Структура экспертных систем шпора

Выделяют два типа экспертных систем: статические и динамические. Статические экспертные системы используются в тех приложениях, где можно не учитывать изменения окружающего мира, происходящие за время решения задачи. Первые экспертные системы, получившие практическое использование, были статическими. Динамические экспертные системы по сравнению со статическими содержат дополнительно два следующих компонента: подсистему моделирования внешнего мира и подсистему взаимодействия с внешним миром.

На рисунке ниже представлена каноническая структура экспертной системы динамического типа:

Пояснение к рисунку:

• механизм логического вывода, называемый также интерпретатором, решателем;
• рабочую память (РП), называемую также рабочей базой данных (БД);
• базу знаний (БЗ);
• подсистему приобретения и пополнения знаний;
• подсистему объяснения;
• подсистему диалога;
• подсистему взаимодействия с внешним миром.

Механизм логического вывода (МЛВ) предназначен для получения новых фактов на основе сопоставления исходных данных из рабочей памяти и знаний из базы знаний. Механизм логического вывода во всей структуре экспертной системы занимает наиболее важное место. Он реализует алгоритмы прямого и/или обратного вывода и формально может быть представлен четверкой:

• 
  – процедура выбора из базы знаний и рабочей памяти правил и фактов;
• 
  – процедура сопоставления правил и фактов, в результате которой определяется множество фактов к которым применимы правила для присвоения значений;
• 
  – процедура разрешения конфликтов, определяющая порядок использования правил, если в заключении правила указаны одинаковые имена фактов с разными значениями;
• 
  – процедура, осуществляющая выполнение действий, соответствующих полученному значению факта (заключению правила).

Рабочая память предназначена для хранения исходных и промежуточных фактов решаемой в текущий момент задачи. Как правило, размещается в оперативной памяти ЭВМ и отражает текущее состояние предметной области в виде фактов с коэффициентами уверенности (КУ) в истинности этих фактов.

Следующий элемент в структуре экспертной системы не менее важен, чем механизм логического вывода. Это – база знаний. База знаний предназначена для хранения долгосрочных фактов, описывающих рассматриваемую область, правил, описывающих отношения между этими фактами и других типов декларативных знаний о предметной области. Кроме правил и фактов, образующих декларативную часть базы знаний, в нее может входить процедурная часть – множество функций и процедур, реализующих оптимизационные, расчетные и другие требуемые алгоритмы.

Экспертные системы относятся к классу интеллектуальных систем, основывающихся на понимании факта. Другими словами экспертные системы основываются на знаниях специалиста-эксперта о предметной области. Высококачественный опыт наиболее квалифицированных специалистов, доступный для всех пользователей системы, становится фактором, резко повышающим качество принимаемых решений для организации, использующей экспертные системы в целом.

Подсистема приобретения и пополнения знаний автоматизирует процесс наполнения экспертной системы знаниями, осуществляемый пользователем-экспертом, и адаптации базы знаний системы к условиям ее функционирования. Адаптация экспертной системы к изменениям в предметной области реализуется путем замены правил или фактов в базе знаний.

Подсистема объяснения объясняет, как система получила решение задачи (или почему она не получила решения) и какие знания она при этом использовала, что облегчает эксперту тестирование системы и повышает доверие пользователя к полученному результату. Возможность объяснять свои действия является одним из самых важных свойств экспертной системы, так как:

• повышается доверие пользователей к полученным результатам;
• облегчается отладка системы;
• создаются условия для пользователей по вскрытию новых закономерностей предметной области;
• объяснение полученных выводов может служить средством поиска точки в парето-оптимальном множестве решений.

Структура экспертной системы была бы неполной без подсистемы диалога. Подсистема диалога ориентирована на организацию дружественного интерфейса со всеми категориями пользователей как в ходе решения задач, так и в ходе приобретения знаний и объяснения результатов работы.

