intelligens ir ny t rendszerek n.
Download
Skip this Video
Loading SlideShow in 5 Seconds..
Intelligens irányító rendszerek PowerPoint Presentation
Download Presentation
Intelligens irányító rendszerek

Loading in 2 Seconds...

play fullscreen
1 / 32

Intelligens irányító rendszerek - PowerPoint PPT Presentation


  • 73 Views
  • Uploaded on

Intelligens irányító rendszerek. Adat és tudás, adatábrázolás, tudásábrázolás. Tudásalapú rendszerek. Tudásalapú rendszerek. Mi van a tudásbázisban  feladattól függ Hogyan van benne  következtető géptől is függ Tudásbázis részei: tények (adatok), pl. mért adatok

loader
I am the owner, or an agent authorized to act on behalf of the owner, of the copyrighted work described.
capcha
Download Presentation

PowerPoint Slideshow about 'Intelligens irányító rendszerek' - torn


An Image/Link below is provided (as is) to download presentation

Download Policy: Content on the Website is provided to you AS IS for your information and personal use and may not be sold / licensed / shared on other websites without getting consent from its author.While downloading, if for some reason you are not able to download a presentation, the publisher may have deleted the file from their server.


- - - - - - - - - - - - - - - - - - - - - - - - - - E N D - - - - - - - - - - - - - - - - - - - - - - - - - -
Presentation Transcript
intelligens ir ny t rendszerek

Intelligens irányító rendszerek

Adat és tudás, adatábrázolás, tudásábrázolás

slide3

Tudásalapú rendszerek

  • Mi van a tudásbázisban  feladattól függ
  • Hogyan van benne  következtető géptől is függ

Tudásbázis részei:

  • tények (adatok), pl. mért adatok
  • összefüggések (adatok között), tények közötti kapcsolatok

Megfelelő tudásreprezentációs módszer szükséges

feladatok: TB megszervezése, verifikációja, validációja, hatékony következtetés

slide4

Miről lesz szó?

  • adat és tudás (hasonlóságok, különbségek, reprezentációs módszerek)
  • szabályok (összefüggések leírására, leggyakrabban használt tudásreprezentációs módszer)
  • objektumok (strukturált TB elemek leírására)
  • keretek (rekordok kiterjesztése, standard aktív elemek az összefüggések leírására)
  • szemantikus hálók (TB szerkezetének leírására, grafikus eszköz, TB verifikálására használható)
slide5

Adat és tudás

  • intelligens szoftver rendszer „passzív” (futtatható) része : TB

 AB, TB szerepe hasonló

különbség: komplexitás

    • AB: sok adat, kevés összefüggés
    • TB: több/kevesebb adat, sok összefüggés
  • intelligens rendszer feladatainak megoldásához szükséges:
    • sok információ (adat)  tények
    • adatok közötti relációk  összefüggések
    • módszerek, algoritmusok  információ felhasználásával a probléma megoldását megkeresik
slide6

Adatábrázolás közönséges adatbázisban

  • összetartozó adatcsoportok  rekordok
  • adatelem  rekord egy mezője

Rekord:

  • szerkezete rögzített  pr. deklarációs részében definiált
  • fix típusú mezőket tartalmaz

Példa:

nyers_mért_adat record

azonosító: string;

típus: character; {‘R’, ‘B’}

érték: real if típus = ‘R’

boolean if típus = ‘B’; {típusfüggő!}

mérés ideje: integer array[6]; {mp perc óra nap hó év}

hibakód: string;

end; {nyers_mért_adat}

slide7

Adatábrázolás közönséges adatbázisban

  • azonos típusú rekordok rendezett halmaza  fájl
  • közönséges DB-ban a fájl attribútumai:
    • azonosító
    • rekord típus
    • használati mód (read only, read/write)
    • rendezés (soros, indexelt)
    • hossz (fix, változó)
  • fájlok halmaza  DB
  • DB feltöltése/módosítása  DB kezelő feladata

Közönséges DB jellemzői (lehetséges tudásreprezentációs módszer szempontjából):

  • tények  fix struktúrájú rekord mezőkben tárolva
  • összefüggések  meglehetősen korlátozott
  • adatszerkezet teljesen passzív
slide8

Adatábrázolás közönséges adatbázisban

Problémák:

  • merev
    • minden rekordban ugyanolyan sorrendben vannak a mezők
    • a mezők típusa kötött
    • rekordon belüli, rekordok közötti összefüggéseket nem veszi figyelembe
  • típusellenőrzésen kívül semmiféle feldolgozási előírást nem biztosít

Előnyei:

  • gyors, biztos
  • erőforrás-kezelés egyszerű

Közönséges DB-okkal csak programozással lehet a TB-t megvalósítani!

slide9

Adatábrázolás relációs adatbázisban

Relációs DB tulajdonságai:

  • összetartozó adatcsoportok  rekordok
  • adatelem  rekord egy mezője
  • de:
    • rekord  adategységek logikai csoportja
    • default érték, összefüggés adható meg  relációk mezők és mező csoportok között

relációk lehetnek: logikai/aritmetikai típusúak

relációk használhatóak:

      • mezők default és megengedett értékeinek definiálására
      • azonos rekordban levő mezők értékeinek definiálására
      • különböző rekordban vagy különböző típusú rekordokban levő mezők értékeinek definiálására
slide10

Adatábrázolás relációs adatbázisban

Példa

  • a + b = c művelet és eredményeinek tárolása

add_rekord record

a: real; {op_1}

b: real; {op_2}

c: real; {eredmény}

end; {add_rekord}

reláció: a + b = c

  • fájl_1: fájl_2:

mért_adat record nyers_mért_adat record

azonosító: string; azonosító: string;

érték: real; érték: long_integer;

… …

reláció:

ha mért_adat.azonosító = nyers_mért_adat.azonosító

akkor mért_adat.érték := conv(nyers_mért_adat.érték)

slide11

Adatábrázolás relációs adatbázisban

  • relációs rekordok halmaza + relációk  relációs fájl
  • relációs fájlok halmaza + összekapcsoló relációk  relációs DB

Relációs DB jellemzői (lehetséges tudásreprezentációs módszer szempontjából):

  • tények  relációs DB rekordokban tárolva
  • összefüggések  relációkkal leírva
  • flexibilisebb, mint a közönséges DB
  • DB manager biztosítja a DB konzisztenciáját, a relációk teljesítését, a default értéket

a TB elvileg megvalósítható relációs adatbázissal

Probléma: az adatszerkezet még mindig merev

De: megjelenik az aktív elem (összefüggés)

slide12

Szabályok (rules)

ES és AI eszközökben legelterjedtebb tudásreprezentációs forma

szabályok

  • heurisztikus ismeretek leírása (fekete doboz szerű)
  • validálása nehéz

Ismétlés:

logika (ítéletkonstansok / logikai konstansok, ítéletváltozók / logikai változók, logikai műveletek, formulák)

slide13

Szabályok (rules)

Ismétlés:

logikai műveleti jelek algebrai tulajdonságai:

  • kommutativitás

a  b = b  a a  b = b  a

  • asszociativitás

(a  b)  c = a  (b  c) (a  b)  c = a  (b  c)

  • disztributivitás

a  (b  c) = (a  b)  (a  c) a  (b  c) = (a  b)  (a  c)

  • de Morgan azonosságok

(a  b) = a  b (a  b) = a  b

slide14

Szabályok (rules)

Ismétlés:

kanonikus alakok (normálformák)

  • diszjunktív normálforma (DNF)

( a  b)  (c   d)

  • konjunktív normálforma (CNF)

( a  b)  (c   d)

  • implikációs normálforma (INF)

klózok (pl. (a  b)  (c  d)) konjunkciója

Ismeretlen / bizonytalan információ leírására: kétértékű logika kiterjesztése:

unknown = true  false

műveleti táblák kiterjesztése

slide15

Szabályok (rules)

Szabály: logikai kifejezés (formula) / feltételes állítás

if … then …

…  …

szintaxis:

  • predikátumok
    • elemi logikai kifejezések / atomi formulák
    • tartalmazhatnak:
      • aritmetikai relációkat (, , <, >, , )
      • kvalitatív / szimbolikus állandókat (alacsony, magas, nyitva, …)
      • (időben) változókat (T, h, sz1, …)
    • értékük: true / false / unknown

pl. p1 = (sz1=nyitva); p2 = (T<100); p3 = (h=magas); p4 = (hiba=„tank overflow”)

értékük a mért jelektől függ, időfüggő predikátumok

logikai értékű jelek

slide16

Szabályok (rules)

szintaxis:

  • logikai kifejezések (formulák)
    • atomi formulák, „összetett” formulák
    • tartalmazhatnak:
      • atomi formulákat (predikátumok, logikai változók, logikai konstansok)
      • logikai műveleteket
      • formulákat

logika (formula építés) szabályai szerint

    • értékük: true / false / unknown
  • szabályok
    • (speciális szintaxissal rendelkező) logikai kifejezések

feltétel  következmény

if feltétel then következmény

feltétel, következmény: logikai kifejezés

slide17

Szabályok (rules)

Példa: egy egyszerű szabályhalmaz:

Predikátumok:

P = {p1, p2, p3, p4}

Szabályok:

if (p1 and p2)then p3

if (p3 and p4)then p1

Szabályokkal ekvivalens logikai formulák:

(p1  p2)  p3

(p3  p4) p1

slide18

Szabályok (rules)

szabályok szemantikája:

  • igazságtábla
  • szabályok használata (általában):
    • feltétel ellenőrzése (igaz-e)
    • ha igaz, a szabály alkalmazható (tüzel)
    • alkalmazás: következmény rész teljesítése (igazzá tétele)

használati módot befolyásolja a következtetés célja

  • problémák:
    • szabályok végrehajtási sorrendjétől függően más eredményt kaphatunk
    • nem biztos, hogy ellentmondásmentesek a szabályok
    • lehet olyan eset, amire nincs szabály (nem teljes)
    • sok szabály áttekinthetetlen lehet (mo. strukturált szabályhalmaz / modulok)
slide19

Datalog szabályhalmaz

Szabályok normálformája

Tulajdonságai:

  • szabályok predikátumaiban nincs függvényszimbólum
  • nincs negáció, a szabályok alakja:

si : (pi1  …  pin)  qi

pi1, … , pin, qi: predikátumok

  • biztos (safe) szabályok – értékük véges számú lépéssel meghatározható

IIR-ben a szabályok majdnem mindig datalog formájúak (ha nem, könnyen átalakíthatóak)

slide20

Datalog szabályhalmaz

Datalog formára hozás:

  • függvényszimbólumok eltávolítása

pl. sin, exp  Taylor sorba fejtés

új változók bevezetése: pl. log T < 0.3, Tl := log T, szabályban: Tl

  • negáció és diszjunkció eltávolítása
    •  kiküszöbölése:

aritmetikai predikátumok

pl. (a > b)  (a  b), (a = b)  (a  b)

    • implikációs normálformára hozás:

(…  …)  (…  …)

    •  kiküszöbölése: szabályok megtöbbszörözése

pl. si : (pi1  …  pin)  (qi1  …  qim)

helyett: si1 : (pi1  …  pin)  qi1

si1 : (pi1  …  pin)  qim

  • biztos szabályok (CCS-ben véges számábrázolás)
slide21

Datalog szabályhalmaz szerkezete / függőségi gráfja

analízis / végrehajtás szempontjából fontos tulajdonságok

szerkezete leírható függőségi gráffal – irányított gráf

D = (VD, ED)

  • csúcshalmaz: VD= P
  • élek: (pi, pj)  ED

ha van olyan szabály, amelynek feltételi része pi-t, következmény része pedig pj-t tartalmazza

  • élek megcímkézése – szabály azonosítóval

Példa:

(p1  p2)  p3

(p3  p4) p1

slide22

Függőségi gráf használata

információt szolgáltat a predikátumok egymástól való függésétől

  • függőségi gráf „belépési” pontjai (nincs bemenő él)

gyökér predikátumok (p2, p4)

ezeknek értéket kell adni

  • irányított körök

az eredmény függhet a végrehajtási sorrendtől (p1, p3)

ha nincs kör – számítási sorrendtől függetlenül ugyanaz a következtetés eredménye

slide23

Objektumok

  • figyelem középpontjában álló dolgok, egységek: objektumok
  • osztályozás (közös tulajdonságaik alapján: osztályok)
  • osztályra jellemző attribútumok (közös tulajdonságok)
  • egyedi tulajdonságok
  • eljárások (objektumok zártak – csak az eljárásaikon

keresztül lehet hozzáférni)

  • konkrét objektumok: példányok (létrehozás után önálló életet élnek)
  • osztályhierarchia (szigorú fa struktúra), öröklődés
  • osztályok leírása: program deklarációs részében
  • példányok létrehozása: végrehajtható részben
  • paraméterek megváltoztatása, objektumok működése: végrehajtható részben

passzív rész

aktív rész

slide24

Objektumok, példa

class cső

sz: szelep;

T, v: mérőműszer;

procedure szelepnyitás (hibakód)

sz.érték := 1;

… {nyitási tevékenységek}

end; {szelepnyitás}

end; {cső}

osztálydefiníció feje

attribútumok

különböző típusú objektumok

eljárás a szelep nyitására

osztálydefiníció törzse

inicializálási tevékenységek

példány létrehozásakor

elvégzendő feladatok

slide25

Objektum orientált eszközök fő tulajdonságai, használata

  • példányok az osztályokból készíthetők megfelelő paraméterezéssel

pl. cső_be := new cső;

cső_ki := new cső;

  • objektumok zártak (önálló életet élnek, tulajdonságaik eljáráshívásokkal változtathatóak meg)

pl. cső_be.szelepnyitás (hibakód_2);

  • szülő osztály tulajdonságait öröklik az alosztályok

class cső

sz: szelep;

procedure szelepnyitás (hibakód)

sz.érték := 1;

… {nyitási tevékenységek}

end; {szelepnyitás}

end; {cső}

cső class műszerezett_cső

T,v: mérőműszer;

procedure mérés (érték)

… {mérési tevékenységek}

end; {mérés}

end; {műszerezett_cső}

slide26

Keretek (frames)

  • tudásdarabok speciális, előre definiált tudáselemekkel
  • tudáselemek között szemantikai összefüggések vannak
  • rekordok kiterjesztéseként értelmezhető, standard aktív elemekkel
  • objektumokhoz hasonló (keret hierarchia, öröklődés, példányok)

TB leírására alkalmasak

slide27

Keretek (frames)

keretek részei:

  • rések (slots)
    • rekordok mezőinek felelnek meg
    • attribútumai:
      • azonosító (név)
      • típus (flexibilis típusdeklaráció, működés során változhat, nem kötelező megadni)
      • érték (default: nil (ha nincs típusa), korlátozások/megszorítások: pl. intervallum, lehetséges érték lista)
  • démonok (daemons) – beépített eljárások rések értékváltozásaihoz rendelve

szokásos démonok: if-added, if-removed, if-needed, if-changed

pl. mért_adat frame

érték: real or byte;

állapot: byte;

end; {mért_adat}

slide28

Keretek (frames)

keretek használata:

  • objektumok használatára emlékeztet
  • fő különbség:
    • eljárások száma (kötött készletből választhatók)
    • eljárások szerepe (megváltoztathatják a rés értékét bármely keret példányban  továbbgyűrűzés)
  • hasonlóság:
    • keretek definiálása (deklarációs rész)
    • keret hierarchia, öröklődés
    • példányok definiálása (futtatható részben)

pl. T := new mért_adat;  létrejön egy üres keret, nil (default) rés-értékekkel

pl. T.érték = 285  rés-érték megváltoztatása

slide29

Keretek (frames)

keretek jellemzői:

  • passzívelemek: rés értékei (nem merev szerkezetű, nincs típusmegkötés)
  • aktív elemek: démonok (implicit aktív rész)
  • keret rendszer működése indirekt módon írható le (a keret példányokban levő démonok határozzák meg)

 keret-alapú tudásreprezentáció flexibilis

(túl flexibilis, ezért a nyomkövetés nehéz, nehéz átlátni, verifikálni, validálni  óvatosan kell programozni!)

Hibrid rendszerek:

keret  tudáselemek leírására

szabály  heurisztika leírására

pl. GoldWorks (keretek, szabályok), G2 (objektumok, szabályok)

slide30

Szemantikus hálók (semantic nets)

  • grafikus eszköz a TB-ban levő tudáselemek közötti szemantikai összefüggések leírására (TB szerkezete)
  • irányított gráf
    • csúcsok: objektumoknak, attribútumoknak felelnek meg
    • élek: csúcsok közötti összefüggések / relációk
    • élsúlyok: címkével ellátott élek a tudáselemek között
  • legáltalánosabb relációk:
    • is_a: alosztály – osztály közötti kapcsolat leírására

pl. class_A is_a class_B

    • instance_of: példány – osztály közötti kapcsolat leírása

pl. object_A instance_of class_A

    • part_of: attribútum – osztály közötti kapcsolat leírása

pl. attribute_A part_of class_A

slide31

Szemantikus hálók (semantic nets)

  • szemantikai összefüggések – bináris relációkkal írhatók le

class_A is_a class_B  is_a(class_A, class_B)

  • szemantikus háló – meta-tudás (TB elemeiről szóló tudás)  más tudásreprezentációs módszerrel együtt használható (pl. objektum, keret)
  • TB szerkezetét mutatja meg, használható TB verifikálására, validálására, diagnosztikai célra