Существующие искусственные нейронные сети и методы инженерии знаний (И З), основанные на логических, продукционных, фреймовых и др. моделях знаний, недостаточно эффективны из-за несовершенства способов представления и машинного способа манипулирования ими. Тем не менее, знаниеоориентированное направление остается актуальным в моделировании интеллектуальных умений человека успешно принимать решения в различных условиях неопределенности, благодаря человеческой интуиции и знаниям.
В этом направлении профессором И.Б. Сироджа предложен квантовый подход к инженерии знаний, реализованный посредством разработанного метода разноуровневых алгоритмических квантов знаний (δ-РАКЗ-метод) для принятия идентификационных и прогнозных решений в условиях δ-неопределенности. Эти условия предлагается определить параметром δ , значения которого конкретизируют суть вводимых типов неопределенностей соответствующей комбинацией следующих ограничений.
1. Данные об объекте принятия решений (ОПР) имеют разнотипный характер (измерены в количественных и качественных шкалах) и полученны в неполных объемах из разных источников (книги, справочники, техническая документация, эксперты, измерения и т.п.);
|
|
2. Информация о предметной области и ОПР не всегда достоверна, неполна и неточна;
3. Данные носят преимущественно статистический характер с неизвестными законами распределения характеристик (признаков) ОПР;
4. Преобладает лингвистический (качественный) и нечеткий характер описания предметной области и свойств ОПР;
5. Критерии качества принятия решений заданны неявно и неизвестны по количеству и конкретно какие информативные признаки ОПР, доставляющие оптимум критерия качества;
6. Неизвестны правила принятия идентификационных и прогнозных решений, а также индуктивные принципы их построения путем обучения компьютера по выборочным знаниям и экспериментальным данным;
7. Невозможно непосредственно построить правила принятия указанных решений с помощью известных стандартных вычислительных методов.
Комбинация ограничений {(1), (5)-(7)} определяет условия t-неопределенности, , при которых используются достоверные (точные) t-кванты знаний, а точнее tk-знания. Комбинации ограничений {(1), (2), (5)-(7)}, отвечает условиям π- неопределенности , когда показатели достоверности событий не точны и оцениваются приближенно, и применяются приближенные -кванты, т.е. k -знания.
Аналогично, при и ограничениях {(1), (3), (5)-(7)} выполняются условия v-неопределенности, при которых используются вероятностные vk-знания, а при и ограничениях {(1), (2), (4)-(7)} имеем условия -неопределенности и применяем нечеткие k -знания.
|
|
Идея квантового подхода к ИИ кроется в новой формализованной структуризации (автоматическом квантовании) информации для компьютерного воспроизведения умозаключений и рассуждений средствами математической логики и теории алгоритмов. Понятие δ – кванта знаний, т.е. δk – знания определяется аксиоматически как алгоритмическая структура 0-го, 1-го и 2-го уровней сложности, которая описывает конкретное событие порцией (квантом) информации в виде высказывания и содержит три составляющие: содержательную (семантика), информационную (символы) и процедурную (операторы, алгоритмы). Если квантовому событию можно поставить в соответствие число, то имеем δk -знания 0-го уровня, если кортеж чисел (вектор) или матрицу, то δk-знания имеют 1-й или 2-й уровень соответственно, независимо от типа условий δ-неопределенности. При этом посредством δРАКЗ-метода реализуется алгоритмизация δРАКЗ-моделей представления знаний и дедуктивного вывода следствий из посылок, опираясь на базу δ-знаний (БδkЗ), которая строится индуктивно при обучении на примерах.
Предложенная идея реализуется на основе концепции инженерии квантов знаний (ИКЗ), которая базируется на разработанном δРАКЗ-методе принятия решений [7] и представлена общей схемой на рис 2.3.1.
Рис 2.3.1. Общая концептуальная схема инженерии квантов знаний
Согласно концептуальной схеме ИКЗ первоначально строится БδkЗ как система импликативных и/или функциональных закономерностей для конкретной предметной области посредством индуктивного вывода из выборочных обучающих δk-знаний в форме таблиц эмпирических данных (ТЭД) и сценарных примеров обучающих знаний (СПОЗ). Искомые решения (следствия) в форме новых δk-знаний дедуктивно выводятся из БδkЗ по наблюдаемым δk-знаниям (посылкам). Автоматическое квантование разнотипной информации и машинное манипулирование δk-знаниями обеспечиваетсяалгоритмическими и операторными средствамиδРАКЗ-метода [22] в условиях δ-неопределенности.
Сущность δРАКЗ-метода принятия решений в ИКЗ
В терминах δРАКЗ-метода формулируется и его же средствами решаются три базовые задачи ИКЗ.
