Разработка методов создания прикладных интеллектуальных систем с использованием технологии SIMER+MIR: В обл.
экологии и прогнозирования мор.
биол. ресурсов
Основной целью данной работы является исследование когнитивных структур и способов их представления с использованием технологии 81МЕЯ+М1К для решения задач диагностики, прогнозирования, оценки запасов, интерпретации данных и планирования производственного процесса в различных предметных областях, имеющих плохую структуру. В соответствии с основной целью выделены следующие задачи: Разработаны… Читать ещё >
Содержание
- Глава 1. Представление знаний с использованием семантических сетей. И
- 1. 1. Когнитивные структуры и их представление семантическими сетями
- 1. 2. Особенности интеллектуальной технологии 81МЕК+М1Я
- 1. 2. 1. Архитектура 81МЕЯ+М1К
- 1. 2. 2. Основные методы приобретения знаний
- 1. 2. 3. Основные методы формирования базы знаний
- 1. 2. 4. Синтез и настройка механизма решения задач
- 1. 2. 5. Принципы и алгоритм решения задач
- 1. 2. 6. Механизм взаимодействия баз знаний
- 2. 1. Представление знаний в моделях дифференциальной диагностики
- 2. 2. Представление иерархических понятий предметной области
- 2. 3. Представление логических операций
- 2. 4. Модель знаний, отражающих этапы развития процессов
- 3. 1. Представление знаний в ЭС «Оценка качества воды»
- 3. 2. Представление знаний в ЭС «Оценка воздуха рабочей зоны».86 3.3. Представление знаний в ЭС «Санитарно-лабораторная экспертиза пищевых продуктов»
- 4. 1. Общее представление о системах поддержки принятия решений по управлению ресурсами
- 4. 2. Представление знаний в системах поддержки принятия решений по управлению морскими рыбными ресурсами
- 4. 3. Модель решения задачи прогнозирования рыбных ресурсов
- 4. 4. Результаты работы интеллектуальных распределенных систем оценки и прогнозирования морских биологических ресурсов
Разработка методов создания прикладных интеллектуальных систем с использованием технологии SIMER+MIR: В обл. экологии и прогнозирования мор. биол. ресурсов (реферат, курсовая, диплом, контрольная)
г Актуальность работы.
Разработка методов создания прикладных интеллектуальных систем в различных областях приносит кардинальные изменения в эти области, стимулирует их дальнейшее развитие, предлагает новые способы работы с информацией.
Сложность и многообразие структур знаний порождают многообразие формальных способов их представления и разработку соответствующих программных средств, предназначенных для работы с такими структурами.
С другой стороны, то же многообразие структур знаний требует развития методов выявления знаний и переноса их в интеллектуальные программные системы. Известно, что проблемы выявления знаний (например, компетентности эксперта) с возникновения инженерии ! знаний и по сегодняшний день относятся к числу сложнейших проблем искусственного интеллекта. В этой связи, особенно важными оказываются исследования, направленные на установление специфических черт устройства знаний тех или иных предметных областей и использование этих исследований для создания проблемно-ориентированных методов приобретения и представления экспертизы.
Как показывает ряд работ последних лет, наибольший эффект на этом пути дает применение технологических программных средств выявления, переноса и представления знаний. Одной из таких технологий является технология БШЕК+МШ [1,2], которая позволяет существенно изменить традиционную технологию создания систем, основанных на * знаниях. Как известно, традиционный подход к инженерии знаний ¦ включает в себя реализацию следующих стадий создания прикладной системы: идентификация проблемыконцептуализация проблемы- 1 формализация проблемыреализациятестирование [3].
Использование технологии SIMER + MIR меняет содержание и количество стадий инженерии знаний [4]. Из перечисленных выше стадий инженерии знаний остается стадия идентификации проблемы. Появляется новая стадия — приобретение знаний. Концептуализация проблемы выполняется в процессе приобретения знаний. Стадия формализации теряет свое самостоятельное значение, так как становится одной из фаз приобретения знаний и возлагается на инструментальные средства. Стадия реализации, которая предусматривает создание прототипа, отпадает совсем. Стадия тестирования в рамках рассматриваемой технологии остается: проверяется правильность заполнения базы знаний, ведется ее актуализация и пополнение. Таким образом, использование SIMER+MIR предполагает наличие лишь трех стадий инженерии знаний при создании систем, основанных на знаниях: идентификация, приобретение знаний и тестирование.
Приобретение знаний на основе интеллектуальной технологии SIMER+MIR предоставляет возможность прямого приобретения знаний интерактивным интерпретатором экспертизы и взаимодействия прямого приобретения знаний с методами приобретения знаний путем анализа текстов и обучения на примерах.
Приобретение знаний компьютерной системой предполагает, что знания системы о конкретной предметной области будут представлены в соответствии с.
— используемым формализмом представления знаний, в нашем случае — это неоднородные семантические сети;
— принципами и методами представления знаний, лежащими в основе подхода, используемого в интерактивном интерпретаторе экспертизы;
— конкретными требованиями данной системы приобретения знаний;
— основными принципами системы моделирования рассуждений и выполнения вычислений над базами знаний;
— конкретными требованиями и возможностями интерпретатора базы знаний.
Представление знаний, в конечном итоге, определяет основные характеристики системы, разрабатываемой с использованием конкретных инструментальных средств, и это свидетельствует об актуальности данной работы.
Цель работы.
Основной целью данной работы является исследование когнитивных структур и способов их представления с использованием технологии 81МЕЯ+М1К для решения задач диагностики, прогнозирования, оценки запасов, интерпретации данных и планирования производственного процесса в различных предметных областях, имеющих плохую структуру. В соответствии с основной целью выделены следующие задачи:
— анализ принципов и методов представления знаний в рамках формализма семантических сетей, лежащего в основе инструментальных средств 81МЕК+М1Я;
— построение моделей конкретных предметных областей для решения некоторых экологических задач;
— построение моделей предметных областей для задач поддержки принятия решений и оценки ресурсов;
— применение разработанных подходов в представлении знаний для конкретных задач путем создания и внедрения прикладных систем.
Научная новизна работы.
Научная новизна диссертационной работы состоит в следующем:
— в исследовании принципов создания моделей предметных областей, отражающих этапы развития различных (временных) процессов предметной области,.
— в разработке моделей предметных областей с использованием инструментальных средств 81МЕЯ+М1К,.
— в разработке архитектур распределенных интеллектуальных систем в области оценки и прогнозирования морских биоресурсов, которые включают в себя базы знаний, базы данных и внешние программы,.
— в реализации соответствующих прикладных систем, которые открыли новую область приложения для систем искусственного интеллекта.
Практическая значимость работы.
Практическая значимость работы заключается в следующем:
— исследованы принципы и разработаны методы представления знаний с использованием интеллектуальной технологии 81МЕК+М1Я для разных предметных областей;
— разработаны экспертные системы в области экологии «Оценка качества воды», «Воздух рабочей зоны», «Санитарно-лабораторная экспертиза продуктов питания», экспертная система «Оценка качества воды» решением Экспертного совета при Госкомсанэпиднадзоре Российской Федерации рекомендована к использованию в системе учреждений Госсанэпидслужбы РФ;
— созданы и внедрены в эксплуатацию распределенные интеллектуальные системы для решения задач оценки ресурсов «Интегрированная система оценки состояния запасов анчоусовидной кильки, прогнозирования величины допустимых уловов и распределения квот вылова между государствами.
Каспийского бассейна", «Интегрированная система оценки состояния популяции гребневика на базе промыслово-экологического мониторинга Азово-Черноморского бассейна», «Интегрированная система оценки состояния запасов азовской хамсы и прогнозирования величины допустимых уловов на базе промыслово-экологического мониторинга Азово.
Черноморского бассейна", «Интегрированная система оценки состояния запасов азовской тюльки и прогнозирования величины допустимых уловов на базе промыслово-экологического мониторинга Азово-Черноморского бассейна», — теоретические результаты внедрены в учебный процесс Университета города Переславля.
Апробация работы.
Основные результаты работы докладывались и обсуждались на всесоюзной конференции по искусственному интеллекту в Минске (1990), IV национальной конференции по искусственному интеллекту с международным участием в Рыбинске (1994), на 4-ой Международной Российско-индийской выставке-семинаре «Математическое моделирование и визуализация» в Москве (1997), на семинаре «Вопросы автоматизации задач управления территориями» в Ярославле (1996), на конференции «Роль информатики в региональном развитии» в Переславле-Залесском (1996), а также были представлены на семинаре BESAI «Binding Environmental Sciences and Artificial Intelligence», проходившем в рамках 13-ой Европейской конференции по искусственному интеллекту ЕСАГ98 в Великобритании (1998). Распределенные интеллектуальные системы «Каспий» и «Азов» демонстрировались на выставках в Госкоминформе, в Академии наук, в Госкомитете по рыболовству РФ.
Структура и объем работ.
Диссертация состоит из введения, 4 глав, заключения, списка литературы, содержащего 69 наименований, и 2-х приложений. Общий объем работы 139 страниц текста.
Основные результаты работы:
1. Исследованы принципы и методы представления знаний с использованием интеллектуальной технологии БШЕЯ+МЖ.
2. Исследованы методы представления логических операций средствами используемой интеллектуальной технологии для построения моделей предметных областей.
3. Предложены методы представления знаний с использованием инструментальных средств 81МЕК+М1Я для моделей предметных областей, отражающих этапы развития процессов.
4. Предложенные методы представления знаний применены к решению практических задач в области экологии и прогнозирования морских биологических ресурсов.
5. Исследованы когнитивные структуры и построены модели в области экологии. На базе разработанных методов представлений знаний реализовано три экспертных системы: оценки качества воды для девяти типов водоисточников, оценки воздуха рабочей зоны промышленных предприятий и оценки кондитерских изделий.
6. Разработаны методы представления знаний и архитектура распределенных интеллектуальных систем в области прогнозирования морских рыбных запасов. Приведена модель решения задачи прогнозирования рыбных ресурсов. Созданы и сданы в эксплуатацию четыре распределенные интеллектуальные системы. Обсуждены результаты работы интеллектуальных распределенных систем по прогнозированию мелких морских рыб Каспийского и Азовского бассейнов.
Заключение
.
Методы создания прикладных систем с использованием интеллектуальной технологии 81МЕК+М1Я, принципы и технологические решения, реализованные при представлении знаний в разработанных системах, достаточно универсальны для применения их в других предметных областях, в которых решаются задачи диагностики, интерпретации, прогнозирования.
Список литературы
- Осипов Г. С., Куршев Е. П., Голубев C.A., Комаров С. И., Беляев А. Б., Годовников М.Н. SIMER + MIR инструментальные программные средства для экспертных систем. II Всесоюзная конференция «Искусственный интеллект-90». Сб. тезисов. Минск, 1990, с. 58−64.
- Д. Уотермен. Руководство по экспертным системам. М., 1989.
- Осипов Г. С. Приобретение знаний интеллектуальными системами. М., 1997.
- М. R. Quillian. Semantic memory. In Semantic Information Processing, M. Minsky, Editor, The MIT Press, Cambridge, MA, 1968. P.227−270.
- Norman D. A., Rumelhart D.E. (eds), Explorations in Cognition. San Francisko: W. H. Freeman and Company, 1975.
- Представление и использование знаний. Пер. с япон. Под ред. X. Уэно, М. Исидзуке. М., 1987.
- Поспелов Г. С., Поспелов Д. А. Искусственный интеллект прикладные системы//Новое в жизни, науке, технике. Сер. Математика, кибернетика. 1985, № 9.
- Перепелкин Г. А., Зотов В. Е., Методические указания к работе с ДС КИПАРИС. М., МАИ, 1986
- AIDA: A System for the Knowledge Based Interpretation of Remote Sensing Data, 3rd International Airborne Remote Sensing Conference,
- July 7−10, 1997, Copenhagen, Denmark15. http://w3.informatik.gu.se/~dixi/publics.htm16. http://ai.bpa.arizona.edu/papers/snnn92/section35.html
- Георгиев В. О. Модели представления знаний предметных областей диалоговых систем. Изв. АН СССР. Техническая кибернетика. 1991. № 5.
- J. F. Sowa. Issues in knowledge representation. In Principles of Semantic Networks: Explorations in the Representation of Knowledge, pages 1−12, J. F. Sowa, Editor, Morgan Kauffmann Publishers, Inc., San Mateo, CA, 1991.
- Галкин И.М. Использование семантических сетей для разработки программ на персональных ЭВМ. Материалы межд. симпоз. t
- Информатика 89. Минск, 1989, Т. 1. Ч. 1.
- Е. Charniak. A common representation for problem solving and language comprehension information. Artificial Intelligence, 16:225−255, 1981.
- L. Shastri. Why semantic networks? In Principles of Semantic Networks: Explorations in the Representation of Knowledge, pages 109−136, J. F. Sowa, Editor, Morgan Kauffmann Publishers, Inc., San Mateo, С A, 1991.
- Цейтин Г. С. Программирование на ассоциативных сетях. ЭВМ и проектирование в производстве. Л., Машиностроение, 1985. Вып.2.
- Вагин B.H., Кикнадзе В. Г. Дедукция на семантических сетях. Проблемы искусственного интеллекта и распознавания образов. Труды науч. конф. Секция 1. Искусственный интеллект. Киев, 1983. i
- Вагин В.Н. Параллельная дедукция на семантических сетях. Изв. АН СССР. Техн. кибернетика, 1986. № 5.
- Ващенко Н.Д. Формирование понятий в семантических сетях. Изв. АН СССР. Техн. кибернетика, 1983. № 2.
- Woods, W.A. What’s in a link: Foundations for semantic networks. Bobrow, D.G. and Collins, A.M., Ed. Representation and Understanding: Studies in Cognitive Science, pp.35−82. New York, Academic Press. 1975
- P. H. Winston. Artificial Intelligence, Second Edition. Addison-Wesley Publishing Company, Inc, Reading, MA, 1984.31. http://wwwxs.umu.se/~dvlpzd/extende
- Осипов Г. С. Метод формирования и структурирования модели знаний одного типа предметных областей. Изв. АН СССР. Техническая кибернетика. 1988. № 2.
- Осипов Г. С. Построение моделей предметных областей. Ч. 1. Неоднородные семантические сети. Изв. АН СССР. Техническая кибернетика. 1990. № 5.
- Hendriks G.G. expanding the utility of semantic networks trough partitioning. Proc. Fourth Int. joint. Conf Artif. Intel. Tbilisi, p. 1075.
- Deliani A., Kowalski R. Logic and Semantic Networks. Comm. of the ACM, № 3, vol.22, March, 1979. pp. 184−192.
- Сазонова Л.И., ., Годовников M.H., Куршев Е. П., Осипов Г. С. Создание интегрированных распределенных систем прогнозирования запасов рыбных объектов с использованием методов искусственного интеллекта. Сб. трудов АзНИИРХ. Ростов на Дону. 1998. (в печати).
- Виноградов А. Н, Гайдар JI.A., Годовников М. Н, Сазонова Л. И. Использование средств интеграции интеллектуальной технологии SIMER+MIR в системе прогнозирования состояния морских биологических объектов. КИИ-98, Пущино. 1998
- Гаврилова Т.А., Червинская K.P. Извлечение и структурирование знаний для экспертных систем. М., 1992.
- Загоровский И.М., Шалак В. И. Взаимодействие методов прямого приобретения знаний и обучения на примерах. КИИ-92. Тверь. 1992.
- Михайлов М.Н., Хорольская Н. А. Извлечение экспертных знаний из научного текста в полуавтоматическом режиме. КИИ-92. Тверь. 1992.
- Осипов Г. С. Инструментарий для экспертных систем. Технология SIMER+MIR. Программные продукты и системы. 1990. 3.
- С.И. Комаров, Е. П. Куршев, Г. С. Осипов, Построение моделей предметных областей. II. Прямое приобретение знаний в системе SIMER. Техническая кибернетика. 1991. № 3. 192−197.
- EE Intern. Simposium on Intelligent Control. Monterey, California, 1995.
- Стенина И.И. Структурные модели принятия решений в клинической медицине. Автореферат. ИППИ РАН. Моска. 1995.
- Сазонова Л.И., Стась O.E., Мельзетдинова 3.3., Бляблин A.A., Самошкин В. П. Экспертная система «Определение качества питьевой воды». II Всесоюзная конференция «Искусственный интеллект-90». Сб. тезисов. Минск, 1990, с. 101−102.
- Сазонова Л.И., Дронь Г. И., Самошкин В. П. Экспертная система «Санитарно-лабораторная экспертиза продуктов питания». II Всесоюзная конференция «Искусственный интеллект-90». Сб. тезисов. Минск, 1990, с. 100.
- Построение экспертных систем. Под ред. Ф. Хейеса-Рота, Д. Уотермана, Д. Лената. М., Мир, 1987.
- DeAngelis, D.L., Shuter, B.J., Ridgeway, M.S., Blanchfield, P., Friesen, Т., and Morgan, G.E. (1991) Modeling early life-history stages of smallmouth bass in Ontario lakes. Transaction of the American Fisheries Society, September 9−11.
- LCSS, Integrated management of Sea Lamprey: 1986−1996, http://www.essa.com/services/aquatic/tenyears.htm (1998).
- Зиновьев H.A., Жилякова Л. Ю., Дудкин С. И., Рудницкая О. А. Создание экспертной системы «Физиология осетра». Сб. трудов АзНИИРХ. Ростов на Дону. 1998. (в печати).63.http://www.botik.ru/PSI/AIReC/Caspiy/Caspiy.html (April, 1998).
- Volovik, S.P., Myrzoyan, Z.A., and Volovik, Y.S. (1993) Mnemiopsisleidyi in the Azov Sea: biology, population dynamics, impact to the ecosystem and fisheries. ICES CM 1993/L:69.
- Разработка экспертных систем оценки запасов и допустимого улова на базе промышленно-экологического мониторинга Каспийского бассейна. ИПС РАН. Отчет о НИР № 02.9.70.2 087. 1996. 91 с.
- Разработка экспертных систем оценки состояния запасов и допустимых уловов на базе промыслово-экологического мониторинга Азово-Черноморского бассейна. Отчет о НИР. ИПС РАН. № 02.9.80 3 907. 1997. 114 с.
- Годовников М.Н., Сазонова JI. И., Жилякова Л. Ю., Воловик С. П., Луц Г.И., Рогов С. Ф., Мирзоян И. А. Интеллектуальная система прогнозирования запасов азовской тюльки и хамсы. Сб. трудов АзНИИРХ. Ростов на Дону, (в печати).
- Ворович И.И., Горелов A.C., Горстко А. Б., Домбровский Ю. А., Жданов Ю. А., Сурков Ф. А., Эпштейн Л. В. Рациональное использование водных ресурсов бассейна Азовского моря. М., Наука. 1981.
- Sazonova L, Osipov, G. Intelligent system for fish stock prediction and allowable catch evaluation, Proceedings of BESAI'98, 181−196. 1998.