Структура экспертных систем состоит из следующих основных компонентов: решателя (интерпретатора); рабочей памяти (РП), называемой также базой данных (БД); базы знаний (БЗ); компонентов приобретения знаний; объяснительного компонента; диалогового компонента.

База данных (рабочая память) предназначена для хранения исходных и промежуточных данных решаемой в текущий момент задачи. Этот термин совпадает по названию, но не по смыслу с термином, используемым в информационно-поисковых системах (ИПС) и системах управления базами данных (СУБД) для обозначения всех данных (в первую очередь долгосрочных), хранимых в системе.

Рисунок 1.2 Основные компоненты ЕС

База знаний (БЗ) в экспертных системах предназначена для хранения долгосрочных данных, описывающих рассматриваемую область (а не текущих данных), и правил, описывающих целесообразные преобразования данных этой области.

Решатель, используя исходные данные из рабочей памяти и знания из БЗ, формирует такую последовательность правил, которая приводит к решению задачи.

Компонент приобретения знаний автоматизирует процесс наполнения экспертных систем знаниями, осуществляемый пользователем-экспертом.

Объяснительный компонент объясняет, как система получила решение задачи (или почему она не получила решение) и какие знания она при этом использовала, что облегчает эксперту тестирование системы и повышает доверие пользователя к полученному результату.

Диалоговый компонент ориентирован на организацию дружественного общения с пользователем как в ходе решения задач, так и в процессе приобретения знаний и объяснения результатов работы.

В разработке экспертных систем участвуют представители следующих специальностей:

• эксперт проблемной области, задачи которой будет решать экспертные системы;
• инженер по знаниям - специалист по разработке экспертных систем (используемые им технологию, методы называют технологией (методами) инженерии знаний);
• программист по разработке инструментальных средств, предназначенных для ускорения разработки экспертных систем.

Необходимо отметить, что отсутствие среди участников разработки инженеров по знаниям (т. е. их замена программистами) либо приводит к неудаче процесс создания экспертных систем, либо значительно удлиняет его.

Эксперт определяет знания (данные и правила), характеризующие проблемную область, обеспечивает полноту и правильность введенных в экспертные системы знаний.

Инженер по знаниям помогает эксперту выявить и структурировать знания, необходимые для работы экспертных систем; осуществляет выбор того инструментального средства, которое наиболее подходит для данной проблемной области, и определяет способ представления знаний в этом инструментальных средств; выделяет и программирует (традиционными средствами) стандартные функции (типичные для данной проблемной области), которые будут использоваться в правилах, вводимых экспертом.

Программист разрабатывает инструментальные средства (если инструментальные средства разрабатывается заново), содержащее в пределе все основные компоненты экспертных систем, и осуществляет его сопряжение с той средой, в которой оно будет использовано.

Экспертная система работает в двух режимах: режиме приобретения знаний и в режиме решения задачи (называемом также режимом консультации или режимом использования экспертных систем).

В режиме приобретения знаний общение с экспертными системами осуществляет (через посредничество инженера по знаниям) эксперт. В этом режиме эксперт, используя компонент приобретения знаний, наполняет систему знаниями, которые позволяют экспертным системам в режиме решения самостоятельно (без эксперта) решать задачи из проблемной области. Эксперт описывает проблемную область в виде совокупности данных и правил. Данные определяют объекты, их характеристики и значения, существующие в области экспертизы. Правила определяют способы манипулирования с данными, характерные для рассматриваемой области.
Отметим, что режиму приобретения знаний в традиционном подходе к разработке программ соответствуют этапы алгоритмизации, программирования и отладки, выполняемые программистом. Таким образом, в отличие от традиционного подхода в случае экспертных систем разработку программ осуществляет не программист, а эксперт (с помощью экспертных систем), не владеющий программированием.

