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»

. Классификация вопросов при интервьюировании. Открытый вопрос называет тему или предмет, оставляя эксперту полную свободу в отношении формы и содержания ответа. Закрытый вопрос предлагает эксперту выбрать ответ из предложенного набора. Личный вопрос непосредствен-но касается личного опыта эксперта. Безличный вопрос направлен на выявление наиболее распространенных закономерностей предметной области. Прямой вопрос непосредственно указывает на интересующий предмет или тему (используется при «зажатости» эксперта). Косвенный вопрос исподволь затрагивает рассматривае-мую проблему. Вербальный вопрос - традиционный устный вопрос. Вопрос использованием наглядного материала позволяет разнообразить интервью и снять усталость эксперта (используются фотографии рисунки, карточки). Основной вопрос направлен на выявление знаний. Зондирующий вопрос направляет рассуждения эксперта в нужную сторону. Контрольный вопрос проверяет достоверность и объективность информации, полученной в интервью ранее. Нейтральный вопрос подчеркивает беспристрастность инженера по знаниям к предмету исследования. Наводящий вопрос ориентирует эксперта принять во внимание позицию инженера по знаниям. Дополнительно в интервью рекомен-дуется включать следующие вопросы: контактные (снимающие психологический барьер между аналитиком и экспертом), буферные (разграничивающие отдельные темы интервью), оживляющие память экспертов (реконструирующие отдельные случаи из практики), «провоцирующие» (способствующие получению неподготовленных ответов). При использовании метода интервьюирования следует иметь в виду, что его эффективность во многом определяется языком вопросов (понятностью, лаконичностью, терминологией); порядком вопросов (логическая последовательность); уместностью вопросов (этичностью и вежливостью). Прежде чем готовить вопросы, аналитик должен овладеть ключевым набором знаний исследуемой предметной области, поскольку любой вопрос имеет смысл только в контексте. Метод свободного диалога позволяет извлекать знания в форме беседы с экспертом, поэтому здесь не предусматривается использование жесткого вопросника или плана. В то же время подготовка к свободному диалогу должна проводиться по специальной методике, в которую входит общая, специальная, конкретная и психологическая подготовка. Общая подготовка направлена на повышение научной эрудиции, овладение общей культурой, знакомство с системной методологией. Специальная подготовка сводится к овладению теорией и навыками интервьюирования. Конкретная подготовка предполагает изучение предметной области, подготовку ситуации общения, знакомство с экспертом, тестирование эксперта. Психологическая подготовка включает знакомство с теорией общения и с когнитивной психологией. Игры с экспертом существенно отличаются от приведений выше индиви-дуальных активных методов извлечения знании рассматриваются в классе групп-повых активных методов, где особое место принадлежит ролевым и экспертным методам. Активные групповые методы включают «мозговой штурм», дискуссии за круглым столом и ролевые игры. Групповые методы позволяют творчески интегрировать знания множества экспертов. Метод «мозгового штурма» - один из наиболее известных и широко применяемых методов генерирования новых идей путем творческого сотрудничества группы специалистов. Являясь в некотором смысле единым мозгом, группа пытается штурмом преодолеть трудности, мешающие разрешить рассматриваемую проблему. В процессе такого штурма участники выдвигают и развивают собственные идеи, стимулируя появление новых и комбинируя их. Для обеспечения максимального эффекта «мозговой штурм» должен подчиняться определенным правилам и основываться на строгом разделении во времени процесса выдвижения идей и процесса их обсуждения и оценки. На первой стадии штурма запрещается осуждать выдвинутые идеи и предложения (считается, что критические замечания уводят к частностям, прерывают творческий процесс, мешают выдвижению идей). Роль аналитика состоит в том, чтобы активизировать творческое мышление участников заседания и обеспечить выдвижение возможно большего