Продукционные правила

Cтраница 3

В силу многовариантности организации процесса управления целесообразно создать гибкий механизм на основе соответствующего описания процесса, позволяющий редактировать и развивать базу данных. Этим требованиям удовлетворяют продукционные правила. [31]

Одним из основных инструментов, применяемых при проверке логической корректности базы знаний экспертной системы, являются механизмы инспекции. Отладка прикладной ЭС, объединяющей продукционные правила, процедуры, различные уровни абстракции и иерархию классов, является достаточно сложной задачей. Для этого в современных ИС предусмотрены мощные средства инспекции базы знаний и отладки. Функции инспекции базы знаний позволяют разработчику осуществлять поиск элементов на основе их типов, принадлежности к классу, атрибутов и местоположения. Эти функции используются для решения следующих задач: отображение сжатого представления элементов базы знаний; создание файлов, содержащих описание элементов базы знаний; отображение иерархий классов, модулей и рабочих пространств; прямой переход к конкретным элементам базы знаний; перекомпиляция отдельных элементов. [32]

Рассмотрим пример вывода продукционных правил с помощью данного алгоритма для базы данных страховой компании. На основании этих сведений предлагается построить продукционные правила, пригодные для выявления категории водителей, склонных попадать в аварию. Страховая компания заинтересована в выявлении таких клиентов, чтобы потребовать с них более высокие страховые взносы. [33]

Поэтому образцы действий в РДО для ПГА и ЭС представляют собой обычные продукционные правила. [34]

В искусственном интеллекте, области, основной задачей которой является развитие формальных средств представления и обработки знаний ( что весьма близко к центральной задаче математики), с самого начала была принята ориентация на модель и возможность прямого взаимодействия с нею. Естественным следствием такой ориентации является принципиальная потребность выхода за границы парадигмы алгоритма: языки ЛИСП, ПРОЛОГ, фреймы и семантические сети, продукционные правила, мультиагентные системы и, наконец, методы удовлетворения ограничений. [35]

Итак, ъектно-ориентированный подход заключается в представлении системы в виде совокупности классов и объектов предметной среды. При этом иерархический характер сложной системы отражается в виде иерархии классов, а ее функционирование рассматривается как взаимодействие объектов, с которыми ассоциируются, например, продукционные правила. Ассоциирование продукционных правил ЭС с иерархией классов осуществляется за счет использования общих правил, в качестве префикса которых обычно используется ссылка на класс, к которому данное правило применимо. Указанный префикс с точки зрения декларативного представления знаний семантически подобен квантору всеобщности в исчислении предикатов. [36]

В базу знаний заложены классификации сушильных аппаратов, обычно служащие для первичной оценки того или иного способа сушки и представляющие собой руководства, достаточно понятные для любого интересующегося и предназначенные для первичного ознакомления с известными способами, их отличиями, достоинствами, недостатками и ограничениями в применении. Данные руководства представляют собой экспертные оценки по выбору сушильного оборудования, разработанные на основе руководящих документов ЬШИХИММАШа, NiroAtomizer и большого количества статей, докладов и книг, а также продукционные правила по выбору адекватного способа сушки. [37]

Интегрированная среда приобретения знаний KITTEN ( Knowledge Initiation & transfer Tools for Experts and Novices) [ Show, Woodward, 1988 ], подобно AQUINAS, основана на построении и анализе репертуарных решеток. Отличие KITTEN от AQUINAS заключается в том, что в KITTEN обеспечивается извлечение элементов и конструкторов из текстов, а кроме того, имеются процедуры, анализирующие примеры решения задач экспертом и генерирующие по ним продукционные правила. Продукционные правила, порождаемые из примеров и решеток, могут быть загружены в БЗ оболочки NEXPERT, с помощью которой проводится тестирование БЗ. [38]

В последнее время стал широко распространен метод нечеткого моделирования, относящийся к классу методов искусственного интеллекта. Суть метода моделирования заключается в преобразовании количественных значений входных и выходных переменных в качественную форму ( лингвистическую) и вывод решения на основе сети продукционных правил, составленных в форме если... Продукционные правила должны составляться на основе знаний экспертов, носителями которых могут являться технологи, аппаратчики и обслуживающий персонал. Подобный подход будет идеальным для моделирования отдельных участков процесса, но неудобен в моделировании сложных технологических процессов, поскольку возникают сложности получения объективных знаний экспертов о взаимосвязи технологических параметров. [39]

Теперь рассмотрим основные свойства системы КЕЕ и типы задач, которые подходят для этой среды. КЕЕ фактически является большим набором хорошо интегрированных ИИ-парадигм. Этот пакет включает продукционные правила, основанный на фреймах язык с наследованиями, логически-ориентированные утверждения, объектно-ориентированные парадигмы с сопутствующими сообщениями и обеспечивает доступ в базовую LISP-систему. Кроме того, КЕЕ предлагает средства для организации и объединения знаний в специфические компоненты и явного структурирования процесса аргументации. Преимущества КЕЕ заключаются также в мощности и дружественности пользовательского интерфейса. [41]

В объектно-ориентированных расширениях процедурных языков достаточно развита концепция функций-методов для ассоциации поведенческих аспектов объектов с иерархией классов. Методы позволяют инкапсулировать специфику исполнения общих операций над классом в его описании, что является следующим шагом в локализации внесения изменений при необходимости перепрограммирования или расширения системы по сравнению с модульной схемой организации системы. Современные средства для создания ЭС в полной мере обладают указанными возможностями и распространяют этот подход на продукционные правила экспертной системы. [42]

Суть этих выражений заключается в том, что если выполняется условие, то нужно произвести некоторое действие. Продукционные модели могут быть реализованы как процедурно, так и декларативно. В процедурных системах присутствуют три компонента: база данных, некоторое число продукционных правил, состоящих из условий и действий, а также интерпретатор, который последовательно определяет, какие продукции могут быть активированы в зависимости от содержащихся в них условий. Продукционные правила ( продукции) содержат специфические знания ПрО о том, какие еще дополнительные факты могут быть учтены, есть ли специфические данные в базе данных. В СИИ, построенных на использовании продукционных МПЗ, база данных представляет собой переменную часть, а правила и интерпретатор не изменяются. [43]

Фрагмент сети прототипов в системе CEUNTAUR.| Взаимоотношения прототипов и компонент в системе CENTAUR. [44]

На рис. 3.8 показано взаимоотношение прототипов ( описывающих болезни и их подтипы) и фреймов КОМПОНЕНТЫ. Фреймы КОМПОНЕНТЫ имеют примерно следующий набор слотов: ожидаемое значение, значение по умолчанию, мера важности, возможные ошибочные значения, правила вывода. Значением слота правила вывода является перечень продукционных правил, которые следует применить в данной ситуации или фазе диалога. Необходимо подчеркнуть, что продукционные правила в слотах фрейма являются формой присоединения к фрейму процедурных знаний. Ограниченный синтаксис такой формы процедурных знаний позволяет обеспечить простоту приобретения и модификации знаний. [45]

Страницы: 1 2 3 4