Xreferat.com » Рефераты по радиоэлектронике » Автоматизированные Системы Обработки Информации

Автоматизированные Системы Обработки Информации

/>


Если объект относится к первому классу, а его считают объектом второго класса, то совершена ошибка, которая называется ошибкой 1-го рода.

Условная вероятность ошибки 1-го рода равна

∞

Q1 = ʃ f1(х) d(x)

x0

Если объект относится ко второму классу, а его считают объектом 1-го класса, то совершена ошибка, которую называют ошибкой второго рада.

Условная вероятность ошибки 2-го рада равна

x0

Q2 = ʃ f2(x)

-∞

Для определения значения х0 введем понятие платежной матрицы

= || с || = с11 с12 ,

с21 с22

где с11 и с22 - потери, связанные с правильными решениями, а с12 и с21 - потери, связанные с совершением ошибок первого и второго рода соответственно.

Значение х0 определяется в зависимости от значения коэффициента правдоподобия

l (x) = f2(x)/f1(x).

Значению х0 соответствует критическое (пороговое) значение l (x) = l0

р(Ω1)(c12-c11)

l0 =

p(Ω2)(c21-c22)

Значение х0 позволяет оптимальным образом (в смысле минимума среднего риска) разделить признаковое пространство на две области: R1 и R2.

Область R1 состоит из значений х ≤ х0, для которых l(x) ≤ l0 а R2 - из значений х > х0, для которых l(x) > l0

Поэтому решение об отнесении объекта к первому классу следует принимать, если значение коэффициента правдоподобия меньше его критического значения, и ко второму классу, если больше.

На практике при построении систем распознавания возможны ситуации, когда известны:

а) f1(x), f2(x), р(Ω1), р(Ω2) и ||с|

б) f1(x), f2(x) и платежная матрица, но не известны р(Ω1), р(Ω2).

в) f1(x), f2(x), но не известны ни р(Ω1), р(Ω2) ни платежная матрица.

В каждой из этих ситуаций применяются свои критерии распознавания, а именно - критерий Байеса, минимаксный критерий, критерий Неймана-Пирсона.

Признаковая информация представляется в виде таблиц распознавания вида

Классы

Градации признака хi


хi1

xi2

...

xim

А1

0.6 0.5 ... 0.1

А2

0.7 0.4 ... 0.2
... ... ... ...

An

0.1 0.2 ... 0.1

Наиболее часто используется критерий Байеса, который выражается формулой

p(Aj) p(bk/Aj)

p(Aj/bk) =

M

S p(Ai) p(bk/Ai)

i=1

где

p(Aj/bk) - вероятность гипотезы о принадлежности реализации bк к j-му классу.

Bk = { x1l, . . . , xnk, . . . , xNp},

хi - признаки классов, l,k,p - градации признаков,

p(Aj) - априорная вероятность проявления j-го класса(Aj);


p(bk/Aj) - условная вероятность проявления признаков реализации bk у класса Aj.

M - количество классов.


P(Aj) = mj / F ( mj - количество объектов j-го класса, F - суммарное количество объектов всех классов).

N

P(bk/Aj) = П p(xil/Aj), где p(xil/Aj) - вероятность проявления l-ой градации i-го

i=1

признака у класса Aj.


N - количество признаков в рабочем словаре.


В результате вычислений по формуле Байеса получим значения p(Aj/bk) для каждого класса.

Решение о принадлежности реализации к конкретному классу принимается по максимуму вычисленной вероятности.


ЭКСПЕРТНЫЕ СИСТЕМЫ

КОНЦЕПЦИЯ ЗНАНИЙ

При изучении интеллектуальных систем традиционно возникает вопрос, – что же такое знания и чем они отличаются от обычных данных, десятилетиями обрабатываемых ЭВМ.

Можно предложить несколько рабочих определений, в рамках которых это становится очевидным.

Данные – это отдельные факты, характеризующие объекты, процессы и явления в предметной области, а также их свойства. Данные интерпретируются специальными программами. Они пассивны. Нет содержательной информации.

При обработке на ЭАМ данные трансформируются, условно проходя следующие этапы:

  • данные как результат измерений и наблюдений;

  • данные на материальных носителях информации (таблицы, протоколы, справочники);

  • модели (структуры) данных в виде диаграмм, графиков, функций;

  • данные в компьютере на языке описания данных;

  • базы данных на машинных носителях.

Знания связаны с данными, основываются на них, но представляют собой результат мыслительной деятельности человека, обобщают его опыт, приобретенный в ходе выполнения какой-либо практической деятельности. Они получаются эмпирическим путем.

