Содержание
- 2. Лекция 6 Абсолютная ясность - одна из форм полного тумана. Из фильма «Семнадцать мгновений весны»
- 3. Лекция 6 При разработке интеллектуальных систем знания о конкретной предметной области, для которой создается система, редко
- 4. Лекция 6 Даже количественные данные, полученные путем достаточно точных экспериментов, имеют статистические оценки достоверности, надежности, значимости
- 5. Лекция 6 Наряду с количественными характеристиками в базах знаний ИИС должны храниться качественные показатели, эвристические правила,
- 6. Лекция 6 Разрешить это противоречие можно или путем преодоления нечеткости знаний (когда это возможно), или с
- 7. Лекция 6 Смысл термина нечеткость многозначен, основные его компоненты следующие: недетерминированность выводов; многозначность; ненадежность; неполнота; неточность.
- 8. Лекция 6 Недетерминированность выводов означает, что заранее путь решения конкретной задачи в пространстве ее состояний определить
- 9. Лекция 6 Ненадежность знаний и выводов. Ненадежность знаний означает, что для оценки их достоверности нельзя применить
- 10. Лекция 6 В данном подходе связи между элементами знаний не разделяются на типы; вместо этого каждому
- 11. Лекция 6 Пусть Р(Н) — вероятность некоторой гипотезы (заключения) при отсутствии каких-либо свидетельств (т.е. априорная вероятность,
- 12. Лекция 6 где P(E) - вероятность свидетельства Е, которая вычисляется по формуле Р(Е:Н) - вероятность наличия
- 13. Лекция 6 Например, в экспертной системе MYSIN, предназначенной для диагностики и выбора метода лечения инфекционных заболеваний,
- 14. Лекция 6 В идеальном мире можно вычислить вероятность P(di| E), где di — i-я диагностическая категория,
- 15. Лекция 6 Правило Байеса позволяет выполнить такие вычисления только в том случае, если, во-первых, доступны все
- 16. Лекция 6 В системе MYCIN применен альтернативный подход на основе правил влияния, которые следующим образом связывают
- 17. Лекция 6 ЕСЛИ пациент имеет показания и симптомы s1,..., sk и имеют место определенные фоновые условия
- 18. Лекция 6 Коэффициент уверенности ρ принимает значения в диапазоне [-1,+ 1]. Если ρ = +1, то
- 19. Лекция 6 Отличные от +1 положительные значения коэффициента указывают на степень уверенности в правильности заключения di,
- 20. Лекция 6 Основная идея состоит в том, чтобы с помощью порождающих правил такого вида попытаться заменить
- 21. Лекция 6 Роль фоновых знаний состоит в том, чтобы разрешить или запретить применение правила в данном
- 22. Лекция 6 Неполнота знаний и немонотонная логика. Абсолютно полных знаний не бывает, поскольку процесс познания бесконечен.
- 23. Лекция 6 Многие экспертные системы основаны на модели закрытого мира, обусловленной применением аппарата формальной логики для
- 24. Лекция 6 Недостатки модели закрытого мира связаны с тем, что формальная логика исходит из предпосылки, согласно
- 25. Лекция 6 Для организации логических выводов в интеллектуальных системах с неполными знаниями вместо традиционных дедукции и
- 26. Лекция 6 Индукция (от лат. inductio выведение) процесс логического вывода на основании перехода от частных положений
- 27. Лекция 6 Рассуждения, ведущие от знания о части предметов (частного знания) к знанию обо всех предметах
- 28. Лекция 6 Пример: Валеев – человек, Иткис – человек, Антонов – человек, Немцов – человек. Валеев
- 29. Лекция 6 Дедукция Дедукция (от лат. deductio выведение) процесс логического вывода на основании перехода от общих
- 30. Лекция 6 Такая последовательность мыслей называется выводом, а каждый компонент этого вывода является либо ранее доказанной
- 31. Лекция 6 В узком смысле слова, принятом в традиционной логике, под термином “дедукция” понимают дедуктивное умозаключение,
- 32. Лекция 6 Дедуктивное умозаключение, являющееся предметом традиционной логики, применяется нами всякий раз, когда требуется рассмотреть какое
- 33. Лекция 6 Рассмотрим простейший пример абдуктивного вывода. Предположим, теория содержит правило: «ЕСЛИ студент отлично знает математику,