числа идей. После выдвижения идей выполняются тщательное их обсуждение, оценка и отбор лучших. На стадии обсуждения участники «мозгового штурма» должны сконцентрироваться на положительных сторонах идей, найти в них рациональные зерна и предложить направления их развития. Выдвигаемые в процессе обсуждения дополнительные идеи могут базироваться на идеях других участников или, наоборот, служить для них фундаментом, катализатором. Значительный эффект дает комбинирование идей при одновременном выявлении преимуществ и недостатков синтезируемых при этом вариантов. Метод «мозгового штурма» эффективен при решении не слишком сложных задач общего организационного характера, когда проблема хорошо знакома всем участникам заседания и по рассматриваемому вопросу имеется достаточная информация. Индивидуальный «мозговой штурм» проводится по тем же правилам, что и коллективный, но выполняется одним экспертом, который одновременно генерирует идеи, дает им объективную оценку и критикует их. Массовый «мозговой штурм» проводится в массовой аудитории (до нескольких десятков человек). Отбор идей проводится на промежуточных этапах. Эксперты группируются по 6 - 8 человек, при этом важно, чтобы непосредственное отношение к задаче имел лишь руководитель группы, а остальные были лишь знакомы с нею (иначе амбиции могут сыграть негативную роль). Штурм проводится в два этапа. На первом этапе оперативные группы осуществляют прямой коллективный «мозговой штурм» При этом желательно, чтобы каждая группа работала над задачей, наиболее близкой по тематике к профилю вошедших в нее специалистов. На втором этапе руководители каждой группы в течение нескольких минут оценивают выдвинутые идеи, отбирают из них наиболее интересные и сообщают их на «пленарном заседании». Двойной «мозговой штурм» органически соединяет в себе процессы генерирования идей и их доброжелательной позитивной критики. Обратный «мозговой штурм» отличается от прямого тем, что в нем больше внимания уделяется критике высказанных идей. Метод дискуссии за круглым столом предполагает равноправное обсуждение экспертами поставленной проблемы. Отличительной особенностью метода дискус-сии является коллективное рассмотрение предметной области с разных точек зрения и исследование спорных гипотез. Экспертные игры предназначены для извлечения знаний и базируются на деловых, диагностических и компьютерных играх. По числу участников игры подразделяют на индивидуальные (игры с экспертом) и групповые (ролевые игры в группе). По применению специального оборудования - игры с тренажерами и игры без реквизита. Особый класс представляют собой компьютерные игры. В играх с экспертом инженер по знаниям берет на себя чью-нибудь роль в моделируемой ситуации. Ролевые игры в группе предусматривают участие в игре нескольких специалистов. Участники игры наделяются определенными ролями, а собственно игра проводится по составленному инженером по знаниям сценарию. Компь-ютерные экспертные игры в настоящее время используются в основном в целях обучения. Они полезны для «разминки» экспертов перед сеансом извлечения знаний. Текстологические методы включают методы извлечения знаний основанные на изучении текстов учебников, специальной литературы и документов. Простейший алгоритм извлечения знаний из текстов включает следующие шаги: составление основного списка литературы для ознакомления с предметной областью; выбор текста для извлечения знаний; беглое знакомство с текстом, проведение консультаций со специалистами для определения значений незнакомых слов; формирование первой гипотезы о макроструктуре текста; определение смысла прочитанного текста с выпиской ключевых слов; определение связи между ключевыми словами, составление реферата; формирование нового представления знаний на основании макроструктуры текста. ЛЕКЦИЯ 7. Нечеткие знания и способы их обработки. В лекции раскрываются смысл термина нечеткость, работа с нечеткостью, методы представления нечетких знаний и механизмы вывода, используемые в ИИС при решении некорректных задач. Работа с нечеткостью. При разработке ИИС существует проблема, затрудняющая использо­вание традиционного математического