В режиме консультации общение с экспертными системами осуществляет конечный пользователь, которого интересует результат и (или) способ его получения. Необходимо отметить, что в зависимости от назначения экспертных систем пользователь может не быть специалистом в данной проблемной области (в этом случае он обращается к экспертным системам за результатом, не умея получить его сам), или быть специалистом (в этом случае пользователь может сам получить результат, но он обращается к экспертным системам с целью либо ускорить процесс получения результата, либо возложить на экспертную систему рутинную работу). В режиме консультации данные о задаче пользователя после обработки их диалоговым компонентом поступают в рабочую память. Решатель на основе входных данных из рабочей памяти, общих данных о проблемной области и правил из БЗ формирует решение задачи. Экспертные системы при решении задачи не только исполняет предписанную последовательность операции, но и предварительно формирует ее. Если реакция системы не понятна пользователю, то он может потребовать объяснения: "Почему система задает тот или иной вопрос?", "как ответ, собираемый системой, получен?".

Рисунок 1.3 Классификация экспертных систем

Структуру (Рисунок 1.3) называют структурой статической экспертной системы. Экспертные системы данного типа используются в тех приложениях, где можно не учитывать изменения окружающего мира, происходящие за время решения задачи. Первые экспертные системы, получившие практическое использование, были статическими.

В архитектуру динамической экспертной системы по сравнению со статической экспертной системы вводятся два компонента: подсистема моделирования внешнего мира и подсистема связи с внешним окружением. Последняя осуществляет связи с внешним миром через систему датчиков и контроллеров. Кроме того, традиционные компоненты статической экспертной системы (база знаний и машина вывода) претерпевают существенные изменения, чтобы отразить временную логику происходящих в реальном мире событий.

Вернуться в оглавление:Экспертные системы

1. Данные и знания. Основные определения.

Данные – это отдельные факты характеризующие объекты, процессы и явления предметной области, а также их свойства.

Информация – это совокупность данных повышающих уровень знаний о реальности окружающего мира.

Знания – это закономерности предметной области (принципы, связи, законы), полученные в результате практической деятельности и профессионального опыта.

База знаний – хранилище единиц знаний, описывающих свойства и действия, связанные с объектами предметной области.

4. Продукционная модель представления знаний.

Продукционная модель, или модель, основанная на правилах, позволяет представить знания в виде предложений типа: Если (условие), то (действие).

Под, условием понимается некоторое предложение-образец, по которому осуществляется поиск в базе знаний, а под действием - действия, выполняемые при успешном поиске. Эти действия могут быть промежуточными, выступающими далее как условия, и терминальными или целевыми, завершающими работу системы).

На ряду с основным видом продукционного представления могут использоваться, следующие, формулы:

При использовании продукционной модели база знаний состоит из набора правил, Программа, управляющая перебором правил, называется машиной логического вывода. Механизм вывода связывает все знания в базе, а затем на основе их анализа, выдает заключение. Процесс обработки знаний в продукционных моделях может осуществляться 2 способами:

1) прямым (от данных к поиску цели)

2) обратным (от цели для ее подтверждения к данным)

В ощем случае продукционное правило можно представить в виде:

i – индивидуальный номер правила

S – класс ситуаций, в котором данное правило может быть использовано

L – условие при котором данное правило активизируется

A→B – ядро продукции (обязательно)

Q – действия, выполняемые после B (постусловие)

Продукционная модель чаще всего применяется в промышленных экспертных системах.

К достоинствам продукционной модели отнести простую и ясную нотацию, схожую с условным оператором if.

Недостаток: при большом количестве правил вывод идет достаточно долго.

5. Представление знаний в виде семантических сетей.

Семантическая модель, представляется в виде ориентированного графа, вершины которого являются понятия предметной области, а дуги – отношения между ними.

Наиболее часто в семантических сетях используют, следующие, связи:

а) структурные (состоит из, включает, имеет вхождение )

б) функциональные (делает, работает, функционирует)

г) пространственные (на, за, под, над, около, вблизи)

д) временные (раньше, позже, в течении)

е) атрибутивные ( имеет свойства, имеет значения, имеет характеристики)

ж) логические (и, или, не)

з) лингвистические (все остальные)

Проблема поиска решения в семантической БЗ сводится к задаче поиска фрагмента сети, отражающего поставленный запрос к базе. В общем случае семантическая модель представляется в виде:

I – множество информационных единиц (вершины графа)

C1..Cn – множество типов связи между элементами I

S – связи из набора между информационными единицами i

Достоинства: знания хорошо структурированы, структура понятна человеку.

Недостаток: сложность организации процедуры поиска и вывода.

6. Представление знаний в виде фреймов.

Фреймовая модель, представляет собой систематизированную в виде единой системы модель памяти человека и его создание.

Фреймы – минимальные структуры для представления класса объектов явлений или процессов.

В общем случае фрейм представляется:

имя слота1: значение слота1

имя слота2: значение слота2

имя слотаN: значение слотаN

Значением слота могут быть числа, текст, формулы, программы, правила вывода, ссылки на другие слоты или другие фреймы.

За счет использования ссылок образуется Фреймовая сеть.

Основными функциями экспертных систем являются:

1. Приобретение знаний – это передача потенциального опыта решения проблемы конкретной ЭС и преобразование его в вид, который позволяет использовать эти знания при дальнейшей работе данной ЭС и разработке новых ЭС. Передача знаний выполняется в процессе достаточно длительных и пространных собеседований между специалистом по проектированию экспертной системы (инженером по знаниям) и экспертами в определенной предметной области, способными достаточно четко сформулировать имеющийся у них опыт.

2. Представление знаний – это процедура отыскания методов формального описания полезной информации с целью ее последующей передачи пользователю.

3. Управление процессом поиска решения. Знание о том, какие знания нужны в той или иной конкретной ситуации, и умение ими распорядиться – важная часть процесса функционирования экспертной системы. Такие знания получили наименование метазнаний – т.е. знаний о знаниях.

4. Разъяснение принятого решения. Способность системы объяснить методику принятия решения иногда называют прозрачностью системы. Под этим понимается, насколько просто персоналу выяснить, что делает программа и почему. Эту характеристику системы следует рассматривать в совокупности с режимом управления, поскольку последовательность этапов принятия решения тесно связана с заданной стратегией поведения.

Структура экспертной системы зависит от ее назначения и решаемых задач. Обобщенную структуру современной экспертной системы можно представить в виде следующих основных компонент (рис. 7.2): база знаний, решатель, интеллектуальный редактор базы знаний, подсистема объяснений и интерфейс пользователя. Следует учесть, что реальные экспертные системы могут иметь более сложную структуру, однако перечисленные основные компоненты присутствуют в любой действительно экспертной системе, поскольку являют собой негласный канон на структуру современной экспертной системы.

Рис. 7.2. Обобщенная структура экспертной системы

Определение и взаимодействие компонентов ЭС и людей, имеющих к ней непосредственное отношение, может быть описано следующим образом.

Эксперт – это специалист предметной области, способный принимать экспертные решения и формулирующий знания о предметной области для ввода их в базу знаний.

Инженер по знаниям (инженер-аналитик, инженер-когнитолог) – это специалист в области искусственного интеллекта, отвечающий за структуру и наполнение базы знаний.

Пользователь – это также специалист в данной предметной области, но его квалификация недостаточно высока, и поэтому он нуждается в помощи и поддержке своей деятельности со стороны ЭС.

База знаний – это совокупность знаний о предметной области, организованных в соответствии с принятой моделью представления знаний.

Решатель или подсистема логического вывода (интерпретатор, машина вывода, дедуктивная машина, блок логического вывода) – это программа, моделирующая ход рассуждений эксперта на основании знаний, имеющихся в базе знаний. Решатель формирует последовательность правил, которая приводит к решению задачи, используя исходные данные из рабочей памяти и базы знаний. Различают прямую и обратную цепочку рассуждений. Прямая цепочка рассуждений ведет от данных к гипоте­зам, обратная – является попыткой найти данные для доказательства или опровержения некоторой гипотезы.

Редактор базы знаний – это программа, предназначенная для ввода в базу знаний новых знаний о предметной области и их представления в ней.

Взаимодействие пользователя с ЭС осуществляется через интерфейс пользователя на близком к естественному или профессиональному языку предметной области непроцедурном языке.

Интерфейс пользователя – это комплекс программно-технических средств, обеспечивающих взаимодействие пользователя с ЭС как на стадии ввода информации, так и при получении результатов (в процессе приобретения знаний и объяснения результатов работы).

Это взаимодействие обычно включает несколько функций:

Обработка данных, полученных с клавиатуры или других устройств ввода и отображение вводимых и выводимых данных на мониторе.

Поддержка диалога между пользователем и системой.

Диалог – это общая форма консультации с экспертной системой. Консультация должна завершаться ясным утверждением, выдаваемым системой, и объяснением последовательности вывода, приведшей к этому утверждению.

Распознавание ситуации непонимания между пользователем и системой.

Система должна реагировать соответствующим образом на эту ситуацию. Например, не должно произойти сбоя системы, если пользователь вводит не тот ответ, который ожидается или когда он задает бессмысленный вопрос.

Обеспечение "дружественности" по отношению к пользователю.

Система пользовательского интерфейса должна быть "дружелюбной" к пользователю. Например, последовательность меню, показывающая задачи, которые пользователь может выбрать, является необходимой чертой экспертной системы.

Промышленные прикладные ЭС могут быть существенно сложнее рассмотренной выше упрощенной схемы, и дополнительно включать базы и банки данных, интерфейсы обмена данными с различными пакетами прикладных программ, электронными библиотеками и т.д.

База данных предназначена для хранения исходных и про­межуточных данных решаемой в текущий момент задачи.

Банк данных или хранилище данных – это автоматизированная информационная система централизованного хранения и коллективного использования данных. В ее состав входят одна или несколько баз данных, справочник баз данных, система управления базами данных, а также библиотека за­просов и прикладных программ.

ЭС – система моделирующая поведение человека-эксперта в какой-то области знаний

Современные ЭС создаются на основе баз знаний, используют интеллектуальный интерфейс, интеллектуальные подсистемы вывода ответа на запрос, использующие нечеткую логику и интеллектуальный анализ данных. Для работы и обслуживания ЭС даже введен специальный инженер по знаниям, который должен следить за качеством используемых знаний.

Общая харак-ка, назначение ЭС.

На сегодняшний день самое важное – сфера создания экспертных систем.

Часто формируют динамическую часть БЗ.

В настоящее время ЭС не мыслятся без СО. СО служит для модернизации всех структур ЭС. СО формируется как отдельная система, тогда когда ней используются средства построения и добычи знаний.

Знания- не просто факты, их нужно обрабатывать и сжать.

В современных системах стремятся перейти к естественному интерфейсу.

Назначение ЭС

Моделировать работу человека- эксперта. Ему задают вопросы он выдаёт ответ. Вопрос должен быть формализован. Их принято называть запросами.

Запросы, которые можно подавать ЭС, определяют её область применения. Чем шире эта область, тем больше применения ЭС, но теряются скорость и точность работы. ЭС строит ответы на вопросы исходя из соей БЗ.

При создании ЭС существует этап заполнения БЗ. И предусматривают какой- либо метод накопления, обработки, совершенствования и оптимизации знаний. Наилучший вариант самообучения, но приходится иметь инженера знаний.

Пользователь – это человек, который получает информацию от экспертной системы, а так же может закладывать факты и правила в эту систему.

Интерфейс – это программа, которая обеспечивает взаимодействие пользователя с экспертной системой (ввод, вывод информации).

Структура экспертной системы.

1. Пользователь- человек; который получает сведения из ЭС, и может закладывать факты и правила в ЭС.

2. Интерфейс- программа, которая обеспечивает взаимодействие пользователя с ЭС.

3. МЛВ- набор правил, которые позволяют строить ответы на запросы со стороны интерфейса обращается к БЗ.

4. БЗ- набор правил и фактов, которые не вошли в МЛВ.

