МОДЕЛИ ЗНАНИЙ

 

Представление любых знаний в ИИ и ИИС должно быть формализовано. Формализация ведется в соответствии с принятой моделью. Как известно, модели знаний могут быть различными.

Формально-логическая модель. Основана на формальной теории, содержащей четыре составных части: алфавит, аксиомы, формулы и операции. Примером формально-логических моделей являются предикаты первого порядка.

Продукционная модель. Основана на правилах продукции типа

Если < условие >, то < заключение >,

где “ Если “, “ то “ – операторы; < условие > (анцедент) - посылка, утверждение, предшествующий, основание; < заключение > (консеквент) - действие, следствие, последующий, гипотеза.

Иерархическая модель. В иерархической модели связи между объектами описываются с помощью упорядоченного графа (дерева). " Дерево" (тип) является составным. Оно включает в себя подтипы (поддеревья), каждый из которых в свою очередь является типом " дерево".

Семантическая сеть. В основе семантической модели лежит граф, собирающий вокруг одного узла всю информацию по данному узлу. Семантическая сеть состоит из множества объединенных концептуальных графов, каждый из которых соответствует некоторой логической формуле со своими именами и аргументами предикатов, связанными друг с другом по установленным правилам.

Фреймовая модель. Фрейм (рамка) – это единица представления знаний, детали которой (объект, атрибут , значение )могут быть изменены согласно текущей ситуации.

Объектно-ориентированная модель. Объектно-ориентированные модели являются развитием фреймового представления. В основе объектно-ориентированного подхода лежат такие понятия, как класс, объект, наследование, инкапсуляция, полиморфизм. Базы знаний и программы обработки данных строятся по унифицированным схемам с развитой системой структур, методов и правил.

Модель, управляемая образцами. При этом в базе знаний содержатся наборы образцов структур данных и различных модулей их обработки. На каждом шаге работы программа анализирует текущую ситуацию и определяет после анализа образцов, какой модуль наиболее подходит для обработки этой ситуации.

Частным случаем образцовых (эталонных) моделей является так называемый программный сценарий - формализованное описание стандартной последовательности взаимосвязанных факторов, определяющих типичную ситуацию предметной области.

Реляционная модель. Реляционная модель представляет собой многомерную таблицу элементов. Поскольку одной таблицей не всегда удается описать сложные логические структуры, применяют связывание таблиц по специальным правилам.

Нечеткая логика. Нечеткая логика основывается на неточных числах, коэффициентах уверенности, вероятности, нечетких множествах. Последние содержат упорядоченные пары, включающие номер элемента множества и функцию степени принадлежности этого элемента множеству.

Экспертные системы. Экспертные системы – это программные системы, которые решают прикладные задачи в условиях неполной априорной информации и при отсутствии строгих научных правил обработки фактов на основе знаний специалистов в рассматриваемой области.

Нейросетевые модели. Основные компоненты искусственных нейронных сетей моделируют структуру мозга. Нейроны являются единицами обработки информации. Нейроны получают сигналы либо из внешнего мира, либо от других нейронов. Нейроны соединены в большую и сложную сеть. Нейроны в сети связаны каналами-дендритами. Точка приема нейроном сигнала от сети называется синапсом. Нейрон может иметь до 10000 синапсов. Принятые синапсами входные сигналы суммируются, причем одни входы стремятся возбудить нейроны, другие – препятствуют этому. Если нейрон возбуждается, он посылает сигнал в сеть через точку - аксон.

Для имитации нейронов (см. рисунок) каждый входной сигнал

 

 

 

Искусственный нейрон

 

умножим на некоторый вес и просуммируем: S .Сумматор имеет один выход . Поскольку любой нейрон общается с другими – - ми, то = , где – выходной сигнал - го нейрона. Тогда = и = = S . Сигнал обрабатывается активационным блоком , который выдает . Функция может быть любой: пороговой, сигнумом, сигмодальной, линейной и т. д.

Для пороговой нейрон остается неактивным до тех пор, пока его не достигнет порогового значения . Тогда

= 0, если £ ,

1, если > .

Когда = 0, функция называется сигнум-функцией:

1, > 0,

= 0, =0,

-1, < 0.

Сигмодальная (логистическая) сжимающая функция:

()=1/(1+ ).

Это позволяет работать в большом диапазоне входных сигналов без перегрузки нейрона с большой чувствительностью в средней области . Разновидностью сигмодальной функции является гиперболический тангенс.

Линейная функция:

= ,

где - системный параметр (часто =1).

Линейно-пороговая функция:

= 0, £ ,

- , > .

Выбор зависит от проекта нейронной сети.

Искусственная нейронная сеть группируется по слоям: входной слой нейронов, принимающий сигналы, возможный скрытый внутренний слой, выходной слой, связывающий систему с внешним миром, и т.д. Проектирование нейронной сети заключается:

- в определении числа и свойств слоев нейронов,

- определении связей внутри и между слоями,

- задании всех параметров, , , ….

С точки зрения количества слоев сети могут быть однослойными (простыми, с нейронами, как на рисунке) и многослойными. С точки зрения связей сети делятся на сети прямого (однонаправленного) распространения и с обратными связями. Первые не имеют памяти, вторые моделируют ее, обеспечивая получение многообразных свойств сети и, соответственно, уровень ИИ ее нейронной структуры.

Простейшая нейронная сеть - персептрон. Имеет трехслойную, иерархическую, распространяющуюся вперед структуру с отсутствием связей между нейронами одного слоя. Первый слой – входной, принимающий внешние сигналы и передающий их второму слою. Весовые коэффициенты между первым и вторым слоями фиксированы и равны 1. Здесь, очевидно, отсутствует элемент обучения. Нейроны второго слоя отмечают свойства явлений. Третий слой – выходной. После обучения он имеет обратную связь со вторым слоем. В этом месте возможны память и обучение. Нейроны второго и третьего слоев используют пороговую функцию сигнум.

Обучение заключается в принудительном формировании весов связей между вторым и третьим слоями в соответствии с уравнением

= + ( - ),

где , - соответственно новая (после обучения) и старая (до обучения) весовые связи нейрона второго слоя с нейронами третьего слоя, - желаемый или правильный выход нейрона третьего слоя, - реальный выход нейрона , 0£ £ 1. Если нейрон посылает правильный выход во внешнюю среду, тогда весовые связи не меняют, и наоборот.

Обучение персептрона происходит следующим образом. На вход подают эталонные сигналы и настраивают параметры связей так, чтобы получить на выходе требуемую реакцию.