Шпоры  по интелектуальным(экспертным)системам
1. Что Вы знаете о природе знаний? Что такое Фактуальное знание и Операционное знание? Фактуальное знание — это осмысленные и понятые данные. Данные сами по себе — это специально организованные знаки на каком-либо носителе. Операционное знание — это те общие зависимости между фактами, которые позволяют интерпретировать данные или извлекать из них информацию. Часто фактуальное знание называют экстенсиональным (детализированным), а операционное знание - интенсиональным (обобщенным).

6. Какие признаки характерны для интеллектуальных информационных систем, ориентированных на генерацию алгоритмов решения задач? Характерны следующие признаки: 1. развитые коммуникативные способности 2. умение решать сложные плохо формализуемые задачи 3. способность к самообучению 4. адаптивность.

7. Как можно охарактеризовать коммуникативные способности интеллектуальных информационных систем? Коммуникативные способности ИИС характеризуют способ взаимодействия (интерфейса) конечного пользователя с системой, в частности, возможность формулирования произвольного запроса в диалоге с ИИС на языке, максимально приближенном к естественному.

8. Как можно охарактеризовать «умение решать сложные плохо формализуемые задачи» для интеллектуальных систем? Сложные плохо формализуемые задачи - это задачи, которые требуют построения оригинального алгоритма решения в зависимости от конкретной ситуации, для которой могут быть характерны неопределенность и динамичность исходных данных и знаний.

9. Как можно охарактеризовать способность к самообучению интеллектуальных систем? Способность к самообучению - это возможность автоматического извлечения знаний для решения задач из накопленного опыта конкретных ситуаций

10. Что означает адаптивность интеллектуальных систем Адаптивность - способность к развитию системы в соответствии с объективными изменениями модели проблемной области.

11. На какие классы делятся интеллектуальные информационные системы? ИИС делятся на: 1 Системы с интеллектуальным интерфейсом 2 Экспертные системы 3 Самообучающиеся системы 4 Адаптивные системы.

12. На какие классы делятся системы с интеллектуальным интерфейсом? Информационные системы с интеллектуальным интерфейсом можно разделить на следующие группы 1 Интеллектуальные базы данных 2 Информационные системы с естественно-языковым интерфейсом 3 Гипертекстовые системы 4 Системы контекстной помощи 5 Системы когнитивной графики

13. Чем отличаются Интеллектуальные базы данных от обычных баз данных? Интеллектуальные базы данных отличаются от обычных баз данных возможностью выборки по запросу необходимой информации, которая может явно не храниться, а выводиться из имеющейся в базе данных.

14. Принцип работы систем с естественно-языковым интерфейсом? Естественно-языковой интерфейс предполагает трансляцию естественно-языковых конструкций на внутримашинный уровень представления знаний. Для этого необходимо решать задачи морфологического, синтаксического и семантического анализа и синтеза высказываний на естественном языке. Так, морфологический анализ предполагает распознавание и проверку правильности написания слов по словарям, синтаксический контроль - разложение входных сообщений на отдельные компоненты (определение структуры) с проверкой соответствия грамматическим правилам внутреннего представления знаний и выявления недостающих частей и, наконец, семантический анализ - установление смысловой правильности синтаксических конструкций. Синтез высказываний решает обратную задачу преобразования внутреннего представления информации в естественно-языковое. Естественно-языковый интерфейс используется для: -?доступа к интеллектуальным базам данных; -?контекстного поиска документальной текстовой информации;. -?голосового ввода команд в системах управления; -?машинного перевода с иностранных языков.

18. Что такое экспертная система? Назначение экспертных систем заключается в решении достаточно трудных для экспертов задач на основе накапливаемой базы знаний, отражающей опыт работы экспертов в рассматриваемой проблемной области. Экспертная система является инструментом, усиливающим интеллектуальные способности эксперта, и может выполнять следующие роли: 1 консультанта для неопытных или непрофессиональных пользователей 2 ассистента в связи с необходимостью анализа экспертом различных вариантов принятия решений 3 партнера эксперта по вопросам, относящимся к источникам знаний из смежных областей деятельности.

19. Как делятся экспертные системы по способу формирования решения, по способу учета временного признака, по видам используемых данных и знаний? По степени сложности решаемых задач экспертные системы можно классифицировать следующим образом: 1 По способу формирования решения экспертные системы разделяются на два класса: аналитические и синтетические. Аналитические системы предполагают выбор решений из множества известных альтернатив (определение характеристик объектов), а синтетические системы - генерацию неизвестных решений (формирование объектов). 2 По способу учета временного признака экспертные системы могут быть статическими или динамическими. Статические системы решают задачи при неизменяемых в процессе решения данных и знаниях, динамические системы допускают такие изменения. Статические системы осуществляют монотонное непрерываемое решение задачи от ввода исходных данных до конечного результата, динамические системы предусматривают возможность пересмотра в процессе решения полученных ранее результатов и данных. 3 По видам используемых данных и знаний экспертные системы классифицируются на системы с детерминированными (четко определенными) знаниями и неопределенными знаниями. Под неопределенностью знаний (данных) понимается их неполнота (отсутствие), недостоверность (неточность измерения), двусмысленность (многозначность понятий), нечеткость (качественная оценка вместо количественной).

