4.4.4. Механизм логического вывода в диагностических системах байесовского типа
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^т/С2) |
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
|
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.
Еще по теме 4.4.4. Механизм логического вывода в диагностических системах байесовского типа:
- 4.4.1. Механизм логического вывода в продукционных системах
- 4.4.3. Понятие о механизме логического вывода во фреймовых системах
- 4.4.2. Понятие о механизме логического вывода в сетевых системах
- Основы построения и использования механизмов логического вывода
- 4.4. Основы построения и использования механизмов логического вывода
- 6.1.2. Расчетно-логические системы с базами знаний
- 22. Система с неограниченной растворимостью в жидком и твердом состояниях; системы эвтектического, перитектического и монотектического типа. Системы с полиморфизмом компонентов и эвтектоидным превращением
- Вопрос 29 ПОЛИТИЧЕСКАЯ СИСТЕМА СОВЕТСКОГО ТИПА
- ТРИ ОСНОВНЫХ ТИПА СИСТЕМ
- Кредитная система социалистического типа.