Báo cáo chuyên đề học phần môn hệ chuyên gia đề tài hệ chyên gia nhận dạng động vật

TRƯỜNG ĐẠI HỌC ĐIỆN LỰC KHOA CÔNG NGHỆ THÔNG TIN BÁO CÁO CHUYÊN ĐỀ HỌC PHẦN MÔN HỆ CHUYÊN GIA ĐỀ TÀI: HỆ CHYÊN GIA NHẬN DẠNG ĐỘNG VẬT Sinh viên thực : NGUYỄN QUANG TRUNG : NGUYỄN THẠC ÁNH Giảng viên hướng dẫn : NGUYỄN THỊ THANH TÂN Ngành : CÔNG NGHỆ THÔNG TIN Chuyên ngành : CÔNG NGHỆ PHẦN MỀM Lớp tín : D14CNPM3 Lớp niên chế : D13CNPM2 Hà Nội, tháng năm 2023 PHIẾU CHẤM ĐIỂM Sinh viên thực hiện: Họ tên Chữ ký Điểm Ghi Nguyễn Quang Trung 19810310662 Code báo cáo Nguyễn Thạc 18810310117 Code báo cáo Ánh Giảng viên chấm: Họ tên Giảng viên 1: Giảng viên 2: Chữ ký Ghi MỤC LỤC L Ờ I M ỞĐẦẦU CH ƯƠ NG 1: GI Ớ I THI U Ệ VỀẦ HỆ CHUYỀN GIA 1.1 Khái niệm 1.2 Vai trò hệ chuyên gia đời sống 1.3 Đặc trưng ưu điểm hệ chuyên gia 1.4 Biểu diễn tri thức mạng ngữ nghĩa 1.5 Biểu diễn tri thức Ontology .5 1.6 Biểu diễn định 1.7 Mơ hình mạng Bayer 1.8 Thuật toán suy diễn 1.9 Thuật toán logic mờ (Fuzzy-logic) .9 CHƯƠNG 2: PHẦN TÍCH BÀI TỐN VÀ THUẬT TỐN SỬ DỤNG .10 2.1 Giới thiệu đề tài .10 2.2 Thuật toán 10 2.2 Ví dụ 11 2.3 Entropy quyếết định 12 2.4 Data toán 14 2.5 Lớp đích 15 2.6 Cây quyếết định 15 CHƯƠNG 3: CHƯƠNG TRÌNH 17 3.1 From nhậ p thông tn 17 3.2 Kếết .18 KẾẾT LU ẬN 19 TÀI LIỆU THAM KHẢO .20 LỜI MỞ ĐẦU Trong thời đại ngày nay, tin học trở nên phổ biến với người từ cấp học, từ ngạch - bậc xã hội như: giáo dục, thương mại, du lịch, y tế …Tin học giúp cho người quản lý, điều hành công việc cách nhanh hơn, hiệu hơn, quan trọng độ xác cao Chính lí mà em lựa chọn đề tài cho đồ án tốt nghiệp cuối khóa Hệ chuyên gia nhận dạng động vật Trong khuôn khổ đại học, em đưa giải pháp để nhận dạng lồi động vật Từ đó, đưa kết Do kinh nghiệm, kiến thức thời gian hạn chế nên chắn cịn có nhiều thiếu sót, em mong góp ý, dạy từ phía thầy giáo Em xin chân thành cảm ơn thầy cô! CHƯƠNG 1: GIỚI THIỆU VỀ HỆ CHUYÊN GIA 1.1 Khái niệm Hệ chuyên gia (Expert System) chương trình máy tính thơng minh sử dụng tri thức (knowledge) thủ tục suy luận (inference procedures) để giải tốn tương đối khó khăn đòi hỏi chuyên gia giải được» Hệ chuyên gia hệ thống tin học mơ (emulates) lực đốn (decision) hành động (making abilily) chuyên gia (con người) Hệ chuyên gia lĩnh vực ứng dụng trí tuệ nhân tạo (Artificial Intelligence) hình Hình 1.1: Vai trị hệ chun gia 1.2 Vai trò hệ chuyên gia đời sống Về điều khiển: Các hệ thống quản lý theo phù hợp với hành vi hệ thống Chẳng hạn trình sản xuất hay điều trị bệnh nhân Một hệ chuyên gia điều khiển lấy liệu thao tác hệ thống, diễn giả liệu để hiểu trạng thái hệ thống tương lai Về thiết kế: Hệ thống có nhiệm vụ xây dựng đối tượng theo ràng buộc Chẳng hạn thiết kế máy tính theo yêu cầu nhớ, tốc độ Các hệ thống thường thực với bước công việc, bước tuân theo buộc riêng Về chuẩn đoán: Các hệ thống chuẩn đoán chức hệ thống phát lỗi dựa quan sát thông tin Về diễn giả: Các hệ thống cho phép tình bất ngờ từ thơng tin có sẵn Điển hình thơng tin rút từ liệu máy rò, thiết bị hay kết thí nghiệm 1.3 Đặc trưng ưu điểm hệ chuyên gia Có đặc trưng hệ chuyên gia:  Hiệu cao (High performance): Khả trả lời với mức độ tinh thông cao so với chuyên gia(người) lĩnh vực  Thời gian trả lời thỏa đáng (adequate response time): Thời gian trả lời hợp lý, nhanh so với người để đến định Hệ chuyên gia hệ thống thời gian thực (real time system)  Độ tin cậy cao (good reliability): Không thể xảy cố giảm sút độ tin cậy sử dụng  Dễ hiểu(understandable): Hệ chuyên gia giải thích bước suy luận cách dễ hiểu quán Các ưu điểm hệ chuyên gia:  Phổ cập: sản phẩm chuyên gia, phát triển không ngừng với hiệu sử dụng phủ nhận  Giảm giá thành  Tính thường trực: Bất kể lúc khai thác sử dụng mà không cần đến quyền can thiệt người  Giảm rủi ro: Giúp người tránh tiếp xúc môi trường nguy hiểm  Khả trả lời: Trả lời theo thời gian thực, khách quan  Tính ổn định, suy luận có lý đầy đủ  Khả giảng giải: Câu trả lời với mức độ tinh thơng giải thích rõ ràng, dễ hiểu 1.4 Biểu diễn tri thức mạng ngữ nghĩa Mạng ngữ nghĩa phương pháp biểu diễn đơn giản dễ hiểu để trình bày nhiều vấn đề Phương pháp trình bày chúng dựa đồ thị Trong đó, đỉnh đối tượng (Khái niệm), cung cấp cho chúng biết mối quan hệ đối tượng với Hình 1.2: Khái niệm mạng ngữ nghĩa 1.5 Biểu diễn tri thức Ontology Ontolgy ngành Khoa Học Máy Tính thuật ngữ mang ý nghĩa loại vật quan hệ chúng hệ thống hay ngữ cảnh cần quan tâm Các loại vật gọi khái niệm, thuật ngữ hay từ vựng sử dụng lĩnh vực chun mơn Ontology hiểu ngôn ngữ hay tập quy tắc dùng để xây dựng hệ thống Ontology Một hệ thống Ontology định nghĩa tập từ vựng mang tính phổ biến lĩnh vực chuyên mơn quan hệ chúng Sự định nghĩa hiểu người lẫn máy tính Một cách khái qt, hiểu Ontology "một biểu diễn khái niệm hoá chung chia sẻ" miền hay lĩnh vực định Nó cung cấp từ vựng chung bao gồm khái niệm, thuộc tính quan trọng định nghĩa khái niệm thuộc tính Ngồi từ vựng, Ontology cịn cung cấp ràng buộc, ràng buộc coi giả định sở ý nghĩa mong muốn từ vựng, sử dụng lĩnh vực mà giao tiếp người hệ thống ứng dụng phân tán khác Ontology sử dụng trí tuệ nhân tạo, công nghệ Web ngữ nghĩa (Semantic Web), hệ thống kỹ thuật, kỹ thuật phần mềm, tin học y sinh kiến trúc thơng tin hình thức biểu diễn tri thức giới số lĩnh vực cụ thể Việc tạo lĩnh vực Ontology sở để định nghĩa sử dụng cấu tổ chức kiến trúc (an enterprise architecture framework) Hình 1.3: Ứng dụng Ontology việc thiết kế từ điển 1.6 Biểu diễn định Cây định (Decision Tree) phân cấp có cấu trúc dùng để phân lớp đối tượng dựa vào dãy luật (series of rules) Khi cho liệu đối tượng gồm thuộc tính với lớp (classes) nó, định sinh luật để dự đoán lớp đối tượng chưa biết (unseen data) Decision Trees gồm phần chính: node gốc (root node), node (leaf nodes) nhánh (branches) Node gốc điểm bắt đầu định hai node gốc node chứa câu hỏi tiêu chí để trả lời Nhánh biểu diễn kết kiểm tra nút Ví dụ câu hỏi node yêu cầu câu trả lời “yes” “no” có node chịu trách nhiệm cho phản hồi “yes”, node “no” Hình 1.4: Mơ hình biểu diễn định 1.7 Mơ hình mạng Bayer Mạng Bayesian mơ hình xác suất đồ thị sử dụng suy diễn Bayesian để tính tốn xác suất Mục đích mạng Bayesian mơ hình hóa phụ thuộc có điều kiện biến ngẫu nhiên cách biểu diễn phụ thuộc dạng cạnh đồ thị Đồ thị mạng Bayesian biểu diễn mối quan hệ xác suất ta sử dụng quan hệ để suy diễn tính tốn biến ngẫu nhiên đồ thị cách hiệu Sử dụng mối quan hệ xác suất mạng Bayesian, ta biểu diễn phân phối xác suất chung biến ngẫu nhiên trực quan qua việc sử dụng mối quan hệ độc lập có điều kiện Dứới ví dụ mạng Bayesian: Hình 1.5: Mơ hình Bayer 1.8 Thuật tốn suy diễn a) Suy diễn tiến:  Suy diễn tiến lập luận từ kiện, việc để rút kết luận Ví dụ: Nếu thấy trời mưa trước khỏi nhà (sự kiện) phải lấy áo mưa  Trong phương pháp này, người sử dụng cung cấp kiện cho hệ chuyên gia để hệ thống (máy suy diễn) tìm cách rút kết luận  Kết luận xem thuộc tính gán giá trị Trong số kết luận này, có kết luận làm người sử dụng quan tâm, số khác khơng nói lên điều gì, số khác vắng mặt  Các kiện thường có dạng : Attribute = Value  Lần lượt kiện sở trí thức chọn hệ thống xem xét tất luật mà kiện xuất tiền đề Theo nguyên tắc lập luận trên, hệ thống lấy luật thỏa mãn Sau gán giá trị cho thuộc tính thuộc kết luận tương ứng, người ta nói kiện thỏa mãn Các thuộc tính gán giá trị phần kết chuyên gia Sau kiện xem xét, kết xuất cho người sử dụng dùng b) Suy diễn lùi:  Phương pháp suy diễn lùi tiến hành lập luận theo chiều ngược lại (đối với phương pháp suy diễn tiến) Từ giả thuyết (như kết luận), hệ thống đưa tình trả lời gồm kiện sở giả thuyết cho  Ví dụ: vào nhà mà cầm áo mưa quần áo bị ướt giả thuyết trời mưa Đe củng cố giả thuyết này, ta hỏi người xem có phải trời mưa khơng? Nếu người trả lời có giả thuyết trời mưa trở thành kiện Nghĩa trời mưa nên phải cầm áo mưa quần áo bị ướt  Suy diễn lùi cho phép nhận giá trị thuộc tính Đó câu trả lời cho câu hỏi “giá trị thuộc tính A bao nhiêu?” với A đích  Để xác định giá trị A, cần có nguồn thơng tin Những nguồn câu hỏi luật Căn vào câu hỏi, hệ thống nhận cách trực tiếp từ người sử dụng giá trị thuộc tính liên quan Căn vào luật, hệ thống suy diễn tìm giá trị kết luận số kết luận thuộc tính liên quan,  Ý tưởng thuật toán suy diễn lùi sau: Với thuộc tính cho, người ta định nghĩa nguồn nó: - Nếu thuộc tính xuất tiền đề luật (phần đầu luật), nguồn thu gọn thành câu hỏi - Nếu thuộc tính xuất hậu luật (phần cuối luật), nguồn luật mà đó, thuộc tính kết luận - Nếu thuộc tính trung gian, xuất đồng thời tiền đề kết luận, nguồn luật, câu hỏi mà chưa nêu  Nếu mồi lần với câu hỏi cho, người sử dụng trả lời hợp lệ, giá trị trả lời gán cho thuộc tính xem thành công Nếu nguồn luật, hệ thống lấy luật mà thuộc tính đích xuất kết luận, để tìm giá trị thuộc tính thuộc tiền đề Nếu luật thỏa mãn, thuộc tính kết luận ghi nhận 1.9 Thuật toán logic mờ (Fuzzy-logic) Theo logic truyền thống (traditional logic), biểu thức logic nhận hai giá trị: True False Khác với lý thuyết logic truyền thống, biểu thức logic mờ nhận vô số giá trị nằm khoảng số thực từ đến Nói cách khác, logic truyền thống, kiện (tương đương với True - 1) sai (tương đương với False - 0) logic mờ, mức độ kiện đánh giá số thực có giá trị nằm 1, tuỳ theo mức độ “nhiều” hay “ít” Giá trị biến biểu thức logic mờ số mà khái niệm, ví dụ “nhanh”, “trung bình”, “chậm” hay “nóng”, “vừa”, “lạnh” Chính cách giải toán logic mờ gần với cách tư người Hình 1.6: Hệ suy diễn mờ Hệ suy diễn mờ (mô tả hình 1) có cấu trúc sau:  Giao diện mờ hóa: chuyển đổi lớp đầu vào biên độ phù hợp với giá trị ngôn ngữ  Cơ sở trí thức bao gồm phần:  Cơ sở liệu: định nghĩa hàm thuộc tập mờ sử dụng luật mờ - Bộ luật: gồm luật mờ IF – THEN  Đơn vị thực thi: thực hoạt động suy diễn luật  Giao diện giải mờ: chuyển đổi giá trị kết mờ hệ suy diễn lớp đầu 10 CHƯƠNG 2: PHÂN TÍCH BÀI TỐN VÀ THUẬT TỐN SỬ DỤNG Giới thiệu đề tài Thừa cân béo phì nghĩa tình trạng tích lũy mỡ q mức khơng bình thường vùng thể hay tồn thân gây nhiều nguy hại tới sức khỏe Nhìn chung, bệnh thừa cân béo phì thể trọng lượng thể cao trọng lượng chuẩn người khỏe mạnh Bệnh thừa cân béo phì bệnh mãn tính dư thừa mức lượng mỡ thể Trong thể ln có lượng mỡ định lượng mỡ cần thiết để lưu trữ lượng, giữ nhiệt, hấp thụ chấn động thể chức khác 2.1 Để đốn trước phịng ngừa bệnh béo phì thi sau học hệ chuyên gia áp dụng vào phần mềm Phần mềm có giao diện dễ nhìn, dễ sử dụng thao tác 2.2 Thuật toán Giải thuật ID3 (gọi tắt ID3) Được phát triển đồng thời Quinlan AI Breiman, Friedman, Olsen Stone thống kê ID3 giải thuật học đơn giản tỏ thành công nhiều lĩnh vực ID3 giải thuật hay cách biểu diễn tri thức học nó, tiếp cận việc quản lý tính phức tạp, heuristic dùng cho việc chọn lựa khái niệm ứng viên, tiềm việc xử lý liệu nhiễu ID3 biểu diễn khái niệm (concept) dạng định (decision tree) Biểu diễn cho phép xác định phân loại đối tượng cách kiểm tra giá trị số thuộc tính Như vậy, nhiệm vụ giải thuật ID3 học định từ tập ví dụ rèn luyện (training example) hay gọi liệu rèn luyện (training data) Input: Một tập hợp ví dụ Mỗi ví dụ bao gồm thuộc tính mơ tả tình huống, hay đối tượng đó, giá trị phân loại Output: Cây định có khả phân loại đắn ví dụ tập liệu rèn luyện, hy vọng phân loại cho ví dụ chưa gặp tương lai Giải thuật ID3 xây dựng định trình bày sau: Lặp: Chọn A