Проектирование базы знаний

Данные и знания.

При обработке на ВМ данные трансформируются условно проходя следующие этапы:

1) данные как результат измерений и наблюдений;

2) данные на материальных носителях информации (таблицы, протоколы, справочники);

3) модели (структуры) данных в виде диаграмм, графиков, функций;

4) данные в компьютере на языке описания данных;

5) базы данных на машинных носителях информации.

 

Знания основаны на данных, полученных эмпирическим путем. Они представляют собой результат мыслительной деятельности человека, направленной на обобщение опыта, полученного в результате практической деятельности. Наиболее распространенное определение знания следующее: знание – это закономерности предметной области (принципы, связи, законы), полученные в результате практической деятельности и профессионального опыта, позволяющие специалистам ставить и решать задачи в проблемной области. При обработке на ВМ знания трансформируются аналогично данным:

 

1) знания в памяти человека как результат мышления;

2) материальные носители знаний (книги, методические пособия и т.п.);

3) поле знаний - условное описание основных объектов проблемной области, их атрибутов и закономерностей, их связывающих;

4) знания, описанные на языках представления знаний (продукционные языки, семантические сети, фреймы и др.);

5) база знаний на машинных носителях.

 

Существуют десятки моделей (или языков) представления знаний для различных проблемных областей. Большинство из них может быть представлено следующими классами:

 

1) продукционные модели;

2) семантические сети;

3) фреймы;

4) формальные логические модели.

 

Наиболее существенные особенности моделей реальных систем, построенных с использованием аппарата нечеткой математики и логики, состоят в следующем:

 

1) большая гибкость по сравнению с традиционными четкими методами, так как они позволяют описывать знания и опыт человека в привычной для него форме;

2) нечеткие модели более адекватны реальному миру, поскольку позволяют получить решение с учетом индивидуальных особенностей, свойственных не классу объектов исследования, а отдельному объекту этого класса;

3) возможность в ряде случаев более оперативного получения окончательного результата, чем на «точных» моделях, в силу активного использования знаний и опыта человека при построении нечетких операций.

 

В настоящих методических указаниях в качестве модели представления знаний используются система нечеткого вывода и гибридная нейронная сеть.

 

Эти модели используются для решения задач:

1) интерпретации данных;

2) диагностики;

3) прогнозирования;

4) проектирования;

5) управления;

6) поддержки принятия решений.

Интерпретация данных.

Это одна из традиционных задач экспертных систем. Под интерпретацией понимается процесс определения смысла данных, результаты которого должны быть согласованными и корректными. Для решения этой задачи используется гибридная нейронная сеть(ГНС) сопряженная с системой нечеткого вывода СНВ).

Диагностика.

Под диагностикой принято понимать процесс соотнесения объекта с некоторым классом объектов и/или обнаружение неисправности в некоторой системе. В курсовой работе предусматривается диагностика программных, информационных, технических средств СУ. К этому классу задач отнесена оценка уровня морального старения средств вычислительной техники, используемой в СУ. Для решения этих задач используется ГНС.

Прогнозирование.

Прогнозирование позволяет предсказывать последствие событий, явлений, реализации принятых решений в проблемной области на основании имеющихся данных. Для прогнозирования рекомендуется использовать ГНС. Так, например, прогнозирование уровня морального старения средств вычислительной техники, используемой в СУ.

 

Проектирование.

Основная проблема – получение четкого описания знаний о проектируемом объекте, его свойствах. Для организации эффективного проектирования и в еще большей степени перепроектирования необходимо формировать не только сами проектные решения, и мотивы их принятия. Таким образом, в задачах этого класса тесно связаны два основных процесса: процесс вывода решения и процесс объяснения. В этих задачах используется система нечеткого вывода и гибридные нейронные сети.

 

Управление.

Под управлением будем понимать функцию СУ, автоматически (в САУ) и автоматизировано (в АИУС) поддерживающую определенный режим функционирования управляющей и управляемой систем. Для решения этой задачи используется СНВ и ГНС.

 

Поддержка решений.

Поддержка принятия решений – это совокупность процедур, обеспечивающее лицо, принимающее решения(ЛПР), необходимой информацией и рекомендациями, облегчающими процесс принятия решений в проблемной области. В этом классе задач используются СНВ и ГНС.