аппарата. Это проблема описания понятий, опери-рующих качественными характеристиками объектов. Эти характеристики обычно размыты и не могут быть однозначно интерпретированы, однако содержат важную ин­формацию. Для учета этой информации в ИИС используются методы представ-ления нечетких знаний и механизмы вывода, работающие в их среде. Компонента-ми нечеткости знаний являются: недетерминированность выводов, многозначность, ненадежность, неполнота, неточность. Недетерминированность выводов основывается на фундаментальной идее, получившей наименование поиск в пространстве состояний. Недетермини-рованность означает, что заранее путь решения конкретной задачи в пространстве ее состояний определить невозможно. Поэтому в большинстве случаев методом проб и ошибок выбирается некоторая цепочка логических заключений, согласующихся с имеющимися знаниями, и в случае если она не приводит к успеху, то организуется перебор с возвратом для поиска другой цепочки и т.д. Такой подход предполагает определение некоторого первоначального пути. Для решения подобных задач рассмотрим классический алгоритм . В алгоритме используются оценочные функции, построенные на основе априорных оценок стоимости пути до целевого состояния. Для поиска в пространстве состояний используются дерево поиска и методы горизонтального (в ширину) и вертикального (в глубину) поиска на этом дереве. Основные шаги и понятия алгоритма рассмотрим на примере игры в «8», являющейся усеченной версией игры в «15». Целью игры является переход из некоторого начального состояния в конечное состояние, как показано на рис. 22. Рис. 22. Переход из начального в конечное состояние при игре в «8». В этой игре в качестве основного объекта удобнее рассматривать не передвигаемые шашки, а перемещение пустого квадрата. При этом можно определить четыре основных оператора, выполняемых над пустым квадратом: перемещение пустого квадрата влево; перемещение пустого квадрата вверх; перемещение пустого квадрата вниз; перемещение пустого квадрата вправо. Оценочная функция f(n) будет формироваться как стоимость оптимального пути к цели из начального состояния через n вершин дерева поиска. Дерево поиска для данного примера показано на рис. 23. Значение оценочной функции в n -й вершине можно представить как сумму двух составляющих f(n) = g(n) + h(n), где g(n) - стоимость оптимального пути от первой вершины до n -й; h(n) - стоимость оптимального пути от n -й вершины до цели. Для простоты будем считать, что стоимость перемещения пустого квадрата равна 1. Оптимальным будет путь, имеющий минимальную стоимость. Точное значение f(n) в процессе поиска неизвестно, поэтому введем априорную оценку значения функции: , где - глубина пройденного пути на дереве поиска от первой до n -ой вершины; - априорное значение h(n). Основная проблема заключается в определении второй компоненты , так как этот путь еще не пройден. В качестве априорной оценки можно, например, взять число шашек, находящихся не на своих местах на n -м шаге поиска. Сформировав, таким образом, оценочную функцию, определим стратегию выбора вершин (применения операторов), в которых значения функции минимальны. Результат поиска показан на рис. 23, где цифры в кружках показывают последо-вательность переходов из начального состояния в конечное состояние. Рис. 23. Дерево поиска для игры «8» Основные шаги алгоритма: Определяются все возможные операторы над пустым квадратом в началь-ном состоянии и выбирается вариант с наименьшим значением ; Применяется выбранный оператор и при его использовании получается новое состояние; Создаются вершины следующего уровня иерархии, исходя из анализа всех возможных операторов для перехода в новое состояние; 4. Выбирается состояние с наименьшим значением ; Перечисленные действия повторяются до тех пор, пока не будет достигнута цель. При разработке алгоритма на игре в «8» важно, чтобы . Если априорная оценка стоимости оптимального пути не превышает истинной стоимости, то нахождение оптимального пути гарантировано. Это условие можно интерпре-тировать следующим образом: цель поиска не будет достигнута, пока число шашек, находящихся не на своих местах, больше