- 34. Лекция 6 Для того чтобы его вывести, необходимо сформировать абдуктивную (объясняющую) гипотезу, которая не будет противоречить
- 35. Лекция 6 Целью абдуктивного вывода является формирование одного (или более) объяснения ∆ наблюдаемого факта G на
- 36. Лекция 6 В большинстве случаев абдуктивные гипотезы выбираются из заранее определенного множества предложений, обращающих определенный аспект
- 37. Лекция 6 Абдуктивные выводы используются в задачах диагностики для обнаружения причин наблюдаемого неправильного поведения систем, в
- 38. Лекция 6 Характеризуя три указанных основных вида логического выведения умозаключений, Ч. Пирс писал: "Дедукция доказывает, что
- 39. Лекция 6 Неточность знаний. Известно, что количественные данные (знания) могут быть неточными, при этом существуют количественные
- 40. Для учета неточности лингвистических знаний используется теория нечетких множеств, предложенная Л. Заде в 1965 г. Этому
- 41. Отметим, что, идея построения нечетких множеств появилась в связи с исследованием известного античного «парадокса кучи» в
- 42. Теория нечетких множеств разработана для оперирования с такого рода объектами. Случайность всегда связана с неопределенностью, касающейся
- 47. Следует отметить, что первоначально теория нечетких множеств была откровенно негативно оценена научной общественностью. Наиболее критически воспринималась
- 48. В настоящее время теория нечетких множеств является развитым научным направлением, имеющим большое прикладное значение. Она широко
- 49. Развитие исследований в области нечеткий математики привело к появлению нечеткой логики и нечетких выводов, которые выполняются
- 50. Лекция 6 Нечетким множеством А во множестве U называется совокупность пар вида (u, μA(u)), где ,
- 51. Лекция 6 Нечеткое множество можно записать следующим образом:
- 52. Лекция 6 Примеры записи нечетких множеств Если U = (a, b, с, d, e, f); М
- 53. Лекция 6 Обычные множества составляют подкласс класса нечетких множеств. Функцией принадлежности обычного множества является функция:
- 54. Лекция 6 Носителем нечеткого множества А называется обычное подмножество таких точек U, для которых величина μA(u)),
- 55. Высотой h(A) нечеткого множества А называется величина Нечеткое множество А называется нормальным, если его высота равна
- 56. Лекция 6 Примеры нечетких множеств Пусть универсальное множество U представлено в виде (а, Ь, с, d,
- 57. Лекция 6 Пусть U — множество людей в возрасте от 0 до 100 лет и пусть
- 59. Лекция 6 Пусть U = (-8, -5, -3, 0, 1,2, 4, 6, 9) - множество целых
- 60. Лекция 6 Нечеткое подмножество универсального множества U может быть подмножеством другого нечеткого или обычного подмножества (то
- 61. Лекция 6 А есть подмножество В или содержится в В тогда и только тогда, когда μa(u)
- 62. Лекция 6 Множеством α-уровня нечеткого множества А является обычное множество Аα всех таких элементов универсального множества
- 63. Лекция 6 Множество α-уровня называют иногда сечением α нечеткого множества А. Причем, если µA(u) > α
- 64. Лекция 6 Рассмотрим более подробно физический смысл функции принадлежности. Спектр мнений по этому вопросу чрезвычайно широк.
- 65. Лекция 6 В работе Лотфи А. Заде «Fuzzy sets» предполагается, что функция принадлежности - это некоторое
- 66. Лекция 6 В случае, когда А - некоторое понятие естественного языка, a U -множество объектов, обозначаемых
- 67. Лекция 6 Методы построения функции принадлежности: Пусть имеется коллективный ЛПР, состоящий из n экспертов. О том,
- 68. Лекция 6 При применении метода построения функции принадлежности на основе стандартного набора графиков ЛПР выбирает наиболее
- 69. Лекция 6 В методе парных соотношений пусть имеется n экспертов и необходимо найти степени принадлежности k
- 70. Лекция 6 Экспертная оценка для i-го эксперта находится по формуле Окончательно, функция принадлежности для i-го параметра
- 75. Скачать презентацию