Функция принадлежности

МИНИСТЕРСТВО ОБРАЗОВАНИЯ РОССИЙСКОЙ ФЕДЕРАЦИИ

 

ОБНИНСКИЙ ИНСТИТУТ АТОМНОЙ ЭНЕРГЕТИКИ

 

ФАКУЛЬТЕТ КИБЕРНЕТИКИ

РЕФЕРАТ

На тему: «Функция принадлежности»

Выполнила: студентка 4-его курса

группы А-1-96

Демина А.Ю.

Обнинск 2000

Содержание

1.         Эволюция систем искусственного интеллекта.

2.         Направления развития систем искусственного интеллекта.

3.         Представление знаний – основная проблема систем искусственного

интеллекта.

4.         Что такое функция принадлежности и где она используется?

5.         Итоги.

Буквально несколько десятилетий назад все было понятно: знание – особенность исключительно человеческого интеллекта, так как он предполагает способность не только хранить информацию, но и понимать ее. Однако бурное развитие современных информационных технологий привело к кардинальному пересмотру многих привычных определений. В их числе оказалось и само понятие интеллекта: уникальность человеческого разума была поставлена под сомнение самим человеком.

Первые исследования в области искусственного интеллекта (ИИ) были начаты в 60-х годах и первоначально ограничивались решением простейших задач, как то: наделение машин способностью доказывать несложные теоремы, обучение логике игры в шахматы и т.п. От решения первых простейших задач исследователи постепенно перешли к более сложным моделям: ускорение типовых вычислений как продукт их первоначальной деятельности перестало удовлетворять нуждам общества. Собственно говоря, отсюда и берет свое начало история хорошо известных сегодня систем автоматизации.

Однако после массового внедрения этих систем в бизнес-процессы, возникли первые трудности. Выяснилось, что многие задачи, успешно и быстро решаемые человеком-экспертом, не поддаются описанию в понятиях компьютерной логики, основанной только на математике. Альянс «человек + компьютер» по-прежнему оставался доминирующим при выборе и построении моделей подобных систем. Естественно, учитывая все возрастающую тенденцию к максимальной автоматизации деятельности, создавшееся положение требовало глобального переосмысления существующего подхода к информации вообще. Машины необходимо было научить не только структурировать информацию, но и думать, принимая самостоятельные решения. Именно этот момент можно по праву считать началом века ИИ.

Специалисты быстро поняли, что основной задачей новой области должно стать эффективное управление поступающими информационными потоками, то есть, в конечном счете, получение знаний из информации. Было очевидно, что для начала часть материалов может и должна быть отсеяна, исходя из определенных критериев.

В настоящее время в исследованиях по ИИ выделились несколько основных направлений:

·     Представление знаний.

·     Манипулирование знаниями.

·     Общение.

·     Восприятие.

·     Обучение.

·     Поведение.

Согласуясь с темой реферата, рассмотрим только первое направление.

Проблема представления знаний является одной из основных проблем для системы ИИ, так как функционирование такой системы опирается на знания о проблемной области, которые хранятся в ее памяти.

В области приобретения знаний к настоящему времени разработано значительное число подходов, стратегий, методов и процедур работы с экспертами, предложены различные способы обработки полученных результатов, а также создан целый ряд программных средств, автоматизирующих процессы извлечения знаний из экспертов, специальных текстов и баз данных.

Наибольшее развитие из всех разработок ИИ получили экспертные системы (ЭС). Они завоевали устойчивое признание в качестве систем поддержки принятия решения. Подобные системы способны аккумулировать знания, полученные человеком в различных областях деятельности. Однако большинство систем все еще сильно зависит от классической логики (ее основоположником считается Аристотель). Существенный недостаток классической или булевой логики – с ее помощью невозможно описать ассоциативное мышление человека. Решить эту проблему и призвана нечеткая логика, в состав аппарата которой входит функция принадлежности.

Одним из основных методов представления знаний в ЭС являются продукционные правила, главным недостатком которых является то, что для их функционирования требуется наличие полной информации о системе.

Нечеткие системы тоже основаны на правилах продукционного типа, однако в качестве посылки и заключения в правиле используются лингвистические переменные, что позволяет избежать ограничений, присущих классическим продукционным правилам.

