Деякі підходи до побудови систем, заснованих на знаннях
Розглядаються архітектура та представлення знань в ЕС Н-Гомеопат, а також засоби керування представленням знань. Описані нечіткі специфікації логічного виведення в ЕС Н-Гомеопат. Рассматриваются архитектура и представление знаний в ЭС Н-Гомеопат, а также средства управления представлением знаний. Оп...
Збережено в:
| Опубліковано в: : | Компьютерная математика |
|---|---|
| Дата: | 2012 |
| Автори: | , |
| Формат: | Стаття |
| Мова: | Українська |
| Опубліковано: |
Інститут кібернетики ім. В.М. Глушкова НАН України
2012
|
| Теми: | |
| Онлайн доступ: | https://nasplib.isofts.kiev.ua/handle/123456789/84694 |
| Теги: |
Додати тег
Немає тегів, Будьте першим, хто поставить тег для цього запису!
|
| Назва журналу: | Digital Library of Periodicals of National Academy of Sciences of Ukraine |
| Цитувати: | Деякі підходи до побудови систем, заснованих на знаннях / Л.О. Катеринич, О.В. Галкін // Компьютерная математика: сб. науч. тр. — 2012. — № 1. — С. 111-118. — Бібліогр.: 6 назв. — укр. |
Репозитарії
Digital Library of Periodicals of National Academy of Sciences of Ukraine| _version_ | 1859643400307867648 |
|---|---|
| author | Катеринич, Л.О. Галкін, О.В. |
| author_facet | Катеринич, Л.О. Галкін, О.В. |
| citation_txt | Деякі підходи до побудови систем, заснованих на знаннях / Л.О. Катеринич, О.В. Галкін // Компьютерная математика: сб. науч. тр. — 2012. — № 1. — С. 111-118. — Бібліогр.: 6 назв. — укр. |
| collection | DSpace DC |
| container_title | Компьютерная математика |
| description | Розглядаються архітектура та представлення знань в ЕС Н-Гомеопат, а також засоби керування представленням знань. Описані нечіткі специфікації логічного виведення в ЕС Н-Гомеопат.
Рассматриваются архитектура и представление знаний в ЭС Н-Гомеопат, а также средства управления представлением знаний. Описаны нечеткие спецификации логического выведения в ЭС Н-Гомеопат.
Architecture and knowledge representation in H-Homeopat expert system are considered. The means of knowledge representation control are also presented. Fuzzy specifications of inference in H-Homeopat expert system are described.
|
| first_indexed | 2025-12-07T13:24:22Z |
| format | Article |
| fulltext |
Компьютерная математика. 2012, № 1 111
Экспертные системы,
методы индуктивного
вывода
Розглядаються архітектура та
представлення знань в ЕС Н-Го-
меопат, а також засоби керуван-
ня представленням знань. Описані
нечіткі специфікації логічного
виведення в ЕС Н-Гомеопат.
Л.О. Катеринич, О.В. Галкін,
2012
УДК 519.174.1
Л.О. КАТЕРИНИЧ, О.В. ГАЛКІН
ДЕЯКІ ПІДХОДИ ДО ПОБУДОВИ
СИСТЕМ, ЗАСНОВАНИХ НА
ЗНАННЯХ
Вступ. Області застосування систем, засно-
ваних на знаннях, досить різноманітні: біз-
нес, виробництво, військові додатки, меди-
цина тощо.
Системи, засновані на знаннях (СЗЗ) – це
системи програмного забезпечення, основ-
ними структурними елементами яких є база
знань і механізм логічних виводів. Серед СЗЗ
можна виділити: інтелектуальні інформацій-
ні системи; експертні системи (ЕС).
Інтелектуальні інформаційно-пошукові си-
стеми відрізняються від попереднього поко-
ління інформаційно-пошукових систем не
тільки набагато більше великим довідково-
інформаційним фондом, але й здатністю
формувати адекватні відповіді на запити ко-
ристувача навіть тоді, коли запити не носять
прямого характеру.
Найбільш відомим практичним прикладом
СЗЗ можуть служити експертні системи,
здатні діагностувати захворювання, оцінюва-
ти потенційні родовища корисних копалин,
розпізнавання мови й зображень тощо.
ЕС – перший крок у практичній реалізації
досліджень в області штучного інтелекту [1–2].
