<<
>>

4.4.4. Механизм логического вывода в диагностических системах байесовского типа

Диагностические ЭС широко применяются в различных областях человеческой деятельности (медицине, технике, эко­номике и др.). Как правило, в них используются продукцион­ные модели знаний о предметной области.
Однако, если име­ется возможность использования в правилах статистических данных о понятиях и связях между ними, весьма целесооб­разно применить известную теорему Байеса для пересчета апостериорных вероятностей по результатам проверки нали­чия тех или иных симптомов.

Применительно к техническим диагностическим систе­мам используется следующая схема формализации:

♦ объект имеет множество возможных неисправностей

♦ каждой неисправности приписывается априорная веро­ятность

т /=1

♦ каждая неисправность проявляется через симптомы

С С С

причем каждая неисправность характеризуется "своими" симп­томами из "общего" списка;

♦ известны условные вероятности проявления симпто­мов при каждой неисправности

Р(С./5), г = 1,2,...,т; 3 = 1,2,..,п.

Тогда можно определить апостериорные вероятности наличия неисправности при данном симптоме I:

1=1

причем при расчете апостериорной вероятности учитывает­ся, наблюдался при испытании данный симптом или нет.

Зная перечисленные вероятности, легко реализовать процедуру проверки наиболее вероятных симптомов, причем проверка очередного симптома должна сопровождаться пе­ресчетом значений всех апостериорных вероятностей. Для получения априорных и условных вероятностей необходимо обработать статистические данные (при их наличии) или по­лучить и обработать экспертную информацию.

На рис. 4.4.9, а, б, в представлена иллюстрация описан­ного подхода. На рис. 4.4.9, а показаны исходные априорные вероятности наличия неисправностей. Как правило, задается некоторый уровень вероятности Ртр, превышение которого свидетельствует о необходимости проверки именно тех неис­правностей, для которых и наблюдается превышение (в на­шем примере — 5.).

Далее проверяется наличие того симп­тома, для которого вероятность его проявления при 1-й неис­правности наибольшая (например, симптома С1 на рис. 4.4.9 б).

По результатам проверки пересчитываются все апосте­риорные вероятности и выявляются те из них, которые пре­вышают заданный уровень. По ним определяется очередной проверяемый симптом (на рис. 4.4.9, в — симптом С2) и т. д. Заметим, что в результате пересчета апостериорная вероят­ность той или иной неисправности может как увеличиться, так и уменьшиться. После нескольких шагов данный алго­ритм приводит к тому, что ЭС некоторые неисправности,

Р(5(); Р(^/С,) • Р^т2)

а)

б)

в)

С,

с„

■й а
Р(^) Ж^ус,)

р(52)

Рф/С,)
л

5, £2

£

1 т 1

Рис. 4.4.9. Иллюстрация алгоритма работы диагностической ЭС 386

апостериорные вероятности которых стали очень малыми, отбрасывает (перестает учитывать), а другие предлагает ис­править.

Рассмотрим конкретный пример — фрагмент ЭС диагно­стического типа, предназначенной для поиска неисправности в автомобиле при следующих исходных данных:

♦ автомобиль может иметь четыре неисправности:

♦ — неисправна аккумуляторная батарея;

♦ — отсутствует топливо;

♦ 53 — "отсырело" зажигание;

♦ 54 — замаслены свечи;

♦ симптомами неисправностей являются:

♦ С} — фары не горят;

♦ С2 — указатель топлива на нуле;

♦ С3— автомобиль не заводится;

♦ С4 — стартер проворачивается;

♦ С5 — двигатель работает неустойчиво, "чихает";

♦ значения априорных вероятностей:

Р(5,) = 0,4; Р(52) = 0,2; Р(53) = 0,3; Р(54) = 0,1.

♦ значения условных вероятностей проявлений симпто­мов при наличии неисправностей приведены в табли­це. Знаком "+" обозначены вероятности Р(С./3{), а зна­ком "—" — вероятности

Значения условных вероятностей проявления симптомов при наличии неисправностей
81 / / ъ С1 С2 СЗ С4 С5
+ - + - + - + - + -
1 0 0,9 0,1 1 0 0 1 0,1 0,9
Б2 0,1 0,9 1 0 1 0 0,9 0,1 0,1 0,9
БЗ 0,1 0,9 0,1 0,9 0,7 0,3 0,9 0,1 0,1 0,9
Б4 0,1 0,9 0,1 0,9 0,8 0,2 0,9 0,1 1 0

Реализация описанного выше алгоритма для последова­тельности симптомов "фары горят" — "указатель топлива не на нуле" — "стартер проворачивается" — "автомобиль заво­дится" — "двигатель "чихает" приведет к следующему зак­лючению ЭС: "Просушите зажигание, проверьте свечи". Дру­гая последовательность симптомов "фары не горят" — "авто­мобиль не заводится" — "стартер не проворачивается" — "указатель топлива не на нуле" — "двигатель не чихает" приведет ЭС к рекомендации "Замените аккумуляторную ба­тарею".

Если при проверке симптомов окажется, что "фары горят", "указатель топлива на нуле", "автомобиль не заво­дится", "стартер проворачивается", "двигатель не чихает", рекомендация ЭС, естественно, такова: "Залейте бензин".

Широкое распространение диагностических ЭС в различ­ных областях деятельности определяется рядом обстоятельств:

♦ возможностью обеспечения близости априорных и ус­ловных вероятностей, используемых в алгоритме, к "ис­тинным" значениям. Как правило, при грамотном уче­те опыта работы специалистов по устранению соответ­ствующих неисправностей хорошие оценки названных вероятностей могут быть получены по результатам об­работки статистических данных;

♦ сравнительной простотой обеспечения диалога пользо­вателя с системой на языке, близком к естественному, поскольку промежуточные и итоговые заключения ЭС, основанные на формальных шагах алгоритма работы, легко интерпретируются в понятные всем рекоменда­ции;

♦ возможностью выдачи пользователю (как правило, по запросу) промежуточных результатов диагностики не­исправности, т. е. пояснения рекомендаций ЭС, что в подавляющем большинстве случаев облегчает их вос­приятие;

♦ возможностью постоянного учета текущего опыта пользователей и простотой корректировки (при необ­ходимости) модели знаний о предметной области.

В заключение раздела отметим, что в учебнике рассмот­рены лишь методологические основы построения и использо­вания систем искусственного интеллекта. Практика совершен­ствования информационных технологий представляет все но­вые направления применения интеллектуальных средств. Так, например, наряду с интеллектуальными пакетами приклад­ных программ появились так называемые интеллектуальные базы данных [27], в которых используются достижения тео­рии искусственного интеллекта как для организации хране­ния информации о предметной области, так и для удовлетво­рения информационных потребностей пользователей. Другим примером может служить разработанная специалистами Ин­ститута человеческого и машинного познания при универси­тете Западной Флориды (США) технология хранения и пред­ставления пользователям информации, получившая название СМар (англ. Concept Map — карта понятий), являющаяся од­ним из вариантов применения семантических сетей. С помо­щью этой технологии можно осваивать большие объемы слож­но структурированного материала, решая различные задачи (в том числе и задачи обучения специалистов). Еще одним примером является известная концепция "интеллектуально­го дома (жилища)", призванная рационально использовать средства искусственного интеллекта при всестороннем обес­печении управления бытовыми системами (начиная от регу­лирования подачи электроэнергии и воды и заканчивая вклю­чением/выключением микроволновой печи или телевизора в заданное время). Существует множество подобных примеров, подтверждающих главный вывод: магистральным путем со­временной автоматизации профессиональной деятельности людей является ее интеллектуализация.

<< | >>
Источник: Балдин К. В., Уткин В. Б.. Информационные системы в экономике: Учебник. — 5-е изд. — М.: Издательско-торго- вая корпорация «Дашков и К0», — 395 с.. 2008

Еще по теме 4.4.4. Механизм логического вывода в диагностических системах байесовского типа:

  1. 4.4.1. Механизм логического вывода в продукционных системах
  2. 4.4.3. Понятие о механизме логического вывода во фреймовых системах
  3. 4.4.2. Понятие о механизме логического вывода в сетевых системах
  4. Основы построения и использования механизмов логического вывода
  5. 4.4. Основы построения и использования механизмов логического вывода
  6. 6.1.2. Расчетно-логические системы с базами знаний
  7. 22. Система с неограниченной растворимостью в жидком и твердом состояниях; системы эвтектического, перитектического и монотектического типа. Системы с полиморфизмом компонентов и эвтектоидным превращением
  8. Вопрос 29 ПОЛИТИЧЕСКАЯ СИСТЕМА СОВЕТСКОГО ТИПА
  9. ТРИ ОСНОВНЫХ ТИПА СИСТЕМ
  10. Кредитная система социалистического типа.