Базы знаний

МИНИСТЕРСТВО  ОБРАЗОВАНИЯ И НАУКИ РОССИЙСКОЙ ФЕДЕРАЦИИ

ФЕДЕРАЛЬНОЕ ГОСУДАРСТВЕННОЕБЮДЖЕТНОЕ

ОБРАЗОВАТЕЛЬНОЕ УЧРЕЖДЕНИЕ

ВЫСШЕГО ПРОФЕССИОНАЛЬНОГО ОБРАЗОВАНИЯ

«Новосибирский государственный технический университет»

Кафедра электронных приборов

 

 

 

 

 

 

РЕФЕРАТ

Базы  знаний

 

 

Факультет: РЭФ

Группа: РЭМ-21

Студент: Аяганов Н. Ш.

Преподаватель: Невейко Е. Н.

 

 

 

 

 

 

Содержание

Введение 3

База знаний 4

Процесс построения баз знаний 5

Модели представления знаний 6

Продукционные модели 6

Логические модели 7

Семантические сети или сетевые модели 8

Фреймовые модели 9

Система управления базами знаний 10

Заключение 12

Список использованных источников 13

 

 

 

Введение

Знания в общеупотребительном  смысле — это, с одной стороны, сведения, осведомленность в какой-либо области, с другой стороны — проверенный практикой результат познания действительности, ее «правильное» отражение в сознании человека. В соответствии с концепцией баз знаний, под термином знания в искусственном интеллекте понимают совокупность специализированных фактов, правил их обработки, условий применения правил к конкретным фактам, методов получения новых фактов и способов организации процесса логического вывода.

Знания отличаются от данных рядом существенных свойств:

• единицей обрабатываемой информации является факт, а не запись данных;
• знания обладают внутренней интерпретируемостью — понимание смысла, семантики информационных единиц обеспечивается внутри модели, а не только в сознании исследователя;
• знания обладают активностью — появление новых фактов в системе приводит к инициации процедур, обрабатывающих уже известные системе факты, т. е. данные управляют программой;
• знания обладают связностью — между фактами и правилами имеется возможность установления функциональных, каузальных, структурных, семантических отношений, отношений эквивалентности, противоположности и др.;
• знания обладают структурированностью. Структурированность знаний проявляется при использовании отношений типа «элемент-класс» и «часть-целое», что позволяет реализовать возможность вложения одних понятий в другие;
• знания обладают семантической метрикой — отношение близости понятий, силы ассоциативной связи между ними. Ее наличие позволяет выделять информацию, относящуюся к типовым ситуациям;
• знания обладают конвертируемостью представления.

 

База знаний

База знаний — совокупность систематизированных основополагающих сведений, относящихся к определённой области знания, хранящихся в памяти ЭВМ, объём которых необходим и достаточен для решения заданного круга теоретических или практических задач. В системе управления базами знаний используются методы искусственного интеллекта, специальные языки описания знаний, интеллектуальный интерфейс.

Машины, реализующие алгоритмы  искусственного интеллекта, называются машинами, основанными на знаниях, а  подраздел теории искусственного интеллекта, связанный с построением экспертных систем, — инженерией знаний.

Знания о предметной области, ее объектах и закономерностях описываются  на некотором формальном языке, называемом языком представления знаний. При этом, язык представления знаний должен обеспечивать не только возможность формальной записи знаний, но и необходимую обработку элементов этой записи. Совокупность знаний, хранящаяся во внешней памяти ЭВМ, называется системой знаний. Над ней производятся различные операции: поиск необходимой информации, ее модификация, интерпретация знаний, вывод новых знаний на основе имеющихся и т.д. Организация интеллектуальных компьютерных систем работы со знаниями, в той или иной прикладной области, зависят не только от специфики самих систем, но и в существенной мере от используемых языков представления знаний и метода хранения системы знаний в ЭВМ. В современных системах искусственного интеллекта знания хранятся в специальных базах данных — базах знаний. Существует самая непосредственная аналогия между понятиями модель данных, используемая в технологии баз данных и понятием способ представления знаний в технологии баз знаний. Грубо говоря, можно сказать, что если базы данных содержит собственно данные о некоторой предметной области, то базы знаний содержит как сами данные, так и описание их свойств.

