Пример экспертной системы пород собак

МИНИСТЕРСТВО ОБРАЗОВАНИЯ И НАУКИ

РЕСПУБЛИКА КАЗАХСТАН

Рудненский индустриальный институт

Кафедра ИСиТ

КОНТРОЛЬНАЯ РАБОТА

По дисциплине: «Экспертные системы»

Тема: «Создание экспертной системы «Выбор породы собак»»

Руководитель: М. Н. Юдина

«_____» ____________2003г.

Выполнил: Крупнева И. В.

Группа: ЗИС-5 со

Шифр: 21201

Рудный 2004

СОДЕРЖАНИЕ

ВВЕДЕНИЕ 3

1. ПОСТАНОВКА ЗАДАЧИ 5

2. ОПИСАНИЕ БАЗЫ ЗНАНИЙ 6

3. МЕТОД РЕШЕНИЯ 8

СПИСОК ИСПОЛЬЗОВАННОЙ ЛИТЕРАТУРЫ 9

ПРИЛОЖЕНИЕ Листинг программы 10

ВВЕДЕНИЕ

Экспертные системы (ЭС)- это программа для компьютера, которая оперирует со знаниями в определенной предметной области с целью выработки рекомендаций или решения проблем.

ЭС может полностью взять на себя функции, выполнение которых обычно требует привлечения опыта человека-специалиста или играть роль ассистента для человека, принимаемого решение. Другими словами система (техническая или социальная), требующая принятия решения, может получить его непосредственно от программы или через промежуточное звено – человека, который общается с программой. Тот кто принимает решение, может быть экспертом со своими правами, и в этом случае программа может «оправдать» свое существование, повышая эффективность его работы. Альтернативный вариант – человек, работающий в сотрудничестве с такой программой, может добиться с ее помощью результатов более высокого качества. Вообще говоря, правильное функционирование между человеком и машиной является одним из ключевых условий высокой эффективности внедрения ЭС.

Технология ЭС является одним из направлений новой области исследования, которая получила наименование искусственного интеллекта (Artificial Intelligence – AI). Исследования этой области сконцентрированы на разработке и внедрении компьютерных программ, способных имитировать, воспроизводить те области деятельности человека, которые требуют мышления, определенного мастерства и накопленного опыта. К ним относятся задачи принятия решений, распознавания образов и понимания человеческого языка.

Эта технология уже успешно применяется в некоторых областях техники и жизни общества – органической химии, поиске полезных ископаемых, медицинской диагностики.

ЭС отличаются от других видов программ из области искусственного интеллекта:

 ЭС имеют дело с предметами реального мира, операции с которыми требуют наличия значительного опыта, накопленного человеком. ЭС имеют ярко выраженное практическое направление в научной или коммерческой области.

 Одной из основных характеристик ЭС является ее производительность, т.е. скорость получения результата и его достоверность (надежность). ЭС должна за приемлемое время найти решение, которое было бы не хуже, чем то, которое может предложить специалист в этой предметной области.

 ЭС должна обладать способностью объяснить почему предложено именно такое решение, и доказать его обоснованность. Пользователь должен получить всю информацию, необходимую ему для того, чтобы быть уверенным, что решение принято «не с потолка».

 ЭС проектируется в расчете на взаимодействие с различным пользователем, для которого ее работа должна быть, по возможности, прозрачной, т.е. решение ЭС объяснено пользователю на качественном уровне.

Суммируя все выше сказанное, отметим, – ЭС содержит знания в определенной области, накопленной в результате практической деятельности человека (или человечества), и использует их для решения проблем, специфичных для этой области. Этим ЭС отличаются от прочих «традиционных» систем, в которых предпочтение отдается более общим и менее связанным с предметной областью теоретическим методам, чаще всего математическим.

Знания о предметной области, необходимые для работы ЭС, определенным образом формализованы и представлены в памяти ЭВМ в виде базы знаний, которая может изменяться и дополняться в процессе развития системы.

В самом общем случае для того, чтобы построить экспертную систему, необходимо разработать механизмы выполнения следующих функций системы:

 решение задач с использованием знаний о конкретной предметной области возможно, при этом возникнет необходимости иметь дело с неопределенностью;

 взаимодействие с пользователем, включая объяснение намерений и решений системы во время и после окончания процесса решения задачи.

Каждая из этих функций может оказаться очень сложной и зависит от прикладной области, а также от различных практических требований.

ЭС выдают советы, проводят анализ, выполняют классификацию, дают консультации и ставят диагноз.

Главное достоинство ЭС – возможность накапливать знания, сохранять их длительное время, обновлять и тем самым обеспечивать относительную независимость конкретной организации от наличия в ней квалифицированных специалистов. Накопление знаний позволяет повышать квалификацию специалистов, работающих на предприятии, используя наилучшие, проверенные решения.