числа перемещений. Если выбрать по-другому, например , то будет осуществляться горизонтальный поиск на дереве состояний задачи, при котором раскрываются все вершины нижеследующего уровня. В области некорректных задач точные знания о проблеме получить невозможно, поэтому приходиться сталкиваться с неточными знаниями, которые не могут быть интерпретированы как полностью истинные или ложные. Для оценки их достоверности также нельзя применить двухбалльную шкалу: логические true/false или 0/1. Существуют знания, достоверность которых выражается некоторой проме-жуточной цифрой, которая может изменяться от 0 до 1. Для учета нечетких знаний при разработке ИИС используется формальный аппарат нечеткой (fuzzy) алгебры и нечеткой логики, предложенный математиком Л. Заде. Одно из главных понятий в нечеткой логике - это понятие лин­гвистической переменной (ЛП), значение которой определяется набором словесных (вербальных) характеристик некото­рого свойства. Например, ЛП «рост» соответствуют следующие характеристики карликовый, низкий, средний, высокий, очень высокий. Значения лингвистической переменной (ЛП) находится через нечеткие множества (НМ), определяемые на некотором базовом наборе значений или базовой числовой шкале, имеющей размерность. Для определения НМ рассмотрим пример: пусть имеется нечеткое множество Т всех высоких людей, входящих во множество людей S. Введем для каждого человека степень его принадлежно­сти множеству Т. Функцию принадлежности , оп­ределяющую в какой степени можно считать высоким человека ростом h сан­тиметров, представим в виде: где h - рост конкретного человека в сантиметрах. Если рост человека h =163 см, тогда истинность высказывания, что этот человек высок будет = 0.21. Использованная в данном случае функция принад­лежности тривиальна. При решении большинства реальных задач подобные функции имеют более сложный вид и содержат большое число аргументов. Методы построения функций принадлежности для нечетких множеств довольно разнообразны. В большинстве случаев функция принадлежности определяет субъективную степень уверенности эксперта в том, что данное конкретное значение базовой шкалы соответст­вует определяемому НМ. Эту функцию не стоит путать с вероятностью, но­сящей объективный характер и подчиняющейся другим математическим зависимостям. Экспертные системы, основанные на нечеткой логике. Правила нечеткого вывода в ЭС описываются в терминах теории НМ. Как правило, они имеют вид: «если цена велика и спрос низкий, то оборот мал». Здесь «цена» и «спрос» используются в качестве входных переменных, «оборот» - как выходное значение. Характеристики «вели­к», «низкий» и «мал» являются функциями принадлежности НМ. Эти функции определяются на множествах значений «цены», «спроса» и «оборота» соответственно. Нечеткие правила вывода образуют базу правил. В нечеткой экспертной системе все правила работают одновременно, однако степень их влияния на выход может быть различной. Принцип вычисления суперпозиции многих влияний на окончательный результат лежит в основе нечетких экспертных систем. Процесс обработки нечетких правил вывода в экспертной системе состоит из четырех этапов: Определение степени принадлежности входных значений НМ, указанным в левой части правил вывода; Модификация НМ, указанных в правой части правил вывода в соответствии со значениями истинности, получен­ными на первом этапе; Объединение (суперпозиция) модифицированных множеств; Скаляризация результата суперпозиции, то есть переход от НМ к скаляр-ным значениям. Для определения степени истинности левой части каждого правила нечет­кая экспертная система вычисляет значения функций принадлежности НМ от соответ-ствующих значений входных переменных. Напри­мер, для правила «если цена велика и спрос низкий, то оборот мал» определяется степень вхождения конкретного значения переменной «цена» в нечеткое множество «велика», то есть истинность преди­ката «цена велика». К вычисленным значениям истинности могут применяться логические операции. Наиболее часто используются следующие определения операций нечеткой логики: truth (^ НЕ x) = 1 - truth (x) , truth(x И у) = min [truth(x), truth(y)] , truth(x ИЛИ у) = max[truth(x), truth(y)] , где x и у - высказывания; truth (z) - степень истинности высказывания z. Полученное значение истинности используется для модификации НМ, указанного в правой части правила. Для выполнения такой моди­фикации используют один из двух методов: «мини-мума» и «произведения» Метод «мини-мума» (рис. 24 а) огра­ничивает функцию принадлежности для множества, указан-ного в правой части правила, значением истинности левой части. Метод «произве-дение» (рис. 24 б) использует значение истинности левой части как коэффи­циент, на который умножаются значения функции принадлежности. Результат выполнения правила - нечеткое множество, то есть происходит ассоциирование переменной и функции принадлежности, указан­ных в правой части. Выходы всех правил вычисляются нечеткой экспертной системой отдель­но, однако в правой части нескольких из них может быть указана одна и та же нечеткая перемен-ная. При определении обобщенного ре-зультата необходимо учитывать все правила. Для этого система производит суперпозицию нечетких множеств, связанных с каждой из таких переменных. Эта операция называется нечетким объединением правил вывода. а) б) Рис. 24 а,б. Модификация НМ. а – Метод «минимума». б – Метод «произведение». Процесс обработки нечетких правил вывода поясним на примере. Правая часть правил: содержит одну и ту же переменную - «спрос». Два нечетких множества, получа­емые при выполнении этих правил, должны быть объединены экспертной системой. Традиционно суперпозиция функций принадлежности нечетких множеств ,,…, определяется как: x, i  [1, n]. Графическое представление подобной суперпозиции приведено на рис. 25. Рис. 25. Метод «Max Combination» . Другой метод суперпозиции состоит в суммировании значений всех функ­ций принадлежности. Графическая интерпретация метода приведена на рис. 26. Рис. 26. Метод "Sum Combination". Самым простым, но и наименее часто используемым, является подход, ког­да суперпозиция не производится. Выбирается одно из правил вывода, резуль­тат которого используется в качестве интегрального результата. Конечный этап обработки базы правил вывода - это переход от нечетких значе­ний к конкрет-ным скалярным. Процесс преобразования нечеткого множества в единственное значение называется скаляризацией. В качестве такого значения часто исполь-зуется «центр тяжести» функции принадлежности нечеткого множества (рис. 27). Рис. 27. Скаляризация методом «центра тяжести». Другой распространенный подход - использование максимального значе­ния функции принадлежности (рис. 28). Кон­кретный выбор методов суперпози-ции и скаляризации осуществляется в зави­симости от желаемого поведения нечеткой экспертной системы. Рис. 28. Скаляризация методом «максимума». Рассмотрим пример того, как обрабатываются нечеткие правила вывода в экспертной системе, управляющей вентилятором комнатного кондиционера. Задача кондиционера - поддерживать оптимальную температуру воздуха в ком­нате, охлаждая его, когда жарко, и нагревая, когда холодно. Алгоритм работы кондици­онера может быть задан следующими правилами: Если температура воздуха в комнате высокая, то скорость вращения вентилятора высокая; Если температура воздуха в комнате средняя, то скорость вращения вентилятора средняя; Если температура воздуха в комнате низкая, то скорость вращения венти­лятора низкая. Для того чтобы система могла обрабатывать эти правила, надо задать функции принадлежности для нечетких множеств, определенных на значениях температу­ры () и скорости вращения вентилятора (). Пусть температура воздуха в комнате на­ходится в пределах от 0 °С до 60 °С. В противном случае кондиционер вряд ли поможет, функцию принадлежности для нечеткого множества «низкая», опре-деленную на интервале изменения температуры, можно задать как показано на рис. 29. Если температура меньше 12 °С, то это определенно низкая темпера-тура для комнаты = 1 при t < 12 °С. Температуру выше 20 °С никак нельзя на­звать низкой, поэтому при t > 20 °С. В промежутке между этими значениями функция принадлежности линейно убывает, то есть с увеличением температуры уменьшается истинность утверждения «температура