Знания – это выявленные закономерности предметной области (принципы, связи, законы), позволяющие решать задачи в этой области. Они могут быть активны, т.е. определенные действия при выполнении соответствующих условий.

В отличие от данных знания обладают следующими свойствами:

  • внутренней интерпретируемостью – вместе с информацией в БЗ представлены информационные структуры, позволяющие не только хранить знания, но и использовать их;

  • структурированностью – выполняется декомпозиция сложных объектов на более простые и установление связей между ними;

  • связанностью – отражаются закономерности относительно фактов, процессов, явлений и причинно-следственные отношения между ними;

  • активностью –знания предполагают целенаправленное использование информации, способность управлять информационными процессами по решению определенных задач.

Все эти свойства знаний в конечном итоге должны обеспечить возможность СИИ моделировать рассуждения человека при решении прикладных задач – со знаниями тесно связано понятие процедуры получения решений задач (стратегии обработки знаний). В системах обработки знаний такую процедуру называют механизмом вывода, логическим выводом или машиной вывода. Принципы построения механизма вывода в СИИ определяются способом представления знаний и видом моделируемых рассуждений.

При обработке на ЭВМ знания трансформируются аналогично данным:

  • знания в памяти человека как результат мышления;

  • материальные носители знаний (учебники, методические пособия);_

  • поле знаний - условное описание основных объектов предметной области, их атрибутов и закономерностей, их связывающих;

  • знания, описанные на языках представления знаний (продукционные языки, семантические сети, фреймы и т.д.);

  • базы знаний.

Часто используются такие определения знаний:

Знания – это хорошо структурированные данные, и данные о данных, или метаданные.

Существует множество способов определять понятия. Один из широко применяемых способов основан на идее интенсионала.

Интенсионал понятия – это определение через понятие более высокого уровня абстракции с указанием специфических свойств. Этот способ определяет знания.

Другой способ определяет понятие через перечисление понятий более низкого уровня иерархии или фактов, относящихся к определяемому. Это есть определение через данные, или экстенсионал, понятия.

Пример: интенсионал: курсант- это учащийся военного училища.

Экстенсионал: курсант- это Иванов, Петров….

Для хранения данных используются базы данных (для них характерны большой объем и относительно небольшая удельная стоимость информации), для хранения знаний – базы знаний – основа любой интеллектуальной системы.

Знания могут быть классифицированы по следующим категориям:

  • поверхностные – знания о видимых взаимосвязях между отдельными событиями и фактами в предметной области;

  • глубинные – абстракции, аналогии, схемы, отображающие структуру и процессы в предметной области.

Знания, на которые опирается человек, решая те или иную задачу, существенно разнородны.

Это прежде всего:

  • понятийные знания (набор понятий и их взаимосвязи);

  • конструктивные знания (знания о структуре и взамодествии частей различных объектов);

  • процедурные знания (методы, алгоритмы и программы решения различных задач);

  • фактографические знания (количественные и качественные характеристики объектов, явлений и их элементов).


Современные ЭС работают в основном с поверхностными знаниями, т. к. в настоящее время нет адекватных моделей, позволяющих работать с глубинными знаниями.

Кроме того, знания можно разделить на процедурные и декларативные. Исторически первичными были процедурные знания, т.е. знания, ”растворенные” в алгоритмах. Они управляли данными. Для их изменения требовалось изменять программы. Однако с развитием ИИ приоритет данных постепенно изменялся, и все большая часть знаний сосредотачивалась в структурах данных (таблицы, списки, абстрактные типы данных), т.е. увеличивалась роль декларативных знаний.

Сегодня знания приобрели чисто декларативную форму, т.е. знаниями считаются предложения, записанные на языках представления знаний, приближенных к естественному и понятных неспециалистам.

Существуют десятки моделей (или языков) представления знаний для различных предметных областей. Большинство из них м.б. сведено к следующим классам:

  • продукционные;

  • семантические сети;

  • фреймы;

  • формальные логические модели.

ПОЛЕ ЗНАНИЙ

Одна из наиболее творческих процедур при построении ЭС – процедура концептуального анализа полученных знаний или структурирование.

Структурирование – это процесс создания полуформализованного описания предметной области. Такое полуформализованное описание называется полем знаний. Обычно оно создается в графической форме.

Поле знаний Рz можно описать следующим образом:

Pz=k,Sf>,

где Sk - концептуальная структура предметной области;

Sf – функциональная структура предметной области.