20. Дайте характеристику аналитическим и синтетическим экспертным системам, статическим и динамическим экспертным системам? Экспертные системы разделяются на два класса: аналитические и синтетические. Аналитические системы предполагают выбор решений из множества известных альтернатив (определение характеристик объектов), а синтетические системы - генерацию неизвестных решений (формирование объектов). Экспертные системы могут быть статическими или динамическими. Статические системы решают задачи при неизменяемых в процессе решения данных и знаниях, динамические системы допускают такие изменения. Статические системы осуществляют монотонное непрерываемое решение задачи от ввода исходных данных до конечного результата, динамические системы предусматривают возможность пересмотра в процессе решения полученных ранее результатов и данных.

21. Как называются экспертные системы, решающие задачи распознавания ситуаций, экспертные системы, решающие задачи с неопределенными исходными данными и знаниями, экспертные системы, использующие повторяющееся преобразование знаний в процессе решения задач? Неопределенными знаниями. Под неопределенностью знаний (данных) понимается их неполнота (отсутствие), недостоверность (неточность измерения), двусмысленность (многозначность понятий), нечеткость (качественная оценка вместо количественной). Доопределяющие экспертные системы.

22. Как называются экспертные системы, интегрирующие знания из нескольких разнородных источников в базе знаний и обменивающиеся результатами с другими экспертными системами на динамической основе? Многоагентные системы. Для таких динамических систем характерна интеграция в базе знаний нескольких разнородных источников знаний, обменивающихся между собой получаемыми результатами на динамической основе

24. Достоинство применения экспертных систем ? Достоинство применения экспертных систем заключается в возможности принятия решений в уникальных ситуациях, для которых алгоритм заранее не известен и формируется по исходным данным в виде цепочки рассуждений (правил принятия решений) из базы знаний. Причем решение задач предполагается осуществлять в условиях неполноты, недостоверности, многозначности исходной информации и качественных оценок процессов.

25. Какие проблемные области характерны для аналитических задач классифицирующего и доопределяющего типов? Для аналитических задач классифицирующего и доопределяющего типов характерны следующие проблемные области: • Интерпретация данных - выбор решения из фиксированного множества альтернатив на базе введенной информации о текущей ситуации. Основное назначение - определение сущности рассматриваемой ситуации, выбор гипотез, исходя из фактов. Типичным примером является экспертная система анализа финансового состояния предприятия. • Диагностика - выявление причин, приведших к возникновению ситуации. Требуется предварительная интерпретация ситуации с последующей проверкой дополнительных фактов. • Коррекция - диагностика, дополненная возможностью оценки и рекомендации действий по исправлению отклонений от нормального состояния рассматриваемых ситуаций.

27. Что лежит в основе самообучающихся систем? В основе самообучающихся систем лежат методы автоматической классификации примеров ситуаций реальной практики.

28. Недостатки самообучающихся систем? Общие недостатки, свойственные всем самообучающимся системам, заключаются в следующем: 1 возможна неполнота и/или зашумленность (избыточность) обучающей выборки и, как следствие, относительная адекватность базы знаний возникающим проблемам 2 возникают проблемы, связанные с плохой смысловой ясностью зависимостей признаков и, как следствие, неспособность объяснения пользователям получаемых результатов 3 ограничения в размерности признакового пространства вызывают неглубокое описание проблемной области и узкую направленность применения.

29. На какие классы делятся самообучающиеся системы? • "с учителем", когда для каждого примера задается в явном виде значение признака его принадлежности некоторому классу ситуаций (классообразующего признака); • "без учителя", когда по степени близости значений признаков классификации система сама выделяет классы ситуаций.

32. Принцип работы нейронных сетей? Нейронные сети представляют собой устройства параллельных вычислений, состоящие из множества взаимодействующих простых процессоров. Каждый процессор такой сети имеет дело только с сигналами, которые он периодически получает, и сигналами, которые он периодически посылает другим процессорам.

34. Что содержит база знаний в системах, основанных на прецедентах (аналогиях)? В этих системах база знаний содержит описания не обобщенных ситуаций, а собственно сами ситуации или прецеденты.

35. Принцип работы систем, основанных на прецедентах (аналогиях)? Поиск решения проблемы сводится к поиску по аналогии (абдуктивный вывод от частного к частному): 1. Получение подробной информации о текущей проблеме 2. Сопоставление полученной информации со значениями признаков прецедентов из базы знаний 3. Выбор прецедента из базы знаний, наиболее близкого к рассматриваемой проблеме 4. В случае необходимости выполняется адаптация выбранного прецедента к текущей проблеме 5. Проверка корректности каждого полученного решения 6. Занесение детальной информации о полученном решении в базу знаний.

36. В чем заключается достоинство нейронных сетей перед индуктивным системами? Достоинство нейронных сетей перед индуктивным выводом заключается 1) в решении не только классифицирующих, но и прогнозных задач. Возможность нелинейного характера функциональной зависимости выходных и входных признаков позволяет строить более точные классификации. 2) процесс решения задач в силу проведения матричных преобразований проводится очень быстро. Фактически имитируется параллельный процесс прохода по нейронной сети в отличие от последовательного в индуктивных системах.

39. Что представляет из себя информационное хранилище? В отличие от интеллектуальной базы данных информационное хранилище представляет собой хранилище извлеченной значимой информации из оперативной базы данных, которое предназначено для оперативного анализа данных (реализации OLAP - технологии)

. 41. Что такое адаптивная информационная система? Адаптивная информационная система - это ИС, которая изменяет свою структуру в соответствии с изменением модели проблемной области.

42. Назовите основные требования к адаптивности информационных систем? Эти требования сводятся к следующему: 1 ИС в каждый момент времени должна адекватно поддерживать организацию бизнес-процессов. 2 Реконструкция ИС должна проводиться всякий раз, как возникает потребность в реорганизации бизнес-процессов. 3 Реконструкция ИС должна проводиться быстро и с минимальными затратами. 1. Чем отличаются знания от данных. Чем отличаются знания от данных. (1) Существенным отличием знаний от данных, несомненно, является их интерпретируемость. Если для интерпретации данных необходимы соответствующие программы и сами по себе они не несут содержательной информации, то знания всегда содержательны. (2) Другой отличительной чертой знаний является наличие отношений, например, вида «тип — подтип, «элемент—множество и т.д. Знания характеризуются наличием ситуативных связей, определяющих ситуативную совместимость отдельных событий и фактов, позволяющих устанавливать причинно-следственные связи.

2. Что такое данные? Данные — это любые сигналы, получаемые и обрабатываемые либо человеком с помощью органов чувств либо устройством.

3. Что такое знания? Знания — это теоретическое понимание предметов, явлений и процессов и проверенной практикой опыт познания окружающего мира, отражение действительности в мышлении человека.

6. Что такое суждение? Суждение — это высказывание, в котором утверждается или отрицается связь между предметом и его признаком, отношение между предметами или факт существования предмета

7. Что такое умозаключение? Умозаключение — это форма мышления, посредством которой из одного или нескольких суждений выводится новое суждение.

22. Содержание процедурных моделей представления знания? В процедурном представлении знания содержатся в процедурах — небольших программах, которые определяют, как выполнять специфичные действия.

23. Преимущество процедурных моделей представления знаний? Главное преимущество процедурных моделей представления знаний заключается в большей эффективности механизмов вывода за счет введения дополнительных знаний о применении, что однако снижает их общность. Другое важное преимущество заключено в выразительной силе.

24. Какие модели представления знаний используются в реальных интеллектуальных системах? Процедурные или декларативные? Для реальных системах представления знаний используются в равной мере элементы и сочетания всех моделей представления знаний.

25. Что такое фрейм? Фреймы — это минимальные структуры информации, необходимые для представления класса объектов, явлений или процессов. Фрейм отражает основные свойства объекта или явления. Структура фрейма записывается в виде списка свойств, называемых во фрейме слотами.

26. Что такое слоты в теории фреймов? Слоты — это некоторые незаполненные подструктуры фрейма, заполнение которых приводит к тому, что данный фрейм ставится в соответствие некоторой ситуации, явлению или объекту.

27. Какие существует способы получения слотом значений во фрейме? Существует несколько способов получения слотом значений во фрейме (четыре ответа) А) по умолчанию от фрейма образца Б) через наследование свойств фрейма В) по формуле, указанной в слоте Г) через присоединенную процедуру

28. На что указывает слот АКО в теории фреймов? Слот IS-A или AKO (A Kind Of) определяет иерархию фреймов в сети фреймов. Такая связь обеспечивает наследование свойств.

29. Как реализуется свойство наследования фреймов? Слот isa указывает на фрейм более высокого уровня, откуда неявно наследуются свойства аналогичных слотов.

30. Как может быть достигнуто уменьшение информационной избыточности фреймовых систем? Для уменьшения информационной избыточности во фреймовых системах реализуют принцип наследования информации, позволяющий общую (глобальную) для системы информацию хранить в отдельном фрейме, а во всех остальных фреймах указывать лишь ссылку на место хранения этой информации.

31. Что такое фреймовая система? Фреймовая система — это иерархическая структура, узлами, которой являются фреймы с определенной структурой данных.

32. Что показывают указатели наследования фреймов ? Указатели наследования. Эти указатели касаются только фреймовых систем иерархического типа, основанных на отношениях иерархического типа, основанных на отношениях «абстрактное — конкретное. Они показывают, какую информацию об атрибутах слотов во фрейме верхнего уровня наследуют слоты с такими же именами во фрейме нижнего уровня.

33. На что указывает указатель типа данных фрейма ? Указатель типа данных (атрибутов слотов). Указывается, что слот имеет численное значение либо служит указателем другого фрейма (т.е. показывает имя фрейма). К типам данных относятся указатель, целый, действительный, булевый, присоединенная процедура, текст, список, таблица, выражение и др.

34. Какие виды присоединенных процедур различают в теории фреймов? Присоединенная процедура (процедура – метод или процедура -слуга).

35. Что такое семантическая сеть? Семантическая сеть – это ориентированный граф, вершины которого понятия, а дуги отношения между ними.

36. Какие типы отношений используются в семантических сетях? Отношения, используемые в семантических сетях, можно разделить на следующие: - лингвистические, в частности, включающие в себя отношения типа «объект», «агент», «условие», «место», «инструмент», «цель», «время» и др. - атрибутивные, к которым относят форму, размер, цвет и т.д. -?характеризации глаголов, т.е. род, время, наклонение, залог, число -?логические, обеспечивающие выполнение операций для исчисления высказываний (дизъюнкция, конъюнкция, импликация, отрицание) -?квалифицированные, использующие кванторы общности и существования -?теоретико-множественные, включающие понятия «элемент множества», «подмножество», «супермножество».

37. Что такое продукционная модель представления знаний ? Продукционные модели — это набор правил вида «условия — действие, где условиями являются утверждения о содержимом некой базы данных, а действия представляют собой процедуры, которые могут изменять содержимое БД.

38. Как представляются знания в продукционных моделях ? В БД системы хранятся известные факты о некоторой предметной области. Продукции содержат специфические для данной области знания о том, какие дополнительные факты могут быть допущены, если специфические данные найдены в БД.

39. Назовите основные компоненты продукционных систем? В продукционных системах можно выделить следующие основные компоненты: 1 Неструктурированная или структурированная БД. 2 Некоторое число продукционных правил или просто продукций. 3 Интерпретатор.

40. Назначение интерпретатора продукционных систем ? Интерпретатор используется для А) определения продукций, которые могут быть активизированы в зависимости от условий в них содержащихся Б) выбора одного из применимых в данной ситуации правил продукции и выполнения соответствующих действий 41. Назовите основные части продукции?: Каждая продукция состоит из двух частей: 1 условий (антецедент) — в этой части определяются некоторые условия, которые должны выполняться в БД для того, чтобы были выполнены соответствующие действия; 2 действий (консеквент) — эта часть содержит описание действий, которые должны быть совершены над БД в случае выполнения соответствующих условий. В простейших продукционных системах они только определяют, какие элементы следует добавить (или иногда удалить) в БД.

42. Опишите работу продукционной системы? Работа продукционной системы инициируется начальным описанием (состоянием) задачи. Из продукционного множества правил выбираются правила, пригодные для применения на очередном шаге. Эти правила создают так называемое конфликтное множество. Для выбора правил из конфликтного множества существуют стратегии разрешения конфликтов, которые могут быть и достаточно простыми, например, выбор первого правила, а могут быть и сложными эвристическими правилами. Продукционная модель в чистом виде не имеет механизма выхода из тупиковых состояний в процессе поиска. Она продолжает работать, пока не будут исчерпаны все допустимые продукции. Практические реализации продукционных систем содержат механизмы возврата в предыдущее состояние для управления алгоритмом поиска.

43. Основными преимуществами продукционных систем? Основными преимуществами продукционных систем являются: 1 простота и гибкость выделения знаний 2 отделение знаний от программы поиска 3 модульность продукционных правил (правила не могут "вызывать" другие правила) 4 возможность эвристического управления поиском 5?возможность трассировки "цепочки рассуждений" 6?независимость от выбора языка программирования 7?продукционные правила являются правдоподобной моделью решения задачи человеком 44. Основной недостаток продукционных систем ? Продукционные системы все более широко используются для реализации продукционных экспертных систем. Как правило, классические продукционные системы не содержат сведений о применении, т.е. знаний о том, например, какие продукции использовать для достижения цели. Это ведет к значительному снижению эффективности их работы: хотя в каждой итерации только одна продукция может быть активирована, должны быть проверены условия всех продукций. Для большого числа правил это может потребовать значительного расхода ресурсов. Более того, последовательность выполнения продукций зависит на каждой итерации от состояния всех переменных системы. В этом случае появляется проблема комбинаторного «взрыва.

1. Что такое область знаний при продукционном представлении ? При продукционном представлении область знаний представляется множеством продукционных правил ЕСЛИ — ТОГДА, а данные представляются множеством фактов о текущей ситуации.

2. Как работает механизм вывода в продукционных системах? Механизм вывода сопоставляет каждое правило, хранящееся в БЗ с фактами, содержащимися в БД. Когда часть правила ЕСЛИ (условие) подходит факту, правило срабатывает и его часть ТОГДА (действие) исполняется.

3. Как создается цепочка вывода в продукционных системах? Сопоставление частей «Если» правил с фактами создает цепочку вывода.

4. Как работают продукционные системы с условно-выводимой архитектурой Продукционные системы, в которых сначала анализируется антецедентная часть (условия), имеют так называемую условно-выводимую архитектуру.

5. Как работают продукционные системы с целе-выводимой архитектурой Цель (цепочка вывода) может быть достигнута с помощью дедуктивного метода рассуждений. Для этого исследуются консеквенты правил для нахождения такого правила, которое позволило бы достичь цели. Когда такое правило найдено, проверяются на истинность все его условия. Если условия истинны, продукция активируется. В противном случае продолжается поиск подходящей продукции.

6. Какой метод рассуждений (дедуктивный, индуктивный или по аналогии) используют продукционные системы с целе-выводимой архитектурой Используют дедуктивный метод рассуждения.

7. С помощью чего описывается в продукционных системах задача поиска в пространстве состояний? Задачу поиска в пространстве состояний можно описать с помощью понятий теории графов.

9. Продукционные системы, использующие при переборе решений поиск в глубину? При поиске в глубину прежде всего раскрывается та вершина, которая имеет наибольшую глубину. Из вершин, расположенных на одинаковой глубине, выбор вершины для раскрытия определяется произвольно. Для сдерживания возможности следования по бес пути вводится ограничение на глубину. Вершины, находящиеся на граничной глубине, не раскрываются.

10. Продукционные системы, использующие при переборе решений поиск в ширину? При поиске в ширину вершины раскрываются в последовательности их порождения. Поиск идет по ширине дерева, так как раскрытие вершины происходит вдоль одного уровня. Целевая вершина выбирается сразу же после порождения. При поиске в ширину возможно нахождение наиболее короткого пути к целевой вершине, если такой путь есть.

11. Поиск на основе стоимости дуг в продукционных системах, использующие при переборе решений? Во многих случаях дугам ставят в соответствие некоторую стоимость, чтобы внести оценку для использования соответствующего правила. При поиске целевой вершины стремятся найти путь минимальной стоимости. Раскрытие вершин производится в порядке возрастания их стоимости. Для каждой вершины нужно помнить минимальную стоимость пути, построенного от начальной вершины до нее.

12. Продукционные системы, использующие при переборе решений поиск с возвратом? При реализации такого поиска при выборе правила определяется точка возврата, т.е. если дальнейший поиск в выбранном направлении приведет к сложностям или будет бесперспективным, то осуществляется переход к точке возврата, пройденной на ранних этапах поиска. Далее применяется другое правило, и процесс поиска продолжается. Здесь все неудачные итерации, приведшие к тупиковой ситуации, забываются, как только применяется новое правило, и переходят к другому направлению поиска.

13. Продукционные системы, использующие методы поиска решения и представляющих пространство состояний в виде графа? Для методов поиска решения при представлении пространства состояний в виде графа характерно то, что в них в основном предусматривается запоминание результатов применения нескольких последовательностей правил. Другая особенность — они работают в пробном режиме, т.е. при выборе и использовании применимого правила для какой-либо ситуации предусматривается возможность возврата к этой ситуации для применения другого правила. Достоинства - достаточно простая их реализация и возможность в принципе находить решение, если оно существует.

14. Укажите два достоинства методов перебора, использующихся в продукционных системах? Достоинства - достаточно простая их реализация и возможность в принципе находить решение, если оно существует.

15. Как используются эвристические методы поиска в продукционных системах? Эвристические методы поиска возможно использовать тогда, когда располагают некоторыми эмпирическими правилами, которые позволяют сокращать объем просматриваемых вариантов решений. 19. Что характерно для продукционные системы, использующие методы редукции для поиска решения? Процесс поиска решения исходной задачи при таком описании представляет собой направленный граф редукции задач. Этот граф называется графом И/ИЛИ. Вершины этого графа представляют описания задач и подзадач. Граф И/ИЛИ содержит вершины двух типов. Тип «И» — соответствует задаче, решаемой при условии реализации всех ее подзадач в соответствующих вершинах - преемниках. Тип «ИЛИ» — соответствует задаче, решение которой возможно получить при решении одной из альтернативных подзадач в соответствующих вершинах-преемниках.

20. Когда используется в продукционных системах метод порождения и проверки для поиска решений ? Этот метод можно применять, если пространство является факторизуемым, т.е. возможно разбиение его на достаточно независимые подпространства с характерными неполными решениями.

21. Сущность метода порождения и проверки, применяемого в продукционных системах для поиска решений? Сущность метода заключается в том, что генератор, настроенный на проблемную область, порождает ряд характерных неполных решений, соответствующих описаниям различных подпространств. Осуществляется проверка неполных решений с помощью специальных оценочных процедур, и если решение признается недопустимым, то из дальнейшего рассмотрения исключается целый класс порождаемых им полных решений данного подпространства.

22. Почему бывает затруднено использование метода порождения и проверки в продукционных экспертных системах для факторизованного пространства? Бывает затруднено из-за того, что часто отсутствуют достоверные способы оценки характерных неполных решений, т.е. не удается на основе неполных решений делать выводы о реализуемости полных решений.

23. Какие процедуры называются демонами в теории фреймов? Процедура-демон в основном, имеет структуру ЕСЛИ-ТОГДА. Эта процедура выполняется всякий раз, когда атрибут в условной части изменяет свое значение. Процедуры-демоны активизируются при каждой попытке добавления или удаления данных из слота

25. Какие процедуры называют процедурой – методом в теории фреймов ? Процедура-метод — это процедура, присоединенная к атрибуту фрейма, которая выполняется всякий раз, когда к ней обращаются.

26. Какие типы присоединенных процедур-методов используются в большинстве экспертных систем, основанных на фреймах? Используют два типа методов: КОГДА-ИЗМЕНЕНО И КОГДА-НЕОБХОДИМО. Процедура-метод КОГДА-ИЗМЕНЕНО выполняется немедленно, когда изменяется значение его атрибута.

28. Какие основные процессы можно выделить во фреймовых системах? 1. Создание экземпляра фрейма. 2. Активация фреймов. 3. Организация вывода

29. Как называется в семантических сетях свойство, для которого экземпляр нижнего уровня содержит атрибуты, содержащиеся в экземпляре понятия верхнего уровня? Свойство называется наследованием атрибутов между уровнями иерархии IS-A.

30. Недостатки семантических сетей ? Большой проблемой является наследование атрибутов между иерархическими уровнями. Другими словами, результат вывода, получаемого с помощью семантической сети, не гарантирует достоверность как логический формализм.

31. Процедурные семантические сети ? В целях введения единой семантики в семантической сети используют процедурные семантические сети. В этом случае сеть строится на основе класса (понятия), а вершины, дуги (отношения) и процедуры представлены как объекты. 4? проверка принадлежности экземпляр к некоторому классу.

34. Каким недостатком обладают системы, выполненные на основе семантической сети? Недостатком семантической сети в интеллектуальных системах связан с тем, что в интеллектуальных системах, выполненных на ее основе невозможно разделить Базу Знаний и механизм вывода.

35. Как осуществляется поиск с использованием метода сопоставления частей сетевой структуры в семантических сетях ? Он основан на построении подсети, соответствующей вопросу, и сопоставлении ее с базой данных сети. При этом для исчерпывающего сопоставления с БД вершинам переменных подсети присваиваются гипотетические значения.

41. Сформулируйте основную идею метода резолюции, который используется в системах, основанных на исчислении предикатов? Главная идея этого правила вывода заключается в проверке того, содержит ли множество дизъюнктов R пустой (ложный) дизъюнкт. Обычно резолюция применяется с прямым или обратным методом рассуждения.

42. Назовите основные этапы метода резолюции ? Метод резолюции (от обратного) состоит из следующих этапов: 1? Предложения или аксиомы приводятся к дизъюнктивной нормальной форме. 2 ?К набору аксиом добавляется отрицание доказываемого утверждения в дизъюнктивной форме. 3? Выполняется совместное разрешение этих дизъюнктов, в результате чего получаются новые основанные на них дизъюнктивные выражения (резольвенты). 4? Генерируется пустое выражение, означающее противоречие. 5? Подстановки, использованные для получения пустого выражения, свидетельствуют о том, что отрицание отрицания истинно.

43. Как определяется истинность высказывания в нечеткозначной логике? В нечеткой логике истинность высказывания определяется значениями типа: истинно, ложно, очень истинно, абсолютно истинно, не очень истинно, очень ложно и т.п. Эта логика получила название нечеткозначной логики.

44. Что такое приближенные рассуждения? Под приближенными рассуждениями понимается процесс получения из нечетких посылок некоторых заключений. Приближенное рассуждение может рассматриваться как обобщение правил вывода Modus ponens и Modus tollens логики высказываний. Ключевые слова Приобретение знаний. Извлечение знаний из данных. Машинное обучение на примерах. Нейронные сети. Нечеткий вывод знаний. Немонотонность вывода.

1. Какие этапы включает процесс проектирование базы знаний? Задачи решаемые на начальном этапе разработки интеллектуальной системы (при условии, что вопрос о целесообразности разработки интеллектуальной системы в этой области решен положительно): 1 изучение проблемной области (объекта, задач, целей), т.е. «что представлять в БЗ» и «для чего представлять» 2 определение понятия «знание» в контексте исследуемой проблемной области 3 выявление источников знаний, активная и кропотливая работа с ними 4 определение типов знаний для решения задачи 5 оценка на основе исследования проблемной области и характера знаний пространства поиска решений с целью выбора способа структуризации знаний и метода поиска решений (механизма вывода) 6 определение способа структуризации знаний, т.е. того, «как представлять знания» 7 выбор способа представления знаний 8 определение структуры БЗ 9 определение характера взаимодействия структурных частей БЗ, а также взаимодействия ее с другими компонентами интеллектуальной СПР в процессе поиска решений; 10 подготовка к процессу заполнения БЗ.