МЛВ и БЗ взаимно обмениваются информацией. МЛВ может изменить, удалить, добавить факты.

База Знаний

Зависит от модели представления знаний

Для логической БЗ (Пролог) состоит из набора сущностей:

Факты – связывают константы

Правила – связывают элементы с помощью условия

Механизм логического вывода (МЛВ) – набор правил, которые позволяют строить ответы на запросы со стороны интерфейса. За необходимыми данными этот блок обращается к базе знаний. БЗ – набор фактов и некоторых правил, которые не входят в МЛВ. МЛВ и БЗ взаимно обмениваются информацией – это значит, что МЛВ может изменить, удалить или добавить какие-то факты. Часто для этого формируют динамическую часть БЗ.

Системы Обучения – система обучения. В настоящее время экспертные системы содержат системы обучения. Она служит для модернизации структур всей системы: изменения интерфейса, механизма ввода, вывода БЗ. СО формируется как отдельная система тогда, когда в ней используются средства построения и добычи знаний. Т.е. знания это не просто факты, их еще необходимо обработать и сжать в виде спец-х правил.

Интеллектуальный интерфейс

В современных системах стремятся перейти к естественному интерфейсу, близкому человеку (естественный язык, восприятия образов, интеллектуальный диалог).

ЭС задают вопросы, она выдает ответ. Вопрос\Запрос должен быть формализован (построен по определенным правилам).

Интелектуальный анализ данных

В ИАД 2 основные технологии:

Раскопка знаний\данных: Data Mining – это переработка большого объема данных с попыткой выявить взаимосвязь (ассоциативные методы анализа, логические методы – дедукция, индукция, абдукция).

Открытие знаний\данных: KnowLeadge Discovery – обобщение, кластеризация и классификация знаний.

Интеллектуальные ЭС.

Наибольшее развитие получили ИИС. Сравним интеллектуальные ИС (ИИС) и обычные ИС. Их отличия:

2. Изменение структуры данных. Расширяются формы представления данных, т. е. помимо стандартных моделей появляются новые модели данных. Принято разделять данные на БД и БЗ. БЗ – набор правил, с пом. которых м. разыскивать данные в БД. Принято формировать БЗ в виде хранилища данных. Хр. данных характерно для СУБД ORACLE, Informix. В каждом хранилище данных сущ. программа, кот. Обрабатывает данные и формирует БЗ по двум осн. технологиям: раскопки знаний, открытие знаний. Разница между технологиями определяется методами правил БЗ. Раскопка знаний наз. OLAP и Data Mining. Открытие – Knowledge Discovery. Data Mining – перерабатывание большого объёма данных с попыткой выявить взаиамосвязь; откр. знаний – это значит установить скрытую связь. Кроме программы обработки в хранилище данных важную роль игр. Формирование структуры БД. Как известно, сущ. так называемые правила нормализации данных. Следующим этапом является формирование такой структуры, чтобы не только был мин. объём информации, но и самый быстр. поиск. теоретически самый быстр. поиск идёт по бинарному дереву. Но практически иногда выгодны др. формы. Характерные формы: звезда, созвездие, дерево.

3. использование методов системного анализа для инженерии знаний. Хранилище данных должно пополняться, оптимизироваться и т. д. Сами данные часто обрабатываются, чтобы отделить несущественные. Поэтому между источником данных и хранилищем сущ. система, кот. наз. системой облучения. Она м. б. автоматич. или управляемой. Задача инженера знаний: собирать данные, кот. имеют практическую значимость, а также формировать и модифицировать БЗ дополнительно. инженер знаний должен: а) опр-ть источники информации; б) опр-ть достоверность и активность инф-ии; в) формировать правильные правила для БЗ. Решить эти задачи м. только профессионал в этой области. Но областей много, а инж. знаний д. б. ещё специалистом по экспертным системам, значит он пользуется спец. методом экспертных оценок.

