Программа дисциплины «Базы данных и экспертные системы» учебно-методические материалы Редакция №1 от 01. 09. 2013 учебно-методический комплекс дисциплины «Базы данных и экспертные системы»


НазваниеПрограмма дисциплины «Базы данных и экспертные системы» учебно-методические материалы Редакция №1 от 01. 09. 2013 учебно-методический комплекс дисциплины «Базы данных и экспертные системы»
страница2/10
Дата публикации25.12.2013
Размер1.56 Mb.
ТипПрограмма дисциплины
referatdb.ru > Информатика > Программа дисциплины
1   2   3   4   5   6   7   8   9   10
(PROLOG);

  • языки представления знаний (OPS 5, KRL, FRL);

    • интегрированные программные среды, содержащие арсенал инструментальных средств создания систем ИИ (КЕ, ARTS, GURU, G2);

    • оболочки экспертных систем (BUILD, EMYCIN, EXSYS Professional, Эксперт), которые позволяют создавать прикладные ЭС, не прибегая к программированию.

    1. Новые архитектуры компьютеров. Это направление связано с созданием компьютеров не фон-неймановской архитектуры, ориентированных на обработку символьной информации. Известны удачные промышленные решения параллельных и векторных компьютеров, однако в настоящее время они имеют весьма высокую стоимость, а также недостаточную совместимость с существующими вычислительными средствами.

    2. Интеллектуальные роботы. Создание интеллектуальных роботов составляет конечную цель робототехники. В настоящее время в основном используются программируемые манипуляторы с жесткой схемой управления, названные роботами первого поколения. Несмотря на очевидные успехи отдельных разработок, эра интеллектуальных автономных роботов пока не наступила. Основными сдерживающими факторами в разработке автономных роботов являются нерешенные проблемы в области интерпретации знаний, машинного зрения, адекватного хранения и обработки трехмерной визуальной информации.


    Признаки классификации ИИС.

    Интеллектуальная информационная система основана на концепции использования базы знаний для генерации алгоритмов решения прикладных задач различных классов в зависимости от конкретных информационных потребностей пользователей.

    Для ИИС характерны следующие признаки:

    • развитые коммуникативные способности;

    • умение решать сложные плохо формализуемые задачи;

    • способность к самообучению;

    • адаптивность.

    Каждому из перечисленных признаков условно соответствует свой класс ИИС. Различные системы могут обладать одним или несколькими признаками интеллектуальности с различной степенью проявления.

    Средства ИИ могут использоваться для реализации различных функций, выполняемых ИИС. На рис. 1. приведена классификация ИИС, признаками которой являются следующие интеллектуальные функции:

    • коммуникативные способности - способ взаимодействия конечного пользователя с системой;

    • решение сложных плохо формализуемых задач, которые требуют построения оригинального алгоритма решения в зависимости от конкретной ситуации, характеризующейся неопределенностью и динамичностью исходных данных и знаний;

    • способность к самообучению - умение системы автоматически извлекать знания из накопленного опыта и применять их для решения задач;

    • адаптивность - способность системы к развитию в соответствии с объектив-ными изменениями области знаний.




    Рис. 1 Классификация интеллектуальных систем.

    Системы с интеллектуальным интерфейсом.

    Применение ИИС для усиления коммуникативных способностей информацион-ных систем привело к появлению систем с интеллектуальным интерфейсом.

    Среди них можно выделить следующие типы:

    1. Интеллектуальные базы данных позволяют в отличие от традиционных БД обеспечивать выборку необходимой информации, не присутствующей в явном виде, а выводимой из совокупности хранимых данных.

    2. Естественно-языковой (ЕЯ) интерфейс применяется для доступа к интеллекту-альным базам данных, контекстного поиска документальной текстовой информации, голосового ввода команд в системах управления, машинного перевода с иностранных языков. Для реализации ЕЯ - интерфейса необходимо решить проблемы морфологического, синтаксического и семантического анализа, а также задачу синтеза высказываний на естественном языке. При морфологическом анализе осуществляются распознавание и проверка правильности написания слов в словаре. Синтаксический контроль предполагает разложение входных сообщений на отдельные компоненты, проверку соответствия грамматическим правилам внутреннего представления знаний и выявление недостающих частей. Семантический анализ обеспечи-вает установление смысловой правильности синтаксических конструкций. В отличие от анализа синтез высказываний заключается в преобразовании цифрового представления информации в представление на естественном языке.

