Представление знаний и выводы в экспертных системах

Характерная особенность ЭС, отличающая их от традиционных систем обработки информации, заключается в оперировании знаниями. Формализм описания такого рода информации определяется как представление знаний. Компонент, который использует для решения проблем знания экспертов, описанные в заранее выбранной для них форме представления, является механизмом вывода. В системах с базами знаний, в том числе и экспертных системах, представление знаний является фундаментальным понятием. Решение о выборе способа представления знаний оказывает существенное влияние на любую их составную часть.

Можно сказать, что представлением знаний определяются возможности системы базы знаний. И наоборот, чтобы система обработки знаний отвечала определенным прикладным потребностям, должно быть создано соответствующее представление знаний. Поскольку представление знаний является средством описания знаний человека, то желательно, чтобы его описательные возможности были как можно выше. С другой стороны, если форма представления становится излишне сложной, то усложняется и механизм выводов, при этом не только затрудняется проектирование ЭС, но и возникает опасность потери достоверности выполняемых ею действий. В конечном итоге проектирование представления знаний предусматривает выработку всех этих условий, а затем и выбор решения на основе некоторого компромисса между ними.

Наиболее распространенными моделями представления знаний в экспертных системах являются [1–14]:

· модель представления знаний средствами логики предикатов первого порядка;

· продукционная модель;

· фреймовая модель;

· модель представления знаний в виде семантической сети;

· модель представления знаний в виде доски объявлений;

· модель представления знаний в виде сценария;

· модель представления знаний на основе нечеткой логики;

· нейросетевая модель представления знаний.

Первые шесть моделей представления знаний будут рассмотрены в данной главе. Модель представления знаний на основе нечеткой логики излагается в четвертой главе.

В настоящее время для настройки и обучения искусственных нейронных сетей все чаще применяются генетические алгоритмы. С их помощью создаются искусственные нейронные сети, адаптированные для решения конкретных задач. В пятой главе рассматривается генетический алгоритм, и даются рекомендации для его программной реализации [20–33]. Нейросетевой модели посвящена шестая глава. Знания в нейросетевой модели представляются неявным образом посредством задаваемой топологии сети, весов связей и типов функции активации [14–19].