1. ПОСТАНОВКА ЗАДАЧИ

Целью контрольной работы было написание консультирующей экспертной системы «Выбор породы собак», которая позволила бы из множества пород выбрать ту, которая удовлетворяла бы требованиям пользователя.

Использование экспертной системы в данной области в первую очередь предотвратит ошибку при выборе породы, ведь речь идет о живом существе, и во-вторых служит познавательным пособием для общего развития.

2. ОПИСАНИЕ БАЗЫ ЗНАНИЙ

В качестве источника знаний для БЗ была использована литература с описание пород собак: к какой группе относятся (служебные, охотничьи, декоративные), размеры собаки, характер, какими качествами обладают, где используются в человеческой жизни.

В результате этого была разработана формализованная БЗ:

1. Служебные собаки.

Характе- ристики

Порода

собаки

Проводник

Спасатель на воде

Спасатель на снегу

Пастух

Поисково-спасательная

Патрульно-постовая

Розыскная

Спортивная

Домашняя

Охрана – улица

Охрана – дом

Неприхотливая к кл.усл.

Агрессивная

Крупная

Средняя

Короткая шерсть

Длинная шерсть

Немецкая овчарка

Кавказская

овчарка

Шотландская овчарка(колли)

Среднеазиатская

овчарка

Южнорусская

овчарка

Эрдельтерьер

Ротвейлер

Черный терьер

Сембернар

Московская сторожевая

Ризеншнауцер

Доберман

Боксер

Дог

Ньюфаундленд

2. Охотничьи собаки.

Характе- ристики Порода собаки	Охота на птицу	Скоростная охота	Универсальная охота	Норная охота	Спортивная	Для дома	Короткая шерсть	Длинная шерсть	Небольшой рост	Средний и высокий рост
Лайка	+	+	+	+
Борзые	+	+	+	+
Гончие	+	+	+	+
Легавые	+	+	+	+
Спаниели	+	+	+	+
Фокстерьер	+	+	+	+
Такса	+	+	+	+
Скотч-терьер	+	+	+	+

3. Декоративные собаки.

Характе- ристики Порода собаки	Для детей	Неприхотливая	Покладистая	Короткая шерсть	Длинная шерсть
Болонка	+	+	+	+
Пинчер	+
Тойтерьер	+
Карликовый терьер	+
Японский хин	+	+	+	+
Чау-чау	+
Мопс	+	+	+
Французский бульдог	+	+	+	+
Карликовый пудель	+	+	+	+

Источник

Äàííàÿ ñòàòüÿ ïîêàçûâàåò áàçîâûå ïðèíöèïû ðàáîòû ñ ÿçûêîì ïðîãðàììèðîâàíèÿ
Turbo Prolog. Ïðîãðàììà, ïðåäñòàâëåííàÿ äëÿ èçó÷åíèÿ, ìîäåëèðóåò ýêñïåðòíóþ
ñèñòåìó, îñíîâàííóþ íà áàçå çíàíèé. Èíôîðìàöèîííîå íàïîëíåíèå áàçû çíàíèé –
ñâåäåíèÿ î æèâîòíûõ, ðàçäåëåííûå ïî ðÿäó ïðèçíàêîâ: ëåòàåò, óìååò ïëàâàòü,
èìååò îêðàñêó, ïðèðó÷åíî ÷åëîâåêîì.

Àëãîðèòì ýêñïåðòíîé ñèñòåìû áûë çàùèùåí è ïîëó÷èë 100% îöåíêó
ïðè ñäà÷å.

Ïðè èçó÷åíèè àëãîðèòìà ýêñïåðòíîé ñèñòåìû æåëàòåëüíî âëàäåíèå ÿçûêîì
ïðîãðàììèðîâàíèÿ Turbo Prolog â ñëåäóþùåì îáúåìå:
òåðìû, ðàáîòà ñ áàçîé – çíàíèé, äîáàâëåíèå-óäàëåíèå òåðìîâ, ðàáîòà ñ ìîíèòîðîì,
ôîðìèðîâàíèå áàçîâûõ àëãîðèòìîâ, ïîíèìàíèå ýòàïîâ âûïîëíåíèÿ ïðîãðàììû,
íàïèñàííîé íà ÿçûêå ëîãèêè.

