Đang tải... (xem toàn văn)
Giáo trình Hệ chuyên giaGiáo trình Hệ chuyên giaGiáo trình Hệ chuyên giaGiáo trình Hệ chuyên giaGiáo trình Hệ chuyên giaGiáo trình Hệ chuyên giaGiáo trình Hệ chuyên giaGiáo trình Hệ chuyên giaGiáo trình Hệ chuyên giaGiáo trình Hệ chuyên giaGiáo trình Hệ chuyên giaGiáo trình Hệ chuyên giaGiáo trình Hệ chuyên giaGiáo trình Hệ chuyên giaGiáo trình Hệ chuyên giaGiáo trình Hệ chuyên gia
Hệ chuyên gia HỆ CHUYÊN GIA Chương 1: Nhập môn Trang Chương 2: Quản trị tri thức (Knowledge management) Trang Chương 3: Mô tơ suy diễn (Inference Engine/ motor) Trang 18 CHƯƠNG 4: GIAO DIỆN Trang 33 CHƯƠNG 5: MOĐUN GIAI THÍCH Trang 36 CHƯƠNG 6: SUY DIỄN TRONG LOGIC VỊ TỪ VÀ LẬP TRÌNH PROLOG Trang 39 Chương 7: Biểu diễn tri thức Logc mờ suy diễn Trang 42 Chương 8: Suy diễn xác suất Trang 54 Trang Hệ chuyên gia HỆ CHUYÊN GIA Ngày việc ứng dụng công nghệ kĩ thuật cao vào đời sống đòi hỏi thiết Một lĩnh vực trí tuệ nhân tạo, mà phần quan trọng Hệ chuyên gia Vậy hệ chuyên gia gì? Theo giáo sư Edward Feigenbaum trường đại học STANFORD , ông chuyên gia đầu ngành hệ chuyên gia cho rằng: Hệ chuyên gia hệ thống chương trình máy tính chứa thông tin tri thức trình suy diễn lĩnh vực cụ thể dể giải toán khó mà dòi hỏi uyên bác chuyên gia ngành Một cách khác ta thấy: Hệ chuyên gia = CSTT + MTSD + GD + Modul hỏi đáp + Thu nhận tri thức Các vấn đề hệ chuyên gia: Quản trị tri thức Môtơ - suy diễn: Sd thông thường Sd với Metaknowledge Sd không chắn Sd xấp xỉ logic xác suất Logic mờ Giao diện Hỏi đáp KDD : thu nạp (phát hiện) tri thức từ liệu HCG phân tán Trang Hệ chuyên gia Chương 1: Nhập môn 1.1 Hệ chuyên gia - chương trình ứng dụng (HCG - CTƯD) Khái niệm: Hệ chuyên gia (HCG ) chương trình ứng dụng (CTƯD) khai thác sở tri thức (CSTT) thu nạp từ nguồn tri thức chuyên môn dựa việc sử dụng chế suy diễn để giải toán tư vấn KHÓ đạt trình độ cỡ CHUYÊN GIA LÂU NĂM LÀNH NGHỀ i) Ta có sơ đồ mô tả sau: HCGƯD = CSTT + MTSD (BDTT) Nguồn tri thức Chuyên gia NSD Tài liệu chuyên môn Qua sơ đồ ta thấy: Một chương trình ứng dụng xây dựng dựa CSTT (MTSD) mô tơ suy diễn Trong CSTT lấy từ nguồn tri thức Có hai loại xin ý kiến từ chuyên gia lĩnh vực đó, lấy theo cách thứ hai tổng hợp từ tài liệu chuyên môn Còn MTSD phụ thuộc vào người dùng người dùng đưa ii) Vai trò kỹ sư tri thức (knowledge Engineer) Lĩnh vực CM Tin học SUPER Super Nhà c/m Super Super LTV ε Super Analyzer SUPER ε C gia S ε LTV ε Super Kĩ sư TT ε Super Xd HT3QL XD HCG Trang Hệ chuyên gia iii) Xây dựng hệ chuyên gia Sau xét trò nhân tố mục ta thấy để xây dựng hệ chuyên gia cần có tham gia nhân tố kết hợp họ tiến hành thời gian dài( long-term) Các nhân tố bao gồm: - CGia - LTV - Kĩ sư tri thức iv) Hai phương cách xây dựng hệ chuyyên gia ứng dụng Cách 1: Với