интересно
Предыдущая | Содержание | Следующая

Методы принятия решений в моделях знаний

Методы принятия решений предусматривают логический вывод, вывод в сетях объектов, ассоциативный вывод. Логический вывод может быть строгим, использующим формальные системы, или нестрогим, допускающим эвристические процедуры. Вывод на сетях осуществляется с использованием процедур наложения, сопоставления, наследования, передачи сообщений и специальных присоединенных процедур.  В ассоциативных сетях производится обучение выводу с помощью многократного ассоциативного процессирования примеров правильного вывода.

Интеллектуальные системы с обучением разделяются на две группы: логические и коннективистские. Первые в результате обучения накапливают знания в виде логических отношений, вторые — в виде ассоциативных отображений с настраиваемыми связями элементов.

Примерами систем с индуктивным обучением являются система Рада и система Форсайта BEAGLE.

Система Рада базируется на методе параметрического обучения, который позволяет формировать продукционные правила с коэффициентом уверенности и весами в виде регулируемых порогов срабатывания правил. Веса-пороги регулируют срабатывания правил, которые могут иметь место только при превышении установленного порога по коэффициенту уверенности условия. Веса-ослабления связаны с заключениями правил и используются для их ослабления, если заключение получено при слишком большой уверенности: вес, меньший единицы, умножается на коэффициент уверенности заключения. В этом методе обучения наиболее трудоемкой работой в предварительной настройке системы является создание множества упорядоченных пар начальных (условий) и конечных (заключений) суждений с их коэффициентами уверенности. В результате обучения при небольшом количестве циклов раздачи сообщений и регулировки весов создается множество правил, адекватных парам суждений. В системе Рада используется несколько уровней правил и несколько форм эвристик обучения.

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.