воздуха в комнате низкая». Рис. 29. Нечеткое подмножество «низкая», определенное на множестве значений температуры. Сходные рассуждения позволяют задать функции принадлежности для оставшихся множеств: «средняя» (рис.30) и «высокая» (рис. 31). Рис. 30. Нечеткое подмножество «средняя», определенное на множестве значений температуры. Рис. 31. Нечеткое подмножество «высокая», определенное на множества значений температуры. Определим нечеткие подмножества для скорости вращения вентилятора. Пусть скорость может изменяться от 0 до 1000 об/мин. Допустимым будет следующий вариант определения функций принадлежности для нечетких множеств скорости «низкая», «средняя» и «высокая» (рис. 32 - 34). Рис. 32. Нечеткое множество «низкая», определенное на множестве значении скорости вращения вентилятора. Рис. 33. Нечеткое подмножество «средняя», определенное на множестве значений скорости вращения вентилятора. Рис. 34. Нечеткое множество «высокая», определенное на множестве значений скорости вращения вентилятора. Рассмотрим теперь, как нечеткая экспертная система определяет скорость вращения вентилятора в зависимости от температуры воздуха в комнате. Пусть эта температура равна 22 °С. Сначала экспертной системе надо определить истин-ность левых частей правил вывода при подстановке в них текущего значения температуры. Для этого она должна найти степень вхождения t = 22 °С в каждое из указанных слева нечетких множеств. В левых частях правил указаны три множе­ства, заданных на интервале значений температуры: «высокая», «низкая» и «сред­няя». Степень вхождения находим, вычисляя значение функций принадлежнос­ти каждого множеств от t = 22 °С: . Значения ис-тинности левой части каждого правила используются для мо­дификации нечеткого множества, указанного в его правой части. Модифика­цию будем производить методом «произведения» На рис. 35 изображено, как трансформиру-ются находящи­еся в правых частях правил нечеткие подмножества «высокая», «средняя» и «низкая». Нечеткой экспертной системе необходимо обобщить результаты дей­ствия всех правил вывода, то есть произвести суперпозицию полученных не­четких множеств. Воспользуемся методом «Max Combination» (рис. 25). Результат объединения нечетких множеств показан на рис. 36. Осущест-вим переход от суперпозиции множеств к ска­лярному значению. Скаляризацию произведем методом «центра тяжести». Ил­люстрация того, как получается результат, представлена на рис. 37. Центр тяжести фигуры на рис. 37 находится в точке v = 560.5691. Следовательно экспертная система при температуре воздуха в комнате равной 22 °С определит до целой части значение скорости вращения вентилятора v = 561 об/мин. При других значени­ях температуры функция принадлежности обобщенного результата выполне­ния всех правил, изображен-ная на рис. 37, будет меняться. Если на вход экспертной системы поступит значение t = 28 °С (рис. 38), то центр тяжести в этом случае будет находится в точке v = 746.6667, что составляет скорость вентилятора 747 об/мин. Рис. 35. Модификация нечетких подмножеств, определенных на интервале изменения скорости вращения вентилятора, Рис. 36. Результат суперпозиции нечетких множеств. Рис. 37. Получение скалярного значения скорости вращения вентилятора методом «центра тяжести» для t = 22 °С. Рис. 38. Получение скалярного значения скорости вращения вентилятора методом «центра тяжести» для температуры t = 28 °С. Практика показывает, что даже для управления таким простым устройством как вентилятор применение нечеткой экспертной системы оказывается экономически выгодным. Так, например, кондиционеры, основанные на нечеткой логике, обес­печивают меньшие, по сравнению с традиционными системами, колебания темпера-туры и дают существенную экономию электроэнергии. Описанные выше операции выполняются каждый раз, когда требуется ре­зультат логического вывода. В системах, управляющих динамическими процессами, эта последовательность действий выполняется циклически. Вследствие раздельного вычисления результатов логического вывода, нечеткие экспертные системы эффективно реализуются в параллельных алгоритмах обработки информации и управления.

Похожие рефераты: