Экспертные системы
Развитие экспертных систем (ЭС) как значительный практический результат в применении методов искусственного интеллекта. ЭС - область внедрения алгоритмов нечеткой логики. Классификация экспертных систем, этапы их разработки и основные сферы применения.
| Рубрика | Программирование, компьютеры и кибернетика |
| Вид | курсовая работа |
| Язык | русский |
| Дата добавления | 28.01.2015 |
| Размер файла | 2,7 M |
Отправить свою хорошую работу в базу знаний просто. Используйте форму, расположенную ниже
Студенты, аспиранты, молодые ученые, использующие базу знаний в своей учебе и работе, будут вам очень благодарны.
Размещено на http://www.allbest.ru/
Содержание
- Введение
- 1. Экспертные системы. Базовые понятия. Проектирование. Применение
- 1.1 Понятие экспертных систем
- 1.2 Отличительные способности экспертных систем
- 1.3 Классификация экспертных систем
- 1.4 Этапы разработки экспертных систем
- 1.5 Области применения экспертных систем
- 2. Разработка экспертной системы оценки эффективности пассажирских перевозок (FuzzyLogic)
- 2.1 Анализ исходных данных задачи, определение возможных методов решения
- 2.2 Реализация системы выбора в программе MatLab (пакете Fuzzy Logic)
- Заключение
- Список литературы
Введение
Экспертные системы (ЭС) возникли как значительный практический результат в применении и развитии методов искусственного интеллекта (ИИ) - совокупности научных дисциплин, изучающих методы решения задач интеллектуального (творческого) характера с использованием ЭВМ.
Область ИИ имеет более чем сорокалетнюю историю развития. С самого начала в ней рассматривался ряд весьма сложных задач, которые, наряду с другими, и до сих пор являются предметом исследований: автоматические доказательства теорем, машинный перевод (автоматический перевод с одного естественного языка на другой), распознавание изображений и анализ сцен, планирование действий роботов, алгоритмы и стратегии игр.
В последнее десятилетие в области автоматического управления различными техническими устройствами получили развитие системы, основанные на так называемой "нечеткой логике" (Fuzzy Logic).
Впервые термин Fuzzy Logic был введен американским профессором азербайджанского происхождения Лотфи Заде в 1965 г. в работе "Нечеткие множества", опубликованной в журнале "Информатика и управление". Основанием для создания новой теории послужил спор профессора со своим другом о том, чья из жен привлекательнее. К единому мнению они, естественно, так и не пришли. Это вынудило Заде сформировать концепцию, которая выражает нечеткие понятия типа "привлекательность" в числовой форме.
Областью внедрения алгоритмов нечеткой логики являются всевозможные экспертные системы, в том числе: нелинейный контроль за производственными процессами; самообучающиеся системы, исследование рисковых и критических ситуаций; распознавание образов и др.
экспертная система искусственный интеллект
1. Экспертные системы. Базовые понятия. Проектирование. Применение
1.1 Понятие экспертных систем
Экспертная система (ЭС) - это компьютерная программа, которая моделирует рассуждения человека-эксперта в некоторой определенной области и использует для этого базу знаний, содержащую факты и правила об этой области, специальную процедуру логического вывода.
Разработка систем, основанных на знаниях, является составной частью исследований по ИИ, и имеет целью создание компьютерных методов решения проблем, обычно требующих привлечения экспертов-специалистов.
Взаимодействие эксперта, пользователя и структурных частей системы можно представить в виде следующей базовой структуры.
Рис.1. Базовая структура экспертной системы
Базовые функции экспертных систем:
1. Приобретение знаний
"Приобретение знаний - это передача потенциального опыта решения проблемы от некоторого источника знаний и преобразование его в вид, который позволяет использовать эти знания в программе".
2. Представление знаний
Представление знаний - еще одна функция экспертной системы. Теория представления знаний - это отдельная область исследований, тесно связанная с философией формализма и когнитивной психологией. Предмет исследования в этой области - методы ассоциативного хранения информации, подобные тем, которые существуют в мозгу человека. При этом основное внимание, естественно, уделяется логической, а не биологической стороне процесса, опуская подробности физических преобразований.
3. Управление процессом поиска решения.
При проектировании экспертной системы серьезное внимание должно быть уделено и тому, как осуществляется доступ к знаниям и как они используются при поиске решения. Знание о том, какие знания нужны в той или иной конкретной ситуации, и умение ими распорядиться - важная часть процесса функционирования экспертной системы. Такие знания получили наименование метазнаний - т.е. знаний о знаниях. Решение нетривиальных проблем требует и определенного уровня планирования и управления при выборе, какой вопрос нужно задать, какой тест выполнить, и т.д.
4. Разъяснение принятого решения.
Вопрос о том, как помочь пользователю понять структуру и функции некоторого сложного компонента программы, связан со сравнительно новой областью взаимодействия человека и машины, которая появилась на пересечении таких областей, как искусственный интеллект, промышленная технология, физиология и эргономика. На сегодня вклад в эту область исследователей, занимающихся экспертными системами, состоит в разработке методов представления информации о поведении программы в процессе формирования цепочки логических заключений при поиске решения.
1.2 Отличительные способности экспертных систем
1. Экспертиза может проводиться только в одной конкретной области.
2. Создание новой БЗ для ЭС должно обеспечивать выполнение требований машины логического вывода.
3. ЭС объясняет ход решения задачи (цепочку рассуждений) понятным пользователю способом (можно спросить как и почему получилось такое решение и получить понятный ответ).
4. Выходные результаты являются качественными (например, совет), а не количественными (цифровыми).
5. Системы строятся по модульному принципу, что позволяет наращивать их базы знаний.
6. Наиболее подходящая область применения - решение задач дедуктивным методом (лат. deductio - выведение), позволяющим по определенным правилам логики делать выводы из некоторых утверждений и комбинаций.
1.3 Классификация экспертных систем
Для классификации ЭС можно использовать различные критерии.
1.3.1 По назначению ЭС можно условно разделить на консультационные (информационные), исследовательские и управляющие. Консультационные ЭС предназначены для получения квалифицированных ответов; исследовательские - для помощи пользователю квалифицированно решать научные задачи; управляющие - для автоматизации управления процессами в реальном масштабе времени.
1.3.2 По сложности и объему базы знаний - неглубокие и глубокие.
1.3.3 Неглубокие (простые) ЭС имеют относительно малые БЗ. Доказательства их заключений обычно коротки, большинство выводов являются прямыми следствиями информации, хранимой в базе знаний. Такие ЭС в основном предназначены для решения относительно простых задач типа ответов на запросы по требуемой информации.
Глубокие ЭС делают свои выводы обязательно из моделей происходящих процессов, хранящихся в базах знаний. Сама модель процесса представляет собой набор правил, предназначенных для объяснения большого количества эмпирических данных.
1.3.4 В глубоких ЭС доказательства выводов значительно длиннее, основываются на знаниях, выведенных из моделей.
1. По области применения ЭС делятся следующие классы.
· Диагностика.
· Прогнозирование.
· Планирование и проектирование.
· Интерпретация.
· Контроль и управление
· Обучение.
2. По связям с реальным миром.
· Статические ЭС разрабатываются в предметных областях, в которых БЗ и интерпретируемые данные не меняются во времени. Они стабильны. Например, диагностика неисправностей в автомобиле.
· Квазидинамические ЭС интерпретируют ситуацию, которая меняется с некоторым фиксированным интервалом времени. Например, микробиологические ЭС, в которых снимаются лабораторные изменения с технологического процесса один раз в 4 - 5 часов и, анализируется динамика полученных показателей по отношению к предыдущему измерению.
· Динамические ЭС работают в сопряжении с датчиками объектов в режиме реального времени, с непрерывной интерпретацией поступающих в систему данных. Например, управление гибкими производственными комплексами, мониторинг в реанимационных палатах.
3. Можно выделить четыре основных класса ЭС: классифицирующие, доопределяющие, трансформирующие и мультиагентные.
· Классифицирующие ЭС решают задачи распознавания ситуаций. Основным методом формирования решений в таких системах является дедуктивный логический вывод.
· Доопределяющие ЭС используются для решения задач с не полностью определенными данными и знаниями. В таких ЭС возникают задачи интерпретации нечетких знаний и выбора альтернативных направлений поиска в пространстве возможных решений. В качестве методов обработки неопределенных знаний могут использоваться байесовский вероятностный подход, коэффициенты уверенности, нечеткая логика.
· Трансформирующие ЭС относятся к синтезирующим динамическим экспертным системам, в которых предполагается повторяющееся преобразование знаний в процессе решения задач.
В ЭС данного класса используются различные способы обработки знаний:
o генерация и проверка гипотез;
o логика предположений и умолчаний (когда по неполным данным формируются представления об объектах определенного класса, которые впоследствии адаптируются к конкретным условиям изменяющихся ситуаций);
o использование метазнаний (более общих закономерностей) для устранения неопределенностей в ситуациях.
· Мулътиагентные системы - это динамические ЭС, основанные на интеграции нескольких разнородных источников знаний. Эти источники обмениваются между собой получаемыми результатами в ходе решения задач. Системы данного класса имеют следующие возможности:
o реализация альтернативных рассуждений на основе использования различных источников знаний и механизма устранения противоречий;
o распределенное решение проблем, декомпозируемых на параллельно решаемые подзадачи с самостоятельными источниками знаний;
o применение различных стратегий вывода заключений в зависимости от типа решаемой проблемы;
o обработка больших массивов информации из баз данных;
o использование математических моделей и внешних процедур для имитации развития ситуаций.
4. По видам используемых данных и знаний различают ЭС с детерминированными и неопределенными знаниями.
Под неопределенностью знаний и данных понимаются их неполнота, ненадежность, нечеткость.
1.4 Этапы разработки экспертных систем
В коллектив разработчиков ЭС входят как минимум четыре человека:
· эксперт;
· инженер по знаниям;
· программист;
· пользователь.
Возглавляет коллектив инженер по знаниям, это ключевая фигура при разработке систем, основанных на знаниях.
Экспертная система может полностью взять на себя функции, выполнение которых обычно требует опыта человека эксперта или играть роль ассистента для человека принимающего решение.
Процесс разработки ЭС можно разделить на следующие этапы:
1. Выбор проблемы.
2. Разработка прототипа ЭС.
3. Доработка до промышленной ЭС.
4. Оценка ЭС.
5. Стыковка ЭС.
6. Поддержка ЭС.
1. Выбор подходящей проблемы. На этом этапе:
· определяется проблемная область;
· подбираются специалисты-эксперты;
· подбирается коллектив разработчиков;
· определяется предварительный подход к решению проблемы;
· готовится подробный план разработки.
2. Разработка прототипа ЭС. Прототипная система является сокращенной версией ЭС, спроектированной для проверки правильности представления фактов, связей и стратегий рассуждения эксперта. Объем прототипа - несколько десятков правил, фреймов или примеров.
Разработка прототипа ЭС делится на шесть стадий:
· идентификация проблемы
· извлечение знаний
· концептуализация (структурирование) знаний
· формализация
· реализация прототипа
· тестирование.
Идентификация проблемы - знакомство и обучение членов коллектива разработчиков, а также создание неформальной формулировки проблемы. На этом этапе уточняется задача, планируется ход разработки прототипа ЭС, определяются:
o ресурсы (время, люди и т.д.);
o источники знаний (книги, дополнительные эксперты);
o имеющиеся аналогичные ЭС;
o классы решаемых задач и т.д.
Извлечение знаний - получение инженером по знаниям наиболее полного из возможных представлений о предметной области и способах принятия решения в ней. Для извлечения знаний инженер использует различные методы: анализ текстов, диалоги, лекции, дискуссии, интервью, наблюдение и др.
Концептуализация (или структурирование) знаний - разработка неформального описания знаний о предметной области в виде графа, таблицы, диаграммы или текста, которое отражает основные концепции и взаимосвязи между понятиями предметной области. На этом этапе определяются: терминология, список основных понятий и их атрибутов, отношения между понятиями, структура входной и выходной информации, стратегия принятия решений и т.д.
Формализация знаний - это разработка базы знаний на языке представления знаний. На этом этапе используются: логические методы, продукционные модели, семантические модели, фреймы, объектно-ориентированные языки.
Реализация прототипа - разработка программного комплекса, демонстрирующего жизнеспособность подхода в целом. На этом этапе создается прототип ЭС (включающий базу знаний, остальные программные модули) при помощи: языков программирования (традиционных, специализированных), инструментальных средств разработки ЭС, "пустых" оболочек ЭС.
Тестирование - процесс выявления ошибок в подходе и реализации прототипа. Прототип проверяется на: удобство и адекватность интерфейса ввода/вывода, качество проверочных примеров, полнота и непротиворечивость правил в базе знаний.
3. Развитие прототипа до промышленной ЭС
Основная работа на этом этапе заключается в расширении базы знаний (добавление правил, фреймов, узлов семантической сети или других элементов знаний). После установления основной структуры знаний ЭС инженер по знаниям приступает к разработке и адаптации интерфейсов, с помощью которых система будет общаться с пользователем и экспертом. Система должна предоставлять пользователю возможность уточнять непонятные моменты, приостанавливать работу и т.д.
4. Оценка системы
Оценка системы необходима для того, чтобы проверить точность работы программы и ее полезность.
Оценка проводится по следующим критериям:
· критерии пользователя (понятность работы системы, удобство интерфейсов и т.д.)
· критерии приглашенных экспертов (оценка советов-решений, предлагаемые системой, оценка подсистемы объяснений и т.д.)
· критерии коллектива разработчиков (эффективность реализации, производительность, непротиворечивость базы знаний, количество тупиковых ситуаций и т.д.)
5. Стыковка системы
На этапе стыковки системы осуществляется соединение ЭС с другими программными средствами в среде, в которой она будет работать, и обучение людей, которых она будет обслуживать. Для подтверждения полезности системы важно предоставить каждому из пользователей возможность поставить перед ЭС реальные задачи и проследить, как она их выполняет. Стыковка включает обеспечение связи ЭС с существующими базами данных и другими системами на предприятии.
6. Поддержка системы
Готовые системы для повышения ее быстродействия и увеличения переносимости можно перекодировать на другой язык (например, С), но при этом уменьшится ее гибкость. Это можно производить с системами, которые разработаны для проблемных областей, где знания не изменяются. Если же проблемная область, для которой создана система, изменяется, то ее необходимо поддерживать в той инструментальной среде, где она создавалась.
1.5 Области применения экспертных систем
Области применения систем, основанных на знаниях, могут быть сгруппированы в несколько основных классов: медицинская диагностика, контроль и управление, диагностика неисправностей в механических и электрических устройствах, обучение.
Медицинская диагностика
Диагностические системы используются для установления связи между нарушениями деятельности организма и их возможными причинами. Наиболее известна диагностическая система MYCIN, которая предназначена для диагностики и наблюдения за состоянием больного при менингите и бактериальных инфекциях. Ее первая версия была разработана в Стенфордском университете в середине 70-х годов. В настоящее время эта система ставит диагноз на уровне врача-специалиста. Она имеет расширенную базу знаний, благодаря чему может применяться и в других областях медицины.
Прогнозирование
Прогнозирующие системы предсказывают возможные результаты или события на основе данных о текущем состоянии объекта. Программная система "Завоевание Уолл-стрита" может проанализировать конъюнктуру рынка и с помощью статистических методов алгоритмов разработать для вас план капиталовложений на перспективу. Она не относится к числу систем, основанных на знаниях, поскольку использует процедуры и алгоритмы традиционного программирования. Хотя пока еще отсутствуют ЭС, которые способны за счет своей информации о конъюнктуре рынка помочь вам увеличить капитал, прогнозирующие системы уже сегодня могут предсказывать погоду, урожайность и поток пассажиров. Даже на персональном компьютере, установив простую систему, основанную на знаниях, вы можете получить местный прогноз погоды.
Планирование
Планирующие системы предназначены для достижения конкретных целей при решении задач с большим числом переменных. Дамасская фирма Informat впервые в торговой практике предоставляет в распоряжении покупателей 13 рабочих станций, установленных в холле своего офиса, на которых проводятся бесплатные 15-минутные консультации с целью помочь покупателям выбрать компьютер, в наибольшей степени отвечающий их потребностям и бюджету. Кроме того, компания Boeing применяет ЭС для проектирования космических станций, а также для выявления причин отказов самолетных двигателей и ремонта вертолетов. Экспертная система XCON, созданная фирмой DEC, служит для определения или изменения конфигурации компьютерных систем типа VAX и в соответствии с требованиями покупателя. Фирма DEC разрабатывает более мощную систему XSEL, включающую базу знаний системы XCON, с целью оказания помощи покупателям при выборе вычислительных систем с нужной конфигурацией. В отличие от XCON система XSEL является интерактивной.
Интерпретация
Интерпретирующие системы обладают способностью получать определенные заключения на основе результатов наблюдения. Система PROSPECTOR, одна из наиболее известных систем интерпретирующего типа, объединяет знания девяти экспертов. Используя сочетания девяти методов экспертизы, системе удалось обнаружить залежи руды стоимостью в миллион долларов, причем наличие этих залежей не предполагал ни один из девяти экспертов. Другая интерпретирующая система - HASP/SIAP. Она определяет местоположение и типы судов в тихом океане по данным акустических систем слежения.
Контроль и управление
Системы, основанные на знаниях, могут применятся в качестве интеллектуальных систем контроля и принимать решения, анализируя данные, поступающие от нескольких источников. Такие системы уже работают на атомных электростанциях, управляют воздушным движением и осуществляют медицинский контроль. Они могут быть также полезны при регулировании финансовой деятельности предприятия и оказывать помощь при выработке решений в критических ситуациях.
Диагностика неисправностей в механических и электрических устройствах
В этой сфере системы, основанные на знаниях, незаменимы как при ремонте механических и электрических машин (автомобилей, дизельных локомотивов и т.д.), так и при устранении неисправностей и ошибок в аппаратном и программном обеспечении компьютеров.
Обучение
Системы, основанные на знаниях, могут входить составной частью в компьютерные системы обучения. Система получает информацию о деятельности некоторого объекта (например, студента) и анализирует его поведение. База знаний изменяется в соответствии с поведением объекта. Примером этого обучения может служить компьютерная игра, сложность которой увеличивается по мере возрастания степени квалификации играющего. Одной из наиболее интересных обучающих ЭС является разработанная Д. Ленатом система EURISCO, которая использует простые эвристики. Эта система была опробована в игре Т. Тревевеллера, имитирующая боевые действия. Суть игры состоит в том, чтобы определить состав флотилии, способной нанести поражение в условиях неизменяемого множества правил. Система EURISCO включила в состав флотилии небольшие, способные провести быструю атаку корабли и одно очень маленькое скоростное судно и постоянно выигрывала в течение трех лет, несмотря на то, что в стремлении воспрепятствовать этому правила игры меняли каждый год.
Большинство ЭС включают знания, по содержанию которых их можно отнести одновременно к нескольким типам. Например, обучающая система может также обладать знаниями, позволяющими выполнять диагностику и планирование. Она определяет способности обучаемого по основным направлениям курса, а затем с учетом полученных данных составляет учебный план. Управляющая система может применяться для целей контроля, диагностики, прогнозирования и планирования. Система, обеспечивающая сохранность жилища, может следить за окружающей обстановкой, распознавать происходящие события (например, открылось окно), выдавать прогноз (вор-взломщик намеревается проникнуть в дом) и составлять план действий (вызвать полицию).
2. Разработка экспертной системы оценки эффективности пассажирских перевозок (FuzzyLogic)
2.1 Анализ исходных данных задачи, определение возможных методов решения
Автомобильный пассажирский транспорт является основным видом транспорта для поездок на короткие и средние расстояния. Автомобильный транспорт представляет собой одну из крупнейших отраслей народного хозяйства со сложной и многообразной техникой и технологией, а также специфической организацией и системой управления.
В условиях резкого спада производства и снижения жизненного уровня населения показывает, что уровень пассажирских перевозок, как правило, не соответствует современным требованиям, предъявляемым к качеству перевозок пассажиров.
Зачастую не обеспечивается установленное нормами время поездок, что объясняется низкими скоростями движения автобусов, необходимостью совершать пересадки из-за несовершенства маршрутной сети и потерями времени на подходы к остановкам, времени ожидания автобусов на остановочных пунктах. Также не всегда обеспечивается комфортность перевозок. В часы пик поездки совершаются с нарушением установленных норм наполнения подвижного состава.
Поэтому зададим следующие входные параметры:
· Средняя скорость движения автобуса, км/ч
Диапазон [20 30] (20 км/ч, 25 км/ч, 30 км/ч).
· Врем ожидания автобуса на остановочных пунктах, мин.
Диапазон [5 15] (5, 10, 15)
· Уровень комфортности.
Диапазон [0 3] (низкий, средний, высокий)
Выходной параметр:
Фактор оценки эффективности FO.
Диапазон [1 5] (очень плохо-1, плохо-2, удовлетворительно-3, хорошо-4, отлично-5).
2.2 Реализация системы выбора в программе MatLab (пакете Fuzzy Logic)
Запустим MATLAB и для загрузки основного fis-редактора напечатаем слово fuzzy в командной строке. После этого откроется новое графическое окно, показанное на рисунке 2.1.
Программа автоматически создала безымянный файл, и выбрала систему типа mamdani, также программа автоматически добавила один входной и один выходной параметры, и присвоила им имена соответственно input 1 и output 1.
Рисунок 2.1 - Окно редактора FIS-Editor
Для реализации оценки эффективности пассажирских перевозок добавим еще два входных параметра. Для этого в меню Edit выбираем команду AddVariable. Input два. После чего получим:
Рисунок 2.2 - Окно редактора FIS-Editor
Переименуем входные и выходные переменные. Входные - это Speed, Time и Comfortable. Выходной параметр-это Efficiency. (рисунок 2.3). Для этого введем имена входов и выходов в поле Name, завершив ввод клавишей Enter.
Рисунок 2.3 - Входные и выходные переменные
Перейдем в редактор функций принадлежности. Для этого сделаем двойной щелчок левой кнопкой мыши на блоке speed. Зададим диапазон изменения переменной speed. Напечатаем [20 30] в поле Range и нажмем Enter (рисунок 2.4)
Рисунок 2.4 - Функции принадлежности переменной speed
Зададим функции принадлежности переменной speed. Для оценки этой переменной будем использовать три терма с гауссовскими функциями принадлежности. В меню Edit выберем команду AddMFs… В появившемся диалоговом окне выбираем тип функции принадлежности gaussmfв поле MFtype и три терма в поле Number of MFs. После чего нажимаем Enter. Также зададим названия термов переменной speed. Для этого делаем один щелчок левой кнопкой мыши по графику первой функции принадлежности (рисунок 2.4). Затем вводим наименование терма - "20" в поле Name и нажмем Enter. Затем делаем один щелчок левой кнопкой мыши по графику второй функции принадлежности, и вводим наименование терма - "25" в поле Name и нажимаем Enter. Еще раз делаем один щелчок левой кнопкой мыши по графику третьей функции принадлежности и вводим наименование терма - "30" в поле Name и нажимаем Enter. В результате получаем графическое окно, изображенное на рисунке 2.4.
Зададим функции принадлежности переменной time. Для лингвистической оценки этой переменной будем использовать три терма с гауссовскими функциями принадлежности. Для этого активизируем переменную time с помощью щелчка левой кнопкой мыши на блоке time. Зададим диапазон изменения переменной time. Для этого напечатаем [5 15] в поле Range и нажмем Enter (рисунок 2.5).
Рисунок 2.5 - Функции принадлежности переменной time
Затем в меню Edit выберем команду AddMFs…В появившемся диалоговом окне выбираем тип функции принадлежности gaussmf в поле MFtype и три терма в поле Number of MFs. После чего нажимаем Enter. По аналогии с переменной speed зададим следующие наименования термов переменной time: "5", "10", "15". В результате получим графическое окно, изображенное на рисунке 2.5.
Зададим функции принадлежности переменной comfortable. Для лингвистической оценки этой переменной будем использовать три терма с гауссовскими функциями принадлежности. Для этого в меню Editвыберем команду AddMFs…, и выбираем MFType - gaussmf, NumberofMF - 3, затем OK. Зададим диапазон изменения переменной comfortable. Для этого напечатаем [0 1] в поле Range и нажмем Enter (рисунок 2.6). По аналогии с переменной time зададим следующие наименования термов переменной: min, mid, max. В результате получим графическое окно, изображенное на рисунке 2.6.
Рисунок 2.6 - Функции принадлежности переменной comfortable
Зададим функции принадлежности выходного параметра efficiency. Для лингвистической оценки этой переменной будем использовать три терма с трапецеидальными функциями принадлежности. Для этого активизируем переменную efficiency помощью щелчка левой кнопкой мыши на блоке efficiency. Зададим диапазон изменения переменной efficiency. Для этого напечатаем [1 5] в поле Range и нажмем Enter (рисунок 2.7). Затем в меню Edit выберем команду AddMFs…В появившемся диалоговом окне выбираем три терма в поле NamberofMFs. После этого нажимаем Enter. По аналогии зададим следующие наименования термов переменной efficiency: "1", "2", "3", "4", "5".
Рисунок 2.7 - Функции принадлежности переменной efficiency
Перейдем в редактор базы знаний RuleEditor. Для этого выберем в меню Edit команду Editrules. Введем набор правил в базу знаний (рисунок 2.8). Для этого необходимо выбрать в меню нужное сочетание команд и нажать Addrule. Число приведенное в конце в скобках представляет собой весовой коэффициент для соответствующего правила.
Рисунок 2.8 - База знаний в RuleEditor после ввода правил
Правила:
1. If (speed is 20) and (time is 5) and (comfortable is min) then (efficiency is 3) (1);
2. If (speed is 20) and (time is 5) and (comfortable is mid) then (efficiency is 3) (1);
3. If (speed is 20) and (time is 5) and (comfortable is max) then (efficiency is 4) (1);
4. If (speed is 20) and (time is 10) and (comfortable is min) then (efficiency is 2) (1);
5. If (speed is 20) and (time is 10) and (comfortable is mid) then (efficiency is 3) (1);
6. If (speed is 20) and (time is 10) and (comfortable is max) then (efficiency is 3) (1);
7. If (speed is 20) and (time is 15) and (comfortable is min) then (efficiency is 1) (1);
8. If (speed is 20) and (time is 15) and (comfortable is mid) then (efficiency is 2) (1);
9. If (speed is 20) and (time is 15) and (comfortable is max) then (efficiency is 3) (1);
10. If (speed is 25) and (time is 5) and (comfortable is min) then (efficiency is 3) (1);
11. If (speed is 25) and (time is 5) and (comfortable is mid) then (efficiency is 4) (1);
12. If (speed is 25) and (time is 5) and (comfortable is max) then (efficiency is 5) (1);
13. If (speed is 25) and (time is 10) and (comfortable is min) then (efficiency is 3) (1);
14. If (speed is 25) and (time is 10) and (comfortable is mid) then (efficiency is 4) (1);
15. If (speed is 25) and (time is 10) and (comfortable is max) then (efficiency is 4) (1);
16. If (speed is 25) and (time is 15) and (comfortable is min) then (efficiency is 3) (1);
17. If (speed is 25) and (time is 15) and (comfortable is mid) then (efficiency is 4) (1);
18. If (speed is 25) and (time is 15) and (comfortable is max) then (efficiency is 3) (1);
19. If (speed is 30) and (time is 5) and (comfortable is min) then (efficiency is 3) (1);
20. If (speed is 30) and (time is 5) and (comfortable is mid) then (efficiency is 5) (1);
21. If (speed is 30) and (time is 5) and (comfortable is max) then (efficiency is 5) (1);
22. If (speed is 30) and (time is 10) and (comfortable is min) then (efficiency is 4) (1);
23. If (speed is 30) and (time is 10) and (comfortable is mid) then (efficiency is 4) (1);
24. If (speed is 30) and (time is 10) and (comfortable is max) then (efficiency is 5) (1);
25. If (speed is 30) and (time is 15) and (comfortable is min) then (efficiency is 3) (1);
26. If ( (speed is 30) and (time is 15) and (comfortable is mid) then (efficiency is 4) (1);
27. If (speed is 30) and (time is 15) and (comfortable is max) then (efficiency is 4) (1);
Посмотрим нечеткий логический вывод системы. Для этого выберем из меню View команду Rules и посмотрим логический вывод для разных сочетаний входных параметров (Рисунок 2.9).
Рисунок 2.9 - Визуализация нечеткого логического вывода в RuleViewer
Произведём несколько числовых экспериментов. Для этого зададим, например, 4 тестовых условия:
1. средняя скорость движения автобуса = 20, время ожидания автобуса на остановочных пунктах = 11, комфортность = 0.5. В результате получаем следующее значение экспертной оценки эффективности = 2.93.
2. средняя скорость движения автобуса = 27, время ожидания автобуса на остановочных пунктах = 8, комфортность = 0.3. В результате получаем следующее значение экспертной оценки эффективности = 3.75.
3. средняя скорость движения автобуса = 30, время ожидания автобуса на остановочных пунктах = 6, комфортность = 0.8. В результате получаем следующее значение экспертной оценки эффективности = 4.5
4. средняя скорость движения автобуса = 20, время ожидания автобуса на остановочных пунктах = 15, комфортность = 0.1. В результате получаем следующее значение экспертной оценки эффективности = 1.54.
Результаты проведённых числовых экспериментов являются верными, что, в свою очередь, ещё раз подтверждает правильность работы разработанной нами экспертной системы определения оценки эффективности пассажирских перевозок.
Теперь посмотрим поверхности "вход - выход", которая соответствует синтезированной нечеткой системе, для этого выберем команду Viessurface меню Vies.
На рисунке 2.10 изображена поверхность "входы выход" в координатах "скорость - время - эффективность".
Рисунок 2.10 - Поверхность "входы выход" в окне SurfaceViewer в координатах "скорость - время - эффективность".
Из рисунка 2.10 видно, что при уменьшении времени ожидания автобуса на остановочных пунктах и увеличении скорости движения автобуса эффективность пассажирских перевозок увеличивается. При средних значениях входных параметров оценка эффективности равна около 4. Что в свою очередь является хорошей оценкой эффективности.
На рисунке 2.11 изображена поверхность "входы выход" в координатах "скорость - уровень комфорта - эффективность"
Рисунок 2.11 - Поверхность "входы выход" в окне SurfaceViewer в координатах "скорость - уровень комфорта - эффективность"
Из рисунка 2.11 видно, что при уменьшении значения уровня комфортности и скорости движения автобусов, параметр оценки эффективности будет падать. При средних значениях входных параметров эффективность принимает значения около 4. При высоких значениях уровня комфортности и скорости движения значения эффективности также будут принимать высокие значения.
На рисунке 2.12 изображена поверхность "входы выход" в координатах "время - уровень комфорта - эффективность".
Рисунок 2.12 - Поверхность "входы выход" в окне SurfaceViewer в координатах "время - уровень комфорта - эффективность".
Из рисунка 2.12 видно, что при уменьшении уровня комфорта и увеличении времени ожидания автобуса на остановочных пунктах параметр оценки эффективности резко падает и принимает низкие значения (но при этом не меньше 3). При средних значениях входных параметров эффективность также принимает значения равные 4. При высоких значениях уровня комфорта и наименьшим временем ожидания автобуса эффективность принимает высокие значения.
Таким образом, из разработанной экспертной системы следует, что оценка эффективности пассажирских перевозок зависит от таких входных данных как: средняя скорость движения автобусов, время ожидания автобусов на остановочных пунктах и уровня комфортности.
Но, для улучшения результатов возможно увеличение количества термов входных параметров.
Заключение
В первой части данной курсовой работы нами были рассмотрены экспертные системы. А именно: базовые понятия, проектирование и разработка экспертных систем.
Главным достоинством ЭС является возможность накопления знаний и сохранение их длительное время. В отличие от человека к любой информации экспертные системы подходят объективно, что улучшает качество проводимой экспертизы. При решении задач, требующих обработки большого объема знаний, возможность возникновения ошибки при переборе очень мала.
Но при создании экспертной системы возникает ряд затруднений. Это прежде всего связано с тем, что пользователь не всегда точно может сформулировать свои требования к разрабатываемой системе.
Экспертная система состоит из базы знаний (части системы, в которой содержатся факты), подсистемы вывода (множества правил, по которым осуществляется решение задачи), подсистемы объяснения, подсистемы приобретения знаний и диалогового процессора.
При построении подсистем вывода используют методы решения задач искусственного интеллекта.
Во второй части было представлено решение практической задачи: разработки экспертной системы определения оценки эффективности пассажирских перевозок в пакете Fuzzy logic программы Matlab.
В ходе решения задачи выявлено влияние параметров времени ожидания автобуса на остановочных пунктах, скорости движения автобусов и уровня комфортности на эффективность пассажирских перевозок.
При увеличении скорости и уменьшения времени ожидания коэффициент эффективности увеличивается.
Список литературы
1. Свободная общедоступная интернет-энциклопедия Википедия [Электронный ресурс]. Режим доступа: http://ru. wikipedia.org/wiki - Загл. С Экрана
2. Джексон П., Введение в экспертные системы, Пер. с англ. - М.: Издательский дом "Вильямс". - 624с.
3. Борщенко Я.А. Информационные технологии на транспорте. М/ук выполнению курсовой работы студентам специальностей 240400 " Организация и безопасность движения" - Курган: Издательство КГУ, 2004-23с.
4. Леоненков А. Нечеткое моделирование в среде MATLAB и fuzzyTECH. - Санкт-Петербург: БХВ-Петербург, 2005. - 720 с.
5. Дьяконов В., Круглов В. Математические пакеты расширения MATLAB: Специальный справочник. - СПБ.: Питер, 2001. - 480 с.
Размещено на Allbest.ru
...Подобные документы
Определение экспертных систем, их достоинство и назначение. Классификация экспертных систем и их отличие от традиционных программ. Структура, этапы разработки и области применения. Классификация инструментальных средств и технология разработки систем.
курсовая работа [78,0 K], добавлен 03.06.2009История развития искусственного интеллекта. Экспертные системы: их типы, назначение и особенности, знания и их представление. Структура идеальной и инструменты построения экспертных систем. Управление системой продукции. Семантические сети и фреймы.
реферат [85,7 K], добавлен 20.12.2011Изучение характеристик, классификации, функций и основных элементов экспертных систем. Исследование их структуры и отличительных особенностей от другого программного обеспечения. Описания методов проектирования и области применения экспертных систем.
реферат [38,1 K], добавлен 18.09.2013Механизм автоматического рассуждения. Основные требования к экспертным системам. Наделение системы способностями эксперта. Типовая структура и классификация интерфейсов пользователей экспертных систем. Основные термины в области разработки систем.
презентация [252,6 K], добавлен 14.08.2013Решение прикладных задач с использованием искусственного интеллекта. Преимущества и недостатки экспертных систем по сравнению с использованием специалистов, области их применения. Представление знаний и моделирование отношений семантическими сетями.
реферат [260,9 K], добавлен 25.06.2015Этапы разработки экспертных систем. Требования к организации-разработчику. Правильный выбор подходящей проблемы, работа с экспертом. Разработка прототипной системы. Развитие прототипа до промышленной экспертной системы. Особенности оценки системы.
презентация [169,1 K], добавлен 14.08.2013Понятие искусственного интеллекта как свойства автоматических систем брать на себя отдельные функции интеллекта человека. Экспертные системы в области медицины. Различные подходы к построению систем искусственного интеллекта. Создание нейронных сетей.
презентация [3,0 M], добавлен 28.05.2015Сущность, виды, направления использования и основные понятия экспертных систем. Понятие и характеристика основных элементов структуры экспертной системы. Основные виды классификаций экспертных систем: по решаемой задаче и по связи с реальным временем.
доклад [104,5 K], добавлен 09.06.2010Понятие и содержание экспертных систем, принципы взаимосвязи элементов: интерфейса пользователя, собственно пользователя, эксперта, средств объяснения, рабочей памяти и машины логического вывода. Классификация, преимущества, недостатки экспертных систем.
реферат [33,9 K], добавлен 25.02.2013Структура экспертных систем, их классификация и характеристики. Выбор среды разработки программирования. Этапы создания экспертных систем. Алгоритм формирования базы знаний с прямой цепочкой рассуждений. Особенности интерфейса модулей "Expert" и "Klient".
курсовая работа [1,1 M], добавлен 18.08.2009Сущность экспертных систем и их научно-познавательная деятельность. Структура, функции и классификация ЭС. Механизм вывода и система объяснений. Интегрированные информационные системы управления предприятием. Применение экспертных систем в логистике.
курсовая работа [317,3 K], добавлен 13.10.2013Экспертные системы как самостоятельное направление в исследованиях по искусственному интеллекту, история его зарождения и развития, главные цели и оценка важности. Сферы применения экспертных систем и причины их коммерческого успеха, перспективы.
реферат [140,8 K], добавлен 27.03.2010Понятия, классификация и структура экспертных систем. Базы знаний и модели представления знаний. Механизмы логического вывода. Инструментальные средства проектирования и разработки экспертных систем. Предметная область ЭС "Выбор мобильного телефона".
курсовая работа [2,2 M], добавлен 05.11.2014Понятие и суть нечеткой логики и генетических алгоритмов. Характеристика программных пакетов для работы с системами искусственного интеллекта в среде Matlab R2009b. Реализация аппроксимации функции с применением аппарата нечеткого логического вывода.
курсовая работа [2,3 M], добавлен 23.06.2012Решение неформализованных задач экспертными системами. Системы искусственного интеллекта, эвристический поиск решения. Особенности работы экспертных систем. Знания о процессе решения задач, используемые интерпретатором. Системы обнаружения неисправности.
презентация [100,1 K], добавлен 12.02.2014Экспертная система - компьютерная программа, способная частично заменить специалиста-эксперта в разрешении проблемной ситуации. Структура, режимы функционирования, классификация экспертных систем, этапы разработки. Базы знаний интеллектуальных систем.
реферат [32,2 K], добавлен 04.10.2009Области человеческой деятельности, в которых может применяться искусственный интеллект. Решение проблем искусственного интеллекта в компьютерных науках с применением проектирования баз знаний и экспертных систем. Автоматическое доказательство теорем.
курсовая работа [41,3 K], добавлен 29.08.2013Основные этапы при создании экспертных систем: идентификация, концептуализация, формализация, выполнение, отладка и тестирование, опытная эксплуатация и внедрение. Соответствия между этапами проекта RAD и стадиями технологии быстрого прототипирования.
лекция [38,8 K], добавлен 07.11.2013Классификация экспертных систем и программного обеспечения для их разработки. Практическое применение искусственного интеллекта на машиностроительных предприятиях и в экономике. Составление дерева решения. Язык функционального программирования LISP.
курсовая работа [542,6 K], добавлен 12.12.2013Участники и инструментальные средства создания экспертной системы. Классификация, преимущества, сферы применения экспертных систем. Разработка блок-схемы алгоритма и программы на языке Турбо Паскаль для решения задачи по теме "Двумерные массивы".
курсовая работа [1,0 M], добавлен 18.01.2014
