- •Модели представления знаний
- •Продукционные эс
- •Фреймовая модель представления знаний
- •Логические модели представления знаний
- •Модели представления знаний на основе семантических сетей
- •Другие методы представления знаний
- •Основные понятия и принципы моделирования.
- •Этапы моделирования Этап 1. Постановка задачи.
- •Этап 2. Разработка модели.
- •Этап 3. Компьютерный эксперимент.
- •Этап 4. Анализ результатов моделирования.
Логические модели представления знаний
Логическая модель представления знаний создается с использованием свойств логики предикатов. Предикат – это функция, принимающая только два значения: истина и ложь, и предназначенная для выражения свойств объектов или связей между ними;
В логических предикатах применяется термин высказывание. Высказывание – выражение, в котором утверждается или отрицается наличие каких-либо свойств у объекта.
Для именования предметной области используют константы.
Наиболее простым языком логики (в данном случае языком для исчисления высказываний) является язык, в котором отсутствуют переменные, а имеются только константы.
Пример таких высказываний. Пусть имеются две константы – А и B, в качестве связок между константами используются логические функции (и, или, не, или их комбинации).
Например, можно записать:
А – истинно И B – ложно;
А И B – ложно;
А ИЛИ B истинно.
Логика предикатов излагает высказывания в четких математических отношениях и легко программируется, т.е. легко связывается с четкими дискретными методами логики и языками программирования.
Помимо констант в исчислении предикатов используются и переменные. Такое исчисление предикатов записывается с помощью кванторов. К кванторам относятся, например, следующие и другие.
На основе кванторов и констант можно составлять более сложные высказывания.
На языке теории множеств в самом общем случае логическая модель описывается четырьмя основными множествами:
, где
множество – множество базовых элементов (или алфавит формальной системы);
множество – множество синтаксических правил, с помощью которых можно строить корректные предложения: правила алгебры логики (понятия логических предикатов множества, кванторов);
множество – множество аксиом. Аксиома – это правильное утверждение, заданное априорно.
множество – множество правил продукции, с помощью которых можно расширять множество.
Для программирования с помощью логики применяется в большинстве случаев язык программирования ПРОЛОГ.
Преимущества логической модели представления знаний заключается в возможности непосредственно запрограммировать механизм вывода правильных высказываний.
Недостаток заключается в том, что, увлекаясь логическим, можно уйти от истины (с точки человеческого разума нет смысла), т.е. существует реальная возможность увлеченности математической стороной. Еще один недостаток состоит в том, что большинство интеллектуальных задач характеризуется недостаточной полнотой, неточностью и некорректностью. Это важно, например, в медицине и биологических науках, так как они слабо формализованные. Поэтому в данных областях науки чаще используют методы аналогий и ассоциаций.
Модели представления знаний на основе семантических сетей
В моделях представления знаний на основе семантических сетей знания представляются в виде сетевых структур. Элементами, с помощью которых создается сетевая структура, являются вершина сети и дуги. В качестве вершин используются понятия, факты, объекты, события и т.д.; в качестве дуг – отношения, которыми вершины связаны между собой. К наиболее распространенным типам отношений относятся следующие: быть элементом класса; иметь; являться следствием (для причинно-следственных отношений); иметь значение и т.д.
Пример семантической сети из области техники.
Рис. 39. Семантическая сеть
Преимущества модели представления знаний на основе семантических сетей: 1) с помощью этой модели могут быть представлены родовидовые отношения, а, следовательно, возможно и наследование свойств от родителей; 2) простота и наглядность описания предметной области.
Недостатки модели представления знаний на основе семантических сетей: снижение скорости работы механизма вывода, т.е. системы должны «просканировать» всю структуру на предмет нужной информации (т.е. те же недостатки, что и у фреймовых моделей представления знаний), а также понижение быстродействия.