Представление неопределенности знаний и данных

Во многих реальных приложениях приходится сталкиваться с ситуацией, когда автоматический решатель задач имеет дело с неточной информацией.

Источники неопределенности

Эксперты пользуются неточными методами по двум главным причинам:

• точных методов не существует;

• точные методы существуют, но не могут быть применены на практике из-за отсутствия необходимого объема данных или невозможности их накопления по соображениям стоимости, риска или из-за отсутствия времени на сбор необходимой информации.

Определение ядра, высоты и границ нечеткого множества. Пример.

Примеры на рисунках.

Ядром нечеткого множества A называется такое обычное множество A₁, элементы которого удовлетворяют условию A₁ = {x X| =1}.

Например, ядро нечеткого множества A которое описывает фразу «небольшое натуральное число» равно A₁ = {1,2}.

То есть числа, которые имеют функцию принадлежности равную единице.

Ядро может быть и пустым (нечеткое множество не имеет функцию принадлежности на уровне единицы)

Границы нечеткого множества – элементы универсума (на графике ось x), для которых функция принадлежности не 0 и не 1.

Высота:

Проще говоря, максимальная величина графика функции принадлежности по y.

Пример, здесь высота равна 1.

инфа для всех вопросов, если спросят:

Нечеткое множество - множество упорядоченных пар вида x, , где x – элемент универсального множества X, а - функция принадлежности, которая ставит в соответствие каждому элементу x X число из интервала [0,1]

1 – x определенно принадлежит множеству, 0 – определенно не принадлежит

4В

Машина логического вывода и база знаний. Представление знаний: принципы и методы. Представление знаний: принципы и методы

В области экспертных систем представление знаний означает не что иное, как систематизированную методику описания на машинном уровне того, что знает человек-эксперт, специализирующийся в конкретной предметной области.

Представление в работе Уинстона 1984 определяется как "множество синтаксических и семантических соглашений, которое делает возможным описание предмета". В искусственном интеллекте под "предметом" понимается состояние в некоторой проблемной области, например объекты в этой области, их свойства, отношения, которые существуют между объектами. Описание "позволяет использовать соглашения из представления для описания определенных предметов" [Winston, 1992].

Синтаксис представления специфицирует набор правил, регламентирующих объединение символов для формирования выражений на языке представления. Можно говорить о том, что выражение хорошо или плохо сформировано, т.е. о том, насколько оно соответствует этим правилам. Смысл должны иметь только хорошо сформированные выражения.

Общепринятым в области искусственного интеллекта является синтаксис в виде конструкции предикат-аргумент, которая имеет форму

<фраза> ::= <предикат> (<аргумент>,..., <аргумент>)

В этой конструкции за к-местным предикатом должны следовать k аргументов. Так, at может быть двухместным отношением, в котором в качестве первого аргумента выступает имя некоторого объекта, а в качестве второго— его местонахождение (например, комната):

at(робот, комнатаА)

Семантика представления специфицирует, как должно интерпретироваться выражение, построенное в соответствии с синтаксическими правилами, т.е. как из его формы можно извлечь какой-то смысл. Спецификация обычно выполняется присвоением смысла отдельным символам, а затем индуцированием присвоения в более сложных выражениях. Так, присваивая смысл символам at, робот, комнатаА, мы можем сказать, что выражение

at(робот, комнатаА)

означает: робот находится в комнате А (но не наоборот — комната А находится в роботе).

Процесс решение проблемы, как правило, включает в себя наряду с представлением предметов окружающего мира и суждение о некоторых действиях.