Ñòîèò îáðàòèòü âíèìàíèå òàêæå íà ñòàòüè
Ýêñïåðòíàÿ ñèñòåìà : Âûõîä èç îïàñíîé ïåùåðû. Turbo Prolog

Ýêñïåðòíàÿ ñèñòåìà : Âèäû áîåâûõ èñêóññòâ. Turbo Prolog

Ýêñïåðòíàÿ ñèñòåìà : Æèâîòíûå. Turbo Prolog

%trace
/* Ýêñïåðòíàÿ ñèñòåìà: Æèâîòíûå
Àâòîð : Øàðîâ Åâãåíèé Íèêîëàåâè÷
All Rights Reserved.
Today and Forever…
Animal’s Life from Prolog-Mashine for You.
“Ëîãè÷åñêîå ïðîãðàììèðîâàíèå”
*/
database
yes(string)
no(string)
maybe(string)

predicates
repeat
run
animal(string)
is(string)
positive(string)
negative(string)
xpositive(string)
xnegative(string)
ask(string,char)
remember(string,char)
delete_all
clauses
repeat.
repeat:-repeat.
%—————————————————————————–
% îïèñûâàåì æèâîòíûõ
animal(“ïèíãâèí”):-positive(“ïëàâàåò”),positive(“èìååò îêðàñêó”),
negative(“ïðèðó÷åíî ÷åëîâåêîì”),
negative(“óìååò ëåòàòü”),is(“ïòèöà”).

animal(“ãóñü”):-positive(“ïëàâàåò”),positive(“èìååò îêðàñêó”),
positive(“ïðèðó÷åíî ÷åëîâåêîì”),
positive(“óìååò ëåòàòü”),is(“ïòèöà”).

animal(“äèêàÿ óòêà”):-positive(“ïëàâàåò”),positive(“èìååò îêðàñêó”),
negative(“ïðèðó÷åíî ÷åëîâåêîì”),
positive(“óìååò ëåòàòü”),is(“ïòèöà”).

animal(“ñòðàóñ”):-negative(“ïëàâàåò”),positive(“èìååò îêðàñêó”),
negative(“ïðèðó÷åíî ÷åëîâåêîì”),
negative(“óìååò ëåòàòü”),is(“ïòèöà”).

animal(“ñòðèæ”):-negative(“ïëàâàåò”),positive(“èìååò îêðàñêó”),
negative(“ïðèðó÷åíî ÷åëîâåêîì”),
positive(“óìååò ëåòàòü”),is(“ïòèöà”).

animal(“ñîëîâåé”):-negative(“ïëàâàåò”),positive(“èìååò îêðàñêó”),
negative(“ïðèðó÷åíî ÷åëîâåêîì”),
positive(“óìååò ëåòàòü”),is(“ïòèöà”).

animal(“ùåãîë”):-negative(“ïëàâàåò”),positive(“èìååò îêðàñêó”),
negative(“ïðèðó÷åíî ÷åëîâåêîì”),
positive(“óìååò ëåòàòü”),is(“ïòèöà”).

animal(“âîëíèñòûé ïîïóãàé÷èê”):-negative(“ïëàâàåò”),
positive(“èìååò îêðàñêó”),
positive(“ïðèðó÷åíî ÷åëîâåêîì”),
positive(“óìååò ëåòàòü”),is(“ïòèöà”).

animal(“çàÿö”):-positive(“ïëàâàåò”),positive(“èìååò îêðàñêó”),
negative(“óìååò ëåòàòü”),
positive(“èìååò áîëüøèå êîãòè è çóáû”),
negative(“ïðèðó÷åíî ÷åëîâåêîì”),
is(“ìëåêîïèòàþùåå”).

animal(“êðîò”):-negative(“óìååò ëåòàòü”),negative(“èìååò îêðàñêó”),
positive(“èìååò áîëüøèå êîãòè è çóáû”),
negative(“ïðèðó÷åíî ÷åëîâåêîì”),
negative(“ïëàâàåò”),positive(“ñëåïîå îò ðîæäåíèÿ”),
is(“ìëåêîïèòàþùåå”).

animal(“çåáðà”):-negative(“óìååò ëåòàòü”),positive(“èìååò îêðàñêó”),
negative(“èìååò áîëüøèå êîãòè è çóáû”),
positive(“èìååò ðîãà”),
negative(“ïðèðó÷åíî ÷åëîâåêîì”),
positive(“ïëàâàåò”),is(“ìëåêîïèòàþùåå”),
is(“ïàðíîêîïûòíîå”).

animal(“êîðîâà”):-negative(“óìååò ëåòàòü”),positive(“èìååò îêðàñêó”),
negative(“èìååò áîëüøèå êîãòè è çóáû”),
positive(“èìååò ðîãà”),
positive(“ïðèðó÷åíî ÷åëîâåêîì”),
positive(“ïëàâàåò”),is(“ìëåêîïèòàþùåå”),is(“ïàðíîêîïûòíîå”).

animal(“áîáåð”):-negative(“óìååò ëåòàòü”),negative(“èìååò îêðàñêó”),
positive(“èìååò áîëüøèå êîãòè è çóáû”),
negative(“ïðèðó÷åíî ÷åëîâåêîì”),
positive(“ïëàâàåò”),is(“ìëåêîïèòàþùåå”).

animal(“âîëê”):-negative(“óìååò ëåòàòü”),negative(“èìååò îêðàñêó”),
positive(“èìååò áîëüøèå êîãòè è çóáû”),
negative(“ïðèðó÷åíî ÷åëîâåêîì”),
positive(“ïëàâàåò”),is(“õèùíèê”).

