гипотезе Н3 также возрастает и даже приблизительно достигает доверия гипотезам Н1 и Н2.

Предположим теперь, что мы наблюдаем свидетельство С1. Апо-

45