    3. Гипертекстовые системы используются для реализации поиска по ключевым словам в базах данных с текстовой информацией. Для более полного отражения различных смысловых отношений терминов требуется сложная семантическая организация ключевых слов. Решение этих задач осуществляется с помощью интеллектуальных гипертекстовых систем, в которых механизм поиска сначала работает с базой знаний ключевых слов, а затем - с самим текстом. Аналогичным образом проводится поиск мультимедийной информации, включающей кроме текста графическую информацию, аудио - и видео образы.

    4. Системы контекстной помощи относятся к классу систем распространения знаний. Такие системы являются, как правило, приложениями к документа-ции. Системы контекстной помощи - частный случай гипертекстовых и ЕЯ-систем. В них пользователь описывает проблему, а система на основе дополнительного диалога конкретизирует ее и выполняет поиск относящихся к ситуации рекомендаций. В обычных гипертекстовых системах, наоборот, компьютерные приложения навязывают пользователю схему поиска требуе-мой информации.

    5. Системы когнитивной графики ориентированы на общение с пользователем ИИС посредством графических образов, которые генерируются в соответ-ствии с изменениями параметров моделируемых или наблюдаемых процессов. Когнитивная графика позволяет в наглядном и выразительном виде представить множество параметров, характеризующих изучаемое явление, освобождает пользователя от анализа тривиальных ситуаций, способствует быстрому освоению программных средств и повышению конкуренто-способности разрабатываемых ИИС. Применение когнитивной графики особенно актуально в системах мониторинга и оперативного управления, в обучающих и тренажерных системах, в оперативных системах принятия решений, работающих в режиме реального времени.

    Экспертные системы.

    Экспертные системы как самостоятельное направление в искусственном интеллекте сформировалось в конце 1970-х гг. Группа по экспертным системам при Комитете British Computer Society определила ЭС как «воплощение в ЭВМ компоненты опыта эксперта, основанной на знаниях, в такой форме, что машина может дать интеллектуальный совет или принять решение относительно обрабатываемой функции». Одним из важных свойств ЭС является способность объяснить ход своих рассуждений понятным для пользователя образом.

    Область исследования ЭС называют «инженерией знаний». Этот термин был введен Е. Фейгенбаумом и в его трактовке означает «привнесение принципов и инструментария из области искусственного интеллекта в решение трудных прикладных проблем, требующих знаний экспертов». Другими словами, ЭС применяются для решения неформализованных проблем, к которым относят задачи, обладающие одной (или несколькими) из следующих характеристик:

    • задачи не могут быть представлены в числовой форме;

    • исходные данные и знания о предметной области обладают неоднозначностью, неточностью, противоречивостью;

    • цели нельзя выразить с помощью четко определенной целевой функции;

    • не существует однозначного алгоритмического решения задачи;

    • алгоритмическое решение существует, но его нельзя использовать по причине большой размерности пространства решений и ограничений на ресурсы (времени, памяти).

    Главное отличие ЭС и систем искусственного интеллекта от систем обработки данных состоит в том, что в них используется символьный, а не числовой способ представления данных, а в качестве методов обработки информации применяются процедуры логического вывода и эвристического поиска решений.

    ЭС охватывают самые разные предметные области (рис. 2), среди которых лиди-руют бизнес, производство, медицина, проектирование и системы управления. Во многих случаях ЭС являются инструментом, усиливающим интеллектуальные способности эксперта. Кроме того, ЭС может выступать в роли:

    • консультанта для неопытных или непрофессиональных пользователей;

    • ассистента эксперта-человека в процессах анализа вариантов решений;

    • партнера эксперта в процессе решения задач, требующих привлечения знаний из разных предметных областей.





    Рис 2. Области применения экспертных систем.