cách có kết hợp nỗ lực giũa chuyên gia, kĩ sư tri thức lập trình viên Họ làm việc kết xây dựng hệ chuyên gia HCGƯD = ∑ nỗ lực (CGia + KSTT + LTV) Cognitive Engineering Cách 2: Trong cách tham gia Lập trình viên HCGƯD = ∑ nỗ lực (CGia + KSTT) + CÔNG CỤ ES Generation Shell ES KBMS ES Building to Empty ES v) Hệ tri thức(knowledge system) Tri thức thu nạp từ nhiều nguồn khác là: +Tài liệu +KDD +Knowledge Base System +Knowledge Base System : Hệ thống làm việc sở tri thức vi) Hệ chuyên gia nhằm giải toán tư vấn (consultation) khó vii) Hệ chuyên gia phải đạt trình độ cao Trang Hệ chuyên gia HTTTQL Nhiều thông tin HCG Ít Nhanh Chậm Chính xác KCX SUPER cross - validation 1.2 Cấu trúc hệ chuyên gia Phiên tư vấn chuyên gia Tập tin (1) Ngày, giờ, tháng, năm, giới tính SD (3) TT(2) user Expert Kluận/ tư vấn (1) (0) Phiên thu nạp tri.thức : off - line (1) Phiên hỏi: để lấy thông tin (2) Suy diễn On - line (3) Giải đáp NSD C.Gia Giao diện (1) KSTT Soạn thảo tri thức (5) Mô tơ suy diễn (3) Các chế Các sử dụng chế ĐK Giải thích (4) CSTT(2 ) Phân tích (If … then) CSDL KDD L CS luật l.vực Cs kiện (NSD) HCG = +(2 + 3) + + + Kenel(nhân) Ví dụ: Trang Hệ chuyên gia (1) Đánh cờ i) CHƯƠNG TRÌNH CỜ = CTDL + Thuật giải Heuristic ii) Cẩm nang If cờ Then quân (2) Hệ Tử vi (3) Hệ khám bệnh 1.3 Ứng dụng hệ chuyên gia Hiên hệ chuyên gia ứng dụng nhiều lĩnh vực khác nhau: ví dụ công nghệp, nông nghiệp, khoa học máy tính, thương mại khí tượng, y học, quân sự, hoá học Đặ biệt giai đoạn gần việc ứng dụng hệ chuyên gia vào lĩnh vực giáo dục đào tạo phát triển mạnh Ở đâu cần tư vấn xây dựng hệ chuyên gia nên phải * Các dạng toán (Sự tư vấn) - Diễn giải (Interpretation): Đưa mô tả tình liệu thu thập - Dự báo (Hediction): đưa hậu tình đó, dự báo thời tiết, dự báo giá thị trường - Chuẩn đoán (Diagnosis): Xác định lỗi , phận hỏng hóc hệ thống dựa liệu quan sát (Khi hệ thống hoạt động không bình thường) - Gỡ rối (Debugging): Mô tả phương pháp khắc phục hệ thống gặp cố - Thiết kế : lựa chọn cấu hình đói tượng nhằm thoả mãn số ràng buộc đó: x: CAD Intelligent (x) : CAD Trang Hệ chuyên gia - Giảng dậy : Phần mềm dạy học, chuẩn đoán sủa lỗi học sinh trình học tập - Multimedia - Internet Trang Hệ chuyên gia Chương 2: Quản trị tri thức (Knowledge management) 2.1 Mở đầu Ở chương trước có khái niệm đơn giản hệ chuyên gia Một thành phần vô quan trọng hệ chuyên gia sở tri thức Thông qua phiên thu nạp tri thức ( trực tiếp hay gián tiếp) xây dựng sở tri thức cho hệ chuyên gia Vậy làm đẻ quản lí thao tác xử lí để hệ chuyên gia hoạt động Trong chương đề cập đến vấn đề giải vấn đề HCSTT/ HCGƯD = CSTT + MTSD + Giao Diện + Giải thích + Thu nạp (KDD)/ Soạn thảo (Tri thức chuyên gia) KB Administrator - Dư thừa - Đúng đắn Chính xác phi mâu thuẫn