Фреймы
Термин фрейм (от англ. frame, что означает каркас или рамка) был предложен в 1974 г. американским специалистом в области интеллектуальных систем М. Минским для обозначения абстрактного образа, представляющего стереотипную ситуацию или понятие. В психологии и философии известно понятие абстрактного образа. Например, произнесение вслух слова «комната» порождает у слушающих образ комнаты: «жилое помещение с четырьмя стенами, полом, потолком, окнами и дверью, площадью 6...20 м2». Из этого описания ничего нельзя убрать (например, убрав окна, мы получим уже чулан, а не комнату), но в нем есть незаполненные части — слоты (от англ. slot, что означает отсек или щель), например, количество окон, цвет стен, высота потолка, покрытие пола и др.
В теории фреймов такой образ комнаты называется фреймом комнаты. Фреймом также называется и формализованная модель для отображения образа. Эта модель представляется в виде структуры следующего вида:
(Имя фрейма:
Имя слота 1 (значение слота 1);
|
|
Имя слота 2 (значение слота 2);
Имя слота N (значение слота N)).
Здесь слот — это именованное поле, которое содержит данные определенного типа.
Различают фреймы-образцы, фреймы-прототипы, хранящиеся в базе знаний, и фреймы- экземпляры. У фреймов-образцов слоты либо не заполнены, либо содержат ссылки на имена других фреймов. Прототипы используются для создания фреймов-экземпляров, у которых слоты, совпадающие со слотами прототипа, заполняются конкретными значениями на основе поступающих данных. На одного прототипа может быть создано несколько фреймов-экземпляров, различающихся только значениями слотов.
Значением слота может быть практически что угодно: числа, формулы, имена файлов, тексты на естественном языке, правила продукции или ссылки на другие слоты данного фрейма. В качестве значения слота может выступать также имя другого фрейма, что обеспечивает связи между фреймами, их вложенность друг друга («принцип матрешки»). Например, фрейм-экземпляр сотрудника с табельным номером 034 может выглядеть следующим образом:
(СОТРУДНИК_034: фамилия (Иванов); год рождения (1974); специальность (МЕНЕДЖЕР); стаж (6); фото (ivanov.bmp)).
В этом представлении значением слота «специальность» является фрейм МЕНЕДЖЕР.
Существует несколько способов получения слотом значений во фрейме-экземпляре:
• по умолчанию от фрейма-образца (Default-значение);
• явно из диалога с пользователем;
• по формуле, указанной в слоте;
• из базы данных.
В заключение отметим, что основным преимуществом фреймовой модели представления знаний является то, что она отражает основы организации памяти человека, а также ее гибкость и наглядность.
|
|
Специальные языки представления знаний в сетях фреймов FRL (Frame Representation Language — язык представления фреймов), KRL (Knowledge Representation Language — язык представления знаний) и другие программные средства позволяют эффективно строить промышленные экспертные системы.
В рамках логической модели знания представляются с помощью предикатов. Предикатом называется функция нескольких переменных р (Х, Y,...), значениями которой могут быть логические константы ИСТИНА (TRUE) или ЛОЖЬ (FALSE) в зависимости от значений аргументов. Например, предикат родители (Х, F, М) принимает значение ИСТИНА, если для человека с именем X отцом является человек по имени F, а матерью — человек по имени М. С помощью предикатов можно представлять факты. Приведем несколько примеров такого представления:
Родители (олег, иван, мария); студент(петров); посещает{петров, лекции); процессор(Intel 82801).
Из предикатов можно строить логические формулы с помощью операций л (И), v (ИЛИ), -. (НЕ) и —» (импликация «если — то»). Импликация играет особую роль: с ее помощью можно записывать знания общего характера (т.е. закономерности) в виде правил.
Специалистами в области математической логики был разработан алгоритм решения этой задачи, который затем был реализован в специализированном языке ПРОЛОГ (сокращение от программирование логическое).
Следует отметить, что, несмотря на строгое математическое обоснование логической модели, она практически не используется в промышленных экспертных системах. Это связано с тем, что при решении сложных задач попытка представить неформализованные знания эксперта, среди которых преобладают эвристики, в системе строгой логики наталкивается на серьезные препятствия, поскольку в отличие от строгой логики, так называемая, «человеческая логика» обладает нечеткой структурой. Поэтому большая часть достижений в области интеллектуальных систем до настоящего момента была связана с применением нелогических моделей (правила продукции, семантические сети, фреймы).
2.5 Представление нечетких знаний
Поскольку зачастую знания в некоторых предметных областях основываются исключительно на человеческом опыте, т. е. представляют собой эвристики, с полной определенностью никогда нельзя сказать, что они верны. Кроме того, пользователь интеллектуальной системы также не может быть полностью уверен, что факты, которые он сообщает интеллектуальной системе, абсолютно корректны. Особенно часто такие ситуации возникают в задачах медицинской диагностики. Например, правило:
IF уровень гемоглобина = «в норме» AND температура < 36.9° AND температура > 36.4° THEN диагноз:= «здоров»
верно не всегда, поэтому естественно приписать ему значение некоторого коэффициента уверенности Q, который может иметь значение от 0 до 100. Чем меньше значение Q, тем меньше уверенности в том, что правило верно и, наоборот, чем больше значение Q, тем больше уверенности, что вывод, сделанный по этому правилу, верен. Значение Q, равное 100, свидетельствует об абсолютной уверенности в правильности полученного вывода, а правила, для которых значение Q равно 0 или даже меньше некоторого порогового значения (например, 20), рассматривать нет смысла. Коэффициент уверенности можно приписывать не только правилам, но и отдельным фактам.
Таким образом, возможную в продукционных системах неопределенность или нечеткость знаний можно оценивать с помощью коэффициентов уверенности.
При логическом выводе по обратной цепочке рассуждений исполнение каждого правила сопровождается расчетом коэффициента уверенности в полученном факте. Эти коэффициенты выставляются на доску объявлений вместе с самими фактами и используются при дальнейшем проходе по цепочке правил.