<<

Механизм логического вывода в диагностических системах байесовского типа

Диагностические ЭС широко применяются в различных областях человеческой деятельности (медицине, технике, эко-номике 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 веро-ятность
¦ каждая неисправность проявляется через симптомы
причем каждая неисправность характеризуется “своими” симп-томами из “общего” списка;
¦ известны условные вероятности проявления симптомов при каждой неисправности
Зная перечисленные вероятности, легко реализовать процедуру проверки наиболее вероятных симптомов, причем проверка очередного симптома должна сопровождаться пе-ресчетом значений всех апостериорных вероятностей. Для получения априорных и условных вероятностей необходимо обработать статистические данные (при их наличии) или по-лучить и обработать экспертную информацию.
Как правило, задается некоторый уровень вероятности Ртр, превышение которого свидетельствует о необходимости проверки именно тех неисправностей, для которых и наблюдается превышение. Далее проверяется наличие того симп-тома, для которого вероятность его проявления при г-й неис-правности наибольшая По результатам проверки пересчитываются все апостериорные вероятности и выявляются те из них, которые превышают заданный уровень. По ним определяется очередной проверяемый симптом 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,
апостериорные вероятности которых стали очень малыми, отбрасывает (перестает учитывать), а другие предлагает ис-править.
Рассмотрим конкретный пример — фрагмент ЭС диагно-стического типа, предназначенной для поиска неисправности в автомобиле при следующих исходных данных:
¦ автомобиль может иметь четыре неисправности:
¦ 51 — неисправна аккумуляторная батарея;
¦ Бг— отсутствует топливо;
¦ 53 — “отсырело” зажигание;
¦ — замаслены свечи;
¦ симптомами неисправностей являются:
¦ — 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 Р(С/5,).
Реализация описанного выше алгоритма для последова-тельности 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 ус-ловных вероятностей, используемых в алгоритме, к “ис-тинным” значениям. Как правило, при грамотном учете опыта работы специалистов по устранению соответ-ствующих неисправностей хорошие оценки названных вероятностей могут быть получены по результатам об-работки статистических данных;
¦ сравнительной простотой обеспечения диалога пользо-вателя 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 не-исправности, т. е. пояснения рекомендаций ЭС, что в подавляющем большинстве случаев облегчает их вос-приятие;
¦ возможностью постоянного учета текущего опыта пользователей и простотой корректировки (при необ-ходимости) 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 Ин-ститута человеческого и машинного познания при университете Западной Флориды (США) технология хранения и представления пользователям информации, получившая название СМар (англ. Concept Мар — 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: В. Б. Уткин. Информационные системы в экономике. 2008

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

  1. Механизм логического вывода в продукционных системах
  2. Понятие о механизме логического вывода в сетевых системах
  3. Понятие о механизме логического вывода во фреймовых системах
  4. Основы построения и использования механизмов логического вывода
  5. Система денежных расчетов и платежный механизм. Система межбанковских расчетов
  6. Система специальных бюджетных и внебюджетных фондов: назначение, источники и механизмы формирования
  7. Взаимосвязь денежной и кредитной систем с финансовой системой
  8. Структура финансовой системы. Европейская система интегрированных экономических счетов
  9. Выбор типа ценовой стратегии
  10. Типы кредитных систем. Анализ кредитных систем стран Запада.
  11. Признаки плохой системы или плохого продавца системы