    Для классификации ЭС используются следующие признаки:

    • способ формирования решения;

    • способ учета временного признака;

    • вид используемых данных и знаний;

    • число используемых источников знаний.

    • партнера эксперта в процессе решения задач, требующих привлечения знаний из разных предметных областей.

    Для классификации ЭС используются следующие признаки:

    • способ формирования решения;

    • способ учета временного признака;

    • вид используемых данных и знаний;

    • число используемых источников знаний.

    По способу формирования решения ЭС можно разделить на анализирующие и синтезирующие. В системах первого типа осуществляется выбор решения из множества известных решений на основе анализа знаний, в системах второго типа решение синтезируется из отдельных фрагментов знаний.

    В зависимости от способа учета временного признака ЭС делят на статические и динамические. Статические ЭС предназначены для решения задач с неизменяемыми в процессе решения данными и знаниями, а динамические ЭС допускают такие изменения.

    По видам используемых данных и знаний различают ЭС с детерминированными и неопределенными знаниями. Под неопределенностью знаний и данных понимаются их неполнота, ненадежность, нечеткость.

    ЭС могут создаваться с использованием одного или нескольких источников знаний.

    В соответствии с перечисленными признаками можно выделить четыре основных класса ЭС (рис. 3): классифицирующие, доопределяющие, трансформирующие и мультиагентные.



    Классифицирующие ЭС решают задачи распознавания ситуаций. Основным методом формирования решений в таких системах является дедуктивный логический вывод.

    Доопределяющие ЭС используются для решения задач с не полностью определенными данными и знаниями. В таких ЭС возникают задачи интерпретации нечетких знаний и выбора альтернативных направлений поиска в пространстве возможных решений. В качестве методов обработки неопределенных знаний могут использоваться байесовский вероятностный подход, коэффициенты уверенности, нечеткая логика.

    Трансформирующие ЭС относятся к синтезирующим динамическим экспертным системам, в которых предполагается повторяющееся преобразование знаний в процессе решения задач. В ЭС данного класса используются различные способы обработки знаний:

    • генерация и проверка гипотез;

    • логика предположений и умолчаний (когда по неполным данным формируются представления об объектах определенного класса, которые впоследствии адаптируются к конкретным условиям изменяющихся ситуаций);

    • использование метазнаний, более общих закономерностей для устранения неопределенностей в ситуациях.

    Мультиагентные системы - это динамические ЭС, основанные на интеграции нескольких разнородных источников знаний. Эти источники обмениваются между собой получаемыми результатами в ходе решения задач. Системы данного класса имеют следующие возможности:

    • реализация альтернативных рассуждений на основе использования различных источников знаний и механизма устранения противоречий;

    • распределенное решение проблем, декомпозируемых на параллельно решаемые подзадачи с самостоятельными источниками знаний;

    • применение различных стратегий вывода заключений в зависимости от типа решаемой проблемы;

    • обработка больших массивов информации из баз данных;

    • использование математических моделей и внешних процедур для имитации развития ситуаций.

    Самообучающиеся системы.

    Самообучающиеся интеллектуальные системы основаны на методах автоматической классификации ситуаций из реальной практики, или на методах обучения на примерах. Примеры реальных ситуаций составляют так называемую обучающую выборку, которая формируется в течение определенного исторического периода. Элементы обучающей выборки описываются множеством классифика-ционных признаков. Стратегия «обучения с учителем» предполагает задание специалистом для каждого примера значений признаков, показывающих его принадлежность к определенному классу ситуаций. При обучении «без учителя» система должна самостоятельно выделять классы ситуаций по степени близости значений классификационных признаков. В процессе обучения проводится автоматическое построение обобщающих правил или функций, описывающих принадлежность ситуаций к классам, которыми система впоследствии будет пользоваться при интерпретации незнакомых ситуаций. Из обобщающих правил, в свою очередь, автоматически формируется база знаний, которая периодически корректируется по мере накопления информации об анализируемых ситуациях.