Нечеткость возникает в случае, когда эксперт пытается количественно охарактеризовать качественные понятия и отношения, которые он использует в своих рассуждениях. Приобретение нечетких знаний является чрезвычайно сложной задачей, поскольку эксперты, как правило, не в состоянии определять и строить функцию принадлежности (ФП) множества F, которая отображает элементы множества F в интервал [0;1]. Кроме того, эксперт часто не может (не хочет) оперировать четкими понятиями, а использует для решения задачи нечеткие переменные, которые он подсознательно понимает, но выразить количественно затрудняется. Например, в своих рассуждениях эксперт может оперировать понятием «большой», однако никоим образом не характеризуя это понятие количественно. Решать эту проблему должен уже инженер знаний с помощью аппарата нечеткой логики. Разберем, как это происходит.

Точные значения переменных преобразуются в значения лингвистических переменных посредством применения некоторых положений теории нечетких множеств, а именно – при помощи определенных ФП.

В нечеткой логике значения любой величины представляются не числами, а словами естественного языка и называются термами. Принадлежность каждого точного значения одному из термов лингвистической переменной (ЛП) и определяется с помощью ФП. Ее вид может быть абсолютно произвольным. Сейчас сформировалось понятие о так называемых стандартных ФП (см рис. ниже).

Стандартные ФП легко применимы к решению большинства задач. Однако, если предстоит решать специфическую задачу, можно выбрать и более подходящую форму ФП, при этом можно добиться лучших результатов работы системы, чем при использовании функции стандартного типа.

Дадим некое подобие алгоритма по формализации задачи в терминах нечеткой логики.

Для каждого терма взятой ЛП найти числовое значение или диапазон значений, наилучшим образом характеризующих данный терм. Так как это значение или значения являются «прототипом» нашего терма, то для них выбирается единичное значение ФП. После определения значений с единичной принадлежностью необходимо определить значение параметра с принадлежностью «0» к данному терму. Это значение может быть выбрано как значение с принадлежностью «1» к другому терму из числа определенных ранее. После определения экстремальных значений нужно определить промежуточные значения. Для них выбираются П- и Л- функции из числа стандартных ФП. Для значений, соответствующих экстремальным значениям параметра, выбираются S- или Z- ФП.

После такого описания задачи необходимо перейти к составления базы нечетких правил.

Можно выделить две группы методов построения ФП: прямые и косвенные. В прямых методах эксперт непосредственно задает правила определения значений ФП lia (u) . Сюда относится непосредственное задание ФП таблицей, формулой или примером.

В косвенных методах значения ФП выбираются таким образом, чтобы удовлетворялись заранее сформулированные условия. Как правило прямые метода используются для описания понятий, которые характеризуются измеримыми признаками (высотой, ростом, массой, объемом).

Подведем некоторые итоги нашего обзора и отметим наиболее важные аспекты влияния и роль, которую сыграли и играют ФП в формировании и развитии ИИ.

·     ФП могут отражать мнение как некоторой группы экспертов, так и одного уникального эксперта. Комбинируя возможные два метода построения ФП с двумя типами экспертов (коллективным и уникальным), можно получить четыре типа экспертизы.

·     Теория нечетких множеств, как один из методов ИИ, дает возможность представить с единых абстрактных позиций разнотипную исходную информацию, ограничения и цели. При этом корректное вычисление значений ФП объектов к нечетким множествам является преобразованием в сильную интервальную шкалу исходного признака, будь то неопределенный числовой или номинальный признаки, либо субъективные суждения специалиста по решаемой проблеме.

·     Решается проблема приобретения нечетких знаний.

·     Разработка одного из компонентов НЕЗНАНИЯ в аппарате Знания – недоопределенной математики – не только обеспечила настоящий скачок в решении традиционных для ИИ логико-комбинаторных проблем в рамках развития направления constraint programming, но и радикально изменила технологию самой вычислительной математики, значительно расширив ее возможности.

·     Кроме того аппарат недоопределенной математики и последние тенденции constraint programming реализуются на радикально новом – неалгаритмическом – процессе data-driven (управления по данным), обладающим естественной параллельностью и недетерминизмом, позволяющими преодолеть присущий аппарату знаний порог эффективности.

Литература

“Методы работы со знаниями. Формализация качественных знаний”. http://www.saslib.ru/ref/arh/14/240-2905/index.html Г.В. Рыбина, Р.В. Душкин. “Некоторые аспекты автоматизированного извлечения и обработки знаний с НЕ-факторами”. “Непростые будни искусственного интеллекта”. http://www.computery.ru/upgrade/ А.С. Нариньяни. “Искусственный интеллект: стагнация или новая перспектива?” Конспект лекций “Тенденции развития систем искусственного интеллекта”. С.Л. Сотник. Конспект лекций по курсу “основы проектирования систем искусственного интеллекта”