Загальний огляд експертних систем

року міністерство освіти Російської Федерации.

Саратовський державний університет імені Н. Г. Чернышевского.

Курсова работа.

на задану тему «Експертні системы».

Науковий керівник: ст. викладач Іванов А.С.

Виконав: студент групи 112 ф-та КНиИТ Мазаєв Д.А.

Саратов.

2002 год.

План.

Запровадження 2.

Глава I. Експертні системи, їх особливості. Застосування експертних систем. 3.

ГлаваII. Структура експертної системи 7.

Глава III. Моделі уявлення знань 8.

3.1 Логічний модель уявлення знань 9.

3.2 Продукционная модель уявлення знань 10.

3.3 Уявлення знань фреймами 12.

3.4 Уявлення знань семантичними мережами 14.

Список використаної літератури 17.

Експертні системи (ЕС) — це набір програм, виконує функції експерта під час вирішення завдань з деякою предметної області. Вони виникли як значний практичний результат у використанні та розвитку методів штучного інтелекту (ІІ) — сукупності наукових дисциплін, вивчаючих на методи вирішення завдань інтелектуального (творчого) характеру з використанням ЕОМ. ЕС видають поради, проводять аналіз, дають консультації, ставлять діагноз. Практичне застосування ЕС на підприємствах сприяє ефективності праці та підвищенню кваліфікації специалистов.

Область ІІ має як понад сорокарічну історію розвитку. Із самісінького запрацювала ній розглядалася ще низка дуже складних завдань, які, поруч із іншими, і досі пір є предметом досліджень: автоматичні докази теорем, машинний переклад (автоматичний переведення з одного природної мови в інший), розпізнавання зображень і аналіз сцен, планування дій роботів, алгоритми і стратегії игр.

ЕС видають поради, проводять аналіз, дають консультації, ставлять діагноз. Практичне застосування ЕС на підприємствах сприяє ефективності праці та підвищенню кваліфікації специалистов.

Основною перевагою Сендеги експертних систем є можливість накопичення знань — формалізованої інформації, яку посилаються чи використав процесі логічного висновку, і збереження їх тривалий час. На відміну від чоловіка до будь-якої інформації експертні системи підходять об'єктивно, що покращує якість проведеної експертизи. За позитивного рішення завдань, потребують обробки великого об'єму знань, можливість виникнення помилки при переборі дуже мала.

Експертна система складається з бази знань (частини системи, у якій містяться факти), підсистеми виведення (безлічі правил, якими здійснюється вирішення завдання), підсистеми пояснення, підсистеми придбання знань і діалогового процессора.

При побудові підсистем виведення використовують на методи вирішення завдань штучного интеллекта.

Глава I. Експертні системи, їх особливості. Застосування експертних систем.

Експертна система — це інтелектуальна програма, здатна робити логічні висновки виходячи з знань у конкретної предметної області й забезпечує рішення специфічних завдань. І тому її треба наділити функціями, що дозволяє виконувати завдання, які у відсутність експерта (спеціаліста у даної конкретної предметної області) неможливо правильно вирішити. Тому необхідним етапом у її розробці є придбання відповідних знань від експерта. До експертним системам пред’являються такі требования:

1) Використання знань, що з конкретної предметної областью;

2) Придбання знань від эксперта;

3) Визначення реальної законодавчої і досить складною задачи;

4) Наділення системи здібностями эксперта.

Знання про предметної області, необхідних роботи ЕС, певним чином формалізовані і подано у пам’яті ЕОМ як бази знань, яка може змінюватися і доповнюватися у розвитку системи. Головне гідність ЕС — можливість накопичувати знання, зберігати їх тривале час, оновлювати і тим самим забезпечувати відносну незалежність конкретної організації від наявності у ній кваліфікованих фахівців. Нагромадження знань дозволяє підвищувати їхню кваліфікацію фахівців, працюючих для підприємства, використовуючи найкращі, перевірені решения.

Області застосування систем, заснованих на виключно знаннях, може бути згруповані на кілька основних класів: медична діагностика, контроль і управління, діагностика несправностей в механічних і електричних пристроях, навчання. а) Медична диагностика.

Діагностичні системи йдуть на встановлення між порушеннями діяльності організму, що їх можливими причинами. Найбільш відома діагностична система MYCIN, що призначалася для діагностику і контролю над станом хворого при менінгіті і бактеріальних інфекції. Її перша версія і була розроблено у Стенфордському університеті у середині 1970;х років. Нині цю систему ставить діагноз лише на рівні лікаря-спеціаліста. Вона має розширену базу знань, завдяки чого можуть застосовуватися та інших областях медицини. б) Прогнозирование.

Прогнозирующие системи прогнозують можливі результати чи події з урахуванням даних про про поточний стан об'єкта. Програмна система «Завоювання Уолл-стрита» може проаналізувати кон’юнктури ринку і з допомогою статистичних методів алгоритмів розробити вам план капіталовкладень з перспективи. Вона не належить до систем, заснованих на виключно знаннях, оскільки використовує процедури і алгоритми традиційного програмування. Хоча що відсутні ЕС, які здатні з допомогою своєї інформації про кон’юнктури ринку допомогти вам збільшити капітал, прогнозирующие системи вже нині можуть пророкувати погоду, врожайність і потік пасажирів. Навіть під час персональному комп’ютері, встановивши просту систему, засновану на знаннях, ви можете отримати місцевий прогноз погоди. в) Планирование.

Котрі Планують системи призначені задля досягнення конкретних цілей під час вирішення завдань із великою кількістю змінних. Дамасская фірма Informat вперше у торгової практиці надає у розпорядженні покупців 13 робочих станцій, встановлених в холі свого офісу, у яких проводяться безкоштовні 15-хвилинні консультації з єдиною метою допомогти покупцям вибрати комп’ютер, найбільше відповідальний їхніх життєвих потреб та бюджетові. Крім того, компанія Boeing застосовує ЕС для проектування космічних станцій, і навіть виявлення причин відмов літакових двигунів і ремонту вертольотів. Експертна система XCON, створена фірмою DEC, служить для визначення чи зміни конфігурації комп’ютерних систем типу VAX й у відповідно до вимог покупця. Фірма DEC розробляє більш потужну систему XSEL, що включає базу знань системи XCON, із метою допомоги покупцям під час виборів обчислювальних систем з потрібною конфігурацією. На відміну від XCON система XSEL є інтерактивною. р) Интерпретация.

Інтерпретують системи у змозі отримувати певні укладання з урахуванням результатів спостереження. Система PROSPECTOR, одне з найвідоміших систем інтерпретуючого типу, об'єднує знання дев’яти експертів. Використовуючи поєднання дев’яти методів експертизи, системі вдалося знайти поклади руди вартістю мільйон доларів, причому наявність цих покладів гадки не мав жодного з дев’яти експертів. Інша интерпретирующая системаHASP/SIAP. Вона визначає місце розташування і типи судів у тихому океані за даними акустичних систем спостереження. буд) Контроль і управление.

Системи, засновані на знаннях, можна застосовувати як інтелектуальних систем контролю та приймати рішення, аналізуючи дані, які від кількох джерел. Такі системи вже працюють на атомних електростанціях, управляють повітряним рухом і здійснюють медичний контроль. Вони можуть бути і корисні при регулюванні фінансової складової діяльності підприємства міста і допомагати під час вироблення рішень на критичних ситуаціях. е) Діагностика несправностей в механічних і електричних устройствах.

У сфері системи, засновані на знаннях, незамінні, як при ремонті механічних і електричних машин (автомобілів, дизельних локомотивів тощо.), і при усуненні несправностей і прямих помилок в апаратній і програмне забезпечення комп’ютерів. ж) Обучение.

Системи, засновані на знаннях, можуть входити складовою в комп’ютерні системи навчання. Система отримує інформацію про діяльність деякого об'єкта (наприклад, студента) і аналізує її поведінка. База знань змінюється відповідно до поведінкою об'єкта. Прикладом цього навчання служити комп’ютерна гра, складність якої збільшується принаймні зростання ступеня кваліфікації що грає. Однією із найбільш цікавих навчальних ЕС є розроблена Д. Ленатом система EURISCO, що використовує прості евристики. Цю систему була випробувана у грі Т. Тревевеллера, яка імітує бойові дії. Суть гри у тому, щоб визначити склад флотилії, здатної завдати поразка за умов неизменяемого безлічі правил. Система EURISCO включила у складі флотилії невеликі, здатні провести швидку атаку кораблі родовищ і одне дуже маленьке швидкісний судно і постійно вигравала протягом трьох років, як і раніше, прагнучи перешкодити цьому правил гри змінювали кожен год.

Більшість ЕС включають знання, за змістом яких і можна віднести одночасно до кількох типам. Наприклад, навчальна система може також мати знання, що дозволяє виконувати діагностику і планування. Вона визначає здібності обучаемого по основним напрямам курсу, а потім із урахуванням даних складає навчальний план. Керуюча система може застосовуватися з метою контролю, діагностики, прогнозування і планування. Система, забезпечує схоронність житла, може стежити за оточуючої обстановкою, розпізнавати що відбуваються (наприклад, відкрилося вікно), видавати прогноз (вор-взломщик має намір поринути у будинок) і складати план дій (викликати полицию).

ГлаваII. Структура експертної системы.

Структура експертної системи представлена такими структурними елементами: База знань — механізм уявлення знань у конкретної предметної області й управління ними; Механізм логічних висновків — робить логічні висновки виходячи з знань, наявних у базі знань; Користувальницький інтерфейс — використовується для правильної передачі відповідей користувачеві; Модуль придбання знань — служить щоб одержати знань від експерта, підтримки бази знань і її за необхідності; Модуль рад і пояснень — механізм, здатний як давати висновок, а й представляти різні коментарі, що докладалися до цього висновку, і пояснювати його мотиви. Інакше користувачеві буде важко зрозуміти висновок. Таке розуміння необхідно, якщо укладання використовується для консультації чи надання допомоги під час вирішення будь-яких питань. З іншого боку, з його допомогою ми експерт визначає, як працює система, і дозволяє точно з’ясувати, як використовуються знання, надані им.

Схема1.

Структура експертної системы.

Користувальницький интерфейс.

Глава III. Моделі уявлення знаний.

Однією з найважливіших проблем, притаманних систем, заснованих на знаннях, є проблема уявлення знань. Це тим, що форму для уявлення знань істотно впливає на характеристики й властивості системи. Щоб маніпулювати різноманітними знаннями з реального світу з допомогою комп’ютера, необхідно здійснювати їхню моделювання. У разі необхідно відрізняти знання, призначені в обробці комп’ютером, від знань, використовуваних людиною. З іншого боку, при великий обсяг знань бажано спростити послідовне управління окремими елементами знаний.

Під час проектування моделі уявлення знань треба враховувати такі чинники, як однорідність уявлення та простота розуміння. Однорідне уявлення призводить до спрощення механізму управління логічним висновком і спрощення управління знаннями. Уявлення знань має зрозумілим експертів і користувачам системи. Інакше не можуть придбання знань та його оцінка. Проте виконати цю вимога однаковою ступеня, як простих, так складних завдань досить складно. Зазвичай для нескладних завдань зупиняються на деякому середньому (компромісному) поданні, але на вирішення складних та великих завдань необхідні структурування і модульне представление.

Типовими моделями уявлення знань є: Логічний модель; Модель, джерело якої в використанні правил (продукционная модель); Модель, джерело якої в використанні фреймів; Модель семантичної сети.

Однак у розроблених у минулому системах з базами знань крім цих моделей використовувалися спеціальні конкретної випадку кошти, тому уявлення знань виходило складним. Проте класифікація моделей лишалася незмінною. Мова, використовуваний і розробити систем, спроектованих з урахуванням цих моделей, називається мовою уявлення знаний.

3.1 Логічний модель уявлення знаний.

Логічний модель використовується до подання знань у системі логіки предикатів першого порядку й виведення висновків із допомогою силогізму. Основне перевагу використання логіки предикатів для уявлення знань у тому, що у якого добре зрозумілими математичними властивостями потужний механізм виведення то, можливо безпосередньо запрограмований. З допомогою цих програм з відомих раніше знань можна отримати нові знания.

Наведені нижче приклади є логічними моделями уявлення фактів з допомогою предикатів і їх носять назва атомарної формулы.

ЛЮБОВ (Віктор, Ірина): Віктор любить Ирину.

СТОЛИЦЯ (Москва): Москва — столица.

Наступні приклади є правильно побудованими логічними формулами, куди входять кванторы існування ([pic]) і спільності ([pic]).

[pic]: якийсь дельфін наділений розумовими способностями.

[pic]: все слони мають сіру окраску.

Відмітними рисами логічних моделей, зокрема наведених вище моделей уявлення знань, є одиничність теоретичного обгрунтування й можливість системи формально точних визначень і висновків. З цих причин чимало дослідників у сфері штучного інтелекту вибрали собі предметом вивчення саме логічні моделі. Проте задля логічних моделей характерний ряд сумнівних моментів, а оскільки більшість дослідників у сфері штучного інтелекту — котрі мають неформальним мисленням, то більшість досягнень у сфері систем з базами знань донедавна належала так званої групи дослідників нелогічного напрями. На відміну від дослідників логічного напрями, які вибирають предметом своїх досліджень порівняно прості завдання, на вирішення яких використовують теоретичні підходи, дослідники нелогічного напрями вибирають складні завдання й намагаються сконцентрувати вся увага розвиток здібностей. Крім цього у на відміну від першої категорії дослідників, що майже не займаються теоретичними дослідженнями, друга категорія надає їм велике значення. Інакше кажучи, так звана «людська логіка» — це інтелектуальна модель з нечіткою структурою — у її на відміну від суворої логіки. Більше точно слід зазначити, що дослідники логічного напрями шукають шляху логічного рішення (у малій моделі) завдань, поставлених дослідниками нелогічного напрями, та поступово розширюють рамки логіки. Прикладами тому є модальна логіка, багатозначна і т.п. У 1980;х рр. було переглянуто ставлення до переваг та значущості логічних методів, і вони у різні форми стали застосовуватися у нелогических моделях уявлення знань. Це зумовлено, з одного боку, необхідністю точному поданні знань, з другого — стали очевидними межами традиційних систем знань, надмірно тяжіють до эвристике.

3.2 Продукционная модель уявлення знаний.

У моделі правил знання представлені сукупністю правил виду «ЯКЩО — ТЕ». Системи з базами знань, засновані в цій моделі, називаються продукционными системами. Ці системи бувають двох діаметрально протилежних типів — з прямими і зворотними висновками. Типовим представником першого типу є система MYCIN, використовувана для вирішення завдань діагностичного характеру, а типовим представником систем другого типу — OPS, використовувана на вирішення проектування задач.

У системі продукций з зворотними висновками з допомогою правил будується дерево И/ИЛИ, що пов’язує у єдине ціле факти і що укладання; оцінка цього дерева виходячи з фактів, наявних у базі даних, це і є логічний висновок. Логічні висновки бувають прямими, зворотними і двунаправленными. При прямому виведення відправною точкою служать надані дані, процес оцінки припиняється в вузлах з запереченням, причому у ролі укладання (коли всі дерево пройдено) використовується гіпотеза, відповідна самому верхньому рівню дерева (корені). Проте задля такого виведення характерно дуже багато даних, і навіть оцінок дерева, не мають безпосередньо до висновку, що зайве. Перевага зворотних висновків у цьому, що оцінюються ті частини дерева, які мають ставлення до висновку, та якщо заперечення чи твердження неможливі, то породження дерева втрачає сенс. У двунаправленных висновках спочатку оцінюється невеличкий обсяг даних і вибирається гіпотеза (по прикладу прямих висновків), та був вимагають дані, необхідних ухвалення рішення про придатності даної гіпотези. За підсумками цих висновків можна реалізувати потужнішу і гнучку систему.

Системи продукций з прямими висновками серед систем, заснованих на виключно використанні знань, мають найбільш давню історію, тому є в певному сенсі основними. Ці системи включають три компонента: базу правил, що складається з набору продукций (правил виведення), базі даних, що містить чимало фактів, і інтерпретатор щоб одержати логічного виведення основі цих знань. База правив і база даних утворюють базу знань, а інтерпретатор відповідає механізму логічного висновку. Висновок виконується як циклу «розуміння — виконання», причому у кожному циклі виконувана частина обраного правила оновлює базі даних. Через війну вміст бази даних перетвориться від початкового до цільовому, тобто. цільова система синтезується базі даних. Інакше висловлюючись, системі продукций характерний простий цикл вибору і виконання (чи оцінки) правил, однак через необхідності періодичного порівняння з зразком у базі правил (ототожненням) зі збільшенням числа останніх (правил) істотно сповільнюється швидкість виведення. Отже, такі не годяться для рішення великомасштабних завдань. Впорядкуємо слабкі й сильні боку добре відомих систем продукций. Сильні боки: Простота створення й розуміння окремих правил; Простота поповнення, модифікації і анулювання; Простота механізму логічного висновку. Слабкі боку: Неясність взаємних відносин правил; Складність оцінки цілісного образу знань; Вкрай низька ефективність обробки; Відмінність від людської структури знань; Відсутність гнучкості у логічному выводе.

Отже, якщо об'єктом є невеличка завдання, виявляються лише сильні боку системи продукций. Інколи справа збільшення обсягів знань, необхідності розв’язання складних завдань, виконання гнучких висновків чи підвищення швидкості виведення потрібно структурування бази даних. Перше, що спадає на думку у разі, — це угруповання знань і структурування бази даних. Інакше кажучи, шляхом попередньої угруповання відповідних правив у деякому стані процесу виведення можна обмежити діапазон вибору правил. Там, коли об'єкти, для яких використовують правила, також мають ієрархічну структуру, ефективний структурування бази даних. Такий підхід був реалізований у системах EMICIN і MECS-AI, розроблених з урахуванням системи MYCIN із застосуванням універсальної мови уявлення знаний.

Розширеним варіантом моделі правил є модель дошки оголошень (blackboard), що була запропонована у системі розпізнавання розмовної промови HEARSAY-II як уявлення знаний.

3.3 Уявлення знань фреймами.

Фреймова модель, чи модель уявлення знань, джерело якої в фреймовой теорії М. Мінського, є систематизовану модель пам’яті людини її сознания.

Теорія фреймів — це парадигма до подання знань з єдиною метою використання тих знань комп’ютером. Вперше було представлено Мінським в 1975 року, як спроба побудувати фреймовую мережу, чи парадигму із єдиною метою досягнення більший ефект розуміння. З одного боку він намагався сконструювати базі даних, що містить енциклопедичні знання, але з з іншого боку, хотів створити найбільш описує базу, що містить інформацію в структурованої і упорядкованим формі. Ця структура дозволила б комп’ютера вводити інформацію на більш гнучкою формі, маючи доступом до того розділу, потрібного в момент. Мінський розробив таку схему, у якій інформація міститься у спеціальних осередках, званих фреймами, об'єднаними до мережі, звану системою фреймів. Новий фрейм активізується із настанням нову ситуацію. Знаковою межею і те, що він одночасно містить великий обсяг знань й те водночас є дуже гнучким у тому, щоб бути використаним як елемент бази даних. Термін «фрейм» був найпопулярніший у середині 70-х років, коли існувало багато його тлумачень, відмінних інтерпретації Минского.

Отже, як уже зазначалося вище фрейми — це фрагменти знання, призначені до подання стандартних ситуацій. Термін «фрейм» (Frame — рамка) було запропоновано Мінським. Фрейми мають вигляд структурованих компонентів ситуацій, званих слотами. Слот може вказувати в інший фрейм, встановлюючи, в такий спосіб, зв’язок між двома фреймами. Можуть встановлюватися загальні зв’язку типу зв’язку з спілкуванню. Із кожним фреймом асоціюється різноманітна інформація (зокрема і складні процедури), наприклад очікувані процедури ситуації, засоби одержання інформації про слотах, значення прийняті за умовчанням, правила вывода.

Формальна структура фрейму має вигляд: f[,, …, ], де f — ім'я фрейму; пара — i-ый слот, Ni — ім'я слота і Vi — його значение.

Значення слота то, можливо представлено последовательностью.

;…;;; …;, де Ki — імена атрибутів, притаманних даного слота; Li — значення цих атрибутів, притаманних даного слота; Rj — різні посилання інші слоты.

Кожен фрейм, як структура зберігає знання про предметної області (фрейм-прототип), а під час заповнення слотів знаннями перетворюється на конкретний фрейм події чи явления.

Фрейми можна розділити на дві групи: фреймы-описания; рольові фреймы.

Розглянемо пример.

Фрейм опис: [,, , ].

Рольової фрейм: [,, ,, , ].

У фрейме-описании як імен слотів заданий вид програмного забезпечення, а значення слота характеризує масу чуток і виробника конкретної продукції. У рольовому фреймі як імен слотів виступають питальні слова, яких є значеннями слотів. Для даного прикладу представлені вже описи конкретних фреймів, що потенційно можуть називатися або фреймами — прикладами, або фреймами — екземплярами. Якщо наведеному прикладі прибрати значення слотів, залишивши лише імена, одержимо так званий фрейм — прототип.

Гідність фрейму — подання в що свідчить грунтуються на включенні в нього припущень в очікуванні. Це досягається з допомогою присвоєння по вмовчанням слотам фрейму стандартних ситуацій. У процесі пошуку рішень ці значення можуть бути більш достовірними. Деякі перемінні виділено в такий спосіб, про їх значеннях система повинна запитати користувача. Частина змінних визначається у вигляді вбудованих процедур, званих внутрішніми. Принаймні присвоєння змінним певних значень здійснюється виклик інших процедур. Цей тип уявлення комбінує декларативні і процедурні знания.

Фреймові моделі забезпечують вимоги структурованості і зв’язаності. Це досягається з допомогою властивостей спадковості й вкладеності, які мають фрейми, тобто. як слотів може бути система імен слотів нижчого рівня, і навіть слоты можна використовувати як виклики будь-яких процедур для выполнения.

Багатьом предметних областей фреймові моделі основним способом формалізації знаний.

3.4 Уявлення знань семантичними сетями.

Однією з способів уявлення знань є семантична мережу. Спочатку семантична мережа була задумана як уявлення структури довгострокової пам’яті в психології, але стала одним з основних способів уявлення знань у інженерії знаний.

Морріс дав точне визначення семантичним і прагматичним відносинам в семіотиці і визначив їх як проблеми різних функціональних рівнів. Інакше кажучи, семантика означає певні (загальні) відносини між символами і об'єктами, представленими цими символами, а прагматика — виразні (стали охоплювати) відносини між символами і творцями (чи користувачами) цих символов.

Спочатку психології вивчалися об'єкти, іменовані семантичними з погляду відомих асоціативних властивостей, накопичуваних у системі навчання дітей і поведінки людини. Проте з розвитком психології пізнання стали вивчатися семантичні структури, які включають деякі об'єкти. Потім були вивчені принцип дії людській голові (способи зберігання інформації та знань), зокрема приблизні (гіпотетичні) структурні моделі довгострокової пам’яті, і створено що моделюють програми, розуміють сенс слов.

Однією із структурних моделей довгострокової пам’яті є запропонована Куиллианом модель розуміння змісту слів, названа TLCмоделі (Teachable Language Comprehender: доступний механізм розуміння мови). У цьому моделі для описи структури довгострокової пам’яті була використана мережна структура як засіб уявлення семантичних відносин між концептами (словами). Ця модель імітує природне розуміння й використання мови людиною. Тому основний її ідеєю було опис значень класу, до якого належить об'єкт, його прототипу і встановлення зв’язку з словами, що відображають властивості об'єкта. Як прикладу на схемою 2 показано дуже проста семантична мережу для уявлення концептуального об'єкта «чайник». У цьому мережі визначено оператори відносин, звані класом, властивістю і прикладом, котрим описані значения.

Схема 2.

У моделі Куиллиана концептуальні об'єкти представлені асоціативними мережами, які з вершин, що б концепти, і дуг, що б відносини між концептами. Наприклад, у мережі, показаної на схемою 2, зі ставленням «клас» асоціюється значення «ёмкость», зі властивістю — «металевий», «порцеляновий», «наявність носика», з прикладом — «металевий чайник». Така асоціативна структура називається площиною, описувані концепти об'єкта називаються вершинами типу, а пов’язані із нею відповідні окреме слово — вершинами лексем. У будь-якій площині існує одна вершина типу, і лише необхідне визначення концептів, що описують його, число вершин лексем.

Вершини лексем визначають різноманітні сутності, які відбуваються в світі, наприклад, класи, властивості, приклади, час, місце, засіб, об'єкти тощо. п. Перевага лексем проти типами залежить від економії простору пам’яті ЕОМ. Це означає і факт запобігання дублювання визначення концептов.

Отже, з наведених вище міркувань, можна дійти невтішного висновку, що в TLC-модели використовується уявлення знань у формі «елемент» і «властивості». Інакше кажучи, можна спробувати структурувати знання, замінивши вершину типу на елемент, а вершину лексеми на властивість. Завдяки цьому дані, засновані на фактах, в довгострокової пам’яті можна з допомогою структур трьох типів: елементи, властивості і покажчики. Елемент представлений укладанням, званим фактом, наприклад об'єктом, подією, поняттям тощо. п., зазвичай за елемент приймається окреме слово, iм’я, пропозиції чи контекст. Властивість — це структура, яка описувала елемент, він відповідає таким частинам мови, як прикметник, наріччя, дієслово тощо. покажчики пов’язують елементи і свойства.

Важливість моделі семантичної мережі Куиллиана з погляду численних додатків такими моментами: На відміну від традиційних методів семантичної обробки з аналізом структури пропозиції було запропоновано нові парадигми як модель уявлення структури довгострокової пам’яті, у якій надається значення обсягу мовної активності. Було запропоновано спосіб описи структури відносин між фактами і поняттями з допомогою кошти, званого семантичної мережею, котра нескладним поданням понять, і навіть спосіб семантичної обробки світі понять з урахуванням значеннєвий зв’язку (смислового обміну) між прототипами. Було створено реальна система TLC, здійснено моделювання людської пам’яті і розроблена технолгическая сторона концепції розуміння смысла.

Список використаної литературы Представление і знань: Пер. з япон./Под ред. Х. Уэно, М. Исидзука.- М.: Світ, 1989. Долин Р. Що таке ЕС// Комп’ютер Пресс. — 1992. — № 2 Сафонов В. О. Експертні системи — інтелектуальні помічники фахівців.- С.-Пб: Санкт-Петербурзька організація суспільства «Знання» Росії, 1992. Шалютин С. М. «Штучний інтелект». — М.: Думка, 1985. У. М. Убейко. Експертні системи.- М.: МАІ, 1992. Д. Элти, М. Кумбс. Експертні системи: концепції, й приклади.- М.: Фінанси і статистика, 1987. Експертні системи: концепції, й приклади/ Д. Элти, М. Кумбс.-М.: Фінанси і статистика, 1987. ———————————;

База данных.

Механізм логічних выводов.

Модуль рад і объяснений.

База знаний Модуль придбання знаний.

Введення данных Заключения. Ради. Объяснения.

Пользовательнеспециалист.

эксперт.

Ёмкость Металлический, порцеляновий, з носиком.

Металлический.

Чайник.