Задание для лабораторной работы

Используя Visual Prolog написать программу «родственные отношения», в соответствии с заданием лабораторной работы №2

Контрольные вопросы.

Лабораторная работа № 4

Представление в Visual Prolog основных данных и моделей знаний

Цель работы:

изучить основные типы данных VISUAL PROLOG и возможности их преобразования для решения математических задач.

Типы данных - раздел Domains

char - символ длиной 1 байт

integer - целые длиной 2 байта

real- числа с плавающей точкой длиной 8 байт

ref - цифровые ссылки базы данных

symbol - строки со специальной внутренней кодировкой символов для экономии памяти

string - последовательность символов, например, " hello world \ n "

dbasedom - генерируемый тип данных для термов в глобальной базе данных

bt _ selector - возвращаемый селектор (указатель) двоичного дерева

db _ selector - определенный пользователем селектор внешней базы данных

place - место в памяти ( in _ memory ) или в расширенной системе памяти ( in _ ems ), или в файле ( in _ file )

file - описание файлов, файлы могут быть стандартные (они не описываются), например:

keyboard - клавиатура;

screen - экран;

printer - печать;

com 1; stdin; stdout - порты

reg - регистры IBM PC (AX , BX , CX , DX , SI , DI , DS , ES )

bgi_ ilist - список целых, используемых в предикатах BGI .

Преобразование данных

Арифметические действия

Пролог рассчитан главным образом на обработку символьной информации, при которой потребность в арифметических вычислениях относительно мала. Поэтому и средства для таких вычислений довольно просты. Для осуществления основных арифметических действий можно воспользоваться следующими предикатами.

Лабораторная работа № 5

ПОСТРОЕНИЕ НЕЙРОСЕТЕВОЙ ЭКСПЕРТНОЙ СИСТЕМЫ

Цель работы

Целью работы является изучение принципов построения экспертных систем на основе использования ИНС.

Методические указания

Экспертные системы (ЭС) представляют собой компьютерные программы, использующие принципы искусственного интеллекта и формализованные знания эксперта для обработки оперативной информации и принятия обоснованных решений в анализируемой предметной области. ЭС предназначены, главным образом, для решения практических задач, возникающих в слабо структурированной и трудно формализуемой предметной области.

Существуют два принципиально различных класса ЭC: системы, основанные на правилax и системы, основанные на примерах. Первый класс ЭС применяется для работы с хорошо систематизированными элементами знаний и априори известными закономерностями, выраженными различного рода методиками, инструкциями правилами и т.п. Второй класс ЭС используется в ситуациях, когда отсутствуют какие-либо явные связи и закономерности между элементами знаний, а сами знания представлены в виде списков примеров описывающих реализации тех или иных событий. Если первый класс ЭС работает с хорошо определенными данными и знаниями, извлеченными из экспертов-аналитиков инженерами знаний, то второй - формирует свои знания путем адаптации к предметной области, представленной примерами, причем как обучающая, так и анализируемая информация может быть искажена и неполна.

ЭС, основанные на примерах, по принципам работы можно разделить на две группы: использующие нейронные сети и использующие алгоритм индуктивного обобщения. Первые, в основном, используются как предварительно обученный на примерах классификатор, у которого при подаче на его вход набора значений исходных параметров, описывающих обстановку, на выходе появляется искомое решение по данной ситуации. Вторые по наборам примеров формируют дерево решений, из которого затем строятся соответствующие для принятия решений правила.

Необходимость реализации ЭС в нейросетевом логическом базисе возникает при значительном увеличении числа правил и выводов. Возможности нейросетевых оценивателей могут быть использованы в различных сложных проектах, где необходимо оперативное формирование мнений о происходящих процессах. Помощь со стороны таких систем может быть чрезвычайно полезной как в силу своей оперативности, так и точности, во многих случаях не меньшей, чем у человека. Кроме того, отсутствие таких человеческих недостатков, как избыточные эмоции, нелогичность действий, необоснованные предпочтения и пр. позволяет утверждать, что нейросетевые предсказатели должны включаться в состав жизненно важных систем принятия решений. Примерами реализации конкретных нейросетевых экспертных систем могут служить система выбора воздушных маневров в ходе воздушного боя, медицинская диагностическая экспертная система для оценки состояния летчика и т.п.

Постановка задачи

Предполагается, что необходимо создать ЭС, которая по известным оперативно-технических данным, доступным специалистам-экспертам и самой нейронной сети, должна обучиться на данных за некоторый предшествующий период, а затем формировать предварительные прогнозные оценки военно-cтpaтeгической обстановки на театре гипотетических “Звездных войн”. Истинная оценка обстановки в значительной степени должна определяться именно экспертами. Однако при каждом изменении характеристик обстановки, являющихся важными для искомых оценок угроз, возможность иметь мгновенную оценку ситуации является исключительно важной.

Критерии оценки

Критерии оценки обстановки формируются исходя из результатов опроса экспертов. При формировании множества критериев от экспертов не требуется уточнения взаимного влияния различных факторов, а необходима только информация о том, что может влиять на военно-стратегическую обстановку. Будем считать, что эксперты выделяют 14 исходных параметров, к которым относятся: Число вылетов стратегических фотонных ракет потенциального противника к границе Солнечной системы в сутки (FLIGHTS)

Текущая интенсивность работы систем связи потенциального противника (COMMUN)

Близость оперативно-тактических спутников потенциального противника к границе гарантированного поражения основных коммуникаций военно-космических сил Земли (SATELLITS)

Активность сил союзников потенциального противника (FRIENDS)

Активность разведки потенциального противника (INTSERV)

Доля шифрованных по высшей категории защиты сообщений из Центра управления войсковой группировкой потенциального противника (ENCODING)

Близость места расположения Генерального штаба группировки потенциального противника к предполагаемому району соприкосновения основных сил, участвующих в конфликте (STAFF)

Уровень готовности (исправности) уникальной боевой спецтехники потенциального противника к оперативным действиям (TECHNICS)

Удаленность сил быстрого реагирования потенциального противника от района соприкосновения основных сил(SPARMY)

Количество больших боевых звездолетов в районе театра военных действий (SHIPS)

Наличие резервов топлива для звездолетов вблизи переднего края обороны потенциального противника (FUEL)

Мера недоступности (неизвестности) основных оперативных решений Генерального штаба потенциального противника (ORDERS)

Оперативная обстановка по данным текущего наблюдения за потенциальным противником (NEWS)

Текущая политическая обстановка в руководстве звездной системы потенциального противника (POLITICS)

В рассматриваемой системе, также как и во многих других аналогичных системах, используются как численные значения реальных параметров оценок, так и качественные характеристики процессов. Поскольку нейронная сеть способна обрабатывать только данные, представленные в числовом формате, то качественные характеристики требуется условно оцифровать по тем или иным критериям.

Для приведения всех характеристик монтируемой системы к числовому формату будут использованы:

• - для параметров FLIGHTS и SHIPS - реальное число вылетов и кораблей;
• - для параметров COMMUN, INTSERV, TECHNICS, ORDERS, NEWS, POLITICS пятибалльная шкала оценки от “1 - совершенно безопасно” до “5 - крайне опасно”;
• для параметров SATELLITS, ENCODING, FUEL - оценки в диапазоне от '0 - отсутствует' до '1 – есть полностью ';
• для параметров FRIENDS, STAFF, SPARMY - оценки принимают значения 1, 2 или 3 по мере увеличения опасности (трехбалльная шкала оценки).

Разнообразие форм оценок параметров реальные значения (целые или действительные), дискретные (по некоторой шкале) и непрерывные значения из некоторого диапазона, - обеспечивается возможностью нейронных сетей обобщать числовые входные данные независимо от их размерности и, практически независимо, от диапазона их значений.

На следующем этапе от экспертов требуется указать числовые значения всех 14 параметров в той или иной ситуации и дать соответствующую оценку угрозы нападения (ALARM) по пятибалльной шкале от “1 - мирная обстановка” до “5 – тревога”. Примеры оценок военно-стратегической обстановки приведены в табл.2.1.

Таблица.2.1. Оценки ситуаций на театре "Звездных войн"

В обычных реальных ситуациях изменение параметров происходит медленно, они оказываются весьма взаимосвязанными и каждая новая ситуация мало информационна из-за имеющейся сильной корреляции между ними. В этом случае примеры для обучения оказываются сильно похожими друг на друга и не могут создать для сети проблему обучения и последующего прогнозирования во всем пространстве параметров. Поэтому при формировании обучающих наборов оценок ситуаций их следует достаточно равномерно распределять по всему n-мерному пространству критериев, в котором сеть должна принимать решения.

Практически для формирования множества значений критериев оценки обстановки можно использовать программный генератор псевдослучайных чисел равномерно распределенных в интервале [а, b]. Уровень угрозы нападения в этом случае оценивается исходя из сгенерированных векторов значений критериев. При формировании числовых значений параметров следует учесть, что в пакете BrainMaker в качестве разделителя целой и дробной частей числа используется точка.

Ввод анализируемых данных

Запустить BrainMaker

Для анализа одной ситуации при помощи пакета BrainMaker можно воспользоваться способом задания входных данных, рассмотренным в предыдущей работе. Задание последовательности анализируемых ситуации может быть реализовано двумя методами: посредством ввода данных из файла запуска фактов (наборов) пакета BrainMaker или при помощи протокола динамического обмена данными между приложениями MS Windows (DDE).