Знання з конкретної предметної області
складають основу ЕС.
У межах предметної області системи
розв’язують задачі шляхом обробки знань.
Отже, знання − це система (модель) подання
предметної області у вигляді фактів і їх
відношень або об’єктів та їх зв’язків.
Задача з конкретної області може бути пред-
ставлена конкретними сутностями і їх подан-
Т.М. Провотар, К.Д. Протасова
Компьютерная математика. 2010, №
112
ням у формі, що визначається
обраною моделлю знань.
тема здатна розв’язувати таку
задачу, якщо вона має засоби обробки знань в обраній формі. Знання відрі-
зняються від звичайних даних присутністю специфічної структури і додаткови-
ми властивостями, серед яких можна виділити наступні:
• інтерпретованість. Знання мають змістовну інтерпретацію, а дані зав-
жди інтерпретуються конкретною програмою;
• відношення класифікації. Знання дозволяють описати структуру знань
«клас-підклас». Клас об’єднує однакову інформацію для всіх «підкласів» і в разі
необхідності передає «підкласу»;
• ситуаційний зв’язок. Співпадіння окремих фактів в одній предметній
області визначають ситуаційні зв’язки. Вони дозволяють будувати процедури
аналізу знань. При використанні даних це важко організувати.
Знання в конкретній предметній області при використанні їх у системі
об’єднуються у бази знань (БЗ), так само як дані – у бази даних (БД). Знання не
відкидають дані. БЗ і БД розглядаються як різні рівні представлення інформації.
У даній роботі розглядається представлення знань та архітектура ЕС
Н-Гомеопат, яка має наступне функціональне призначення:
• визначення діагнозу за введеними лікарем симптомами;
• ведення історії захворювання пацієнта;
• визначення препаратів для лікування захворювання пацієнта.
Концептуальні вимоги до системи Н-Гомеопат. В ЕС Н-Гомеопат потріб-
но за представленими симптомами захворювання пацієнта встановити діагноз і
призначити лікування.
Впровадження нейронних мереж (НМ), як засіб для розв’язання цієї задачі
вимагає не лише технічної реалізації, а й оптимально побудованого робочого
місця лікаря-гомеопата. Оскільки лікар не є фахівцем у сфері засобів розробки
відповідних систем, програмні продукти повинні мати інтуїтивно зрозумілий
інтерфейс.
Виходячи з цього та огляду відомих програмних продуктів, можна зазначи-
ти, що при розробці системи в першу чергу слід враховувати наступне:
• опитування пацієнта та оформлення історії захворювання;
• пошук по симптоматичному та нозологічному принципу;
• сортування та аналіз знайденої інформації;
• визначення захворювання і формування гомеопатичного рецепту;
• БД найбільш часто вживаних запитів;
• банк даних рецептурних приписів;
• щоденник лікаря.
Навчання системи відбувається за обраним алгоритмом навчання НМ, зок-
рема алгоритмом зворотного поширення помилки [3]. Первинні дані (симптоми
та/або гомеопатичні препарати) для навчання спеціалізованих нейронних мереж
ДЕЯКІ ПІДХОДИ ДО ПОБУДОВИ СИСТЕМ, ЗАСНОВАНИХ НА ЗНАННЯХ
Компьютерная математика. 2012, № 1 113
(СНМ) готують і вводять до системи Н-Гомеопат експерти відповідної
предметної області. НМ має використовувати приклади, які формує експерт, а
після навчання (тобто в робочому режимі) вхідні дані (симптоми) до системи
вводяться користувачем системи.
Усі дії з обробки даних, які будуть передані до спеціалізованих НМ, виконує
комутаційний елемент (КЕ). Останній реалізований за допомогою НМ [6]. Зав-
данням такого елемента в загальному випадку є класифікація вхідної інформації
з подальшим розподілом її по мережах, які оптимально розв’язують задачі
конкретної предметної області. Вхідною інформацією на першому етапі будуть
конкректні симптоми захворювань.
ЕС Н-Гомеопат побудована та функціонує на нейромережевій структурі, що
в свою чергу дозволяє прискорити реакцію всієї системи на представлену
інформацію. КЕ через свої функціональні властивості дозволяє класифікувати
представлену на вхід інформацію і на виході надавати інформацію з тією струк-
турою даних, яка є вхідною для НМ, що розв’язує задачі певного класу. Також
слід зазначити, що однією з ключових функцій КЕ є можливість обробки вхідної
інформації з подальшим вибором алгоритму й архітектури мережі. Далі розгля-
немо більш детально архітектуру ЕС Н-Гомеопат.
Представлення знань в ЕС Н-Гомеопат. Добре відомо, що НМ працюють
з даними, представленими у числовому вигляді [3], але з іншого боку лікар
отримує інформацію про симптоми хвороби у словесному вигляді, наприклад,
пацієнт може повідомити, що в нього сильна нежить. Тому ЕС має
формалізувати симптоми у числовому вигляді, а потім передати їх на вхід СНМ
(тобто мережі, яка була навчена на прикладах певного наукового розділу меди-
цини, наприклад кардіології). Таким чином, при розробці ЕС Н-Гомеопат поста-
ло питання представлення знань у числовому вигляді.
Основні питання, які треба вирішити при представленні знань, – це питання
визначення структури та представлення знань у вибраному формалізмі. Ці дві
проблеми не є незалежними. Також слід зазначити, що обраний формалізм може
виявитися непридатним в принципі або неефективним для відображення деяких
знань.
Розглянемо простий приклад представлення знань в ЕС Н-Гомеопат. Дані
(таблиця), що подаються на вхід СНМ, можуть мати вигляд.
ТАБЛИЦЯ. Приклад даних, що подаються на вхід СНМ
Симптом1 Симптом2 Симптом3 ……….
1 0 2 ………..
Л.О. КАТЕРИНИЧ, О.В. ГАЛКІН
114 Компьютерная математика. 2012, № 1
У даному випадку значення з таблиці свідчать про те, що у пацієнта є сим-
птом1, відсутній симптом2, та присутній симптом3, але виражений сильніше
ніж, наприклад симптом1. Звичайно така шкала відображення симптомів у чи-
слову форму є доволі грубою, тому про створення більш точної шкали йтиметь-
ся далі.
Організація знань у базі даних ЕС Н-Гомепат. Наступною проблемою
після представлення знань, яка вирішувалась при створенні ЕС Н-Гомеопат,
була проблема організації знань в БД.
Відомо, що показником інтелектуальності системи, з точки зору представ-
лення знань, вважається здатність системи використовувати в потрібний момент
необхідні (релевантні) знання. Системи, що не мають засобів для визначен-
ня релевантних знань, неминуче стикаються з проблемою «комбінаторного
вибуху» [3].
Таким чином, організація та зв’язність знань в ЕС – дуже важливий аспект
проектування. Зв'язність або агрегація знань є також основним способом, що
забезпечує прискорення пошуку релевантних знань. В ЕС Н-Гомеопат знання
організовувані навколо найбільш важливих об'єктів (сутностей) предметної
області, а саме симптоми, діагноз, препарат для лікування. Інакше кажучи, знан-
ня в БД ЕС Н-Гомеопат організовані у вигляді п’яти зв’язних інформаційних
таблиць:
1) таблиця «діагноз» – описує можливі діагнози та посилання на препарати
для лікування даного захворювання;
2) таблиця «захворювання» – подає перелік галузей до яких належать ті чи
інші захворювання;
3) таблиця «пацієнт» – наводить перелік пацієнтів та встановлені для них
системою діагнози;
4) таблиця «препарат» – це перелік препаратів для лікування пацієнтів, ви-
значених у системі, та їх опис;
5) таблиця «симптоми» – це перелік можливих симптомів для певного за-
хворювання.
Варто також зауважити, що БД ЕС Н-Гомеопат насправді складається з
декількох баз даних. По-перше, це БД Gomeopat, яка складається з п’яти
інформаційних таблиць (які описані вище). Крім основної БД Gomeopat
в ЕС Н-Гомеопат є службові БД, кожна з яких складається з одинадцяти таблиць
які використовуються для роботи спеціалізованих нейронних мереж та КЕ [6],
а також ці БД необхідні в процесі навчання відповідних НМ.
Усі знання, що характеризують деяку сутність, зв'язуються і представляють-
ся у вигляді окремого об'єкта. При подібній організації знань, якщо системі
потрібна інформація про деяку сутність, наприклад, ліки, якими можна
вилікувати хворобу пацієнта, то вона шукає об'єкт (тобто запис з таблиці
«діагноз»), що описує цю сутність, а потім уже всередині об'єкта відшукує
необхідну інформацію. Наприклад, якщо пацієнту було встановлено діагноз –
гострий тонзиліт, тоді система в таблиці «діагноз» знаходить посилання на пре-
парати, що описані в таблиці «препарат».
При роботі зі створеною БД ЕС Н-Гомеопат постала також проблема пошу-
ку знань, релевантних розв'язуваній задачі (встановлення діагнозу за введеними
ДЕЯКІ ПІДХОДИ ДО ПОБУДОВИ СИСТЕМ, ЗАСНОВАНИХ НА ЗНАННЯХ
Компьютерная математика. 2012, № 1 115
симптомами). Тому загальна задача пошуку релевантного діагнозу в ЕС
Н-Гомеопат розбивалась на більш прості задачі. По-перше, вирішувалось до якої
галузі належить захворювання пацієнта, яке описується введеними симптомами
(цю задачу вирішував так званий КЕ). По-друге, після встановлення галузі за-
хворювання, симптоми передавались на вхід СНМ, яка і встановлювала
відповідний діагноз.
Для того щоб ЕС Н-Гомеопат могла керувати процесом пошуку рішення,
була здатна набувати нові знання і пояснювати свої дії, вона повинна вміти не
тільки використовувати свої знання, а й мати здатність розуміти та досліджувати
їх, тобто ЕС повинна мати знання про те, як представлені її знання про проблем-
не середовище [3]. Якщо знання про проблемне середовище назвати знаннями
нульового рівня подання, то перший рівень уявлення містить метазнання, тобто
знання про те, як представлені у внутрішньому світі системи знання нульового
рівня. Перший рівень містить знання про те, які засоби використовуються для
представлення знань нульового рівня. Знання першого рівня відіграють істотну
роль при керуванні процесом рішення, при придбанні та поясненні дій системи.
У зв’язку з тим, що знання першого рівня не містять посилань на знання нульо-
вого рівня, знання першого рівня незалежні від проблемного середовища.
Кількість рівнів подання може бути більше двох. Другий рівень представлення
містить відомості про знання першого рівня, тобто знання про подання базових
понять першого рівня. Поділ знань за рівнями подання забезпечує розширення
області застосування системи.
Виділення рівнів деталізації дозволяє розглядати знання з різним ступенем
деталізації. Кількість рівнів деталізації визначається специфікою завдань, що
розв’язуються, обсягом і способом їх подання. Як правило, виділяється не мен-
ше трьох рівнів деталізації, що відбивають відповідно загальну, логічну і
фізичну організацію знань. Введення декількох рівнів деталізації забезпечує до-
датковий ступінь гнучкості системи, тому що дозволяє робити зміни на одному
рівні, не зачіпаючи інші. Зміни на одному рівні деталізації можуть призводити
до додаткових змін на цьому ж рівні, що виявляється необхідним для забезпе-
чення узгодженості структур даних і програм. Проте наявність різних рівнів
перешкоджає поширенню змін з одного рівня на інший.
Процесс навчання в ЕС Н-Гомеопат. Таким чином, організація БД ЕС
Н-Гомеопат (вищеописана) та вимоги до керування процесом пошуку рішення
привела до того, що в ЕС Н-Гомеопат був використаний КЕ [4]. Більш того, ви-
користання КЕ дало можливість розбити одну велику задачу на певну кількість
більш простих задач. Інакше для розв’язання задачі встановлення діагнозу слід
використовувати доволі довгий процес навчання НМ методом оберненого роз-
повсюдження похибки [3]. Але добре відомо, що цей метод має досить суттєві
вади, а саме [3].
• «Параліч» мережі. В процесі навчання, ваги можуть стати дуже
великими. Це може призвести до того, що більшість нейронів будуть працювати
при дуже великих вихідних значеннях, в зоні, де похідна стискувальної функції
дуже мала. Як результат процес навчання може припинитися.
Л.О. КАТЕРИНИЧ, О.В. ГАЛКІН
116 Компьютерная математика. 2012, № 1
• Локальні мінімуми. Мережа може потрапити в локальний мінімум,
водночас коли поряд є більш глибокий мінімум. У точці локального мінімуму
всі напрямки ведуть вгору, тому мережа не може з нього вийти.
• Розмір кроку навчання. Очевидно, що розмір кроку має бути скінченним,
але якщо його вибрати досить великим, то може виникнути «параліч» або
нестійкість. Тобто існує проблема оптимального розміру кроку навчання.
З огляду на вищеописані проблеми, які виникають при використанні трива-
лого процесу навчання, розбиття початкової задачі на декілька більш простих
задач за допомогою КЕ виправдано.
Нечіткі специфікації логічного виведення в ЕС Н-Гомеопат. При поданні
знань в ЕС Н-Гомеопат використовуються спеціалізовані твердження типу «атри-
бут – значення» і приватні правила (визначені наперед). Для побудови від-
повідних значень використовувались нечіткі специфікації логічного виведення.
Розглянемо приклад побудови нечітких специфікацій для діагностування
пацієнта в ЕС Н-Гомеопат. Нехай X1 = {5, 10, 15, 20}, X2 = {5, 10, 15, 20}, X3 =
={35, 36, 37, 38, 39, 40} – простори для визначення значень елементів терм-
множин «Кашель» = {«слабкий», «помірний», «сильний»}, «Насморк» = {«слаб-
кий», «помірний», «сильний»} і «Температура» = {«нормальна», «підвищена»,
«висока», «дуже висока»} відповідно. Елементи просторів X1, X2 , X3 визнача-
ються експертом, наприклад, елементам простору X3 ставиться у відповідність
можлива температура організму людини. У визначенні елементів терм-множин
присутній «нечіткий компонент», який відображає відношення ступені
ймовірності значення елемента простору до елемента терм-множини. Наприк-
лад, елементи цих терм-множин визначимо наступним чином:
«Кашель»: «слабкий» = {1/5 ; 0.5/10};
«помірний» = {0.5/5; 0.7/10;1/15};
«сильний» = {0.5/10; 0.7/15;1/20}.
«Насморк»: «слабкий» = {1/5; 0.5/10};
«помірний» ={0.5/10;1/15};
«сильний» ={0.7/15; 1/20}.
«Температура»: «нормальна» = {0.5/35;0.8/36;0.9/37;0.5/38};
«підвищена» = {0.5/37;1/38};
«висока» = {0.5/38;1/39};
«дуже висока» = {0.8/39;1/40}.
Нехай Y = {6, 12, 24, 30, 48, 96} – простір для визначення значень елементів
терм-множини «Антигрипін» = {«низьке», «середнє», «високе»}. При цьому
«Антигрипін»:
«низьке» = {1/6;0.5/12};
«середнє» = {1/24;1/30};
«високе» = {0.8/48;1/96}.
Тоді залежність розведення препарату від симптомів пацієнта може бути
описана наступною системою специфікацій:
вхід (x1, x2, x3 );
ДЕЯКІ ПІДХОДИ ДО ПОБУДОВИ СИСТЕМ, ЗАСНОВАНИХ НА ЗНАННЯХ
Компьютерная математика. 2012, № 1 117
якщо x1 є «слабкий» ∧ x2 є «слабкий» ∧ x3 є «підвищена», то y є «низьке»;
якщо x1 є «слабкий» ∧ x2 є «помірний» ∧ x3 є «висока», то y є «середнє»;
якщо x1 є «слабкий» ∧ x2 є «помірний» ∧ x3 є «дуже висока», то y є «високе»;
вихід (y),
де x1, x2, x3 – вхідні лінгвістичні змінні, що приймають значення із терм-множин
«Кашель», «Насморк» і «Температура» відповідно, y – вихідна лінгвістична
змінна. Якщо на вхід x1 алгоритму подати величину 1A′ = {1/5;0.7/10}, на вхід x2
– величину 2A′ ={1/5;0.5/10}, на вхід x3 – величину ′
3A ={1/36;0.9/37}, то у
відповідності з процедурою виконання цього алгоритму отримаємо:
1. Рівень істинності першого правила
α1 = min[max (1 ∧ 1, 0.7 ∧ 0.5), max (1 ∧ 1, 0.5 ∧ 0.5), max (1 ∧ 0, 0.9 ∧ 0.5)] =
= min [max (1, 0.5), max (1, 0.5), max (0, 0.5)] = min (1, 1, 0.5) = 0.5.
2. Рівень істинності другого правила
α2 = min[max (1 ∧ 1, 0.7 ∧ 0.5), max (0.5 ∧ 0.5), max (1 ∧ 0, 0.9 ∧ 0)] =
= min [max (1, 0.5), max (0.5, 0.5), max (0, 0)] = min (1, 0.5, 0) = 0.
3. Рівень істинності третього правила
α3 = min[max (1 ∧ 1, 0.7 ∧ 0.5), max (0.5 ∧ 0.5), max (1 ∧ 0, 0.9 ∧ 0)] =
= min [max (1, 0.5), max (0.5, 0.5), max (0, 0)] = min (1, 0.5, 0) = 0.
4. Обчислюємо індивідуальні виходи Bi′ кожного правила: 1B′ = {min (0.5, 1)/6;
min (0.5, 05)/12} = {0.5/6; 0.5/12}; 2B′ = {0}, 3B′ ={0}.
Агрегація індивідуальних виходів приводить до виходу алгоритму:
B′ = {0.5/6;0.5/12}.
Враховуючи, що в багатьох прикладних задачах вимагається оперувати зі
звичайними чіткими значеннями, моделювання процесу діагностики за допомо-
гою нечітких специфікацій складається з декількох етапів.
1. Фазифікація (зведення до нечіткості).
2. Логічне виведення на основі заданих специфікацій (за допомогою
вищерозглянутих механізмів).
3. Дефазифікація (зведення до чіткості).
На этапі фазифікації відбувається перетворення чітких вхідних даних на
нечіткі множини. Для цього, як правило, використовуються синглетонні моделі.
При використанні синглетонів, механізм логічного виведення спрощується
внаслідок спрощення процедури знаходження рівнів істинності специфікацій
(правил).
Дефазифікація використовується, коли результат (нечітка множина)
необхідно перетворити до чіткого значення y*. В ЕС Н-Гомеопат
використовується наступний метод дефазифікації (в дискретному варіанті):
Л.О. КАТЕРИНИЧ, О.В. ГАЛКІН
118 Компьютерная математика. 2012, № 1
y* =
1
( )
i i
i
m
y B y
=
∑ /
1
( )
m
i
i
B y
=
∑ .
Наприклад, при дефазифікації отриманої раніше нечіткої множини B′
отримаємо:
y* = (0.5 ⋅ 6 + 0.5 ⋅ 12)/(0.5 + 0.5) = 9.
Цей результат може бути інтерпретований як «Антигрипін» дев’ятого
розведення.
Таким чином, процес діагностики в системі забезпечується НМ не складної
архітектури за умов чіткої симптоматики і гібридні нейро-нечіткі системи у ви-
падку нечіткої симптоматики. При цьому, базуючись на фундаментальному
результаті Фунахаші про те, що з допомогою НС можна апроксимувати з будь-
якою заданою точністю будь-яку неперервну на компакті функцію, з’являється
можливість використання нечітких специфікацій для розв’язання задач чіткої
діагностики [4–5]. Відкритим залишається питання про ефективність такого
використання.
1. Андон Ф.И., Балабанов А.С. Выявление знаний и изыскания в базах данных: подходы,
модели, методы и системы // Проблеми програмування. – 2000. – № 1–2. –
С. 513–526.
2. Элти Дж., Кумбс М. Экспертные системы: концепции и примеры. – М.: Финансы
и статистика, 1987. – 191 с.
3. Рутковская Д., Пилиньский М., Рутковский Л. Нейронные сети, генетические алгоритмы
и нечеткие системы. – М.: Горячая линия-Телеком, 2006. – 452 с.
4. Круглов В.В., Дли М.И., Голунов Р.Ю. Нечеткая логика и искусственные нейронные сети:
Учеб. пособие. – М.: Издательство физико-математической литературы, 2001. – 224 с.
5. Уинстон П. Искусственный интеллект. – М.: Мир, 1980. – 519 с.
6. Катеринич Л.О. Керування синтезом нейронних мереж // Проблеми програмування. −
2009. − № 1. − С. 53−59.
Отримано 14.10.2011
Л.А. Катеринич, А.В. Галкин
НЕКОТОРЫЕ ПОДХОДЫ К ПОСТРОЕНИЮ СИСТЕМ, ОСНОВАННЫХ НА ЗНАНИЯХ
Рассматриваются архитектура и представление знаний в ЭС Н-Гомеопат, а также средства
управления представлением знаний. Описаны нечеткие спецификации логического выведе-
ния в ЭС Н-Гомеопат.
L.O. Katerinich, O.V. Galkin
APPROACHES TO CREATION OF KNOWLEDGE-BASED SYSTEMS
Architecture and knowledge representation in H-Homeopat expert system are considered. The
means of knowledge representation control are also presented. Fuzzy specifications of inference in
H-Homeopat expert system are described.
Про авторів:
ДЕЯКІ ПІДХОДИ ДО ПОБУДОВИ СИСТЕМ, ЗАСНОВАНИХ НА ЗНАННЯХ
Компьютерная математика. 2012, № 1 119
Катеринич Лариса Олександрівна,
асистент кафедри інформаційних систем факультету кібернетики
Київського національного університету імені Тараса Шевченка,
Галкін Олександр Володимирович,
доцент кафедри інформаційних систем факультету кібернетики
Київського національного університету імені Тараса Шевченка.
|
| id | nasplib_isofts_kiev_ua-123456789-84694 |
| institution | Digital Library of Periodicals of National Academy of Sciences of Ukraine |
| issn | ХХХХ-0003 |
| language | Ukrainian |
| last_indexed | 2025-12-07T13:24:22Z |
| publishDate | 2012 |
| publisher | Інститут кібернетики ім. В.М. Глушкова НАН України |
| record_format | dspace |
| spelling | Катеринич, Л.О. Галкін, О.В. 2015-07-12T17:56:16Z 2015-07-12T17:56:16Z 2012 Деякі підходи до побудови систем, заснованих на знаннях / Л.О. Катеринич, О.В. Галкін // Компьютерная математика: сб. науч. тр. — 2012. — № 1. — С. 111-118. — Бібліогр.: 6 назв. — укр. ХХХХ-0003 https://nasplib.isofts.kiev.ua/handle/123456789/84694 519.174.1 Розглядаються архітектура та представлення знань в ЕС Н-Гомеопат, а також засоби керування представленням знань. Описані нечіткі специфікації логічного виведення в ЕС Н-Гомеопат. Рассматриваются архитектура и представление знаний в ЭС Н-Гомеопат, а также средства управления представлением знаний. Описаны нечеткие спецификации логического выведения в ЭС Н-Гомеопат. Architecture and knowledge representation in H-Homeopat expert system are considered. The means of knowledge representation control are also presented. Fuzzy specifications of inference in H-Homeopat expert system are described. uk Інститут кібернетики ім. В.М. Глушкова НАН України Компьютерная математика Экспертные системы, методы индуктивного вывода Деякі підходи до побудови систем, заснованих на знаннях Некоторые подходы к построению систем, основанных на знаниях Approaches to creation of knowledge-based systems Article published earlier |
| spellingShingle | Деякі підходи до побудови систем, заснованих на знаннях Катеринич, Л.О. Галкін, О.В. Экспертные системы, методы индуктивного вывода |
| title | Деякі підходи до побудови систем, заснованих на знаннях |
| title_alt | Некоторые подходы к построению систем, основанных на знаниях Approaches to creation of knowledge-based systems |
| title_full | Деякі підходи до побудови систем, заснованих на знаннях |
| title_fullStr | Деякі підходи до побудови систем, заснованих на знаннях |
| title_full_unstemmed | Деякі підходи до побудови систем, заснованих на знаннях |
| title_short | Деякі підходи до побудови систем, заснованих на знаннях |
| title_sort | деякі підходи до побудови систем, заснованих на знаннях |
| topic | Экспертные системы, методы индуктивного вывода |
| topic_facet | Экспертные системы, методы индуктивного вывода |
| url | https://nasplib.isofts.kiev.ua/handle/123456789/84694 |
| work_keys_str_mv | AT kateriničlo deâkípídhodidopobudovisistemzasnovanihnaznannâh AT galkínov deâkípídhodidopobudovisistemzasnovanihnaznannâh AT kateriničlo nekotoryepodhodykpostroeniûsistemosnovannyhnaznaniâh AT galkínov nekotoryepodhodykpostroeniûsistemosnovannyhnaznaniâh AT kateriničlo approachestocreationofknowledgebasedsystems AT galkínov approachestocreationofknowledgebasedsystems |