1. Формализация представления, аксиоматического синтеза и компьютерного манипулирования δk-знаниями 0-го, 1-го и 2-го уровней сложности с учетом δ-неопределенности (Аδ-задача).
2. Вывод на δk-знаниях идентификационных (узнавание)решений (Вδ-задача), опираясь на идентификационную БδkЗ.
3. Вывод на δk-знаниях прогнозных (экстраполяция)решений (Сδ-задача), опираясь на прогнозную БδkЗ.
Сущность δРАКЗ-метода заключается в научно обоснованном систематизированном применении разработанных модельных и алгоритмических средств для постановки и решения указанных базовых Аδ-, Вδ-, Сδ-задач в ИКЗ.
Основные действия δРАКЗ-метода принятия решений и порядок их выполнения приведены ниже.
1. Формирование выборочных ТЭД (Bδ - Cδ) и СПОЗ (Bδ - Cδ) с оценкой адекватности их объема m×n требуемой БδkЗ при заданной допустимой величине достоверности p* содержащих в ней импликативных и функциональных закономерностей.
2. Синтез идентификационной логической сети возможных рассуждений (ЛСВР(Bδ)) или прогнозной (ЛСВР(Сδ)) в режиме обучения с помощью предложенного алгоритма δАЛОБУЧ.
3. Автоматическое квантование ЛСВР (Bδ - Cδ) с помощью алгоритма δАЛАКВА и трансформация ее в δ-квантовую сеть вывода решений (δ-КСВР (Bδ - Cδ)) выполняющую роль БδkЗ (Bδ - Cδ) и механизма принятия идентификационных и прогнозных решений с вычислением показателя достоверности p(Bδ) и p(Cδ) выводимых решений.
4. Оптимизация БδkЗ по критерию избыточности ее структуры с помощью алгоритма δАЛОПТ и формирование рабочих δ-КСВР(Bδ) и δ-КСВР(Cδ).
|
|
5. Вывод идентификационного решения δksRCw из БδkЗ(Bδ) и прогнозного решения δksRCw из БδkЗ(Cδ) посредством DED-оператора и синтезированных алгоритмов АЛ(Bδ), АЛ(Cδ) и АЛУПР соответственно.
Постановка и решение Аδ-задачи ИКЗ
Формально –задачу представим множественной «пятёркой»:
, | (3.1) |
где – символьный язык δ–квантов знаний, состоящий из конечного множества букв, цифр и символов операций теории алгоритмов;
– конечное множество терминальных δ–квантов знаний; задаваемое априори;
– множество показателей достоверности (ПД) δk–знаний из интервала [0, 1];
– правила конструирования разноуровневых δ–квантов;
– множество семантических кодов и специальных структур данных, определяющих уровень и содержание δ -знаний.
В -задаче требуется создать формальный механизм построения класса разноуровневых δk–знаний в языке S со значениями степени достоверности из на основе применения правил к терминальным δ-квантам из , а также с требуемым уровнем и содержанием δ-квантов с соответствующими семантическими кодами из .
Вероятным множеством на универсальном множестве U={u} называется совокупность пар вида:
, | (3.2) |
В классе δk-знания определяются аксиоматически. Рассмотрим объекты принятия решений (ОПР) с разнотипными признаками, которые принимают значения из конечных вероятных множеств:
, | (3.3) |
где – функция достоверности вероятного множества .
Постулируем:
(а) множество Кδ терминальных δ-квантов знаний:
, | (3.4) |
– Терминальный выбирающий δ–квант 0-го уровня:
(3.4) |
где - функция выбора k-го элемета из совокупности.
– Терминальный векторный δ –квант 1-го уровня:
(3.6) |
где dj – домены со значением признаков;
«:» - разделитель доменов.
– Терминальный характеристический δ –квант 1-го уровня:
(3.7) |
где со следующей семантикой: « фиксируется мн-во Y j наблюдений, если значение j-го признака ОПР в данный момент наблюдается с ПД , то значение характеристической функции ; иначе, наблюдение отсутствует и значение ».
|
|
(б) алгоритмические операторы:
– Оператор суперпозиции (П-оператор):
, | (3.8) |
– Строчный оператор конкатенации ( -оператор):
(3.9) |
– Матричный оператор конкатенации ( -оператор):
CONi=1m[ei] = [e1 e2…em]T . | (3.10) |
Опираясь на постулируемые терминальные -знания (а) и алгоритмические операторы (б) определим аксиоматически строго -знания как δРАКЗ – модели представления знаний.
Определение 3.2 .Алгоритмические структуры, получаемые из терминальных элементов множества (3.4) путем конечного числа применений к ним П -оператора (3.8), -оператора (3.9) и -оператора (3.10), называются разнотипными k - знаниями (δPАКЗ -моделями), в условиях описанной ранее δ- неопределенности.