Представление знаний в экспертных системах

Относительная простота механизма логического вывода, а также простота создания, понимания и модификации отдельных правил привели к широкому использованию этой модели представления знаний в экспертных системах. [c.17]

Для представления знаний в экспертных системах, как было показано выше, в основном используются сетевые, логические, фреймовые, продукционные модели. Как уже отмечалось, продукционные модели для представления знаний имеют следующие важные преимущества простота конструкции отсутствие требований наличия у пользователя сложных математических знаний, возможность представления знаний о предметной области на профессиональном диалекте естественного языка и др. [c.130]

Системы продукций широко используются в качестве схем представления данных в экспертных системах (рассматриваемых в части разд. 10.2.5). Часто системы продукций называют процедурными знаниями, так как обычно выполнение определенных действий инициируется известными правилами. Следовало бы заметить, что сравнение образов (корреляция) играет важную роль в системах продукций в том плане, что выполнение (запуск) правил основано на совпадении условий правил (частей если ) и состояний задачи, т. е. процесс сравнения определяет истинно или ложно условие. [c.280]

Знания в экспертных системах могут быть представлены в виде семантических сетей, на основе логических подходов, в виде фреймов и в виде системы продукций. Система продукций, кажется, одна из наиболее популярных форм представления знаний. [c.47]

Получают развитие экспертные системы, которые воспринимают от высококвалифицированных специалистов знания в соответствующе предметной области, а затем используют их при решении задач структурного синтеза. Возможные формы представления знаний в ЭВМ — семантические сети, И-ИЛИ-деревья и т. и. В семантических сетях ве )шипам соответствуют понятия, а связям — отношения между понятиями. Программное обеспечение экспертных систем служит для генерации вариантов структуры и для связи пользователя с системой в режиме диалога. [c.80]

По форме представления знаний системы могут быть близки, например, использовать базу знаний в виде иерархии уровней описания предметной области. Для передачи знаний могут быть реализованы итеративные, эволюционные процессы. Однако существуют и различия. Традиционные системы моделирования имеют дело с общепризнанными количественными фактами. В экспертных системах внимание сосредоточено на эмпирических ассоциациях. База знаний в виде дерева отношений является концентрированным выражением экспертизы и представляет собой набор описательных атрибутов и их взаимосвязей. [c.138]

В качестве примера рассмотрим проблемы, связанные с представлением объектов в пространстве, а также пространственными и временными соотношениями между ними. Эти проблемы широко распространены в области исследований технического зрения и они также возникают в экспертных системах в случае представления соотношений. Например, компьютеру трудно понять , что световой пучок, падающий на линзу, как и свет, появляющийся с другой стороны, реально являются частями одного и того же пучка. Некоторые типы знаний, например зрительные образы, лучше хранить в несловесной форме. Дело в том, что их кодирование может потребовать очень большого числа компьютерных кодов. Однако в настоящее время не существует способа хранения графических знаний, позволяющего проводить модификацию, поиск и получение логических выводов, [c.328]

Создание первого прототипа должно подтвердить, что выбранные методы решений и способы представления пригодны для успешного решения, по крайней мере, ряда задач из области экспертизы. Создание первого прототипа, должно показать, что с увеличение.м объема знаний и улучшением стратегий поиска экспертная система сможет дать высококачественные и эффективные решения всех задач данной проблемной области. При разработке первого прототипа обычно оставляют в стороне вопросы, требующие значительных трудозатрат понимание и синтез фраз ограниченного естественного языка построений сложных моделей учет сложных временных, причинных и модальных отношений понимание намерений пользователей моделирование рассуждений, содержащих неточные понятия. Таким образом, в первом прототипе реализуется простейшая процедура вывода. При его разработке основная цель состоит а том, чтобы получить решение задачи, не заботясь пока об эффективности. [c.30]

В последние годы роль символьных вычислений в принятии решений различного рода увеличивается. Появились программы, способные по известным данным вывести правило без реального проведения огромного количества численных расчетов. Экспертные системы, имеющие встроенные знания в виде символически представленных фактов и правил, создаются с невероятной скоростью. [c.554]

В предыдущем разделе изложены основополагающие принципы символьных вычислений, даны необходимые вводные сведения, рассмотрены способы представления данных и возможные стратегии поиска. В данном разделе обсуждение указанных проблем получает дальнейшее развитие и рассматриваются четыре главных вопроса, составляющие суть символьных вычислений распознавание речи, техническое зрение, распознавание естественного языка, экспертные системы. Эти прикладные задачи могут принимать различные формы, каждая из которых включает сбор знаний, проведение рассуждений и поиск данных. Общим аспектом является использование знаний о системе или рассматриваемой области для улучшения понимания машинной входной информации. [c.293]

В данной экспертной системе для представления нечеткостей в знаниях используется либо степень достоверности вывода для каждого правила, либо аппарат нечетких множеств. Это позволило значительно упростить представление знаний по сравнению с их представлением только продукционными правилами. Благодаря этому повысилась эффективность выводов и появилась возможность более оперативного управления технологическим процессом, протекающим в реальном масштабе времени. [c.104]