4. Деление БД и БЗ на статистич. и динамич. составляющую.Первые варианты использования динамических структур (хэш-памяти) использовались ещё в обычных ИС, но в хранилищах данных эти технологии значительно усовершенствовались. Вся структура данных динамич. Части, ресурсы сервера храеилища данных ориентированы на оптимизацию динамической части, т. к. она хранится в оперативной памяти. В оперативной памяти в осн. отправляется БЗ. т. к. там самые ёмкие данные. Т. О. ИИС становятся настолько сложными системами, что практически не сущ. вариантов подобных СУБД общего назначения. Это всё специализированные, но не специализированы они не в области знаний, а по решаемым задачам. Зад. прогноза, зад. динамич. оптимизации, ситуации неопределённости и т. д. Кроме того, особую область занимают агентные и мультиагентные системы, которые могут служить основой робототехники и т. д. , т. е. для особых задач.

ТЕХНОЛОГИИ ИСКУССТВЕННОГО ИНТЕЛЛЕКТА. РЕИНЖИНИРИНГ БИЗНЕС-ПРОЦЕССОВ

Понятие искусственного интеллекта

Интеллект – ум, рассудок, разум, мыслительные способности человека, способность решать задачи, в том числе и те, способ решения которых заведомо неизвестен.

Искусственный интеллект – свойство автоматизированных систем брать на себя отдельные функции интеллекта человека.

Искуственный разум – агрегат, который имеет мотивировку действий, осознает себя, рефлексирует.

Нейронная сеть – это класс аналитических методов, построенных на (гипотетических) принципах обучения мыслящих существ и функционирования мозга и позволяющих прогнозировать значения некоторых переменных в новых наблюдениях по данным других наблюдений (для этих же или других переменных) после прохождения этапа так называемого обучения на имеющихся данных.

Широкий круг задач, решаемый нейронными сетями, не позволяет в настоящее время создавать универсальные, мощные сети, вынуждая разрабатывать специализированные нейронные сети, функционирующие по различным алгоритмам.

Модели нейронных сетей могут быть программного или аппаратного исполненияю. В дальнейшем речь пойдет в основном о первом типе.

Клетки мозга называются нейронами. Каждый нейрон имеет примерно 100-1000 входов и один выход (аксон), который разветвляется. Таким образом, один нейрон взаимодействует с множеством других. Взаимодействующие нейроны образуют скопления и отвечают за определенные функции. Несмотря на существенные различия, отдельнные типы нейронных сетей обладают несколькими общими чертами. Так в основу каждой нейронной сети составляют относительно простые, в большинстве случаев - однотипные, элементы (ячейки), иммитирующие работу нейронов мозга.

Далее под нейроном будет подразумеваться исскуственный нейрон, то есть ячейка нейронной сети. Каждый нейронхарактеризуется своим текущим состоянием по аналогии с нервными клетками головного мозга, которые могут быть возбуждены или заторможены. Он обладает группой синапсов - однонаправленных входных связей, соединенных с выходами других нейронов, а также имеет аксон - выходную связь данного нейрона, с которой сигнал (возбуждения или торможения) поступает на синапсы следующих нейронов. Общий вид нейрона приведен на рис. 1. Каждый синапс характеризуется величиной синаптической связи или ее весом , который по физическому смыслу эквивалентен электрической проводимости.

Применение нейронных сетей

1. Прогнозирование на фондовом рынке. Колебания цен на акции - пример сложного, многомерного, в определенных ситуациях, частично прогнозируемого явления. Многие финансовые аналитики используют нейронные сети для прогнозирования цен акций на основе многочисленных факторов, например прошлого поведения цен этих и других акций в совокупности с различными другими экономическими показателями.

2. Предоставление кредита, автоматическое считывание чеков и финансовых документов, проверка достоверности подписей.

3. Распознавание состояния больного, анализ рентгенограмм.

4. Служба безопасности, распознавание лиц, голосов, отпечатков пальцев.

