Полнота базы знаний (базы правил) определяет возможности, системы по удовлетворению потребностей пользователей. Логический вывод в продукционных системах основан на построении прямой и обратной цепочек заключений, образуемых в результате последовательного просмотра левых и правых частей соответствующих правил, вплоть до получения окончательного заключения. [c.422]
Пусть в базе знаний содержится набор эталонных продукционных правил, характеризующихся как нечеткими Х , 1 = 1, т, j = 1,г, так и четкими Х , [c.184]
Базы знаний строятся на основе моделей, разработанных в когнитивной психологии (психологии познания). Основных моделей три логическая, сетевая, продукционная. [c.66]
Ясно, что отладка прикладной системы, объединяющей продукционные правила, процедуры, различные уровни абстракции и иерархию классов, может превратиться в далеко не тривиальную задачу. В этой ситуации на помощь разработчику приходят мощные средства инспекции базы знаний и отладки. Функции инспекции базы знаний позволяют осуществлять поиск элементов на основе их типов, принадлежности к классу, атрибутов и местоположения. Эти функции используются для решения следующих задач [c.299]
Для байесовского подхода к построению продукционной базы знаний характерна большая трудоемкость статистического оценивания априорных шансов и факторов достаточности и необходимости. [c.59]
Экспертные системы классического типа содержат так называемый блок (или машину) логического вывода, который способен делать логические выводы на основании знаний, имеющихся в базе знаний [3]. Имеются определенные ограничения на форму представления знаний (в базе знаний) и на методы их преобразования (вывода) в блоке логического вывода. Широкое распространение получила так называемая продукционная модель представления знаний, основанная на использовании правил следующего вида [c.127]
Раз на интуитивном уровне работа экспертной системы связана с сопоставлением, естественно было ожидать, что язык, описывающий сопоставление в общем случае, будет пригоден и для описания определенных сторон деятельности экспертных систем. Так оно и получилось. Авторы изучали теорию так называемых продукционных экспертных систем. База знаний в таких системах представляет собой набор правил, часто называемых продукциями. Правило содержит условия применимости и собственно алгоритм применения правила. Работа экспертной системы состоит в последовательном выборе и применении правил из базы знаний. Несмотря на кажущуюся простоту этой схемы, она оказалась исключительно мощной, и большинство экспертных систем в настоящее время в той или иной мере ее использует. [c.211]
Суть этих выражений заключается в том, что если выполняется условие, то нужно произвести некоторое действие. Продукционные модели могут быть реализованы как процедурно, так и декларативно. В процедурных системах присутствуют три компонента база данных, некоторое число продукционных правил, состоящих из условий и действий, а также интерпретатор, который последовательно определяет, какие продукции могут быть активированы в зависимости от содержащихся в них условий. В базе данных хранятся известные факты выбранной ПрО. Продукционные правила (продукции) содержат специфические знания ПрО о том, какие еще дополнительные факты могут быть учтены, есть ли специфические данные в базе данных. В СИИ, построенных на использовании продукционных МПЗ, база данных представляет собой переменную часть, а правила и интерпретатор не изменяются. Благодаря свойству модульности, присущему продукционным МПЗ, можно добавлять и изменять знания (правила, факты). Поэтому продукционные МПЗ применяются в ПрО, где нет четкой логики и задачи решаются на основе независимых правил (эвристик). [c.251]
Новыми элементами продукционного языка описания процессов реального времени, поддерживаемого конструктором и системой в целом, являются иерархия системы правил и макроопределения, операторы динамической подкачки/выгрузки дополнительных источников знаний в систему, а также операторы фокусировки внимания системы на определенных фрагментах базы правил в процессе работы. Язык макроопределений позволяет проектировать иерархические базы правил с использованием модульного принципа, что существенно упрощает процесс их синтеза и способствует рациональной структуризации прикладных продукционных систем. [c.189]
Система BEAGLE использует эволюционный подход, называемый генетическим алгоритмом. Он позволяет подбирать не только параметры системы, но и ее структуру. Набор продукционных правил базы знаний системы может быть оптимизирован в процессе работы генетического алгоритма исходя из некоторого случайно выбранного набора этих правил и критерия соответствия набора решаемой задачи. [c.104]
Таким образом, все, что относится к уровню данных, входит в структуру категории. Напротив, все, что относится у уровню вывода, оказывается независимым (или почти независимым) от строения конкретной категории, и может быть сформулировано в чисто категорных терминах, а следовательно, применено к любой продукционной системе, не зависимо от предметной области и синтаксического строения данных. В частности, можно абстрактно описывать различные алгоритмы вывода, а также исследовать ряд действий над продукциями, вроде упомянутой уже композиции. Последнее важно для целей создания и модификации базы знаний экспертной системы. [c.214]
Активность. Все процессы, протекающие в ЭВМ, инициируются командами, которые являются активной компонентой, а данные используются этими командами лишь при необходимости, т. е. последние — пассивная компонента. Такая ситуация, характерная для классических систем обработки информации, для интеллектуальных систем (ИС) неприемлема. По аналогии с человеком в ИС актуализации тех или иных действий способствуют знания, имеющиеся в системе. Таким образом, выполнение программ в ИС должно инициироваться текущим состоянием информационной базы. Появление в базе фактов (объектов выбора) или описаний событий (квалификато-ров и их значений), установление связей (правил в продукционных системах) может стать источником активности системы. [c.558]