Không xác - Tổ chức lưu trữ → suy diễn hiệu - Phân tán - Chuyển đổi biểu diễn mức / user 2.2 Dư thừa (Redundancy) - CSTT = ( CS luật, CS kiện) Rule Base, Fact base Tri thức chuyên l.vực Thông tin toán (cụ thể) 2.2.1 Dư thừa luật ĐN: cho CSTT: B1 = (R1, F1) B2 = (R2, F2) Ta nói R1 ≡ R2 ⇔ Sức mạnh suy diễn R1 sức mạnh suy diễn R2 Bao đóng suy diễn cho R Xét A ⊆ F Trang Hệ chuyên gia Tiến * ** A +R = f ∈ F/ A f GT VD: 1) a ∧ b → c 2) b ∧ c ∧ d → e 3) a ∧ d → f 4) c → g 5)a → h 6) d ∧ c → h 7) b → u { a} + = { a, h} { a, b} + = { a, b, c, g , u, h} Nhận xét: Một luật logic mệnh đề ≡ PTH bao đóng = bao đóng PTH VD: Logic vị từ: V1: td (U, XY) ∧ tđ (V, XZ) → SS (UV, YZ) V2: SS (UV, XY) ∧ SS (XY, ST) → SS (UV, ST) V3: SS (UV, XY) ∧ SS (UT, XY) → THAG (U,V,T) tđ (U, XY) → tđ (U, YX) SS (UV, XY) → SS (XY, UV) SS (UV, XY) → SS (VU, XY) A Q P B GT = K L C tđ (P, AB), tđ (Q, AC), tđ (K,BQ), tđ (L,CP) Trang Hệ chuyên gia GT +R = … ? VD: Quy nạp toán học P(x) (1) P(1) (2) P (i) → P (i + 1) { P(1)} +R = { P(1), P(2), P(3), } ∀x P (x) * Việc xác định bao đóng suy diễn dựa vào SD tiến: { a, d } Max, min,quece, stack { a, d , h} ⇒ suy diễn có tính chất đơn điệu (3) (đ.với logic m.đề) (a,d,h,g) VD: Y(x,y) → C (x,y) {Y (a, b), Y (a, c)} Y(a,b), C(a,b) Y(a,c), C(a,c) VD: Xây dựng tập luật cho Robot A C B E E C Robot A B Tay (x) Tay ko Trong (x) Trên (x,y) Tay ko ∧ Trong (x) → Tay (x) + Tay (x) ∧ Trong (y) → Trên (x,y) + Trong (y) - Tay (x) → San (x), Trong (x) Ta nói R1 ≡ R2 ⇔ ∀ A ⊆ F Giả sử + A +R1 = A +R R = m: Trang 10 Hệ chuyên gia µ A~ ( x) = +) với x ∈ (0,25) +) với x ∈ (26,32) +) 0,7 với x ∈ (33,38) +) 0,2 với x ∈ (39,45) +) với x> 45 7.2 Các phép toán tập mờ: Cho tập ( tập vũ trụ ) U ( Universer Set) ~ Một tập mờ A U mô tả hàm thuộc ( mebership function) µ A : U → [ 0,1] µA α U S= {x/ µ A ( x) > } Tập giá đỡ K={x/ µ A ( x) = } Tập core Aα = { x / µ A ≥ α } Một số dạng thường gặp: Dạng 1: a µ A (x ) = +) b c xc ~ A ↔ (a, b, c) Số mờ Dạng a b c d ~ A = (a, b, c, d) ~ ~ Tập mờ A tập theo nghĩa thông thường nên quan niệm A phải định nghĩa theo hàm thuộc Do không biểu diễn biểu đồ Ven mà biểu biểu diễn đồ thị Hợp tập mờ Cho hai tập mờ A, B với µ A µ B hai hàm thuộc tương ứng ~ ~ Từ ta xây dựng 1) A ∪B ∆ C~ µ C ( x ) = µ A∪ B ( x) = max( µ A ( x ); µ B ( x ) ) Trang 45 Hệ chuyên gia Chú thích: lấy tất phần đồ thị Khi hợp hai tập mờ tập rõ ~ ~ ~ A∧B =C 2) µ C ( x ) = µ A∪ B ( x) = ( µ A ( x ); µ B ( x ) ) Chú thích: Bây ta lấy toàn phần 3) Phần bù: ~ ~ A với µ A ( x) phần bù là: A ~ có hàm thuộc: µ ( x) = − µ A ( x ) +) A A 4) Hiệu hai tập hợp: ~ ~ +) A \ B~ = A ∩ B~ 5) Hai tập mờ nhau: ~ ~ A = B ⇔ µ A = µ B ⇔ ∀x : µ A ( x ) = µ B ( x) Các tính chất: Tính giao hoán ~ ~ ~ ~ A∪B = B∪ A ~ ~ ~ ~ A∩B = B∩ A Tính kết hợp : ~ ~ ~ ~ ~ ~ (A ∧ B ) ∧ C = A ∧ (B ) ∧ C ) Trang 46 Hệ chuyên gia ~ ~ ~ ~ ~ ~ (A ∨ B ) ∨ C = A ∨ (B ) ∨ C ) Tính lũy đẳng : ~ ~ ~ A∧A= A ~ ~ ~ A∨ A = A ~ ~ ~ ~ ( A ∨ B )∧ A = A ~ ~ ~ ~ ( A ∧ B )∨ A = A Tính phân phối : ~ ~ ~ ~ ~ ~ ~ A ∨( B ∧C ) = ( A ∨ B )∧( A ∨ C ) ~ ~ ~ ~ ~ ~ ~ A ∧( B ∨ C ) = ( A ∧ B )∨( A ∧ C ) Tính chất khác : ~ ~ ~ A ∧φ = φ ~ A ∨ u~ = u~ ~ φ = u~ ~ u~ = φ ~ ~ A∧A ≠φ ~ ~ A∨A ≠ ~ u ~ ~ ~ ~ A∨B = A ∧B ~ A = {(a, 0.1), (b, 0.2), (c, 0.3), (d, 0.4)} ~ A = {(a, 0.9), (b, 0.8), (c, 0.7), (d, 0.6)} ~ ~ A ∧ A = { (a, 0.1, (b, 0.2), (c, 0.3), (d, 0.4), (a, 0.9), (b, 0.8), (c, 0.7), (d, 0.6)} Ví dụ : Nhận xét : - L Zadel (max, min, 1-) *) MỞ RỘNG PHÉP TOÁN TẬP MỜ ∆ - µ A∨ B ( x ) = s( µ A ( x ), µ B ( x )) Hàm s t – conorm : s : [0, 1] x [0, 1] → [0, 1] ∆ - µ A∧ B ( x ) = t( µ A ( x ), µ B ( x )) Hàm t t – norm : s : [0, 1] x [0, 1] → [0, 1] - Hàm t – conorm thỏa mãn tính chất : + s(x, y) = s(y, x) + s(s(x, y), z) = s(x, s(y, z)) s( x , ) = + s( x ,0 ) = x - Hàm t – norm thỏa mãn tính chất : Trang 47 Hệ chuyên gia + t(x, y) = t(y, x) + t(s(x, y), z) = t(x, s(y, z)) t( x , ) = x + t( x ,0 ) = Ví dụ : s(x, y) = x + y - xy t(x, y) = xy → Kiểm tra : Giao hoán : hiển nhiên Kết hợp : Hàm s : s (x, s(y, z)) = = x + y + z xy yz zx + xyz s (s (x, y), z) = = x + y + z xy yz zx + xyz → s ( x , s ( x , y )) = s ( s ( x , y ), z ) Hàm t : → hiển nhiên Tính chất cuối : s( x , ) = = t( x , ) = = x s( x ,0 ) = = x t( x ,0 ) = = - Bộ ba : (s, t, n) ; µ A ( x ) = n( µ A ( x ) n : [ ,1 ] → [ ,1] + ; Hàm negation : n( ) = n( ) = n(n(x)) = x Đơn điệu : x ≥ y → n(x) ≥ n(y) Ví dụ : hàm – x - Bộ ba : (s, t, n) → thích hợp : s (x, t (y, z)) = t (s (x, y), s (x, z)) t (x, s (y, z)) = s (t (x, y), t (x, z)) n ( s (x, y)) = t (n (x), n (y)) n ( t (x, y)) = s (n (x), n (y)) 7.3 Biểu diễn tri thức mờ : - Dạng luật : If X1 = v1 X2 = v2 Xn = then Y = v + vi , v : giá trị ngôn ngữ - Mờ hóa : ~ ~ ~ ~ X = A1 X = A2 X = A Y =B n n If và then U1 U2 *) xét X = A → Y = B - Logic kinh điển : Un V Trang 48 Hệ chuyên gia A → B ≡ A ∨B U = {x1, xn} = tập vũ trụ/nền A V = {y1, yn} = tập vũ trụ/nền B - Luật mờ ≡ quan hệ mờ ≡ tập mờ U x V Luật mờ → vectơ : A ~ μA Tập mờ → ma trận X = ( μ1*, μ2* , , μn* ) Y = ( μ1B, μ2B, , , μnB ) μiA = μA (xi) μjB = μB (yj) If X = x1 then Y = y1 If X = x2 then Y = ym If X = xn then Y = y1 If X = xn then Y = ym μ11 μ1m μn1 μnm → ma trận n x m → từ luật X = A → Y = B, ta có n x m luật, luật có độ chắn ( có khoảng 37 cách khác nhau) Ví dụ : - Nguyên tắc tính : μij = s (n (μiA , μjB )) - Nếu có luật : If x = V then Y = U → Ma trận : x1 x2 xn y1 μ11 μ21 μn1 y2 μ12 μ22 μn2 - Ngyên tắc tính khác : μij = μiA μjB μij = (μiA , μjB ) - Nếu có nhiều luật : If X = A ∧ Y = B then Z = C ym μ1m μ2m μnm RC/A, B = RC/A ⊗ RC/B If X = A If Y = B Trang 49 Hệ chuyên gia then Z = C then Z = C RC/A RC/B - μijR = (μiR , μjR) Ví dụ : Xét X=A→Y=B A = (0.1, 0.3, 0.6) B = (0.1, 0.3, 0.2) (Min) 0.1 0.1 0.1 (Product) 0.07 0.03 0.02 ( 0.9 0.9 0.9 0.3 0.2 0.2 0.21 0.03 0.06 ) 0.7 0.7 0.7 0.6 0.3 0.2 0.42 0.18 0.12 0.7 0.4 0.4 - Tri thức mờ ≡ Luật mờ : A1 A A Y=B ∧ 2 ∧ ∧ n then If x1 = U U2 V Un Quan hệ mờ U1 Un V : Tập mờ U1 x U2 x x Un x V If X = A then Y = B RB/A tập mờ U x V ⇔ µ B / A : U x V → [ 0, ] µ B / A ( u ,v ) ∈ [ 0, ] Tập A U ⇔ µ A : U → [ 0, 1] µ A ( u ) ∈ [ 0, 1] Tập B V ⇔ µ B : V → [ 0, 1] µ B ( v ) ∈ [ 0, ] µ B / A = ₣(μA, μB) ⇒ có hai dạng : ₣(x, y) = xy ₣(x, y) = min(x, y) A → B ≡ A∨B ₣(x, y) = s(m(x), y) ∨ max s( x, y ) Chú ý : (kéo theo) ∧ t ( x, y ) – 1–x n (x) ⇒ max ( − µ A , µ B ) 7.4 Suy diễn mờ (Fuzzy Inference) Cho tập luật : R = { r1, r2, , rm} Trang 50 Hệ chuyên gia ri : lefti → qi ~ ~ ~ ~ ri : X = A1 ∧ X = A2 ∧ ∧ X n = An → Y = B → tri thức lĩnh vực Biết : ~ ~ ~ GT (giả thiết) = { U1 = C1 , U = C2 , ,U l = Cl } Cần xác định : ~ ~ ~ KL (kết luận) = { V1 = D1 , V2 = D2 , ,Vk = Dk } → ⇒ Suy diễn : làm xác định µ D , µ D , , µ D ? µ Di k ( µ r , µ r , , µ r ; µ e , µ e , , µ e ) = ₣ 1 2 m 1 2 l R GT - Procedure SD ( R : set of rules ; GT, KL : set of facts ; var KQ : Boolen ; vet : set of rules ) - GT KL ~ ~ ~ ~ X = A1 ∧ X = A2 ∧ ∧ X n = An → Y = B ~ ~ ~ X 1′ = A1′ X 2′ = A2′ X n′ = An′ Y = B′ - Xét : µ B′ = F ( µ r , µ A1′ , , µ An′ ) ~ ~ If X = A then Y = B ~ X = A′ ~ Y = B′ RB / A µ A′ µ B′ = µ A′ RB / A µ B′ ( µ1′′ , µ 2′ , , µ n′ ) µ11 µ 21 µ n1 µ12 µ 22 µn2 µ1m µ m µ nm ~ A tập mờ U = { x1, x2, , xn} ~ B tập mờ V = { y1, y2, , yn} µ i′ = µ ′A ( xi ) Trang 51 Hệ chuyên gia ∆ µ ′j′ = µ B ( y j ) = n ∑ µ′ µ k k =1 kj mờ max (min ( µ k′ , µ kj )) ~ ~ If X = Ai then Y = Bi ~ X = A′ ~ Y = B′ µ ′B = max ( µ A′ RBi / Ai ) Vét cạn *) Bài toán : Cho số luật → tạo hình thức để duyệt luật không vét cạn hay không ? + Heuristic (TTNT) + GT di truyền ~ ~ ~ ~ If X = A1 ∧ X = A2 ∧ ∧ X n = An then Y = B ~ ~ ~ X 1′ = A1′ X 2′ = A2′ X n′ = An′ ~ Y = B′ µ B′ = ( µ A1′ , µ A2′ , , µ An′ ) RB~ / A1 , , An ~ ~ If X i = Ai then Y = B ~ X = Ai′ ~ Y = B′ ; ~ Y = B′ = n ~ B′ i i =1 ~ ~ ~ If X = A1 ∨ X = A2 then Y = B ~ X = A′ ~ Y = B′ ; ~ Y = B′ = n ~ Bi′ i =1 +) Đơn luật +) Đa luật +) Đơn luật Đơn điều kiện Đơn điều kiện : Vét cạn Đa điều kiện : trực tiếp gián tiếp +) Đa luật Đa điều kiện : Vét cạn AND : ∩ OR : ∪ *) Suy diễn mờ = áp dụng liên tiếp nhiều lần Modus Ponen (Fred Forward) Trang 52 Hệ chuyên gia Ví dụ : If If If If If If If X = A1 X = A2 X = B3 X = B4 X = A5 X = A6 X = A1 then Y = B1 then Y = B2 then Z = C3 then Z = C4 then Z = C5 then Y = B1 ∧ Y = B6 then Z = C7 (bỏ qua luật chưa xét) Tập X : U = {1, 2, 3} Tập Y : V = {A, b} Tập Z : W = {+, –} MB /A (0.6 ; 0.2 ; 0.1) MC (0.6 ; 0.6) a 0.6 0.3 0.2 b 0.5 0.9 0.1 0.2 0.9 0.3 0.7 / A2 MC / B3 a b MB / A5 a b 0.7 0.4 0.3 0.8 0.3 0.6 a b 0.1 0.3 0.9 0.2 0.4 0.3 MC a b / B4 a 0.6 0.8 b 0.7 0.5 Đồ thị : X Y Z (DAG) ` x = A0 = (0.6, 0.2, 0.1) *) Áp dụng nguyên tắc : - MP (r1 , A ) Y = (0.6, 0.5) ⇒ Y = (0.6, 0.6) = B - MP (r2 , A ) Y = (0.6, 0.6) - MP (r3 , B ) Z = (0.6, 0.6) ⇒ Z = (0.6, 0.6) = C - MP (r4 , B ) Z = (0.6, 0.6) - MP (r1 , A ) Z = (0.2, 0.2) max ⇒ Z = (0.6, 0.6) *) - MP (r1 , A ) Y = (0.6, 0.5) = B10 Trang 53 Hệ chuyên gia - MP (r3 , B10 ) Z = (0.6, 0.5) ⇒ (0.6, 0.6) - MP (r4 , B10 ) Z = (0.6, 0.6) - MP (r2 , A ) Y = (0.6, 0.6) = B 02 ⇒ (0.6, 0.6) - MP (r5 , A ) = (0.2, 0.2) ⇒ Z = (0.6, 0.6) - MP (r3 , B 02 ) Z = (0.6, 0.6) - MP (r4 , B 02 ) Z = (0.6, 0.6) Chứng minh : Tổng kết : Biẻu diễn tập mờ → số mờ & thao tác Nghiên cứu : t – norm :∧ t – conorm : ∨ n(.) : not ₣ (x, y) : ⇒ Mâu thuẫn : tường minh không tường minh ( chưa có TLTK ⇒ tự tìm hiểu ) Dư thừa (trong tập luật) Duyệt / Áp dụng không vét cạn Lựa chọn thể phép toán phù hợp Suy diễn thao tác trực tiếp (Linguistic Reasoning) Chương 8: Suy diễn xác suất 8.1 Biểu diễn tri thức theo cách tiếp cân xác suất Fuzzy approach Thông tin không xác(không chắn)imprecise unartain Probalistic approach Membership function Subjective approach Hàm phân bố xác suất (Proba Distribution)và hàm mật độ xác suât(Proba Trang 54 measure Hệ chuyên gia Lý thuyết khả (Possibility measure) Nhắc lại số lý thuyết xác suất: Không gian kiện Ω Độ đo xác suất P : Ω → [ 0,1] A ∈ Ω ⇒ P ( A) ∈ [ 0,1] Ví dụ: Khi ta tung đông xu: mặt sấp Ω ={sấp, ngửa} mặt ngửa: P : Ω → [ 0,1] P{sấp}=P{ngửa}=1/2 Các tiên đề: i) P( Φ )=0 → P(x)=0 ⇔ x= Φ ii) P( Ω )=1 iii) P( A ∪ B ) = P( A ) + P( B ) − P( A ∩ B ) A ∩ B = Φ ⇒ P ( A ∪ B ) = P ( A) + P ( B ) Tổng quát: P( A) = [α , β ] ∈ [ 0,1] Biểu diễn tri thức dạng luât: If ( p1 , s1 ) ∧ ( p2 , s2 ) ∧ ∧ ( pn , sn ) then (q, s) si: xác suất xảy với pi s: xác suất xảy với q Biểu diễn tri thức dạng xác suất tổng quat: S = { S1 , S , , S m } với Si biểu thức logic Ví dụ: S={(A, 0.6),(B,0.6)} Trang 55 Hệ chuyên gia S={(A, 0.7), ( ( B → B),0.6 )} S={ (( A ∪ B)0.9)(( A ∩ B),0.2) } 8.2 Tri thức xác suất suy diễn(External Prob knowledge and Reasoning) Cơ sở tri thức(CSTT) S = { S1 , S , , S m } Si biểu thức logic ∀S i có xác suất Pi Ví dụ: S = { A → B, A, B} Aˆ ={A,B} tập mệnh đề sở/ atom Mỗi phép gán trị chân lý cho mệnh đề sở đựôc gọi giới ( Possible World) W: [ A → 0,1] với w(A) trị chân lý A A→B A B 0 ω1 1 ω2 ω3 1 Có θ = (θ1 θ m ) lạ vector phi mâu thuẫn ( θ i giá trị chân lí gán cho mệnh đề Si) tương ứng với giới w nếu: θ i = valω ( S i ) với valω ( Si ) giá trị gán cho Si dựa wi với w1: valω1 ( A → B ) = valω1 ( A) = ⇒ θ = (1,0,0) phi mâu thuẫn valω1 ( B) = Xét ví dụ sau: S = { A, A ∧ B, A → C} A = { A, B, C} A W1 W2 W3 W4 W5 W6 W7 W8 Trang 56 Hệ chuyên gia B C 0 1 0 1 1 1 A∧ B 0 0 0 A→ C 1 1 1 Nhận xét: Xem xét độ đo xác suất dựa hai giưói Ω, Π ( coi tương đương nhau) Pi Gọi Pi xác suất kiện θ i : P( x) = P∑ =x i Ví dụ: P ( A) = P2 + P3 + P4 + P5 P ( A ∧ B ) = P4 + P5 P1 + P2 + P3 + P4 + P5 = P ( A → C ) = P1 + P3 + + P5 Giả sử P(A)= α P( A → C )= β P( A ∧ B )=? Ta cần dùng suy luận logic xác suất Để làm ta cần giải hai toán quy hoạch tuyến tính Ví dụ : S={A,B, A → B } A A→B B P1 1 P2 0 P3 1 P4 ModusPonens mở rộng P(A)= α P(B)=? P( A → B )= β Ta thấy kiện B xảy A → B A ( phần học đến -> Vẫn đoạn học buổi cuối ngày 5/11/2003) Trang 57 Hệ chuyên gia Trang 58 [...]... b, h} {a, b, h, c} (3,4,6) (3,4) Trang 21 Hệ chuyên gia SUY DIỄN TIẾN 1) GT ĐỒ THỊ SUY DIỄN TIẾN 1) Đỉnh gốc 2) T.gian (SK đã chứng minh) 2) Nút 3) THOẢ 3) CUNG T.Gian → T.Gian ∪ {q} r T.Gian → T.Gian r: left → q T.gian = Tgian ∪ {q} r ∈ thoa 4) Kết thúc 4) Lá T.Gian ⊇ KL 5) VẾT Chú ý: 5) Đường đi - Nếu SDT theo vét cạn → độ phức tạp tương ứng với quá trình tìm kiếm trên đồ thị SD CSD trên(vecan)... Suy diễn 2.5 Soạn thảo tri thức: Trang 16 Hệ chuyên gia K.E CSTT BDTT Chuyên gia (NN tự nhiên) a→b Text Editor Checker text file (NN lập trình) Mâu thuẫn Cú pháp PT cú pháp Văn phạm Quản lí dư thừa Sự chuyển đổi 2.6 Cập nhật sửa đổi A Hiển thị CSTT Brower Dạng biểu thị ngoài text (linear) Đồ hoạ (non-) Linear a∧b → c a b∧c∧d → e b c d e Trang 17 Hệ chuyên gia B Cập nhật Thêm Bớt Sửa có hại: mâu thuẫn... Trang 33 Hệ chuyên gia CHƯƠNG 4: GIAO DIỆN 4.1 Mở đầu Đầu tiên chúng ta xét đến các loại người sử dụng hệ chuyên gia Bao gồm 4 loại sau: - Người sủ dụng không chuyên, đầu cuối - Người sử dụng chuyên , thường sử dụng hệ thống ở trình độ không cao - Người sủ dụng là kĩ sư tri thức - Người sử dụng la chuyên gia Thường là tư vấn Làm việc chủ yếu với phần soạn thảo tri thức ở góc độ tư vấn cần giải quyết các... VD: GT={a b R} KL={S} {S}12,13,14 ← {a b c p} ← {a b mb p} ← …… Tính hˆ 4(r) ta có: …… D Hạn chế các ứng viên trong quá trình suy diễn 1 Suy diễn tiến Giả sử xét tại một thời điểm trong quá trình suy diễn : + Thời gian Trang 30 Hệ chuyên gia + THOẢ= LỌC(R, TGian)={r: left → q/ left ∈ TGian} (Hạn chế các ứng viên) THOẢ’ THOẢ Khi đó lựa chọn trong THOẢ’ bằng phương pháp vét cạn hay heuristic 1 Suy diễn... thời điểm nào đó trong quá trình SD tiến chúng ta có thể dùng nhiều luật cùng một lúc: TGian = {sự kiện f đã CM}; TG = {GT} (Mở) THOẢ = {r: left → q/ left ∈ TGian} tập luật có thể áp dụng (Đóng) VET = {r1… rk} tập những luật đã dùng - Khi # THOA ≥ 2 → chọn r ∈ thoả ? 2 cơ chế chọn: + cứng nhắc (LIFO, FIFO) (sâu, rộng) Trang 25 Hệ chuyên gia (max, min) + mềm dẻo Đều là quá trình vét cạn (toàn bộ tập... theo lĩnh vực chuyên môn r thuộc lĩnh vực chuyên môn A r’ thuộc lĩnh vực chuyên môn B + theo xử lý ngoại lệ r: chung r’: ngoại lệ left left’ - Xử lý tổng thể: thể hiện trong: ĐỒ THỊ MÂU THUẪN : - đỉnh là luật - cạnh là mâu thuẫn A (r, r’) ∈ A ⇔ r >< r’ Như vậy: r10 r9 r1 r5 r8 r100 Biện pháp: Vứt bỏ tập luật (tập con các luật) R0 ⊆ R sao cho R\ R0 trở thành phi >< Trang 13 Hệ chuyên gia Theo những... VD: Hệ chuyên gia chứng minh biểu thức hoá học Tri thức 7: 2.3 Mâu thuẫn (consistency - inconsistency) 2.3.1 Mâu thuẫn tường minh - Khi duyệt CSTT, chỉ qua ht bên ngoài của các luật đã phát hiện ra >< ĐN: r: left → q >< r’: left’ → q’ Ta nói: ⇔ + left ⊆ left’ hoặc left’ ⊆ left + q >< q’ _ Trong logic mệnh đề: p >< p _ Trong logic vị từ: + p(a) >< p (a) _ + p (a) >< ∀ x p(x) Trang 12 Hệ chuyên gia +... từ đều có phép hợp nhất và quá trình thử sai - Khác nhau: Tính chất trong prolog là chúng minh suy ra điều vô lý, còn suy diễn lùi là suy ra goal=0 Cơ chế của prolog là theo chỉ số min và đi từ trái sang phải Còn trong logic vị từ thì có thể áp dụng hất mọi cacchs đi thông thường: Trai, phải và ngược lại hay là trên duới và ngược lại Trang 33 Hệ chuyên gia CHƯƠNG 4: GIAO DIỆN 4.1 Mở đầu Đầu tiên chúng... } ∀ f ∈ HỎI → Câu hỏi (f) là một văn bản hiện lên màn hình để nhằm gợi ý người dùng đưa thông tin về sự kiện f Trang 35 Hệ chuyên gia B Tránh câu hỏi thừa Hỏi có tính đến kết quả trả lời của các câu hỏi trước → KỊCH BẢN HỎI/ CÂY HỎI 1 Hỏi xa 2 Hỏi gần 4.4 Giao diện người sủ dụng Giao diện là hiển thị cở sở tri thức bằng đồ hoạ Các loại hiển thị: + Tuyến tính: ri: lefti → q1 ……… rm: leftm → qm ∀ f ∈... lùi ≡ tìm kiếm {g} r1 {f, h} f r5 {d, e, h} ĐỒ THỊ SUY DIỄN LÙI ( And, or) {g} r7 {f} {h} r6 {d} {e} r4 r3 {c} {c} {b} {} {a} {a} Trang 22 Hệ chuyên gia ⇒ Suy diễn lùi ≡ tìm kiếm theo chiều sâu ' CSDlùi ≈ CTKsâu = 0 (B H ) - Trong trường hợp suy diễn lùi mà có chu trình : * Prolog r1 A ∧ B → c r2 A ∧ C → B GT = {a, b, hc} r3 B ∧ C → A KL = {c} r4 a ∧ hc → A {c} r1 A r3 {A, B} r5 b ∧ hc → A chỉ số max: .. .Hệ chuyên gia HỆ CHUYÊN GIA Ngày việc ứng dụng công nghệ kĩ thuật cao vào đời sống đòi hỏi thiết Một lĩnh vực trí tuệ nhân tạo, mà phần quan trọng Hệ chuyên gia Vậy hệ chuyên gia gì? Theo giáo. .. ông chuyên gia đầu ngành hệ chuyên gia cho rằng: Hệ chuyên gia hệ thống chương trình máy tính chứa thông tin tri thức trình suy diễn lĩnh vực cụ thể dể giải toán khó mà dòi hỏi uyên bác chuyên gia. .. vii) Hệ chuyên gia phải đạt trình độ cao Trang Hệ chuyên gia HTTTQL Nhiều thông tin HCG Ít Nhanh Chậm Chính xác KCX SUPER cross - validation 1.2 Cấu trúc hệ chuyên gia Phiên tư vấn chuyên gia