Логическая модель

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.