animal(“òèãð”):-negative(“óìååò ëåòàòü”),positive(“èìååò îêðàñêó”),
positive(“èìååò áîëüøèå êîãòè è çóáû”),
negative(“ïðèðó÷åíî ÷åëîâåêîì”),
positive(“ïëàâàåò”),is(“õèùíèê”).

animal(“ñëîí”):-negative(“óìååò ëåòàòü”),negative(“èìååò îêðàñêó”),
negative(“èìååò áîëüøèå êîãòè è çóáû”),
positive(“ïðèðó÷åíî ÷åëîâåêîì”),
positive(“ïëàâàåò”),is(“ìëåêîïèòàþùåå”),is(“ïàðíîêîïûòíîå”).

animal(“ëþäîåä”):-negative(“óìååò ëåòàòü”),negative(“èìååò îêðàñêó”),
negative(“èìååò áîëüøèå êîãòè è çóáû”),
negative(“ïðèðó÷åíî ÷åëîâåêîì”),
positive(“ïëàâàåò”),is(“õèùíèê”).

animal(“íåèçâåñòíîå ñîçäàíèå ñ äàëåêîé ïëàíåòû …”).

%—————————————————————————–
is(“ïòèöà”):-positive(“îòêëàäûâàåò ÿéöà”),!;
positive(“èìååò îïåðåíèå”).
is(“õèùíèê”):-positive(“æèâîðîäÿùåå”),!;
negative(“ïîåäàåò òðàâó è êóñòàðíèêè”),
positive(“ïîåäàåò äðóãèõ æèâîòíûõ”).
is(“ìëåêîïèòàþùåå”):-positive(“æèâîðîäÿùåå”),!;
positive(“ïîåäàåò òðàâó è êóñòàðíèêè”),
negative(“ïîåäàåò äðóãèõ æèâîòíûõ”).
is(“ïàðíîêîïûòíîå”):-positive(“èìååò êîïûòà”).
%—————————————————————————–
% ðàáîòà ñ äèíàìè÷åñêîé áàçîé äàííûõ
positive(X):-xpositive(X),!; xnegative(X),!,fail; ask(X,’y’).
negative(X):-xnegative(X),!; xpositive(X),!,fail; ask(X,’n’).
ask(X,R):-write(X,” ? : “),readchar(Reply),write(Reply,”n”),
remember(X,Reply),R=Reply.
% ïðîâåðêà ïðèñóòñòâèÿ ôàòîâ â äèíàìè÷åñêîé áàçå äàííûõ
xpositive(X):-yes(X);maybe(X).
xnegative(X):-no(X);maybe(X).
% çàïîìèíàåì ôàêò â äèíàìè÷åñêîé áàçå äàííûõ
remember(X,’y’):-asserta(yes(X)).
remember(X,’n’):-assertz(no(X)).
remember(X,’q’):-asserta(maybe(X)).
% î÷èùàåì ïàìÿòü îò ôàêòîâ äèíàìè÷åñêîé áàçû äàííûõ
delete_all:-retract(yes(_)),delete_all.
delete_all:-retract(no(_)),delete_all.
delete_all:-retract(maybe(_)),delete_all.
delete_all.
%—————————————————————————–
run:-delete_all,
repeat,
write(“Íà âîïðîñû îòâå÷àòü (y-äà, n-íåò, q-íå çíàþ).n”),
animal(X),
write(“Ýòî æèâîòíîå : “,X,”n”),
write(“Çàâåðøèòü ðàáîòó ïðîãðàììû (y/n): “),readchar(Z),
write(Z),nl,
Z=’y’.
goal
makewindow(1,10,12,” Ýêñïåðòíàÿ ñèñòåìà : Æèâîòíûå “,0,0,25,80),
write(” Today and Forever…”),nl,
write(” Animal’s Life from Prolog-Mashine for You.”),nl,
write(“——————————————–“),nl,
run.

PHP ýòî ÿçûê ïðîãðàììèðîâàíèÿ, îñíîâàííûé íà èñïîëüçîâàíèè ñêðèïòîâ. Äàííûé ÿçûê øèðîêî ïðèìåíÿåòñÿ äëÿ ñîçäàíèÿ ðàçëè÷íûõ front-end è back-end âåá-ïðèëîæåíèé. Ïîääåðæèâàåòñÿ ïî-óìîë÷àíèþ áîëüøèíñòâîì õîñòåðîâ, ÿâëÿÿñü îäíèì èç ëèäåðîâ ñðåäè ÿçûêîâ ïðîãðàììèðîâàíèÿ, ïðåäíàçíà÷åííûõ äëÿ ñîçäàíèÿ äèíàìè÷åñêèõ èíòåðàêòèâíûõ ñàéòîâ.