Концептуальная структура, или модель предметной области, служит для описания ее объектов и отношений между ними, т.е. можно сказать, что концептуальная модель Sk представляет собой следующее:

Sk=,

где А – множество объектов предметной области;

R – множество отношений, связывающих объекты.

Множество отношений представляет собой связи между объектами. При помощи этих отношений инженер по знаниям фиксирует концептуальное устройство предметной области, иерархию понятий, свойство и структуру объектов. Разработка концептуальной структуры имеет самостоятельное значение, не зависимое от конечной цели – разработки экспертных систем. Эта структура может служить для целей обучения, повышения квалификации, для прогнозирования, объяснения, реструктурирования и т.п.


Краткий алгоритм формирования концептуальной структуры.

Шаг 1. Определить все результирующие понятия, или выходы системы. Это может быть набор диагнозов, рекомендаций, советов системы.

Шаг 2. Определить все входные понятия, или факторы, от которых зависит результат работы системы.

Шаг 3. Установить промежуточные понятия, участвующие в рассуждениях экспертов, если они есть.

Шаг 4. Для всех понятий найти обобщающие и уточняющие понятия, т.е. установить иерархии объектов.

Шаг 5. Для объектов, участвующих в рассуждениях, определить свойства и их значения.

Шаг 6. Попытаться определить другие связи, и все в целом отразить графически.

Шаг 7. Убрать лишние связи, объекты, обсудить структуру с экспертом, дополнить, если надо, с возвратом к шагам 1-6.

Функциональная структура отражает модель рассуждений и принятия решения, которой пользуется эксперт при решении задачи.

Обычно функциональная структура представляется в виде каузальных отношений и может быть позднее формализована в виде коротких правил “если - то”, или в виде семантических сетей.

Представить функциональную структуру можно в виде таблицы, графа (дерева решений) или предложений на естественном языке. Наглядные формы предпочтительны.

Часто в моделях рассуждений присутствуют нечеткие понятия – “ часто”,”много”,”очень”,”высокий”,”большой” и др. Для их представления в базе знаний используется так называемая нечеткая логика, автор которой – Л.Заде, предложил простой формализм для таких понятий. Этот формализм использует понятие нечеткой функции принадлежности, которая отражает численно на шкале [0,10] или [0,1] степень уверенности эксперта в том, что конкретное значение можно отнести к данному нечеткому понятию.


МОДЕЛИ ПРЕДСТАВЛЕНИЯ ЗНАНИЙ

  1. Продукционная модель.

Продукционная модель, или модель, основанная на правилах, позволяет представлять знания в виде предложений типа:

Если (условие), то (действие).

Записываются эти правила обычно в виде:

ЕСЛИ А1,А2,…,Аn ТО В.

Под условием понимается некоторое предложение – образ, по которому осуществляется поиск в базе знаний, а под действием – действия, выполняемые при успешном исходе поиска (они м.б. промежуточными, выступающими далее как условие, и терминальными или целевыми, завершающими работу системы).

«Условие» называют иногда «Посылкой», а «Действие» - «Выводом» или «Заключением».

Условия А1,А2,…,Аn обычно называют фактами. С помощью фактов описывается текущее состояние предметной области. Факты могут быть истинными, ложными, либо, в общем случае, правдоподобными, когда истинность факта допускается с некоторой степенью уверенности.

Действие В трактуется как добавление нового факта в описание текущего состояния предметной области.

В упрощенном виде описание предметной области с помощью правил (продукций) базируется на следующих основных предположениях об устройстве предметной области. ПО может быть описана в виде множества фактов и множества правил.

Факты – это истинные высказывания (повествовательные предложения) об объектах или явлениях предметной области.

Правила описывают причинно-следственные связи между фактами (в общем случае и между правилами тоже) - как истинность одних фактов влияет на истинность других.

Продукционные модели могут отражать следующие виды отношений:

  • ситуация ® действие,

  • посылка ® заключение,

  • причина ® следствие.

В продукционных системах используются два основных способа реализации механизма вывода:

  1. Прямой вывод, или вывод от данных;

  2. Обратный вывод, или вывод от цели.

В первом случае идут от известных данных (фактов) и на каждом шаге вывода к этим фактам применяют все возможные правила, которые порождают новые факты, и так до тех пор, пока не будет порожден факт-цель.

Для применения правила используется процесс сопоставления известных фактов с правилами и, если факты согласуются с посылками в правиле, то правило применяется.