Применение экспертной системы (ЭС) дает возможность использовать эвристические знания специалистов-экспертов в процессе проектирования изделий, автоматизируя часть эвристических процедур различных этапов проектирования. Тем самым снижает загрузку специалистов, уменьшает ошибки при проектировании, сокращает время на разработку изделия. Накопленные эвристические знания хранятся в специализированных базах знаний, разработанных для отдельных этапов проектирования и конкретных условий применения. К ЭС подключаются различные файлы со справочной информацией и файлы с исходными данными для проведения консультации. Консультирование может происходить в виде диалога с программой, так и в виде бездиалоговых функций с предоставлением готового результата. База знаний представляет собой базу данных с набором эвристических правил и данных. Вид представления результатов консультации формулируется условиями применения ЭС (отчеты, графики, файлы данных и т.д.). [c.70]

В первую очередь различия касаются конечной цели или назначения систем. Экспертные системы позволяют получить описательные представления о предмете. Причем, даже если полученные знания или характеристики выражены в числовом виде, они являются качественными, поскольку представляют собой результат операций над звристическими правилами. Системы моделирования дают количественные знания, при зтом характеристики или параметры могут быть как детерминированными, так и статическими. Таким образом, уже на данном уровне возникают задачи сопоставимости качественных и количественных знаний, установления отношений и закономерностей преобразования одних в другие. [c.137]

В любой экспертной системе имеются три компоненты (рис. 10.23) база знаний, механизм логического вывода и средства обоснования. В процессе экспертизы данные накапливаются в базе знаний, при этом используется один или более типов представления, описанных в части разд. 10.2,2, База знаний может включать в себя элементы эвристики и метазнания. Механизм логического вывода дает экспертной системе возможность проводить рассуждения, позволяя системе группиро- [c.321]

Основу экспертной системы составляет база знаний, поскольку, как было установлено, специализированные знания представляют очень важное дополнение к логике. Трудность процесса включения этих знаний в базу знаний является главным сдерживающим фактором даже в очень узких проблемных областях. Средства диалогового накопления знаний, такие как TEIRESIAS [19], доказали на практике свою полезность, позволяя эксперту выразить знания в формах, совместимых с базой знаний. Более сложные системы могут быть построены таким образом, что они сами будут способны выводить правила на основе представленных данных, как это было сделано в случае с MetaDendral [20]. Еще более успешно удается создавать системы, которые могут обучиться управлять своими собственными стратегиями поиска, т. е. обучиться эвристическим методам, как это было в случае с EURISKO [21] и A T 22]. Однако сами принципы обучения и адаптации до сих пор разработаны слабо, и в настоящее время большинство экспертных систем не являются обучающимися. Скорее они используют предварительно накопленные знания вместо обучения при ре- [c.323]

Путь, который проходит свет в системе, представлен словами От и До , указывающими на связи между различными фреймами в семантической сети. Изменения свойств света при его прохождении через спстему представляются изменениями в конечном слове Выход . Наконец признак Вход накапливает знания о луче лазера, проходящем в системе. Предположим, что выходной сигнал детектора спадает до нуля (( = ТокНУЛЬ) в языке Лисп) и перед пользователем возникает задача диагностики причин неисправности экспертная система должна помочь ему в этом. [c.325]

Ключевой проблемой прц построении экспертных систем [1] является проблема представления и использования знаний, которыми обладают эксперты, т.е. люди, имеющие существенный и положительный опыт при решении задач определенного класса. Это справедливо, естественно, и для экспертных систем в САПР. Исходя из анализа классов решаемых задач, а ими являются задачи выбора параметров проектирования, определения вариантов проектирования и обнаружения аналогов проектируемому изделию, в качестве моделей представления знаний предлагаются системы условных нечетких высказываний, с помощью которых экспертами описываются характеристические признаки проектируемого изделия. Совместно с методами дедуктивного и индуктивного нечеткого логического вывода, применяемого для решения поставленных задач, фактически приходим к модели, удачно сочетающей в себе как декларативное, так и процедурное представление знаний. Кроме того, использование нечеткости при построении условных высказьтаний позволяет формально включать в них значения экспертов, выраженные вербальными категориями типа много , средне , мало , часто , вероятно , приблизительно столько-то и т.п. [c.3]

Под извлечением знаний подразумевается взаимодействие эксперта с источником знаний, в результате которого становятся явными процесс рассуждений специалистов при принятии решения и структзфа их представлений о предметной области. Под формированием знания понимается процесс автоматизации процесса обучения экспертной системы, который позволяет самостоятельно получать необходимые новые знания на основе имеющегося эмпирического материала (данных), причем эти новые знания не формируются экспертами в явном виде. Процедурой приобретения знаний будем называть получение готовых фрагментов знаний в соответствии со структурами, заложенными разработчиками экспертной системы с использованием ЭВМ при наличии подходящего программного инструментария [бб]. [c.111]

Энциклопедия по машиностроению XXL

Оборудование, материаловедение, механика и ...