Àâòîð, ðàçðàáîò÷èê: Øàðîâ Åâãåíèé (gcmsite@yandex.ru)

(c) 2000-2020 GCM-Site – ñèñòåìíîå è âåá-ïðîãðàììèðîâàíèå

Öèòèðîâàíèå ìàòåðèàëîâ ñàéòà âîçìîæíî òîëüêî ïðè íàëè÷èè ãèïåðññûëêè

Источник

Лабораторная работа №5 Разработка экспертной системы средствами Visual Prolog

Разработка экспертной системы средствами Visual Prolog

1.Цель работы: Изучение принципов построения и организации экспертных систем, базирующихся на логике и правилах.

2. Краткие теоретические сведения

Разработка систем (ЭС) является наиболее плодотворной быстро развивающейся областью применения Пролога. Очень важно понимать, как работают экспертные системы, так как они могут использоваться, фактически, в любой области знаний.

Экспертная система– это компьютерная программа, которая в некоторой области проявляет степень познаний равнозначную степени познания человека-эксперта. Обычно эта область строго ограничена. Однако, количество приложений огромно. Сюда входят понимание речи, анализ изображений, прогноз погоды, оценка будущего урожая, медицинская диагностика, разработка интегральных схем, финансирование, управление воздушным движением, управление боем и т. д.

Чтобы проводить экспертизу, компьютерная программа должна быть способна решать задачи посредством логического вывода и получать при этом достаточно надежные результаты. Программа должна иметь доступ к системе фактов, называемой базой знаний. Программа также должна во время консультации выводить заключения из информации, имеющейся в базе знаний. Некоторые экспертные системы могут также использовать новую информацию, добавляемую во время консультации. Экспертную систему, таким образом, можно представлять состоящей из трех частей:

1. База знаний (БЗ).

2. Механизм вывода (МВ).

3. Система пользовательского интерфейса (СПИ).

База знаний – центральная часть экспертной системы системы. Она содержит правила, описывающие отношения или явления, методы и знания для решения задач из области применения системы. Можно представлять базу знаний состоящей из фактических знаний и знаний, которые используются для вывода других знаний. Утверждение « Кеннеди был 35-м президентом Соединенных Штатов» – пример фактического знания. «Если у вас болит голова, то примите две таблетки цитрамона» – пример знания для вывода. Сама база знаний обычно располагается на диске или другом носителе.

Механизм вывода содержит принципы и правила работы. Механизм вывода «знает», как использовать базу знаний так, чтобы можно было получать разумно согласующиеся заключения (выводы) из информации, находящейся в ней.

Когда экспертной системе задается вопрос, механизм вывода выбирает способ применения правил базы знаний для решения задачи, поставленной в вопросе. Фактически, механизм вывода запускает экспертную систему в работу, определяя какие правила нужно вызвать и организуя к ним доступ в базу знаний. Механизм вывода выполняет правила, определяет, когда найдено приемлемое решение и передает результаты программе интерфейса с пользователем. Когда вопрос должен быть предварительно обработан, то доступ к базе знаний осуществляется через интерфейс с пользователем.

Интерфейс – это часть экспертной системы, которая взаимодействует с пользователем. Как правило, пользователи мало знают об организации базы знаний, поэтому интерфейс может помочь им работать с экспертной системой даже, если они не знают, как она организована. Интерфейс может также объяснить пользователю, каким образом экспертная система выводит результат.

В настоящем издании мы ограничимся лишь организацией БЗ и управлением стратегией вывода. Для чего рассмотрим два примера реализации ЭС средствами Пролога: ЭС, построенную на правилах, и ЭС, построенную на логике.

Во всех экспертных системах существует зависимость между входным потоком данных и данными в базе знаний. Во время консультации входные данные сопоставляются с данными в базе знаний. Результатом сопоставления является отрицательный или утвердительный ответ.

В системе, базирующейся на правилах, утвердительный результат является действием одного из продукционных правил. Эти продукционные правила определяются входными данными.

Экспертная система, базирующаяся на правилах (на Прологе) содержит множество правил. Предикаты в левой части правил определяют один из возможных вариантов решения задачи, предикаты в правой части всегда специфицируются другими правилами, помимо тех случаев, когда предикат просто проверяет, находится ли определенная информация в базе данных. Информация, помещаемая в базу данных, извлекается из ответов пользователя на задаваемые вопросы. Все ответы сохраняются, так как они могут понадобиться позднее.

Экспертная система также содержит интерпретатор в механизме вывода. Работу этого интерпретатора можно описать последовательностью трех шагов: интерпретатор сопоставляет образец правила с элементами данных в базе знаний; если можно вызвать более одного правила, то интерпретатор использует механизм разрешения конфликта для выбора правила; интерпретатор применяет выбранное правило, чтобы найти ответ на вопрос. Этот процесс интерпретации является циклическим и называется циклом «распознавание-действие».

Рассмотрим в качестве примера экспертной системы на правилах систему для идентификации пород собак. Она помогает потенциальному хозяину выбрать породу собаки в соответствии с определенными критериями.

Предположим, что пользователь сообщил множество характеристик собаки в ответ на вопросы экспертной системы. Интерпретатор работает в цикле распознавание-действие. Если характеристики, заданные пользователем, сопоставимы с характеристиками породы собаки, составляющими часть базы знаний, тогда вызывается соответствующее продукционное правило и в результате идентифицируется порода. Затем результат сообщается пользователю. Если порода не идентифицирована, это тоже сообщается пользователю.

Рассмотрим две породы собак, информация о которых содержится в базе знаний. Гончая имеет короткую шерсть, высоту в холке меньше 57 см длинные уши и хороший характер. Датский дог имеет короткую шерсть, низко посаженный хвост, длинные уши, хороший характер и вес более 45 кг.

Из этого описания видно, что обе породы имеют короткую шерсть, длинные уши и хороший характер. Рост гончей меньше 57 см в то время, как ничего не сказано о росте дога. Дог имеет низко посаженный хвост и вес более 45 кг – характеристики отсутствующие для гончей. Описание двух собак в терминах указанных характеристик достаточно, чтобы различить эти две породы, и даже отличить их от любой другой породы в базе знаний.

Следующие продукционные правила могут быть составлены по указанным характеристикам:

dog_is(«Гончая»):– it_is(«короткоерстная собака»),

positive(«ее»,»высота в холке не более 57 см»),

positive(«у нее»,»длинные уши»),

positive(«у нее»,»дружелюбный характер»), !.

dog_is(«Great Dane»):– it_is(«длинношерстная собака»),

positive(«у нее»,»низко посаженный хвост»),

positive(«у нее»,»длинные уши»),

positive(«у нее»,»дружелюбный характер»),

positive(«ее»,»вес более 45 кг»), !.

Заметим, что в правилах длина шерсти может быть представлена с помощью предиката positive в виде:

positive(«у нее»,»короткая шерсть»).

Но использование предиката it_is позволяет ограничить «пространство поиска» (количество данных, проверяемых при поиске решения) одним поддеревом древовидной структуры, содержащей информацию о разных породах собак.

Экспертная система, базирующаяся на правилах, позволяет проектировщику строить правила, которые естественным образом объединяют в группы связанные фрагменты знаний. Каждое продукционное правило может быть независимым от других. Эта независимость делает базу продукционных правил семантически модульной, т. е. группы информации не влияют друг на друга. Более того, модульность базы правил позволяет развивать базу знаний, увеличивая ее.

ЛИСТИНГ

/* Программа: эксперт по породам собак */

/* Это продукционная система, базирующаяся на правилах*/

database

xpositive(symbol, symbol)

xnegative(symbol, symbol)

predicates

do_expert_job

do_consulting

ask(symbol, symbol)

dog_is(symbol)

it_is(symbol)

positive(symbol, symbol)

negative(symbol, symbol)

remember(symbol, symbol, symbol)

clear_facts

goal

do_expert_job.

clauses

/* Система пользовательского интерфейса */

do_expert_job :- nl, write(” * * * * * * * * * * * * * * * * * * * * * “),

nl, write(« * * * * * * * * * * * * * * * * * * * * * «),

nl, write(« ДОБРО ПОЖАЛОВАТЬ! «),nl, nl,

nl, write(« Проводится идентификация породы «),nl, nl,

nl, write(« Отвечайте, пожалуйста, ‘да’ или ‘нет’ «),

nl, write(« а вопросы о собаке, породу которой «),

nl, write(« Вы хотите определить «),

nl, write(« * * * * * * * * * * * * * * * * * * * * * * «),

nl, nl, do_consulting, write(«Нажмите любую клавишу»),

nl, readchar(_), removewindow.

do_consulting :– dog_is(X), !, nl, write(«Вероятно Ваша собака – «,X,».»),

nl, clear_facts.

do_consulting :– nl, write(«Извините, я не смогу помочь Вам!»),

clear_facts.

ask(X, Y) :– write(« ?:– «,X, « «,Y, « ? «), readln(Reply),

remember(X, Y,Reply).

/* Механизм вывода */

positive(X, Y) :– xpositive(X, Y),!.

positive(X, Y) :– not(negative(X, Y)),!,ask(X, Y).

negative(X, Y) :– xnegative(X, Y),!.

remember(X, Y,yes) :– asserta(xpositive(X, Y)).

remember(X, Y,no) :– asserta(xnegative(X, Y)),fail.

clear_facts :– retract(xpositive(_,_)), fail.

clear_facts :– retract(xnegative(_,_)), fail.

