Методы, модели, алгоритмы, инструментальные средства построения имитационно-лингвистических систем

• Автор: Ходашинский, Илья Александрович
• Шифр специальности: 05.13.18
• Научная степень: Докторская
• Год защиты: 2004
• Место защиты: Томск
• Количество страниц: 357 с. : ил.

ОГЛАВЛЕНИЕ
ВВЕДЕНИЕ

ГЛАВА 1. МЕТОДОЛОГИЧЕСКИЕ ОСНОВЫ ПОСТРОЕНИЯ ИМИТАЦИОННОЛИНГВИСТИЧЕСКИХ СИСТЕМ.

1.1. Системы, модели.

1.2. Проблемы и задачи, решаемые имитационнолингвистическими системами

1.3. Имитационнолингвистические системы как подмножество интеллектуальных систем.

1.3.1. Интеллектуальные системы

1.3.2. Системы, основанные на знаниях

1.3.3. Нечеткие системы

1.3.4. Системы ситуационного управления

1.3.5. Интеллектуальные системы анализа данных.

1.3.6. Системы обработки естественного языка.
1.3.6. Гибридные системы.
1.4. Измерения н оценивание
1.4.1. Измерения.
1.4.2. Величина
1.4.3. Шкалы.
1.4.4. Оценка и оценивание.
Выводы.
ГЛАВА 2. ОЦЕНИВАНИЕ ВЕЛИЧИН КАК МЕТОД ПОСТРОЕНИЯ ИМИТАЦИОННОЛИНГВИСТИЧЕСКИХ СИСТЕМ.
2.1. Оценивание величин
2.1.1. Неформальная постановка задачи
2.1.2. Формальная постановка задачи оценивания.
2.1.3. Построение лингвистических шкал оценок величин
2.2. Псевдофизическая логика оценок величин
2.2.1. Гипотезы и правша вывода для сравнительных оценок
2.2.2. Гипотезы и правила вывода для динамических оценок.
2.3. Оценивания величин на основе нечеткой арифметики
2.3.1. Нечеткие числа
2.3.2. Операции над нечеткими числами
2.3.3. Метрические подходы к оцениванию величин
2.3.4. Определение ближайших нечетких чисел
2.3.5. Оценивание через дефаззификацию
2.3.6. Сравнительные оценки двух нечетких величин.
2.3.7. Пример применения нечеткой арифметики в оценивании величин.
2.4. Оценивание величин на основе нечеткой логики.
2.4.1. Основные операции нечеткой логики и алгоритмы их выполнения.
2.4.2. Нечеткий вывод
2.4.3. Исследования нечеткологической системы оценивания.
2.5. Нейронные сети для обучения нечеткой системы оценивания величин.
2.6. Оценивание величии па основе субъективных вероятностей
2.6.1. Процедура вывода.
2.6.2. Определение априорных вероятностей выбора правила.
2.6.3. База правил системы оценивания
2.6.4. Анализ результатов вывода.
2.8. Оценивания величин па основе алгебраических свойств отношений между величинами.
Выводы.
ГЛАВА 3. МЕТОДЫ, МОДЕЛИ, АЛГОРИТМЫ ПЛАНИРОВАНИЯ ДЕЙСТВИЙ В ИМИТАЦИОННОЛИНГВИСТИЧЕСКОЙ СИСТЕМЕ
3.1. Взаимодействие пользователя с имитационнолингвистической системой
3.1.1. Участники взаимодействия и их задачи.
Ф 3.1.2. Модель взаимодействия
3.2. Планирование вычислений.
3.2.1. Продукционное планирование в пространстве задач.
3.2.2. Планирование с использованием функциональной семантической сети.
3.2.3. ПРОЛОГреализация планирования вычислений.
3.2.4. ЛИСПреализация планирования вычислений.
3.2.5. Обсуждение систем планирования вычислений.
3.3. Поиск в семантической сети специального вида
3.3.1. Представление знаний о предметной области.
3.3.2. Алгоритм поиска в сети
3.4. Пополнение знаний.
9 Выводы
ГЛАВА 4. ИНСТРУМЕНТАЛЬНЫЕ СРЕДСТВА ПОСТРОЕНИЯ И
ИССЛЕДОВАНИЯ ИМИТАЦИОННОЛИНГВИСТИЧЕСКИХ СИСТЕМ .
4.1. Инструментальные средства анализа структурной информации
4.2. Инструментальные средства построения и исследования систем оценивания величин на основе нечеткой логики
4.2.1. Общая характеристика инструментальных средств
4.2.2. Основные элементы интерфейса инструментальных средств.
4.2.3. Визуализации результатов оценивания.
4.2.4. Сравнительный анализ инструментальных средств.
4.3. Инструментальные средства построения и исследования систем оценивания величин на основе псевдофизической логики
4.4. Инструментальные средства обучения системы оценивания величин с использованием нейронных сетей
4.4.1. Общая характеристика инструментальных средств
4.4.2. Основные элементы интерфейса.
ГЛАВА 5. РЕАЛИЗАЦИЯ ИМИТАЦИОННОЛИНГВИСТИЧЕСКИХ СИСТЕМ
5.1. Моделирование атмосферного канала связи
5.2. Прогнозирование классов опасности химических соединений
5.2.1. Прогнозирование влияния органических соединений на изменение свойств стали
5.2.1. Прогнозирование экологической опасности химических соединений
5.3. Оптимизация работы тепловой сети.
5.4. Обработка хронограмм.
5.5. Создание сред вузовского обучения
5.5.1. Общие вопросы разработки интеллектуальных обучающих систем.
5.5.2. Агентноориентированная технология разработки интеллектуальных обучающих систем
5.5.3. Онтологический подход к разработке шгтеллектуальных обучающих систем.
5.6. Разработка тренажерных систем
5.6.1. Общее описание.
5.6.2. Формальное описание схемы, как составляющей части тренажера
5.6.3. Этапы создания компьютерного тренажера.
5.6.4. Язык описания сценария тренировки
5.6.5. Имитационнолингвистическая модель.
5.6.6. Средства создания тренажеров.
Выводы
Заключение
Литература


