intTypePromotion=1

BÀI GIẢNG HỆ CHUYÊN GIA - ĐẠI HỌC HÀNG HẢI - 7

Chia sẻ: Muay Thai | Ngày: | Loại File: PDF | Số trang:10

0
141
lượt xem
30
download

BÀI GIẢNG HỆ CHUYÊN GIA - ĐẠI HỌC HÀNG HẢI - 7

Mô tả tài liệu
  Download Vui lòng tải xuống để xem tài liệu đầy đủ

Thông qua các phiên thu nạp tri thức ( trực tiếp hay gián tiếp) chúng ta đã xây dựng được một cơ sở tri thức cho hệ chuyên gia. Vậy làm thế nào đẻ quản lí và thao tác xử lí để hệ chuyên gia có thể hoạt động được. Trong chương này chúng ta sẽ đề cập đến vấn đề đó và giải quyết vấn đề đó như thế nào. HCSTT/ HCGƢD = CSTT + MTSD + Giao Diện + Giải thích + Thu nạp (KDD)/ Soạn thảo (Tri thức chuyên gia) KB Administrator - Dư thừa ...

Chủ đề:
Lưu

Nội dung Text: BÀI GIẢNG HỆ CHUYÊN GIA - ĐẠI HỌC HÀNG HẢI - 7

  1. t(x, y) = xy → Kiểm tra : 1. Giao hoán : hiển nhiên 2. Kết hợp : Hàm s : s (x, s (y, z))  . ..  x  y  z xy yz zx  xyz     s ( x , s ( x , y ))  s ( s ( x , y ), z ) s (s (x, y), z)  . ..  x  y  z xy yz zx  xyz   Hàm t : → hiển nhiên 3. Tính chất cuối :  s( x , 1 )  ...  1  t( x , 1 )  ...  x +  ;  s( x ,0 )  ...  x  t( x ,0 )  ...  0 - Bộ ba : (s, t, n) ;  A ( x )  n(  A ( x ) n : [ 0,1]  [ 0,1] Hàm negation :  n( 0 )  1 1.   n( 1 )  0 2. n(n(x)) = x 3. Đơn điệu : x  y → n(x)  n(y) Ví dụ : hàm 1 – x - Bộ ba : (s, t, n) → thích hợp khi : 1. s (x, t (y, z)) = t (s (x, y), s (x, z)) 2. t (x, s (y, z)) = s (t (x, y), t (x, z)) 3. n ( s (x, y)) = t (n (x), n (y)) 4. n ( t (x, y)) = s (n (x), n (y)) 6.4.3 Biểu diễn tri thức mờ : - Dạng luật : If X1 = v1 và X2 = v2 và ... và Xn = vn then Y = v + vi , v : l giá trị ngôn ngữ. - Mờ hóa : ~ ~ ~ ~ If X 1  A1 và X 2  A2 và ... và X n  An then Y B         V U1 U2 Un *) xét X = A → Y = B - Logic kinh điển : A → B ≡ A B U = {x1, ... xn} = tập vũ trụ/nền của A V = {y1, ... yn} = tập vũ trụ/nền của B - Luật mờ ≡ quan hệ mờ ≡ tập mờ trên U x V . Luật mờ → vectơ : A ~ μA 57
  2. . Tập mờ → ma trận X = ( μ1*, μ2* , ... , μn* ) Y = ( μ1B, μ2B, , ..., μnB ) μiA = μA (xi) μjB = μB (yj) μ11 If X = x1 then Y = y1 ... ... μ1m If X = x2 then Y = ym ... ... μn1 If X = xn then Y = y1 ... ... μnm If X = xn then Y = ym → ma trận n x m. → từ một luật X = A → Y = B, ta có n x m luật, mỗi luật có độ chắc chắn n o đó ( có khoảng 37 cách khác nhau) Ví dụ : - Nguyên tắc tính : μij = s (n (μiA , μjB )) - Nếu có 1 luật : If x = V then Y = U → Ma trận : y1 y2 ... ym μ11 μ12 μ1m x1 ... μ21 μ22 μ2m x2 ... ... ... ... ... ... μn1 μn2 μnm xn ... - Ngyên tắc tính khác : μij = μiA . μjB μij = min (μiA , μjB ) ... - Nếu có nhiều luật : If X = A  Y = B then Z = C RC/A, B = RC/A  RC/B If X = A If Y = B then Z = C then Z = C RC/A RC/B - μijR = min (μiR , μjR) 58
  3. Ví dụ : X=A→Y=B Xét A = (0.1, 0.3, 0.6) B = (0.1, 0.3, 0.2) (Min) 0.1 0.1 0.1 (Product) 0.07 0.03 0.02 ( ... 0.9 0.9 0.9 ) 0.3 0.2 0.2 0.21 0.03 0.06 0.7 0.7 0.7 0.6 0.3 0.2 0.42 0.18 0.12 0.7 0.4 0.4 - Tri thức mờ ≡ Luật mờ : If x1 =     ...   then Y  B  A1 A2 An V U1 U2 Un Quan hệ mờ giữa U1 ... Un và V : Tập mờ trên U1 x U2 x ... x Un x V If X = A then Y = B RB/A tập mờ trên U x V   B / A : U x V  [ 0, 1]  B / A ( u , v )  [ 0, 1] Tập A trên U   A : U  [ 0, 1]  A ( u )  [ 0, 1] Tập B trên V   B : V  [ 0, 1]  B ( v )  [ 0, 1 ]  B / A = ₣(μA, μB)  có hai dạng : ₣(x, y) = xy ₣(x, y) = min(x, y) A → B ≡ AB ₣(x, y) = s(m(x), y)  max Chú ý : s ( x, y )  min t ( x, y ) – 1–x n (x)  max( 1   A , B ) (kéo theo) 7.4 Suy diễn mờ. (Fuzzy Inference) Cho tập luật : R = { r1, r2, ... , rm} ri : lefti → qi → ~ ~ ~ ~ ri : X 1  A1  X 2  A2  ...  X n  An  Y  B → tri thức về lĩnh vực. Biết : ~ ~ ~ GT (giả thiết) = { U1  C1 , U 2  C2 , ... ,U l  Cl } 59
  4. Cần xác định : ~ ~ ~ KL (kết luận) = { V1  D1 , V2  D2 , ... ,Vk  Dk }  Suy diễn : l m thế n o xác định đƣợc  D ,  D , ... ,  D ? 1 2 k  D = ₣ (  r ,  r , ... ,  r ;  e ,  e , ... ,  e )         i 1 2 m 1 2 l R GT - Procedure SD ( R : set of rules ; GT, KL : set of facts ; var KQ : Boolen ; vet : set of rules ) - GT KL ~ ~ ~ ~ X 1  A1  X 2  A2  ...  X n  An  Y  B ~ ~ ~      X 1  A1 X 2  A2 ... X n  An Y  B  B  F (  r ,  A , ... ,  A ) 1 n - Xét : ~ ~ If X  A then Y  B ~ X  A ~ Y  B  B   A  RB / A RB / A  A  B  11 12 ... 1m      21  22 ...  2 m    ( 1 ,  2 , ... ,  n )  ... ... ...  ...    ...  nm   n1  n 2  ~ A l tập mờ trên U = { x1, x2, ... , xn} ~ B l tập mờ trên V = { y1, y2, ... , yn} i    ( xi ) A  n   .   j   B ( y j )  k kj k 1 trong mờ max (min (  k ,  kj ))  ~ ~ If X  Ai then Y  Bi 60
  5. ~ X  A ~ Y  B   B  max (  A  RBi / Ai )     Vét cạn *) B i toán : Cho một số luật → có thể tạo ra hình thức để duyệt luật không vét cạn hay không ? + Heuristic (TTNT) + GT di truyền. ~ ~ ~ ~ If X 1  A1  X 2  A2  ...  X n  An then Y  B ~ ~ ~      X 1  A1 X 2  A2 ... X n  An ~ Y  B  B  (  A1 ,  A2 , ... ,  An )  RB / A1 , ... , An ~ ~ ~ If X i  Ai then Y  B ~ X  Ai n ~ ~ ~ Y  B Y  B   B ; i i 1 ~ ~ ~ If X 1  A1  X 2  A2 then Y  B ~ X  A n ~ ~ ~ Y  B Y  B   B ; i i 1 +) Đơn luật Đơn điều kiện +) Đa luật Đơn điều kiện : Vét cạn +) Đơn luật Đa điều kiện : trực tiếp AND :  gián tiếp OR :  +) Đa luật Đa điều kiện : Vét cạn *) Suy diễn mờ = áp dụng liên tiếp nhiều lần Modus Ponen (Fred Forward) Ví dụ : 1. If X = A1 then Y = B1 2. If X = A2 then Y = B2 3. If X = B3 then Z = C3 4. If X = B4 then Z = C4 61
  6. 5. If X = A5 then Z = C5 6. If X = A6 then Y = B1 7. If X = A1  Y = B6 then Z = C7 (bỏ qua luật n y chƣa xét) Tập nền X : U = {1, 2, 3} Tập nền Y : V = {A, b} Tập nền Z : W = {+, –} a B a b a b MB / A MB MC / A2 / B4 1 1 2 4 (0.6 ; 0.2 ; 0.1) 1 0.6 0.5 1 0.7 0.8 a 0.6 0.7 2 0.3 0.9 2 0.4 0.3 b 0.8 0.5 3 0.2 0.1 3 0.3 0.6 a b MC MC / A / B3 3 5 5 (0.6 ; 0.6) a 0.2 0.3 1 0.1 0.2 b 0.9 0.7 2 0.3 0.4 3 0.9 0.3 Đồ thị : X Y Z (DAG) ` x = A0 = (0.6, 0.2, 0.1) *) Áp dụng nguyên tắc min : - M P (r1 , A 0 ) Y  (0.6, 0.5)    Y  (0.6, 0.6)  B0 - M P (r2 , A 0 ) Y  (0.6, 0.6)  - M P (r3 , B0 ) Z  (0.6, 0.6)    Z  (0.6, 0.6)  C 0 - M P (r4 , B0 ) Z  (0.6, 0.6)  max  Z = (0.6, 0.6) - M P (r1 , A 0 ) Z  (0.2, 0.2) *) - M P (r1 , A 0 ) Y  (0.6, 0.5)  B1 0 - M P (r3 , B1 ) Z  (0.6, 0.5)    (0.6, 0.6) 0 - M P (r4 , B 0 ) Z  (0.6, 0.6)  1 - M P (r2 , A 0 ) Y  (0.6, 0.6)  B0 2 - M P (r3 , B 0 ) Z  (0.6, 0.6)  2   (0.6, 0.6) - M P (r4 , B 0 ) Z  (0.6, 0.6)  2 62
  7. - M P (r5 , A 0 )  (0.2, 0.2)  Z  (0.6, 0.6) Chứng minh : ... Tổng kết : 1. Biẻu diễn tập mờ → chỉ số mờ & thao tác 2. Nghiên cứu về : t – norm :  t – conorm :  n(.) : not : ₣ (x, y) 3. Mâu thuẫn : tƣờng minh không tƣờng minh ( chƣa có trong TLTK  tự tìm hiểu ) 4. Dƣ thừa (trong tập luật) 5. Duyệt / Áp dụng không vét cạn. 6. Lựa chọn thể hiện phép toán phù hợp. 7. Suy diễn thao tác trực tiếp (Linguistic Reasoning) Bài tập chương 6: B i 1: Trình b y ba tập mờ trong thực tế. B i 2: Trình b y hai tập mờ trong thực tế, chỉ ra quan hệ mờ giữa chúng. B i 3: Biểu diễn một hệ mờ gồm 5 luật. 63
  8. Đề cương ôn tập 1. Nắm vững cấu trúc v chi tiết các th nh phần của hệ chuyên gia. 2. Nắm vững các phƣơng pháp biểu diễn tri thƣc 3. Nắm vững các phƣơng pháp lập luận 4. Nắm vững khái niệm v cấu trúc của hệ hỗ trợ ra quyết định. 5. Nắm vững khái niệm về máy học. Phƣơng pháp xây dựng cây định danh 6. Nắm vững logic mờ v lập luận xấp xỉ 64
  9. Đề thi tham khảo: Đề 1: Câu 1 (3 đ): Hệ chuyên gia là gì? Hãy cho biết những đặc trƣng cơ bản của một hệ chuyên gia. Câu 2 (4 đ): Cho tập các luật sau R = {r1, ..., r6} r1: a ^ b -> c r5: c ^ d -> e r2: b -> c r6: a ^ e -> f r3: b ^ h -> d r7: e ^ f -> m r4: a ^ c -> d a) Tập sự kiện {a, b} có l cơ sở sự kiện của tập sự kiện cho trong R không? b) Với GT = {a, b}, KL = {m}. Hãy áp dụng kỹ thuật suy diễn để đƣa ra kết luận. Câu 3 (3 đ) Cho luật IF A THEN B với A = (0, 0.5, 0.6, 0.8, 0) và B = (0, 0.5, 1, 0.5, 0.4), A' = (0, 0.5, 0, 0, 0). Tìm B' bằng cách sử dụng suy diễn tích cực đại. Đề 2: Câu 1 (3 đ): Trong cấu trúc của một hệ chuyên gia. Vì sao việc phân tách cơ sở tri thức v cơ chế lập luận (mô tơ suy diễn) l quan trọng? Câu 2 (4 đ): Cho tập các luật sau R = {r1, ..., r6} r1: b ^ c -> a r5: a ^ d -> e r2: b -> a r6: a ^ e -> k r3: a ^ h -> d r7: k ^ e -> x r4: a ^ c -> d a) Tập sự kiện {b, c} có l cơ sở sự kiện của tập sự kiện cho trong R không? b) Với GT = {b, c}, KL = {x}. Hãy áp dụng kỹ thuật suy diễn để đƣa ra kết luận. 65
  10. Câu 3 (3 đ) Cho luật IF A THEN B với A = (0, 0.5, 0.6, 0.8, 1) v B = (0, 0.5, 1, 0.5, 0), A' = (0, 0.5, 0, 0, 0). Tìm B' bằng cách sử dụng suy diễn max - min. Đề 3: Câu 1 (3 đ) a) Nêu đặc điểm chính của hệ chuyên gia. b) Ý nghĩa của việc xây dựng hệ chuyên gia. Câu 2 (4 đ) Cho miền của các đối tƣợng có các thuộc tính v có các giá tri nhƣ sau: Tóc = {nhiều,ít} M u tóc ={trắng,đen,v ng} Dáng ngƣời ={cao, thấp,trung bình} 1. Sử dụng vị từ logic để biểu diễn các đối tƣợng n y. 2. Sử dụng các phép toán tổng quát để định nghĩa không gian học của các đối tƣợng 3. Xây dựng các tập mẫu huấn luyện dƣơng P v âm N để học nhận dạng đối tƣợng l ngƣời có dáng ngƣời cao sử dụng cả 3 giải thuật đã thảo luận trên. Câu 3 (3 đ) Xem xét các câu sau đây: Hùng thích tất cả các loại thực phẩm Táo l thực phẩm G l thực phẩm Bất cứ thứ gì mọi ngƣời ăn v không bị hại đó l thực phẩm Phong ăn đậu phọng v vẫn còn sống Lan ăn bất cứ thứ gì Phong ăn 1. Hãy biểu diễn các sự kiện trên bằng logic vị từ 2. Chuyển đổi các tiên đề ở câu 1 sang mệnh đề 3. Chứng minh Hùng thích ăn đậu phọng sử dụng phƣơng pháp hợp giải 4. Sử dụng phƣơng pháp hợp giải để trả lời câu hỏi:”Lan ăn thực phẩm n o?”. 66
ADSENSE
ADSENSE

CÓ THỂ BẠN MUỐN DOWNLOAD

 

Đồng bộ tài khoản
2=>2