Проблема непротиворечивости формализованной базы знаний

При добавлении информации от экспертов в базу знаний, необхо­димо обеспечить непротиворечивость базы знаний. Непротиворечивость означает, что в базе знаний не выводимы никакие два факта (формулы) вида а и (из которых один отрицает другой). Проблема непротиво­речивости не является тотальной, т.е. вполне допустимы противо­речивые системы, однако, нужно иметь в виду следующее.

Во-первых, практически многие хорошо разработанные теории вы­вода работают с непротиворечивыми системами формул. Действитель­но, если система противоречива, то в ней выводимо все что угодно! Это обстоятельство практически лишает смысла само понятие вывода в противоречивой системе. В такой системе, следовательно, вывод заменяется иными механизмами (например, механизмами классификации - распознавания и принятия решений).

Во-вторых, сам характер задачи, стоящей перед СИИ, не допускает противоречивого толкования знаний (например, заключения : "паци­ента нужно немедленно прооперировать" и : "пациента не нужно не­медленно оперировать" таковы, что неясность в смысле их выбора мо­жет стоить жизни человеку. (Такова, к примеру, фабула романа А. Хейли "Окончательный диагноз").

В формальных логических системах первого порядка противоре­чивость эквивалентна выводимости в системе пустой формулы (интер­претируемой как ложь).

Неизбыточность. Требование незбыточности означает, что в базе знаний хранятся лишь независимые друг от друга знания. Формула зависима от формул x1, x2, ..., xk, если выводима из x1, x2, ..., xk в силу правил вывода. Неизбыточность знаний не является императивным требованием. Фактически, избыточность имеет сильный положительный момент, который заключается в следующем.

Пусть СИИ в результате доказательства цели построила цепочку

Пi1, Пi2, Пi3, ..., Пi n-1

C0 ® C1 ® C2 ® ... ® Cn,

где Сk - k-ый контекст вывода (k-ое состояние трассы вывода); Пij - правило вывода (продукция), применяемое к контексту Сj-1.

Это позволяет ввести в базу знаний новую продукцию

,

где является выводом по образцу из С0 и Сi1 (Ci1 - условная часть продукции Пi1 ),

П* = <Пi1, Пi2, ..., Пi n-1> - представляет последовательную цепоч­ку операционных частей продукций Пi1, Пi2, ..., Пi n-1.

Добавление продукции в базу знаний при следующем ре­шении задачи < , Cn - ?> избавит от необходимости строить план ре­шения задачи снова, т.е. приводит к увеличению быстродействия СИИ. Рассмотрим, как определяется зависимость формул в логике высказывании, являющейся той частью логики предикатов, которая позволяет формализовать фактуальные знания (т.е. знания, представленные сово­купностью фактов). Итак, пусть требуется установить выводимость пропозициональной формулы G, представленной в виде

G = g1 Ú g2 Ú g3 Ú ... Ú gm, (1.41)

где gi - формулы (гипотезы), взятые с отрицанием или без него, из формулы F произвольного вида, т.е. доказать справедливость:

F ® g1 Ú g2 Ú g3 Ú ... Ú gm, (1.42)

Суть предлагаемого метода заключается в последовательном ум­ножении обеих частей (1.42) на , . Например, в порядке возрас­тания индекса i, пока не будет получена одна из следующих ситуаций:

(a1) F* ® ð

(a2) F* ® F* (ð®ðили F* ® 1)

(a3) ð® F*,

где ð - символ пустой формулы, ð = х & ; F - непустая формула формальной системы.

Тогда справедливы следующие заключения:

Ситуация (а1) означает невыводимость G из F (G не находится в отношении логического следствия из F);

Ситуация (а2 и а3) означает, что G логически следует из F, 1 = х Ú .

Таким образом, для доказательства произвольной формулыF ® G, ее необходимо привести к виду (1.42) и выполнить описанную процедуру, доказательство которой здесь опускается.

Пример. Пусть даны формулы

f1 = a ® b&c& ,

f2 = b ® &f,

f3 = c Ú ® x Ú y.

