Теоретическое введение. tРАКЗ–метод, рассматриваемый ниже в рамках квантового подхода, позволяет, в частности, дать конкретный ответ на фундаментальные вопросы инженерии знаний (ИЗ)

tРАКЗ–метод, рассматриваемый ниже в рамках квантового подхода, позволяет, в частности, дать конкретный ответ на фундаментальные вопросы инженерии знаний (ИЗ), например: «Следует ли квант знаний В из кванта А? Достаточен ли объем базы квантов знаний для принятия конкретного решения в данной проблемной области?»

Достоинства tРАКЗ – метода в ИЗ определяются следующими возможностями:

А) Обеспечение строгой формализации понятия «знание» на основе алгоритмических структур, допускающих алгебраические и логические операции в рамках заданной семантики (смысловой нагрузки). Эти структуры названы квантами знаний различных уровней 0, 1, 2… в зависимости от сложности структуры (число, вектор, матрица, тензор и т.п.).

Б) Введенные k – знания представляются соответствующими квантовыми моделями знаний, которые в заданном классе образуют многомерные пространства (фазовые состояния информационных объектов), и тем самым позволяют привлекать для анализа, синтеза и манипуляции k – знаниями богатый математический арсенал алгебраических операторов.

В) Операции над k – знаниями формализуются исключительно алгоритмическими средствами, а позволяющими реализовать логический вывод k – знаний с помощью известных алгебраических операторов над векторами и матрицами.

tРАКЗ – метод основывается на постулируемой концепции разноуровневых алгоритмических квантов знаний. Сформулируем три основные задачи: формализацию k – знаний (задача Аt), экстраполяцию (прогнозирование) результатов наблюдений (задача Bt), распознавание (идентификацию) объектов по результатам наблюдений (задача Ct).

В отличие от традиционных способов принимаемых решений предлагаемый РАКЗ – метод обеспечивает решение сформулированных выше At, Bt, Ct - задач на основе формального манипулирования k – знаниями. Идея такого метода состоит в следующем.

Первоначально структурируют различные данные, факты и сведения об ОПР (объекте принятия решений) как порции (кванты) k -знаний и дают им строгое определение в терминах теории алгоритмов. Тем самым решается задача At путем алгоритмического конструирования содержательного класса формализованных единиц информации, называемых квантами k – знаний 0-го, 1-го и последующих уровней. В классе k – знаний допустимо применение некоторых операторов над разноуровневыми квантами: редукции (преобразования), традукции (вывод частного из частного), индукции (вывод общего из частного) и дедукции (вывод частного из общего). Операторным способом по прецедентам и цели определяется база знаний (БЗ) как совокупность закономерностей природы классов ОПР и структур межпризнаковых связей.

Искомые прогнозирующие и распознающие решающие правила как новые знания в задачах Bt и Ct определяют путем применения к исходным (обучающим) знаниям и БЗ операторов редукции и вывода.

Сущность РАКЗ – метода заключается в реализации этой идеи следующими средствами. Исходные сведения об исследуемых ОПР извлекают из различных источников и формализуют в виде системы обучающих квантов k – знаний младших уровней.

Путем индуктивного вывода из системы обучающих квантов находят кванты k – знаний старшего уровня, описывающих БЗ системой устойчивых характеристик идентифицируемых ОПР в форме обнаруженных закономерностей. В пространстве моделей (описаний) объектов этим закономерностям отвечают «запретные» интервалы (области запретов). «Запретный» интервал представляет собой характеристическое множество из элементов пространства моделей, отвечающее импликативной связи между теми признаками объектов, комбинации значений которых для данного класса образов запрещены (недопустимы).

Внутреннее (компьютерное) представление разноуровневых квантов k – знаний реализуется с помощью доменизированных (секционированных) векторно-матричных структур, описываемых средствами логики конечных предикатов. Найденная БЗ подвергается оптимизирующему преобразованию (редукции) с использованием операторов традуктивного вывода.

Искомое правило принятия решений (решающее правило (РП)) определяется как некоторый квант новых знаний посредством дедуктивного вывода из БЗ с учетом информации о результатах текущих наблюдений за объектом.