Экспертные системы, базирующиеся на фактах
РАЗРАБОТКА ЭКСПЕРТНЫХ СИСТЕМ В PROLOG
Разработка экспертных систем (ЭС) является наиболее плодотворной быстро развивающейся областью применения Пролога. Очень важно понимать, как работают экспертные системы, так как они могут использоваться, фактически, в любой области знаний.
Экспертная система – это компьютерная программа, которая в некоторой области проявляет степень познаний равнозначную степени познания человека-эксперта. Обычно эта область строго ограничена. Однако, количество приложений огромно. Сюда входят понимание речи, анализ изображений, прогноз погоды, оценка будущего урожая, медицинская диагностика, разработка интегральных схем, финансирование, управление воздушным движением, управление боем и т.д.
Структура экспертных систем
Чтобы проводить экспертизу, компьютерная программа должна быть способна решать задачи посредством логического вывода и получать при этом достаточно надежные результаты. Программа должна иметь доступ к системе фактов, называемой базой знаний. Программа также должна во время консультации выводить заключения из информации, имеющейся в базе знаний. Некоторые экспертные системы могут также использовать новую информацию, добавляемую во время консультации. Экспертную систему, таким образом, можно представлять состоящей из трех частей:
1. База знаний (БЗ).
2. Механизм вывода (МВ).
3. Система пользовательского интерфейса (СПИ).
|
|
База знаний – центральная часть экспертной системы. Она содержит правила, описывающие отношения или явления, методы и знания для решения задач из области применения системы. Можно представлять базу знаний состоящей из фактических знаний и знаний, которые используются для вывода других знаний. Утверждение "Джон Ф. Кеннеди был 35-м президентом Соединенных Штатов" – пример фактического знания. "Если у вас болит голова, то примите две таблетки цитрамона" – пример знания для вывода. Сама база знаний обычно располагается на диске или другом носителе.
Механизм вывода содержит принципы и правила работы. Механизм вывода "знает", как использовать базу знаний так, чтобы можно было получать разумно согласующиеся заключения (выводы) из информации, находящейся в ней.
Когда экспертной системе задается вопрос, механизм вывода выбирает способ применения правил базы знаний для решения задачи, поставленной в вопросе. Фактически, механизм вывода запускает экспертную систему в работу, определяя какие правила нужно вызвать и организуя к ним доступ в базу знаний. Механизм вывода выполняет правила, определяет, когда найдено приемлемое решение и передает результаты программе интерфейса с пользователем. Когда вопрос должен быть предварительно обработан, то доступ к базе знаний осуществляется через интерфейс с пользователем.
|
|
Интерфейс – это часть экспертной системы, которая взаимодействует с пользователем. Как правило, пользователи мало знают об организации базы знаний, поэтому интерфейс может помочь им работать с экспертной системой даже, если они не знают, как она организована. Интерфейс может также объяснить пользователю, каким образом экспертная система выводит результат.
В настоящем издании мы ограничимся лишь организацией БЗ и управлением стратегией вывода. Для чего рассмотрим два примера реализации ЭС средствами Турбо-пролога: ЭС, построенную на правилах, и ЭС, построенную на логике.
Экспертная система на правилах
Во всех экспертных системах существует зависимость между входным потоком данных и данными в базе знаний. Во время консультации входные данные сопоставляются с данными в базе знаний. Результатом сопоставления является отрицательный или утвердительный ответ.
В системе, базирующейся на правилах, утвердительный результат является действием одного из продукционных правил. Эти продукционные правила определяются входными данными.
|
|
Экспертная система, базирующаяся на правилах (на Турбо-Прологе) содержит множество правил. Предикаты в левой части правил определяют один из возможных вариантов решения задачи, предикаты в правой части всегда специфицируются другими правилами, помимо тех случаев, когда предикат просто проверяет, находится ли определенная информация в базе данных. Информация, помещаемая в базу данных, извлекается из ответов пользователя на задаваемые вопросы. Все ответы сохраняются, так как они могут понадобиться позднее.
Экспертная система также содержит интерпретатор в механизме вывода. Работу этого интерпретатора можно описать последовательностью трех шагов: интерпретатор сопоставляет образец правила с элементами данных в базе знаний; если можно вызвать более одного правила, то интерпретатор использует механизм разрешения конфликта для выбора правила; интерпретатор применяет выбранное правило, чтобы найти ответ на вопрос. Этот процесс интерпретации является циклическим и называется циклом "распознавание-действие".
Рассмотрим в качестве примера экспертной системы на правилах систему для идентификации пород собак. Она помогает потенциальному хозяину выбрать породу собаки в соответствии с определенными критериями.
|
|
Предположим, что пользователь сообщил множество характеристик собаки в ответ на вопросы экспертной системы. Интерпретатор работает в цикле распознавание-действие. Если характеристики, заданные пользователем, сопоставимы с характеристиками породы собаки, составляющими часть базы знаний, тогда вызывается соответствующее продукционное правило и в результате идентифицируется порода. Затем результат сообщается пользователю. Если порода не идентифицирована, это тоже сообщается пользователю.
Рассмотрим две породы собак, информация о которых содержится в базе знаний. Гончая имеет короткую шерсть, высоту в холке меньше 57 см длинные уши и хороший характер. Датский дог имеет короткую шерсть, низко посаженный хвост, длинные уши, хороший характер и вес более 45 кг.
Из этого описания видно, что обе породы имеют короткую шерсть, длинные уши и хороший характер. Рост гончей меньше 57 см в то время, как ничего не сказано о росте дога. Дог имеет низко посаженный хвост и вес более 45 кг – характеристики отсутствующие для гончей. Описание двух собак в терминах указанных характеристик достаточно, чтобы различить эти две породы, и даже отличить их от любой другой породы в базе знаний.
Следующие продукционные правила могут быть составлены по указанным характеристикам:
dog_is("Гончая"):– it_is("короткоерстная собака"),
positive("ее","высота в холке не более 57 см"),
positive("у нее","длинные уши"),
positive("у нее","дружелюбный характер"), !.
dog_is("Great Dane"):– it_is("длинношерстная собака"),
positive("у нее","низко посаженный хвост"),
positive("у нее","длинные уши"),
positive("у нее","дружелюбный характер"),
positive("ее","вес более 45 кг"), !.
Заметим, что в правилах длина шерсти может быть представлена с помощью предиката positive в виде:
positive("у нее","короткая шерсть").
Но использование предиката it_is позволяет ограничить "пространство поиска" (количество данных, проверяемых при поиске решения) одним поддеревом древовидной структуры , содержащей информацию о разных породах собак.
Экспертная система, базирующаяся на правилах, позволяет проектировщику строить правила, которые естественным образом объединяют в группы связанные фрагменты знаний. Каждое продукционное правило может быть независимым от других. Эта независимость делает базу продукционных правил семантически модульной, т.е. группы информации не влияют друг на друга. Более того, модульность базы правил позволяет развивать базу знаний, увеличивая ее.
Листинг программы экспертной системы на правилах
/* Программа: эксперт по породам собак */
/* Это продукционная система, базирующаяся на правилах*/
Database
xpositive(symbol,symbol)
xnegative(symbol,symbol)
Predicates
do_expert_job
do_consulting
ask(symbol,symbol)
dog_is(symbol)
it_is(symbol)
positive(symbol,symbol)
negative(symbol,symbol)
remember(symbol,symbol,symbol)
clear_facts
Goal
do_expert_job .
Clauses
/* Систесма пользовательского интерфейса */
do_expert_job :– makewindow(1, 7, 7, "ЭКСПЕРТ ПО ПОРОДАМ СОБАК, 1, 16, 22, 58),
nl,write(" * * * * * * * * * * * * * * * * * * * * * "),
nl,write(" ДОБРО ПОЖАЛОВАТЬ! "),nl,nl,
nl,write(" Проводится идентификация породы "),nl,nl,
nl,write(" Отвечайте, пожалуйста, 'да' или 'нет' "),
nl,write(" а вопросы о собаке, породу которой "),
nl,write(" Вы хотите определить "),
nl,write(" * * * * * * * * * * * * * * * * * * * * * * "),
nl,nl,do_consulting,write("Нажмите любую клавишу"),
nl, readchar(_), removewindow.
do_consulting :– dog_is(X), !, nl, write("Вероятно Ваша собака – ",X,"."),
nl,clear_facts.
do_consulting :– nl, write("Извините, я не смогу помочь Вам!"),
clear_facts.
ask(X,Y) :– write(" ?:– ",X, " ",Y, " ? "), readln(Reply),
remember(X,Y,Reply).
/* Механизм вывода */
positive(X,Y) :– xpositive(X,Y),!.
positive(X,Y) :– not(negative(X,Y)),!,ask(X,Y).
negative(X,Y) :– xnegative(X,Y),!.
remember(X,Y,yes) :– asserta(xpositive(X,Y)).
remember(X,Y,no) :– asserta(xnegative(X,Y)),fail.
clear_facts :– retract(xpositive(_,_)), fail.
clear_facts :– retract(xnegative(_,_)), fail.
/* Продукционные правила */
dog_is("Английский Бульдог") :– it_is("короткошерстная собака"),
positive("ее","высота в холке не более 57 см"),
positive("у нее","низко посаженный хвост"),
positive("у нее","дружелюбный характер"),!.
dog_is("Гончая") :– it_is("короткошерстная собака"),
positive("ее","высота в холке не более 57 см"),
positive("у нее","длинные уши"),
positive("у нее","дружелюбный характер"),!.
dog_is("Немецкий Дог") :– it_is("короткошерстная собака"),
positive("у нее","низко посаженный хвост"),
positive("у нее","дружелюбный характер"),
positive("ее","вес более 45 кг"),!.
dog_is("Американский Фоксхаунд") :– it_is("короткошерстная собака"),
positive("ее","высота в холке не более 77 см"),
positive("у нее","длинные уши"),
positive("у нее","дружелюбный характер"),!.
dog_is("Кокер Спаниель") :– it_is("длинношерстная собака"),
positive("ее","высота в холке не более 57 см"),
positive("у нее","низко посаженный хвост"),
positive("у нее","длинные уши"),
positive("у нее","дружелюбный характер"),!.
dog_is("Ирландский Сеттер") :– it_is("длинношерстная собака"),
positive("ее","высота в холке не более 77 см"),
positive("у нее","длинные уши"),!.
dog_is("Колли") :– it_is("длинношерстная собака"),
positive("ее","высота в холке не более 77 см"),
positive("у нее","низко посаженный хвост"),
positive("у нее","дружелюбный характер"),!.
dog_is("Сенбернар") :– it_is("длинношерстная собака"),
positive("у нее","низко посаженный хвост"),
positive("у нее","дружелюбный характер"),
positive("ее","вес более 45 кг"),!.
it_is("короткошерстная собака ") :–
positive("это","короткошерстная собака "),!.
it_is("длинношерстная собака ") :–
positive("это","длинношерстная собака "),!.
/* Конец программы */
Экспертные системы, базирующиеся на фактах
В экспертных системах, базирующихся на фактах, база знаний состоит из утверждений в виде предложений логики предикатов. Такие предложения могут группироваться, образуя БД Турбо-Пролога. Правила могут либо описывать данные, либо управлять процессом внутренней унификации Турбо-Пролога.
Так же как и в системе на правилах экспертная система, базирующаяся на фактах, имеет множество правил, которые могут вызываться с помощью данных из входного потока. Система имеет также интерпретатор, который может выбирать и активизировать модули, включаемые в работу системы.
Интерпретатор выполняет различные функции внутри системы на основе следующей схемы:
1. Система имеет предложения в базе знаний, которые управляют поиском и сопоставлением. Интерпретатор сопоставляет эти предложения с элементами данных в базе данных.
2. Если может быть вызвано более одного правила, то система использует возможности Турбо-Пролога для разрешения конфликта. Следовательно, пользователю/программисту не нужно рассматривать потенциально возможные конфликты.
3. Система получает результаты унификационного процесса автоматически, поэтому они могут направляться на нужное устройство вывода информации.
Так же как и в системе, базирующейся на правилах, данный циклический процесс является процессом распознавание-действие. Красота и большие возможности системы, основанной на фактах, заключаются в том, что она отражает структуру самого Турбо-Пролога. Этим объясняется тот факт, что она очень эффективна в работе.
Наиболее важным аспектом для базы знаний в системе, основанной на фактах, является проектирование базы знаний, ее утверждений и их структуры. База знаний должна иметь недвусмысленную логическую организацию, и она должна содержать минимум избыточной информации. Так же как и в системе, базирующейся на правилах, минимально достаточное количество данных образуют наиболее эффективную систему. Утверждения базы знаний для гончей и дога выглядят так:
rule(1,"Собака","Гончая",[1,2,3,4]).
rule(2,"Собака","Немецкий Дог",[1,5,3,4,6]).
cond(1,"короткошерстная").
cond(2,"высота в холке не более 57 см").
cond(3,"длинные уши").
cond(4,"дружелюбный характер").
cond(5,"низко посаженный хвост").
cond(6,"вес более 45 кг").
Заметьте, что в каждом предложении типа rule первый аргумент – номер правила, второй аргумент – тип объекта ("собака") и третий аргумент – порода собаки. В нашем случае это гончая или дог. Список целых чисел задает номера условий из предложений типа cond (условие). Предложения типа cond содержат все характеристики для любой породы, представленной в базе знаний.
Списки номеров условий служат для хранения множества фактов, согласно которым выбираются предложения типа rule. Интерпретатор в экспертной системе, базирующейся на логике, использует эти номера условий, чтобы делать соответствующий выбор.
Добавление и обновление предложений базы знаний являются простыми операциями (предикаты retract и assert). Экспертные системы, базирующиеся на фактах, легко проектировать, развивать и поддерживать в Турбо-Прологе, так как по мере расширения базы знаний программа не требует модификации. Расширение, прежде всего, заключается в постепенном добавлении новых утверждений.
Дата добавления: 2018-11-24; просмотров: 216; Мы поможем в написании вашей работы! |
Мы поможем в написании ваших работ!