 

Процесс построения баз знаний

Процесс построения баз знаний на основе информации эксперта состоит из трех этапов:

• описание предметной области;
• выбор способа и модели представления знаний;
• приобретение знаний.

Сам процесс построения баз знаний достаточно сложен, как правило, плохо структурирован и носит итеративный характер, заключающийся в циклической модификации баз знаний на основе результатов ее тестирования. На первом шаге построения баз знаний четко очерчивается предметная область, на решение задач из которой ориентируется проектируемая экспертная система, т.е. инженер знаний определяет область применения будущей системы и класс решаемых ею задач. В перечень работ данного шага входят:

• определение характера решаемых экспертной системой задач и основных понятий, объектов предметной области, а также отношений между ними;
• установление специфических особенностей предметной области;
• выбор модели представления знаний.

После решения первых двух вопросов инженер знаний формально  описывает предметную область на языке представления знаний, т.е. создает модель представления знаний. В настоящее время универсальный способ представления знаний отсутствует, поэтому инженер знаний должен максимально учитывать специфику исходной предметной области. Полученная после формализации предметной области база знаний может быть уже конкретно реализована программными средствами, например, на язык вычислительных устройств таких, как Pascal, C, Prolog, Fortran, Forth и др.

 

Модели представления знаний

Во многих случаях для  принятия решений в той или  иной области человеческой деятельности неизвестен алгоритм решения, т.е. отсутствует  четкая последовательность действий, заведомо приводящих к необходимому результату.

Совокупность знаний нужных для принятия решений, принято называть предметной областью или знаниями о  предметной области.

В любой предметной области  есть свои понятия и связи между  ними, своя терминология, свои законы, связывающие между собой объекты  данных предметной области, свои процессы и события. Кроме того, каждая предметная область имеет свои методы решения  задач.

Решая задачи такого вида на ЭВМ, используют информационные системы, ядром которых являются базы знаний, содержащие основные характеристики предметных областей.

При построении баз знаний традиционные языки, основанные на численном  представлении данных, являются неэффективными. Для этого используются специальные языки представления знаний, основанные на символьном представлении данных. Они делятся на типы по формальным моделям представления знаний:

• продукционные модели;
• логические модели;
• семантические сети или сетевые модели;
• фреймовые модели.

Продукционные модели

Продукционные модели можно  считать наиболее распространенными  моделями представления знаний. Продукционная  модель — это модель, основанная на правилах, позволяющая представить знание в виде предложений типа: «ЕСЛИ условие, ТО действие». Системы обработки знаний, использующие продукционную модель, получили название «продукционных систем». В состав экспертных систем продукционного типа входят: база правил (знаний), рабочая память и интерпретатор правил (решатель), реализующий определенный механизм логического вывода.

Существуют два типа продукционных  систем – с «прямыми» и «обратными»  выводами. Прямые выводы реализуют  стратегию «от фактов к заключениям». При обратных выводах выдвигаются  гипотезы вероятностных заключений, которые могут быть подтверждены или опровергнуты на основании фактов, поступающих в рабочую память. Существуют также системы с двунаправленными выводами.

Основные достоинства  систем, основанных на продукционных  моделях, связаны с простотой  представления знаний и организации  логического вывода. К недостаткам  таких систем можно отнести следующее: отличие от структур знаний, свойственных человеку; неясность взаимных отношений правил; сложность оценки целостного образа знаний; низкая эффективность обработки знаний.

При разработке небольших систем проявляются в основном положительные стороны продукционных моделей знаний, однако при увеличении объёма знаний более заметными становятся слабые стороны.