    Построенные в соответствии с этими принципами самообучающиеся системы имеют следующие недостатки:

    • относительно низкую адекватность баз знаний возникающим реальным проблемам из-за неполноты и/или зашумленности обучающей выборки;

    • низкую степень объяснимости полученных результатов;

    • поверхностное описание проблемной области и узкую направленность применения из-за ограничений в размерности признакового пространства.

    Индуктивные системы позволяют обобщать примеры на основе принципа индукции «от частного к общему». Процедура обобщения сводится к классификации примеров по значимым признакам. Алгоритм классификации примеров включает следующие основные шаги.

    1. Выбор классификационного признака из заданного множества.

    2. Разбиение множества примеров на подмножества по значению выбранного признака.

    3. Проверка принадлежности каждого подмножества примеров одному из классов.

    4. Проверка окончания процесса классификации. Если какое-то подмножество примеров принадлежит одному подклассу, то есть у всех примеров этого подмножества совпадает значение классификационного признака, то процесс классификации заканчивается.

    5. Для подмножеств примеров с несовпадающими значениями классифика-ционных признаков процесс распознавания продолжается, начиная с первого шага. При этом каждое подмножество примеров становится классифици-руемым множеством.

    Нейронные сети представляют собой классический пример технологии, основанной на примерах. Нейронные сети - обобщенное название группы математических алгоритмов, обладающих способностью обучаться на примерах, «узнавая» впоследствии черты встреченных образцов и ситуаций. Благодаря этой способности нейронные сети используются при решении задач обработки сигналов и изображений, распознавания образов, а также для прогнозирования.

    Нейронная сеть - это кибернетическая модель нервной системы, которая представляет собой совокупность большого числа сравнительно простых элементов – нейронов, топология соединения которых зависит от типа сети. Чтобы создать нейронную сеть для решения какой-либо конкретной задачи, следует выбрать способ соединения нейронов друг с другом и подобрать значения параметров межнейронных соединений.

    В системах, основанных на прецедентах, БЗ содержит описания конкретных ситуаций (прецеденты). Поиск решения осуществляется на основе аналогий и включает следующие этапы:

    • получение информации о текущей проблеме;

    • сопоставление полученной информации со значениями признаков прецедентов из базы знаний;

    • выбор прецедента из базы знаний, наиболее близкого к рассматриваемой проблеме;

    • адаптация выбранного прецедента к текущей проблеме;

    • проверка корректности каждого полученного решения;

    • занесение детальной информации о полученном решении в БЗ.

    Прецеденты описываются множеством признаков, по которым строятся индексы быстрого поиска. Однако в системах, основанных на прецедентах, в отличие от индуктивных систем допускается нечеткий поиск с получением множества допустимых альтернатив, каждая из которых оценивается некоторым коэффи-циентом уверенности. Наиболее эффективные решения адаптируются к реальным ситуациям с помощью специальных алгоритмов. Системы, основанные на прецедентах, применяются для распространения знаний и в системах контекстной помощи.

    Информационные хранилища отличаются от интеллектуальных баз данных тем, что представляют собой хранилища значимой информации, регулярно извлекаемой из оперативных баз данных. Хранилище данных - это предметно-ориентированное, интегрированное, привязанное ко времени, неизменяемое собрание данных, применяемых для поддержки процессов принятия управленческих решений. Предметная ориентация означает, что данные объединены в категории и хранятся в соответствии с теми областями, которые они описывают, а не с приложениями, которые их используют. В хранилище данные интегрируются в целях удовлетво-рения требований предприятия в целом, а не отдельной функции бизнеса. Привязанность данных ко времени выражает их «историчность», то есть атрибут времени всегда явно присутствует в структурах хранилища данных. Неизменяемость означает, что, попав однажды в хранилище, данные уже не изменяются в отличие от оперативных систем, где данные присутствуют только в последней версии, поэтому постоянно меняются.

