Структурно-параметрическая оптимизация баз знаний обучаемых экспертных систем

• Автор: Бухнин, Алексей Викторович
• Шифр специальности: 05.13.01
• Научная степень: Кандидатская
• Год защиты: 2005
• Место защиты: Нижний Новгород
• Количество страниц: 175 с. : ил.

ОГЛАВЛЕНИЕ
Введение.
Глава первая. Современные подходы к построению экспертных систем и методы интеллектуального анализа данных
1.1. Традиционные подходы к представлению и приобретению знаний в интеллектуальных системах.

1.1.1. Общие сведения об экспертных системах.

1.1.2. Представление знаний в экспертных системах

1.1.3. Приобретение знаний экспертными системами.

1.2. Интеллектуальный анализ данных

1.2.1. История развития ii

1.2.2. Обзор алгоритмов ii

1.3. Адаптивные системы нечеткого логического вывода.

1.4. Выводы
Глава вторая. Метод структурнопараметрической оптимизации
базы знаний
2.1. Структура базы знаний.
2.2. Математическая модель нечеткой сети логического вывода
2.2.1. Нечеткий элемент типа ИЛИ.
2.2.2. Нечеткий элемент типа И.
2.2.3. Элемент типа Входной
2.2.4. Элемент типа Входная переменная.
2.2.5. Элемент типа Сегмент
2.2.6. Пример нечеткой сети логического вывода.
2.3. Общее описание процесса оптимизации базы знаний.
2.4. Выводы

Глава третья. Основные алгоритмы оптимизации нечеткой сети логического вывода.
3.1. Генетический алгоритм параметрической оптимизации
3.2. Алгоритм факторизации.
3.3. Выводы.
Глава четвертая. Исследование эффективности разработанного подхода с помощью математического моделирования.
4.1. Исследование зависимости эффективности генетического алгоритма параметрической оптимизации от значений его параметров
4.2. Сравнение эффективности модификаций генетического алгоритма
4.3. Решение прикладных задач.
4.3.1. Классификация цветов
4.3.2. Построение аналитической модели для прогнозирования активности кариеса зубов в период беременности и ближайшие после родов сроки
4.3.3. Прогнозирование валютных цен на финансовом рынке.
4.4. Выводы.
Заключение
Список литературы


В настоящее время технология экспертных систем используется для решения задач диагностики, планирования, предсказания, управления, обучения в таких прикладных областях, как финансы, нефтяная и газовая промышленность, энергетика, транспорт, фармацевтическое производство, космос, металлургия, горное дело, химия, образование, телекоммуникации и связь и др. До -х годов XX века успехи в области ИИ заключались в демонстрации пригодности систем искусственного интеллекта для практического использования. С г. ЭС, так и к другим технологиям ИИ). Знания в ЭС представляются в такой форме, которая с одной стороны предполагает простую интерпретацию человеком, а с другой - позволяет перевести их во внутреннее представление в памяти ЭВМ и использовать для логического вывода. Решение задачи экспертной системой происходит на основании эвристических правил, которые хранятся в базе знаний. Проблемы ставятся перед системой в виде совокупности фактов, описывающих некоторую ситуацию, и система пытается вывести заключение из этих фактов. Качество решений ЭС определяется размером и качеством базы знаний. Для создания полной и точной БЗ необходимо опросить экспертов в предметной области, а затем систематизировать полученные от них знашш. Перечислим основные способы представления знаний в интеллектуальных системах. Фреймом называется структура для описания стереотипной ситуации или объекта, состоящая из характеристик этой ситуации (объекта) и их значений. Характеристики называются слотами, а значения -заполнителями слотов. Логический вывод во фреймовой системе базируется на обмене сообщениями между фреймами, активации и выполнении присоединенных процедур []. Представление знаний, основанное на фреймах, дает возможность в явной форме хранить в базе знаний родовидовую иерархию понятий. На верхнем уровне иерархии находится фрейм, содержащий наиболее полную информацию, истинную для всех остальных фреймов. Фреймы обладают способностью наследовать значения характеристик своих родителей, находящихся на более высоком уровне иерархии. Положительными чертами фреймовой модели являются наглядность, однородность, высокая степень структуризации знаний, интеграция декларативных и процедурных знаний. Наиболее ярко достоинства фреймовых систем проявляются в том случае, если родовидовые связи изменяются нечасто и предметная область насчитывает немного исключений. Как недостаток фреймовых систем следует отметить их относительно высокую сложность, нго проявляется в снижении скорости работы механизма вывода и в увеличении трудоемкости внесения изменений в родовидовую иерархию. Кроме того, во фреймовых системах затруднена обработка исключений. Семантическая сеть считается наиболее общим способом представления знаний []. В ней понятия и классы, а также отношения и связи между ними представлены в виде сети. В качестве объектов могут выступать события, действия, обобщенные понятия или свойства объектов. Свойства представляются в сети также в виде вершин и служат для описания классов объектов. Вершины сети соединяются дугой, если соответствующие объекты предметной области находятся в каком-либо отношении. Как и в системе, основанной на фреймах, в семантической сети могут быть представлены родовидовые отношения, которые позволяют реализовать наследование свойств от объектов-родителей. Это обстоятельство приводит к тому, что семантические сети приобретают большинство недостатков и достоинств представления знаний в виде фреймов. Основное преимущество семантических сетей заключается в их наглядности и непосредственной связанности понятий через сеть, которая позволяет быстро находить связи понятий. Главный недостаток семантических сетей - сложность обработки исключений, требующих перестройки больших участков сети с взаимосвязанными узлами. Кроме того, имеет место смешение групп знаний, относящихся к совершенно различным ситуациям, что усложняет интерпретацию знаний и затрудняет управление выводом на сети. Однако достоинства данного подхода позволяют применять его и в современных системах [].