Логические модели

Основная идея при построении логических моделей знаний заключается  в следующем — вся информация, необходимая для решения прикладных задач, рассматривается как совокупность фактов и утверждений, которые представляются как формулы в некоторой логике. Знания отображаются совокупностью таких формул, а получение новых знаний сводится к реализации процедур логического вывода.

Основные достоинства  логических моделей знаний: в качестве «фундамента» здесь используется классический аппарат математической логики, методы которой достаточно хорошо изучены и формально обоснованы; существуют достаточно эффективные процедуры вывода, в том числе реализованные в языке логического программирования «Пролог»; в базах знаний можно хранить лишь множество аксиом, а все остальные знания получать из них по правилам вывода.

Способ описания предметной области, используемый в логических моделях знаний, приводит к потере некоторых нюансов, свойственных естественному  восприятию человека, и поэтому снижает  описательную возможность таких  моделей. Сложности возникают при  описании «многосортных» миров, когда объекты не являются однородными. Так, высказывания: «2 + 2 = 4» и «Москва – столица России» имеют одно и то же значение «истина», но разный смысл. С целью преодоления сложностей и расширения описательных возможностей логических моделей знаний разрабатываются псевдофизические логики, логики, оперирующие с нечеткостями, эмпирическими кванторами, обеспечивающие индуктивные, дедуктивные и традуктивные выводы. Такие расширенные модели, объединяющие возможности логического и лингвистического подходов, принято называть логико-лингвистическими моделями предметной области.

Семантические сети или сетевые модели

Однозначное определение  семантической сети в настоящее  время отсутствует. В инженерии  знаний под ней подразумевается  граф, отображающий смысл целостного образа. Узлы графа соответствуют  понятиям и объектам, а дуги –  отношениям между объектами.

Семантическая сеть как модель наиболее часто используется для  представления декларативных знаний. С помощью этой модели реализуются  такие свойства системы знаний, как  интерпретируемость и связность, в  том числе по отношениям IS-A и PART-OF. За счет этих свойств семантическая сеть позволяет снизить объем хранимых данных, обеспечивает вывод умозаключений по ассоциативным связям.

Одной из первых известных  моделей, основанных на семантической  сети, является TLC-модель (Teachaple Languge Compre-hender — доступный механизм понимания языка), разработанная Куиллианом в 1968 году. Модель использовалась для представления семантических отношений между концептами (словами) с целью описания структуры долговременной памяти человека в психологии.

Фреймовые модели

Фреймовая модель основана на концепции Марвина Мински (Marvin Minsky) — профессора Массачусетского технологического института, основателя лаборатории искусственного интеллекта, автора ряда фундаментальных работ. Фреймовая модель представляет собой систематизированную психологическую модель памяти человека и его сознания.

Фреймы образуют иерархию. Иерархия во фреймовых моделях порождает  единую многоуровневую структуру, описывающую  либо объект, если слоты описывают  только свойства объекта, либо ситуацию или процесс, если отдельные слоты  являются именами процедур, присоединенных к фрейму и вызываемых при его  актуализации.

Фреймы подразделяются на:

• фрейм-экземпляр — конкретная реализация фрейма, описывающая текущее состояние в предметной области;
• фрейм-образец — шаблон для описания объектов или допустимых ситуаций предметной области;
• фрейм-класс — фрейм верхнего уровня для представления совокупности фреймов образцов.

Состав фреймов и слотов в каждой конкретной фреймовой модели может быть разный, однако в рамках одной системы целесообразно  единое представление для устранения лишнего усложнения.

Разнотипные объекты или  объекты, соответствующие концепции  «множественности миров», заключающейся, к примеру, в том, что лошадь — животное бескрылое для одного (реального) мира и одновременно крылатое (Пегас в мифическом мире) для другого, могут описываться отличающимися друг от друга фреймами.

В целом фреймовая модель допускает представление всех свойств  декларативных и процедурных  знаний. Глубина вложенности слотов во фрейме (число уровней) зависит  от предметной области и языка, реализующего модель.