Экспертные системы и их структура

Под экспертной системой понимают систему искусственного интеллекта, которая включает базу знаний с набором правил и механизмом вывода, позволяющую на основании этих правил и предоставляемых пользователем фактов распознавать ситуацию, ставить диагноз, формулировать решение или давать рекомендации для выбора действия.

Иногда вместо определения данного понятия дают следующий перечень свойств экспертных систем:

1) экспертная система ограничена определенной сферой экспертизы;

2) она способна рассуждать при сомнительных данных;

3) она способна объяснять цепочку рассуждений понятным. способом;

4) факты и механизм вывода четко отделены друг от друга:

5) она строится так. чтобы имелась возможность постепенного развития и наращивания системы;

6) чаще всего она основана на использовании правил;

7) на выходе она выдает;

8) она экономически выгодна.

Целесообразность применения экспертных систем (ЭС) вытекает из следующего:

1. Технология ЭС существенно расширяет круг практически значимых задач, решение которых с использованием современных средств вычислительной техники приносит значительный экономический эффект;

2. Технология ЭС является важнейшим средством в преодолении глобальных проблем традиционного программирования, таких как: длительность и высокая стоимость разработки сложных приложений; высокая стоимость сопровождения сложных систем;

низкий уровень повторной используемости программ и т.п.;

3. ЭС предназначены для неформализованных задач.

К неформализованным относят задачи, которые обладают одной или несколькими из следующих характеристик:

1) Задачи не могут быть заданы в числовой форме;

2) Цели не могут быть выражены в терминах точно определенной целевой функции;

3) Не существует алгоритмического решения задач;

4) Алгоритмическое решение существует, но его нельзя использовать из-за ограниченности ресурсов (время, память).

Неформализованные задачи обладают следующими особенностями:

1) ошибочностью, неоднозначностью, неполнотой и противоречивостью исходных данных;

2) большой размерностью пространства решения, т.е. перебор при поиске решения весьма велик; деятельности. Причины такого успеха следующие;

Полностью оформленная статическая экспертная система имеет шесть существенных компонент:

1) машину логического вывода (решатель, интерпретатор);

2) базу данных (рабочую память);

4) компоненты приобретения знании;

5) объяснительный компонент;

6) диалоговый компонент.

База знаний (БЗ) – содержит факты (или утверждения) и правила. Факты предстанляют собой краткосрочную информацию в том отношении, что они могут изменяться, например, в ходе консультации. Правила представляют более долговременную информацию о том, как порождать новые факты или гипотезы из того, что сейчас известно.

В настоящее время часто понятие базы знаний пытаются -заменить базой данных, Основное их различие состоит в том, что база знаний обладает большими творческими возможностями, а база данных обычно пассивна: данные либо там есть, либо и.ч нет. База знаний, с другой стороны, активно пополняется новой и недостающей информацией.

Логическая машина вывода, используя исходные данные из рабочей памяти и базы знаний, формирует такую последовательность правил, которая, приводит к решению задачи. Машина вывода связана с цепочкой рассуждений, которые используются в качестве стратегии для логического вывода.

Различают прямую цепочку рассуждений и обратную.

Прямая цепочка рассуждений – это цепочка, которая ведет от данных к гипотезам, при этом в процессе диалога до получения ответа может быть задано неограниченное количество вопросов.

Обратная цепочка рассуждений является попыткой найти данные для доказательства или опровержения некоторой гипотезы.

Компонент приобретения знаний автоматизирует процесс наполнения ЭС знаниями.

Источник таких знаний - эксперт (либо группа таковых).

Объяснительный компонент разъясняет пользователю, как система получила решение задачи (или почему она не получила решение) и какие знания она при этом использовала, что повышает доверие пользователя к полученному результату.

Диалоговый компонент ориентирован ни организацию дружественного общения с пользователем как в ходе решения задач, так и в процессе приобретения знаний и объяснения результатов работы.

База данных (БД) предназначена для хранения исходных и промежуточных данных решаемой в текущий момент задачи.

На ряду с понятием базы знании широко используется понятие банка данных.