Стр. 11 - СИСТЕМЫ ИСКУССТВЕННОГО ИНТЕЛЛЕКТА И ПРИНЯТИЯ РЕШЕНИЙ

9

Содержание

СИСТЕМЫИСКУССТВЕННОГО ИНТЕЛЛЕКТА И ПРИНЯТИЯ РЕШЕНИЙ.

ОПТИМИЗАЦИЯ БАЗ ЗНАНИЙ НЕЧЕТКИХ ЭКСПЕРТНЫХ СИСТЕМ

ся в том случае, если родовидовые связи изменяются нечасто и предметная об-

ласть насчитывает немного исключений.

Как недостаток фреймовых систем следует отметить их относительно высо-

кую сложность, что проявляется в снижении скорости работы механизма вывода

и в увеличении трудоемкости внесения изменений в родовидовую иерархию.

Кроме того, во фреймовых системах затруднена обработка исключений.

2.

Семантические сети

Семантическая сеть считается наиболее общим способом представления

знаний

[5]

. В ней понятия и классы, а также отношения и связи между ними

представлены в виде сети. Семантическая сеть отображает совокупность объек-

тов предметной области и отношений между ними, при этом объектам соответ-

ствуют вершины (или узлы) сети, а отношениям – соединяющие их дуги. В каче-

стве объектов могут выступать события, действия, обобщенные понятия или

свойства объектов. Свойства представляются в сети также в виде вершин и слу-

жат для описания классов объектов. Вершины сети соединяются дугой, если со-

ответствующие объекты предметной области находятся в каком-либо отноше-

нии.

Как и в системе, основанной на фреймах, в семантической сети могут быть

представлены родовидовые отношения, которые позволяют реализовать насле-

дование свойств от объектов-родителей. Это обстоятельство приводит к тому,

что семантические сети приобретают большинство недостатков и достоинств

представления знаний в виде фреймов. Основное преимущество семантических

сетей заключается в их наглядности и непосредственной связанности понятий

через сеть, которая позволяет быстро находить связи понятий.

Главный недостаток семантических сетей – сложность обработки исключе-

ний, требующих перестройки больших участков сети с взаимосвязанными узла-

ми. Кроме того, имеет место смешение групп знаний, относящихся к совершенно

различным ситуациям, что усложняет интерпретацию знаний и затрудняет

управление выводом на сети. Однако достоинства данного подхода позволяют

применять его и в современных системах.

3.

Нейросетевая модель

Нейросетевой подход является одним из наиболее интенсивно развиваю-

щихся направлений ИИ. Как и семантические сети, он относится к сетевым мо-

делям представления знаний. Нейросетевой метод основан на попытке имитиро-

вать процессы, происходящие в мозге человека на клеточном уровне. В настоя-

щее время искусственные обучаемые нейронные сети (НС) широко применяются

для решения сложных неформализованных задач прогнозирования и классифи-

кации

[23]

. Несколько основных нейросетевых архитектур, такие, как много-

слойные персептроны, сети и карты Кохонена, делают возможным решение ши-

рокого спектра задач, зачастую нерешаемых классическими статистическими