2. Глубинные и поверхностные знания? Метазнания? Глубинные знания — это категории, абстракции и аналогии, при помощи которых эксперт проходит к пониманию структуры и назначения текущих представлений. Используются преимущественно при решении неординарных ситуаций. Поверхностные знания — это «умения» и навыки, соответствующие знанию на уровне рефлекторных реакций, отработанных действий. Метазнания — это знания системы о себе, т.е. знания о своих знаниях, их структуре и о принципах своего функционирования. 3. Какие знания должна содержать база знаний ИИС? В составе БЗ при ее разработке помимо чисто экономических знаний необходимо предусмотреть также знания о целях интеллектуальной СПР; об объекте; о мире (среде функционирования системы); о пользователях (модели пользователей), а также знания системы о себе (модель интеллектуальной СПР, метазнания).

4. Достоинство интеллектуальных систем, основывающихся на надежных и определенных знаниях и данных? Достоинством интеллектуальных систем, основывающихся на надежных и определенных знаниях и данных, является возможность реализации монотонных БЗ. При такой реализации БЗ новые знания и правила включаются в нее без пересмотра и удаления некоторых хранящихся знаний.

5. На каких подходах базируются методы структуризации, формализации и работы с неточными неопределенными знаниями и данными? Для структуризации, формализации и работы с неточными неопределенными знаниями и данными используются различные методы. Они в основном базируются на вероятностном подходе и подходе, основанном на теории нечетких множеств.

6. При выборе способа представления знаний в базе знаний основной целью является? Цель представления знаний — организация необходимой информации в такую форму, чтобы программа искусственного интеллекта имела легкий доступ к ней для принятия решений, планирования, узнавания объектов и ситуаций, анализа сцен, вывода заключений и других когнитивных функций.

7. Основными способами представления знаний в БЗ являются? Для выбора способа представления знаний, структуры БЗ, метода поиска решений необходимы сведения о полноте, определенности и объеме знаний, размерах пространства поиска решений, о требуемом характере работы проектируемой системы и др. (Семантические сети, Фреймы, логики предикатов, Продукционные модели)

8. Как будет представлена База Знаний, если в качестве способа представления знаний будет использоваться логика предикатов первого порядка? При использовании логики предикатов первого порядка БЗ может рассматриваться как совокупность логических формул, которые обеспечивают частичное описание проблемной среды.

9. Если в качестве способа представления знаний используется семантическая сеть, то какие типы семантической сети являются основой БД и БЗ? Семантические сети позволяют описывать свойства и отношения объектов событий, понятий, ситуаций или действий с помощью направленного графа, состоящего из вершин и помеченных ребер. Знания разделяются на экстенсиональные и интенсиональные. Экстенсиональная сеть является основой БД, а интенсиональная — БЗ.

12. Какую роль в интеллектуальных системах выполняет верхний уровень БЗ — метазнания? На основе этих знаний на уровне метазнаний (в блоке метазнаний) среди имеющегося набора стратегий поиска определяется наиболее эффективная.

13. Где осуществляется решение задачи и работа с правилами и данными? Решение задачи и работа с правилами и данными осуществляются в специальном блоке — рабочей области.

24. Принципы построения систем объяснения? Принципы: 1 фиксацией событий и состояний с помощью заготовленных текстов на естественном языке 2 трассировкой рассуждений, обратным развертыванием дерева целей с указанием подцелей.

25. Какой вид объяснения, получил распространения в системах объяснения интеллектуальных систем? Получил распространение вид объяснения, называемый обоснованием выводов, которое, не учитывая способа комбинации выводов, дает описание системы путем выявления причин сделанных выводов.

26. Подсистема интеллектуального интерфейса? Подсистема интеллектуального интерфейса управляется программным обеспечением, называемым управляющая система интеллектуального интерфейса. Эта управляющая система состоит из нескольких программ, которые обеспечивают способности, некоторые из которых: 1 обеспечение графического пользовательского интерфейса 2 организация взаимодействия пользователя с различными входными устройствами 3 представление данных с различными форматами и на разные входные устройства 4 представление пользователю помощи, подсказок, советов, диагностического режима работы или другой гибкой поддержки 5 обеспечение взаимодействия с БД и базой моделей 6 хранение входных и выходных данных 7 обеспечение цветной графики, трехмерной графики и плоттинга данных 8 окна, позволяющие отображать множество функций одновременно 9 поддержка взаимодействия между пользователями и разработчиками системы 10 обеспечение обучения на примерах 11 обеспечение гибкости и адаптивности, что позволяет интеллектуальной СПР вмещать различные задачи и технологии 12 взаимодействие во многих различных стилях диалога

27 Виды интеллектуального интерфейса? Виды интерфейса: взаимодействие на основе меню, командный язык, вопросно-ответный, формирование взаимодействия, обработка естественного языка и графический пользовательский интерфейс. излишний напор, превращаясь в гнёт, вселяет страх, препятствующий действию напора идеология гармонии удар должен быть оптимальным

1. Основное отличие нейронных сетей от программного обеспечения? К ним относятся: 1?-массовый параллелизм; 2?-распределенное представление информации и вычисления; 3?-способность к обучению и к обобщению; 4?-адаптивность; 5-?свойство контекстуальной обработки информации; 6-?толерантностью ошибкам; 7-?низкое энергопотребление.