Покажем, что имеет место

a&f1&f2&f3 ® x.

Умножим обе части нах:

®ð.

Заменим (p ® q) на :

®ð.

Откуда, раскрывая скобки, имеем

ð ®ð,

что устанавливает доказываемое соотношение.

С другой стороны, отношение

a&f1&f2&f3 ® y

невыводимо, поскольку имеет место:

®ð.

Илиð.

Итак, проблема избыточности решается с помощью механизма вы­вода.


Обучение системы

Как уже отмечалось, более менее развитая техника обучения имеет­ся для задач распознавания и классификации. Задача классификации заключается в отнесении предъявленного образца к некоторому классу. В качестве классифицирующей функции может, например, использоваться функция

g(x) = w1x1 + w2x2 + ... + wdxd + wd+1, (1.43)

Данная функция называется также линейной дискриминаторной функцией. Для того, чтобы использовать линейную дискриминаторную функцию, исходное множество cобъектов разбивается на классы c1, c2, ..., cN, причем каждый объект из cпринадлежит только одному классу ci.

Для каждого класса некоторым (определенным) образом подби­раются весовые коэффициенты W = <w1, w2, ..., wd+1>. Считается, что предъявленный объект относится к тому классу, для которого значение дискриминаторной функции достигает максимального значения. Рассмотрим, из каких соображений определяются весовые коэффициенты wi. Прежде всего, для каждого класса выбирается представитель Рi этого класса.

Расстояние между произвольной точкой X d-мерного пространства и представителем Рi, вычисляется как

(1.44)

где(Х - Рi )(Х - Рi) = Х·Х - 2Х · Рi + Рi · Pi. (1.45)

Естественно полагать, что точка X принадлежит тому классу, рас­стояние между представителем которого Рi иX минимально. Поскольку член X×X в (1.45) для всех классов один и тот же, то минимум (-2ХРi + Рi Рi) эквивалентен максимуму(2ХРi - РiРi). В связи с этим в качестве gi(Х) используется функция

gi(X) = 2X×Pi - Pi×Pi. (1.46)

Из (1.46) имеем, что где - i-ая компонента вектораРi и wd+1 = Pi×Pi.

Теперь выясним, в чем заключается процесс обучения. Если заранее не известен представитель каждого класса, то нужно определить подхо­дящим образом весовые коэффициенты wi, в дискриминантной функции (1.43). Определение весовых коэффициентов осуществляется с помощью обучающей выборки, относительно которой известна результирующая классификация. В качестве обучающей выборки для СИИ может высту­пать накопленный опыт решения задач классификации. Рассмотрим ал­горитм непараметрического обучения, как он описан. В качестве начальных весов выбираются произвольные векторы, изменение кото­рых производится только в случае неправильной классификации объек­тов. Допустим, при классификации объекта Y он неверно относится к классу ), вместо отнесения его к классу 1. Тогда весовые векторы, используемые как в 1-ой, так и в 1-ой дискриминантных функциях, изменяются следующим образом:

(1.47)

где - новые весовые выходы; с - коэффициент коррекции.

Таким образом, исправление состоит в увеличении дискриминантной функции W(i) и уменьшении дискриминантной функции W(i). Также доказывается, что приведенный обобщенный алгоритм обучения находит разделяющие весовые наборы за конечное число исправлений.

Отметим в заключении этого параграфа, что обучение может быть связано также с выдвижением гипотез и методами индуктивных рас­суждений. Соответствующие формализмы были предложены в начале века Д.С.Миллем.








Дата добавления: 2016-03-05; просмотров: 1196;


Поиск по сайту:

При помощи поиска вы сможете найти нужную вам информацию.

Поделитесь с друзьями:

Если вам перенёс пользу информационный материал, или помог в учебе – поделитесь этим сайтом с друзьями и знакомыми.
helpiks.org - Хелпикс.Орг - 2014-2024 год. Материал сайта представляется для ознакомительного и учебного использования. | Поддержка
Генерация страницы за: 0.014 сек.