Из накопленных информационных массивов можно вывести скрытые закономерности и правила, которым подчиняется функционирование предприятий и учреждений, и использовать полученные знания для дальнейшего планирования деятельности организации. Характерным свойством накапливаемых данных, кроме больших объемов, является их разнородность. Методы теории вероятностей работают здесь не эффективно как отмечается в работе 4, эти методы годны главным образом для заранее сформулированных гипотез и для грубого разведочного анализа, составляющего основу оперативной аналитической обработки данных . Современная технология обработки больших объемов разнородных данных интеллектуальный анализ данных, где неизвестная зависимость аппроксимируется определенными типами функций, правил моделей с целью более глубокого изучения предметной области. Интеллектуальные системы анализа данных практическая реализация таких технологий. Основная задача интеллектуальных систем анализа данных обнаружение ранее неизвестных, практически полезных, доступных интерпретации знаний, применимых в практике человеческой деятельности. Как отмечается в работах , интеллектуальный анализ данных является междисциплинарной областью, поэтому в интеллектуальных системах анализа данных встречаются различные подходы, методы и способы нахождения закономерностей и новых знаний. Растущая потребность в доступе к слабо структурированной информации текстовой, графической, видео, аудио заставляет обратиться к разработке новых классов интеллектуальных систем анализа данных. Хранилище обеспечивает единое пространство слабо структурированных данных. Интересные решения, базирующиеся на ДСМметоде, при построении интеллектуальных систем анализа данных предлагается школой В. К. Финна. ДСМметод автоматического порождения гипотез это метод обнаружения причинноследственных зависимостей в базах данных с неполной информацией. Основой метода являются многозначные логики, истинностные значения которых являются степени правдоподобия порожденных гипотез. Интеллектуальная система анализа данных, по мнению В. К. Финна, должна состоять из решателя задач, базы данных, базы знаний и дружественного интерфейса 5, 6. Решатель состоит из трех компонент рассуждатель, вычислитель, синтезатор. ДСМсистема базируется на ДСМрасуждении, которое объединяет правила вывода по аналогии, абдуктивный и индуктивный выводы. В вычислителе реализованы процедуры обработки численных данных. Задача синтезатора организация взаимодействия между рассуждателем и вычислителем. Системы интеллектуального анализа данных, основанные на ДСМметоде используются в различных проблемных областях в фармакологии, медицинской и технической диагностике, социологии. Рассматривая интеллектуальные системы анализа данных, выделим здесь проблему анализа химических структур, в частности, анализ и прогнозирование связи структурасвойство. Такой анализ основан на преобразовании исходной структуры в набор булевых, количественных или символьных дескрипторов, которые характеризуют наличие или отсутствие различных структурных фрагментов и функциональных групп, а также физикохимические свойства соединений. Для нахождения количественных соотношений между структурой и ее свойствами применяют различные методы математического моделирования, выбор которых определяется типом химических соединений, их агрегатным состоянием и анализируемыми свойствами. В этих методах важное место занимают способы описания структуры молекул. Органическая химия обладает одной важной особенностью здесь уже во многом решена проблема представления знаний, которые могут быть адаптированы к современным методам вычислительной техники. Опытный химик извлекает информацию о веществе из его структурной формулы. Часто решить задачу прогнозирования можно с помощью компьютерного представления структуры, основанного на связях и атомах. Существует несколько десятков систем кодирования химических соединений, при этом наиболее распространены матрицы связности МС, линейные номенклатуры Висвессера, Дайсона, а также фрагментарный код суперпозиции подструктур ФСКГТ.