Иску?сственные нейро?нные се?ти (ИНС) — математические модели, а также их программные или аппаратные реализации, построенные по принципу организации и функционирования биологических нейронных сетей — сетей нервных клеток живого организма. Это понятие возникло при изучении процессов, протекающих в мозге при мышлении, и при попытке смоделировать эти процессы. Первой такой моделью мозга был перцептрон. Впоследствии эти модели стали использовать в практических целях, как правило в задачах прогнозирования.



3В какие классы могут быть сгруппированы нейронные сети по архитектуре связей? По архитектуре связей ИНС могут быть сгруппированы в два класса: сети прямого распространения, в которых графы не имеют петель, и рекуррентные сети или сети с обратными связями.

4. Как расположены нейроны в нейронных сетях прямого распространения? В наиболее распространенном семействе сетей первого класса, называемых многослойным персептроном, нейроны расположены слоями и имеют однонаправленные связи между слоями.

5. Нейронные сети прямого распространения ? Сети прямого распространения являются статическими в том смысле, что на заданный вход они вырабатывают одну совокупность выходных значений, не зависящих от предыдущего состояния сети.

9. Что понимается под вычислительной сложностью в теории обучения нейронных сетей? Слишком малое число примеров может вызвать «переобученность» сети, когда она хорошо функционирует на примерах обучающей выборки, но плохо — на тестовых примерах, подчиненных тому же статистическому распределению.

10. Обучение нейронных сетей с помощью правила коррекции по ошибке ? 1. Правило коррекции по ошибке. При обучении с учителем для каждого входного примера задан желаемый выход d. Реальный выход сети у может не совпадать с желаемым. Принцип коррекции по ошибке при обучении состоит в использовании сигнала (d-y) для модификации весов, обеспечивающей постепенное уменьшение ошибки. Обучение имеет место только в случае, когда персептрон ошибается.

11. Обучение нейронных сетей методом Больцмана ? Представляет собой стохастическое правило обучения, которое следует из информационных теоретических и термодинамических принципов. Целью обучения Больцмана является такая настройка весовых коэффициентов, при которой состояния видимых нейронов удовлетворяют желаемому распределению вероятностей. Обучение Больцмана может рассматриваться как специальный случай коррекции по ошибке, в котором под ошибкой понимается расхождение корреляций состояний в двух режимах.

12. Обучение нейронных сетей с помощью правила Хебба ? Хебб опирался на следующие нейрофизиоло-гические наблюдения: если нейроны с обеих сторон синапса активизируются одновременно и регулярно, то сила синаптической связи возрастает. Важной особенностью этого правила является то, что изменение синаптического веса зависит только от активности нейронов, которые связаны данным синапсом.

13. Обучение нейронных сетей методом соревнования ? При соревновательном обучении выходные нейроны соревнуются между собой за активизацию. Подобное обучение имеет место в биологических нейронных сетях. Обучение посредством соревнования позволяет кластеризовать входные данные: подобные примеры группируются сетью в соответствии с корреляциями и представляются одним элементом. При обучении модифицируются только веса «победившего» нейрона. Эффект этого правила достигается за счет такого изменения сохраненного в сети образца, при котором он становится чуть ближе ко входному параметру.

15. Многослойный персептрон. Многослойный персептрон. Каждый вычислительный элемент использует пороговую или сигмоидальную функцию активации. Многослойный персептрон может формировать сколь угодно сложные границы принятия решения и реализовывать произвольные булевы функции. Разработка алгоритма обратного распространения для определения весов в многослойном персептроне сделала эти сети наиболее популярными у исследователей и пользователей нейронных сетей. Геометрическая интерпретация объясняет роль элементов скрытых слоев.

18. Самоорганизующиеся карты Кохонена. Такая сеть является специальным случаем сети, обучающейся методом соревнования, в которой определяется пространственная окрестность для каждого выходного элемента. Представляет собой двумерный массив элементов, причем каждый элемент связан со всеми п входными узлами. Самоорганизующиеся карты Кохонена могут быть использованы для проектирования многомерных данных, аппроксимации Плотности и кластеризации. Эта сеть успешно применялась для распознавания речи, обработки изображений, в робототехнике и в задачах управления, анализе финансовых данных. Параметры сети включают в себя размерность массива нейронов, число нейронов в каждом измерении, форму окрестности, закон сжатия окрестности и скорость обучения.

19. Модели теории адаптивного резонанса. Сеть имеет достаточное число выходных элементов, но они не используются до тех пор, пока не возникнет в этом необходимость. Обучающий алгоритм корректирует имеющийся прототип категории, только если входной вектор в достаточной степени ему подобен. В этом случае они резонируют. Степень подобия контролируется параметром сходства k, 0


 
Сайт управляется системой uCoz