Во втором случае вывод идет в обратном направлении – от поставленной цели. Если цель согласуется с заключением правила, то посылку правила принимают за подцель или гипотезу, и этот процесс повторяется до тех пор, пока не будет получено совпадение подцели с известными фактиами.


Пример: Набор правил:

П1: Если “отдых – летом” и ”человек – активный”, то “ехать в горы”.

П2: Если “любит солнце”, то “отдых - летом”.

Предположим, в систему поступили данные: “человек – активный” и “любит солнце”.

Прямой вывод:

1-й проход.

Шаг 1. Пробуем П1, не работает (не хватает данных “отдых – летом”).

Шаг 2. Пробуем П2, работает, в базу поступил факт “отдых летом”.

2-й проход.

Шаг 3. Пробуем П1, работает, активизирует цель “ехать в горы”, которая и выступает как совет, который дает ЭС.

Обратный вывод: - подтвердить выбранную цель при помощи имеющихся правил и данных.

1-й проход.

Шаг 1. Цель – “ехать в горы”. Пробуем П1 – данных “отдых – летом” нет, они становятся новой целью, и ищется правило, где она в правой части.

Шаг 2. Цель “отдых – летом”. Правило П2 подтверждает цель и активизирует ее.

2-й проход.

Шаг 3. Пробуем П1, искомая цель подтверждается.

Продукционная модель чаще всего применяется в промышленных ЭС.

достоинства: наглядность, высокая модульность, легкость внесения дополнений и изменений и простота логического вывода.

Разработано большое количество ЭС, используемых в самых различных областях, в том числе и в нашей прикладной области.

При использовании продукционной модели база знаний состоит из набора правил. Программа, управляющая перебором правил, называется машиной вывода. Вывод может быть прямым (от данных к поиску цели) или обратным (от цели для ее подтверждения – к данным). Данные – это исходные факты, на основании которых запускается машина вывода – программа, перебирающая правила в базе знаний.

2. Семантическая сеть.

Семантическая означает смысловая. Семантика – наука об отношения между символами и объектами, которые они обозначают, т.е. наука, определяющая смысл знаков.

Семантическая сеть - это ориентированный граф, вершины которого – понятия, а дуги – отношения между ними.

“Понятия” это обычно абстрактные или конкретные объекты, а “отношения” – это связи типа: ‘это”, “быть частью”, “принадлежать”, “любит”.

Отношения бывают 3-х типов:

  • Класс, к которому принадлежит данное понятие,

  • Свойство, выделяющее понятие из всех прочих понятий этого класса,

  • примеры данного понятия или элемента класса.


Наиболее часто используют следующие отношения:

  • связи типа “часть – целое”,

  • функциональные связи (соответствуют глаголам: “производит”, “влияет” и т.д.),

  • количественные (>,<,= т.д.)

  • пространственные (далеко от, близко от, за, под, над, …),

  • временные (раньше, позже, в течение, …),

  • атрибутивные (иметь свойство, иметь значение, …),

  • логические (и, или, не) др.

Проблема поиска решения в базе знаний типа семантическая сеть сводится к задаче поиска фрагмента сети, соответствующего некоторой подсети, соответствующей поставленному вопросу.

Пример.

Значение


Свойство Имеет частью

Это Это

Принадлежит Любит



  1. Фреймовая модель.

Фрейм предложен М. Минским в 70-е годы как структура знаний для восприятия пространственных сцен. Это модель, как и семантическая сеть, имеет глубокое психологическое обоснование.

Под фреймом понимается абстрактный образ или ситуация. Напримекр слово “комната” вызывает у слушающих образ комнаты: “жилое помещение с четырьмя стенами, полом, потолком, окнами и дверью, площадью 6 – 20 кв. метров.

Из этого описания ничего нельзя убрать, но в нем есть “дырки” или “слоты”, - это н00езаполненные значения некоторых атрибутов - количество окон, высота потолка, покрытие пола и другие.

В теории фреймов такой образ называется фреймом. Фреймом называется также и формализованная модель для отображения образа.

Структура фрейма:

(Имя фрейма:

имя 1-го слота (значение 1-го слота ),

Поможем написать работу на аналогичную тему

Получить выполненную работу или консультацию специалиста по вашему учебному проекту
Нужна помощь в написании работы?
Мы - биржа профессиональных авторов (преподавателей и доцентов вузов). Пишем статьи РИНЦ, ВАК, Scopus. Помогаем в публикации. Правки вносим бесплатно.

Похожие рефераты: