Rambler's Top100 Сайт цифровых учебно-методических материалов ВГУЭС // abc.vvsu.ru, методическое обеспечение учебного процесса
 
 Интеллектуальные информационные системы (Учебная программа). Автор: Торгашов А.Ю., редактор: Масленникова С.Г.

 Все учебники» | содержание |  Поиск » | помощь»
Учебные материалы ВГУЭС
АННОТАЦИЯ

Дисциплина "Интеллектуальные информационные системы" (ИИС) рассматривает способы построения информационных систем для решения неформализованных задач в различных сферах творческой деятельности человека. Особое внимание уделяется вопросам построения экспертных систем, которые являются наиболее значительным результатом практической реализации теории искусственного интеллекта.

Изучаются математические и алгоритмические основы интеллектуальных информационных систем: модели представления знаний на основе систем продукций, семантических сетей и фреймов; выводы на знаниях; нечеткая информация и выводы; нейронные сети; методы эвристического поиска решений; программирования задач в системе Турбо-Пролог и построения экспертных систем в среде FuzzyCLIPS.

Изучение эвристических алгоритмов поиска решений на примере оптимизационных экономических задач связано с курсом "Математическая экономика".

1. Организационно-методические указания
1.1. Цели и задачи изучения дисциплины

Цель изучения дисциплины: представление ряда вопросов, отражающих состояние новой информационной технологии, научной основой которой является теория искусственного интеллекта. Помочь студентам, изучающим программирование, понять принципы решения неформализованных задач. Конечная цель изучения дисциплины – способность самостоятельного проектирования интеллектуальной информационной системы.

Задачи курса:

-         изучение основных способов представления знаний в ИИС;

-         рассмотрение алгоритмов логического вывода на знаниях (в том числе на основе нечеткой исходной информации);

-         ознакомление студентов с эвристическими методами поиска решений в ИИС;

-         изучение возможностей языка Пролог для инженерии знаний.

1.2. Связь с другими дисциплинами

При выполнении лабораторных работ требуется составить алгоритм и программу для решения поставленной задачи, основы построения которых рассматриваются в дисциплине "Информатика", "Операционные среды, системы, оболочки". Изучение эвристических алгоритмов поиска решений на примере оптимизационных задач тесно связано с курсом "Численные методы".

1.3. Знания, умения и навыки, которые должен приобрести студент в результате изучения дисциплины

После завершения курса студент должен:

- знать:

а)  классы задач, решаемых с помощью ИИС;

б)  основные виды ИИС;

в)  способы представления знаний в ИИС посредством систем продукции, семантических сетей и фреймов;

г)  алгоритмы логического вывода на знаниях;

д)  принцип действия ИИС на нейронных сетях;

е)  модели представления нечетких знаний;

ж) архитектуру экспертных систем;

з)  основы функционирования интеллектуальных информационно-поисковых систем;

и) основные сведения о языках программирования искусственного интеллекта;

- уметь:

а)  создать базу знаний по требуемой предметной области;

б)  решать поставленные задачи в условиях нечеткой исходной информации;

в)  построить экспертную и интеллектуальную диагностическую систему;

г)  организовать поисковую ИИС;

- приобрести навыки:

а)  логического программирования на языке Пролог;

б)  решения задач с нечеткими числовыми данными.

1.4. Основные виды занятий и особенности их проведения при изучении дисциплины
1.4.1. Лабораторные работы

Лабораторные работы проводятся в компьютерном классе. Для обеспечения проведения занятий в качестве программного обеспечения должны быть установлены языки программирования Пролог, Си и система Fuzzy_CLIPS.

Для успешного выполнения заданий лабораторной работы студент должен предварительно ознакомиться с описанием задания, соответствующей теоретической частью курса и рекомендованной литературой. По каждому выполненному заданию студент должен представить отчет в электронной форме.

1.5. Виды текущего, промежуточного и итогового контроля знаний студентов по дисциплине и способы их проведения

В течение семестра проводится промежуточная аттестация по итогам выполненных лабораторных работ в установленные сроки и ответов на вопросы для самопроверки.

Лабораторная работа считается выполненной, если студентом создана правильно работающая программа, отчет по которой предоставляется преподавателю в виде исполняемого модуля приложения и его исходных текстов в электронном виде. Студент также должен объяснить преподавателю целесообразность и необходимость использующихся в приложении алгоритмов и конструкций используемого языка программирования.

2. Содержание дисциплины
2.1. Перечень тем занятий
2.1.1. Понятие и задачи искусственного интеллекта (ИИ)

 

Основные понятия ИИ. Информационные системы, имитирующие творческие процессы.

Современные тенденции развития теории ИИ. Разработка моделей знаний, методов понимания ЭВМ естественного языка, процедур автоматического доказательства теорем, способов распознавания зрительных образов и прогнозирования трендов сигналов, методов автоматизированного программирования и ситуационного управления.

 

2.1.2. Неформализованные задачи научно-технической деятельности и классификация моделей представления знаний

 

Информация и данные. Процедурная и декларативная информация. Предметная область. Знание. Модель вывода гипотезы путем использования данных и знаний. Особенности знаний: интерпретация, структурированность, связность, семантическая метрика, активность.

Формализованные и неформализованные знания. Информационные модели знаний. Неопределенность целей семантических решений неформализованных задач (НФЗ). Особенности НФЗ. Пример экспертной системы (ЭС). Системы интеллектуального интерфейса для информационных систем.

 

2.1.3. Методы инженерии знаний. Представление знаний с помощью систем продукции (СП)

 

Правила продукций. Гипотетический силлогизм. Требования к СП. Механизм ввода. Представление СП графами. Соединители И, ИЛИ, НЕ в продукционных правилах. Модульность, параллелизм, асинхронность СП.

Таблицы принятия решений с ограниченными элементами и смешанного вида. Формат и операторы таблиц принятия решений.

 

2.1.4. Представление знаний семантическими сетями

 

Концептуальный граф. Логико-лингвистические и функциональные семантические сети. Семантическая сеть как реализация интегрированного представления данных, категорий типов данных, свойств категорий и операций над данными и категориями. Понятия. События. Свойства. Лингвистические, логические, теоретико-множественные и квантификационные семантические отношения. Разбиение семантической сети на подпространства.

Интенсионал и экстенсионал семантических отношений. Диаграммы процедурного представления семантическими сетями и выводы. Правила построения семантических сетей.

Понимание речи и семантические сети. Контекст как ситуация, установленная в результате понимания последовательности высказываний. Метод поиска пересечений.

 

2.1.5. Теория фреймов. Модели представления знаний фреймами

 

Сведения из теории фреймов М. Минского и фреймовые модели. Состав фрейма: атрибут, значение, слот. Наследование свойств фреймов. Свойства фреймов: базовый тип, процесс сопоставления, иерархическая структура. Структура данных фрейма: имя фрейма, имя слота, указатели наследования, указание типа данных, значение слота, демон, присоединенная (прикладная) процедура. Модель прикладных процедур реализующих правила обработки данных.

 

2.1.6. Логическая модель знаний. Представление знаний на основе исчисления предикатов. Алгоритмы логического вывода на знаниях

 

Язык логики высказываний: алфавит, синтаксис, семантика. Пропозициональные символы, логические связки (дизъюнкция, конъюнкция, импликация, эквивалентность, отрицание). Математическая индукция.

Эквивалентность высказываний. Законы де Моргана, дистрибутивности, коммуникативности, ассоциативности, контрапозиционный, нуля и единицы. Отношение порядка. Понятие метаязыка. Клауза (метапредложение). Легенда. Представление клауз в виде совершенной дизъюнктивной нормальной формы (СДНФ) и совершенной конъюктивной нормальной формы (СКНФ). Хорновский дизъюнктант. Тавтология и противоречие. Таблицы истинности и принцип резолюции в доказательстве истинности клауз.

Исчисление предикатов первого порядка. Кванторы общности и существования. Составление предикатных клауз. Булеан. Законы для кванторных решеток. Идентификация предикатных выражений с соответствующими выражениями в логике Буля и логике высказываний. Логическое программирование в системе ПРОЛОГ и логика предикатов. Механизм вывода на основе модели логического программирования (процедура унификации, метод резолюций). Работа интерпретатора ПРОЛОГа, обработка списков и строк символов.

 

2.1.7. Интеллектуальные системы на нейронных сетях

 

Обработка знаний с помощью нейронных сетей и нечеткой логики как основные методы инженерии знаний.

Модели нейронов. Реализация логических функций на формальных нейронах. Проблема "Исключающего ИЛИ". Персептрон. Адаптивный линейный нейрон (Адалине). Плоскость входных сигналов Мадалине. Формы задания активационной функции нейрона (пороговая, сигмоидная, функция гиперболического тангенса). Алгоритм обратного распространения в обучении многослойных нейронных сетей.

Динамические нейронные сети: введение операторов задержки на примере Адалине. Сети на основе радиальных базисных функций: аппроксимация непрерывных функций. Сети Хопфилда, обратные динамические связи. Возможные состояния бинарной сети Хопфилда.

Нейронные сети Кохонена.

 

2.1.8. Модели представления нечетких знаний и недетерминированные процедуры вывода решений

 

Многозначность интерпретации. Неопределенность информации. Типы нечетких знаний. Кванторы общности, существования и нелогические кванторы. Недетерминированность процедур вывода решений НФЗ. Цепочки выводов на дереве вариантов решений. Вывод по аналогии. Пропорция Лейбница. Семантическое пространство Осгуда. Временной вывод.

Методы неточных рассуждений с ненадежными данными. Метод Джона-Стюарта-Милля выделения признаков для описания ситуации (эмпирическая истина). Множества причин, следствий, оценок.

Общие сведения о нечеткой и вероятностной логиках.

 

2.1.9. Основные понятия теории нечетких множеств

 

Нечеткие множества (математическая модель). Функция принадлежности. Модели представления знаний на основе теории нечетких множеств: решение оптимизационной задачи с нечеткими отношениями на примере установки первичной переработки нефти.

Операции с нечеткими числовыми данными, интервалами доверия и нечеткими множествами. Оптимизация выбора инвестиций с помощью теории нечетких множеств.

 

2.1.10. Нечеткие выводы. Представление нечеткости с помощью теории возможностей

 

Графическое представление нечеткого продукционного правила. Дефадзификация. Нечеткая импликация. Метод центра тяжести в нечетком выводе. Нечеткий вывод на примере диагностической системы. Предпосылки. Заключения. Симптомы. Факторы.

Теория возможностей. Возможность, неизбежность и интервал очевидности гипотезы.

 

2.1.11. Архитектура ЭС. Режимы функционирования и классификация ЭС

 

Типовая архитектура ЭС: база знаний, база данных, база целей, рабочая база знаний, подсистема вывода решений, подсистема поддержки и отладки, подсистема цифрового моделирования, подсистема объяснения решений, подсистема координации и управления.

Режим приобретения знаний. Режим решения НФЗ. Поверхностные, глубинные, традиционные и интегрированные ЭС.

 

2.1.12. Основные этапы разработки ЭС. Языки программирования ИИ

 

Идентификация областей применения ЭС. Концептуальный анализ предметной области. Разработка моделей представления знаний и выбор методов компьютерной переработки знаний. Построение базы знаний. Создание программно-информационного обеспечения. Тестирование качества функционирования ЭС.

Методы представления знаний в базах данных информационных систем. Инструментальные средства баз данных.

Языки программирования ИИ: функциональное, логическое и объектно-ориентированное программирование.

 

2.1.13. Общая характеристика языков представления знаний

 

Фреймовые языки представления знаний (KRL, FRL, SRL и др.). Концептуальная единица. Прототипы. l – исчисление.

Языки продукционно-ориентированного программирования: семейство языков OPS.

Языки грамматико-семантической обработки текста (понимания речи): ATNL. Рекурсивная сеть переходов. Сетевая грамматика.

 

2.1.14. Языки логического программирования

 

Основные сведения о языках Пролог, APES, APLICOT, DUCK, FIT. Дизъюнкты Хорна. Предикаты. Списки. Операция сопоставления над данными. Обратная цепочка рассуждений. Достоинства и недостатки языков логического программирования.

 

2.1.15. Интеллектуальные информационно-поисковые системы

 

Эвристические методы поиска решений в ИИС: конструктивные, декомпозиции, манипулирование с моделью, локальное улучшение. Текущая стоимость ситуации. Алгоритм А*. Метаэвристический поиск: табу поиск решений. Явная и атрибутивная память. Краткосрочная и управляющая неглубокая память. Структуры неглубокой и быстрой памяти. Уровни аспирации. Стратегии "списка кандидатов", интенсификации и диверсификации. Принцип приблизительной оптимальности. Стратегическая осцилляция. Восстановление пути.

 

2.1.16. Физическая аналогия и постановка эвристики в методе моделирования отжига

 

Эвристическая стратегия моделирования отжига. Комплекция молекул. Статистика Максвелла-Больцмана. Аналогия между оптимизацией и термодинамикой. Характеристики поиска: начальная температура, скорость охлаждения, конечная температура.

Рассмотрение сходимости метода моделирования отжига на основе теоремы сходимости цепей Маркова и некоторые аспекты его применения.

 

2.1.17. Эволюционные методы поиска: генетические алгоритмы

 

Машинная эволюция. Генетический алгоритм. Структура и компоненты. Репродукция: селекция, кроссовер, мутация, инверсия. Приспособленность особи. Генетическое программирование. Схемная теорема. Скрытый (безусловный) параллелизм. Пример использования генетического алгоритма в определении глобального экстремума полимодальной функции.

2.2. Перечень тем лабораторных занятий
2.2.1. Создание базы знаний на языке программирования Пролог

 

Создание базы правил и базы фактов.

 

2.2.2. Поиск оптимального пути на графе

 

Задан направленный граф с пятью вершинами. Поиск пути минимальной стоимости.

2.2.3. Вывод на знаниях 1

 

Алгоритм перебора правил в режиме без возврата.

 

2.2.4. Вывод на знаниях 2

 

Алгоритм перебора правил в ширину.

 

2.2.5. Вывод на знаниях 3

 

Алгоритм порождения подпроблем в глубину.

 

2.2.6. Обучение нейронных сетей

 

Программирование структуры двухслойной нейронной сети, реализация первого цикла обучения в соответствии с алгоритмом обратного распространения.

Реализация последующих циклов обучения посредством перебора обучающихся пар.

 

2.2.7. Операции на нечетких числах

 

Сумма, разность.

Умножение и деление в R+ и R.

 

2.2.8. Оптимизация с нечеткими отношениями

 

Вычисление значений нормализованных функций принадлежности.

Реализация процедуры пересечения множеств и выбора оптимального решения в соответствии с максиминной (max-min) сверткой.

 

 

2.2.9. Нечеткий вывод в диагностических системах

 

Построение пространства предпосылок и заключений.

Свертка max-min в определении причины текущего состояния.

 

2.2.10. Эвристический поиск

 

Построение дерева поиска (на примере игры в восемь).

Реализация алгоритма А*.

 

URL: http://abc.vvsu.ru/Books/p_ininfs/page0001.asp
Все учебники : поиск : разработчики : лицензия : информация : abc@vvsu.ru
Все права защищены и принадлежат ВГУЭС. Любая перепечатка и/или распространение запрещено!
© 1999-2014 Владивостокский государственный университет экономики и сервиса, www.vvsu.ru