    Технологии извлечения знаний из хранилищ данных основаны на методах статистического анализа и моделирования, ориентированных на поиск моделей и отношений, скрытых в совокупности данных. Для извлечения значимой инфор-мации из хранилищ данных имеются специальные методы (OLAP-анализа, Data Mining или Knowledge Discovery), основанные на применении методов математической статистики, нейронных сетей, индуктивных методов построения деревьев решений и других. Технология OLAP (On-Line Analytical Processing - оперативный анализ данных) предоставляет пользователю средства для формирования и проверки гипотез о свойствах данных или отношениях между ними на основе разнообразных запросов к базе данных. Они применяются на ранних стадиях процесса извлечения знаний, помогая аналитику сфокусировать внимание на важных переменных. Средства Data Mining отличаются от OLAP тем, что кроме проверки предполагаемых зависимостей они способны самостоятельно (без участия пользователя) генерировать гипотезы о закономерностях, существующих в данных, и строить модели, позволяющие количественно оценить степень взаимного влияния исследуемых факторов на основе имеющейся информации.


    Адаптивные информационные системы.

    Потребность в адаптивных информационных системах возникает в тех случаях, когда поддерживаемые ими проблемные области постоянно развиваются. В связи с этим адаптивные системы должны удовлетворять ряду специфических требований, а именно:

    • адекватно отражать знания проблемной области в каждый момент времени;

    • быть пригодными для легкой и быстрой реконструкции при изменении проблемной среды.

    Адаптивные свойства информационных систем обеспечиваются за счет интеллектуализации их архитектуры. Ядром таких систем является постоянно развиваемая модель проблемной области, поддерживаемая в специальной базе знаний - репозитории. Ядро системы управляет процессами генерации или переконфигурирования программного обеспечения. В процессе разработки адаптивных информационных систем применяется оригинальное или типовое проектирование. Оригинальное проектирование предполагает разработку информационной системы с «чистого листа» на основе сформулированных требований. Реализация этого подхода основана на использовании систем автоматизированного проектирования, или CASE-технологий (Designer2000, SilverRun, Natural Light Storm и др.). При типовом проектировании осуществляется адаптация типовых разработок к особенностям проблемной области. Для реализации этого подхода применяются инструментальные средства компонентного (сборочного) проектирования информационных систем (R/3, BAAN IV, Prodis и др.). Главное отличие подходов состоит в том, что при использовании CASE
  • 1   2   3   4   5   6   7   8   9   10

    Похожие рефераты:

    Программа дисциплины «Базы данных и экспертные системы» для преподавателя...
    «Базы данных и экспертные системы» для специальности 5В073200-Стандартизация, метрология и сертификация
    Методические рекомендации по изучению дисциплины Формат и политика курса
    «Базы данных и экспертные системы» для специальности 5В073200-Стандартизация, метрология и сертификация
    Учебно-методический комплекс дисциплины «Базы данных в системах управления»
    Учебно-методические материалыпо дисциплине “Базы данных в системах управления ”
    Рабочая программа дисциплины “ Базы данных в системах управления...
    Рабочая программа дисциплины “Базы данных в системах управления” для преподавателя
    Программа дисциплины “Информационно-управляющие системы ” для преподавателя...
    Одобрено и рекомендовано к изданию на заседании Учебно-методического совета университета
    Программа дисциплины “Клиент-серверные приложения с использованием...
    Одобрено и рекомендовано к изданию на заседании Учебно-методического совета университета
    Программа дисциплины «Операционные системы» для преподавателя Редакция...
    «Операционные системы» для специальности 5B070400-Вычислительная техника и программное обеспечение
    Учебно-методическое пособие “Методы сортировок и поиска” Редакция...
    В этой части книги будут обсуждаться структуры данных в основной памяти и методы их использования, предназначенные для поиска данных...
    Учебно-методический комплекс дисциплины «обж» учебно-методические...
    Авария разрушение сооружений и (или) технических устройств, применяемых на опасном производственном объекте, неконтролируемые взрыв...
    Программа дисциплины «История государства и права» учебно-методические...
    Автономия (греч самоуправление) – широкое внутреннее управление в определенном регионе государства

    Вы можете разместить ссылку на наш сайт:
    Школьные материалы


    При копировании материала укажите ссылку © 2013
    контакты
    referatdb.ru
    referatdb.ru
    Рефераты ДатаБаза