/* Продукционные правила */

dog_is(«Английский Бульдог») :– it_is(«короткошерстная собака»),

positive(«ее»,»высота в холке не более 57 см»),

positive(«у нее»,»низко посаженный хвост»),

positive(«у нее»,»дружелюбный характер»),!.

dog_is(«Гончая») :– it_is(«короткошерстная собака»),

positive(«ее»,»высота в холке не более 57 см»),

positive(«у нее»,»длинные уши»),

positive(«у нее»,»дружелюбный характер»),!.

dog_is(«Немецкий Дог») :– it_is(«короткошерстная собака»),

positive(«у нее»,»низко посаженный хвост»),

positive(«у нее»,»дружелюбный характер»),

positive(«ее»,»вес более 45 кг»),!.

dog_is(«Американский Фоксхаунд») :– it_is(«короткошерстная собака»),

positive(«ее»,»высота в холке не более 77 см»),

positive(«у нее»,»длинные уши»),

positive(«у нее»,»дружелюбный характер»),!.

dog_is(«Кокер Спаниель») :– it_is(«длинношерстная собака»),

positive(«ее»,»высота в холке не более 57 см»),

positive(«у нее»,»низко посаженный хвост»),

positive(«у нее»,»длинные уши»),

positive(«у нее»,»дружелюбный характер»),!.

dog_is(«Ирландский Сеттер») :– it_is(«длинношерстная собака»),

positive(«ее»,»высота в холке не более 77 см»),

positive(«у нее»,»длинные уши»),!.

dog_is(«Колли») :– it_is(«длинношерстная собака»),

positive(«ее»,»высота в холке не более 77 см»),

positive(«у нее»,»низко посаженный хвост»),

positive(«у нее»,»дружелюбный характер»),!.

dog_is(«Сенбернар») :– it_is(«длинношерстная собака»),

positive(«у нее»,»низко посаженный хвост»),

positive(«у нее»,»дружелюбный характер»),

positive(«ее»,»вес более 45 кг»),!.

it_is(«короткошерстная собака «) :–

positive(«это»,»короткошерстная собака «),!.

it_is(«длинношерстная собака «) :–

positive(«это»,»длинношерстная собака «),!.

/ Конец программы /

В экспертных системах, базирующихся на фактах, база знаний состоит из утверждений в виде предложений логики предикатов. Такие предложения могут группироваться, образуя БД Турбо-Пролога. Правила могут либо описывать данные, либо управлять процессом внутренней унификации Турбо-Пролога.

Так же как и в системе на правилах экспертная система, базирующаяся на фактах, имеет множество правил, которые могут вызываться с помощью данных из входного потока. Система имеет также интерпретатор, который может выбирать и активизировать модули, включаемые в работу системы.

Интерпретатор выполняет различные функции внутри системы на основе следующей схемы:

1. Система имеет предложения в базе знаний, которые управляют поиском и сопоставлением. Интерпретатор сопоставляет эти предложения с элементами данных в базе данных.

2. Если может быть вызвано более одного правила, то система использует возможности Турбо-Пролога для разрешения конфликта. Следовательно, пользователю/программисту не нужно рассматривать потенциально возможные конфликты.

3. Система получает результаты унификационного процесса автоматически, поэтому они могут направляться на нужное устройство вывода информации.

Так же как и в системе, базирующейся на правилах, данный циклический процесс является процессом распознавание-действие. Красота и большие возможности системы, основанной на фактах, заключаются в том, что она отражает структуру самого Турбо-Пролога. Этим объясняется тот факт, что она очень эффективна в работе.

Наиболее важным аспектом для базы знаний в системе, основанной на фактах, является проектирование базы знаний, ее утверждений и их структуры. База знаний должна иметь недвусмысленную логическую организацию, и она должна содержать минимум избыточной информации. Так же как и в системе, базирующейся на правилах, минимально достаточное количество данных образуют наиболее эффективную систему. Утверждения базы знаний для гончей и дога выглядят так:

rule(1,»Собака»,»Гончая»,[1,2,3,4]).

rule(2,»Собака»,»Немецкий Дог»,[1,5,3,4,6]).

cond(1,»короткошерстная»).

cond(2,»высота в холке не более 57 см»).

cond(3,»длинные уши»).

cond(4,»дружелюбный характер»).

cond(5,»низко посаженный хвост»).

cond(6,»вес более 45 кг»).

Заметьте, что в каждом предложении типа rule первый аргумент – номер правила, второй аргумент – тип объекта («собака») и третий аргумент – порода собаки. В нашем случае это гончая или дог. Список целых чисел задает номера условий из предложений типа cond (условие). Предложения типа cond содержат все характеристики для любой породы, представленной в базе знаний.

Списки номеров условий служат для хранения множества фактов, согласно которым выбираются предложения типа rule. Интерпретатор в экспертной системе, базирующейся на логике, использует эти номера условий, чтобы делать соответствующий выбор.

Добавление и обновление предложений базы знаний являются простыми операциями (предикаты retract и assert). Экспертные системы, базирующиеся на фактах, легко проектировать, развивать и поддерживать в Турбо-Прологе, так как по мере расширения базы знаний программа не требует модификации. Расширение, прежде всего, заключается в постепенном добавлении новых утверждений.

ЛИСТИНГ

/* Программа: Эксперт по породам собак */

/* Пример экспертной системы, базирующейся на логике */

domains

conditions = integer *

history = integer *

database

/* Предикаты базы данных */

rule(integer, symbol, symbol, conditions)

cond(integer, symbol)

yes(integer)

no(integer)

predicates

/* Предикаты системы пользовательского интерфейса */

do_expert_job

do_consulting

goes(symbol)

clear

/* Предикаты механизма вывода */

go(history, symbol)

check(integer, history, conditions)

Inpo(history, integer, integer, symbol)

do_answer(history, integer, symbol, integer, integer)

goal

do_expert_job.

clauses

/* База знаний (БЗ) */

rule(1, «Собака», «Короткошерстная собака», [1]).

rule(2, «Собака», «Длинношерстная собака «, [2]).

rule(3, «Короткошерстная собака»,»Английский бульдог»,[3,5,7]).

rule(4, «Короткошерстная собака»,»Гончая», [3,6,7]).

rule(5, «Короткошерстная собака»,»Немецкий Дог», [5,6,7,8]).

rule(6, «Короткошерстная собака»,»Американский фоксхаунд»,

[4,6,7]).

rule(7, «Длинношерстная собака «, «Кокер спаниель», [3,5,6,7]).

rule(8, «Длинношерстная собака «, «Ирландский Сеттер», [4,6]).

rule(9, «Длинношерстная собака «, «Колли», [4,5,7]).

rule(10, «Длинношерстная собака «, «Сенбернар», [5,7,8]).

cond(1,»Короткошерстная»).

cond(2,»Длинношерстная»).

cond(3,»Высота в холке не более 57 см»).

cond(4,»Высота в холке не более 77 см «).

cond(5,»Низко посаженный хвост»).

cond(6, «Длинные уши»).

cond(7, «Дружелюбный характер»).

cond(8, «Вес более 45 кг»).

/* Система пользовательского интерфейса */

do_expert_job :–

makewindow(1,7,7,»ЭКСПЕРТ ПО ПОРОДАМ СОБАК», 0, 0, 25, 80),

do_consulting, nl, nl, nl, nl, write(«Нажмите любую клавишу»),

readchar(_), exit.

do_consulting :–goes(Mygoal),go([],Mygoal),!.

do_consulting :–nl, write(«Извините, я не смогу Вам помочь») ,clear.

do_consulting.

goes(Mygoal) :– clear, clearwindow, nl, nl, nl, nl,

write(«ДОБРО ПОЖАЛОВАТЬ»),nl, nl, nl,

write(«Проводится идентификация породы»),nl,

write(«Для того, чтобы начать процесс идентификации,»),nl,

write(«введите слово ‘Собака’. «), nl, nl, readln(Mygoal),!.

inpo(HISTORY, RNO, BNO, TEXT) :–write(«?:– «,TEXT,» ? «),

makewindow(2,7,7,»Для ответа на вопрос»,10,54,7,35),

write(«введите 1, если Ваш ответ ‘да’ ,»),

write(«введите 2, если Ваш ответ ‘нет’ ,»),

write(«введите 0, для выхода из системы»),nl,

readint(RESPONSE),

clearwindow, shiftwindow(1),

do_answer(HISTORY, RNO, TEXT, BNO, RESPONSE).

/* Механизм вывода */

go(HISTORY, Mygoal) :–rule(RNO, Mygoal, NY, COND),

check(RNO, HISTORY, COND),!,

go([RNO|HISTORY],NY).

go(_,Mygoal) :–not(rule(_,Mygoal,_,_)),!,

nl, write(«Вероятно Ваша собака – «,Mygoal,».»), nl, nl, nl.

check(RNO, HISTORY,[BNO|REST]) :–

yes(BNO),!,check(RNO, HISTORY, REST).

check(_,_,[BNO|_]) :– no(BNO),!,fail.

check(RNO, HISTORY,[BNO|REST]) :–cond(BNO, TEXT),

inpo(HISTORY, RNO, BNO, TEXT),

check(RNO, HISTORY, REST).

check(_,_,[]).

do_answer(_,_,_,_,0):– exit.

do_answer(_,_,_,BNO,1) :–assert(yes(BNO)),write(yes),nl.

do_answer(_,_,_,BNO,2) :–assert(no(BNO)),write(no),nl, fail.

clear :– retract(yes(_)),retract(no(_)),fail,!.

clear.

/* Конец программы */

Выбор типа ЭС

Программы для выбора породы собаки, приведенные выше, используются для иллюстрации методов построения системы, базирующейся на правилах, и системы, базирующейся на фактах. Таким образом, есть возможность сравнить два различных подхода при работе с одними и теми же данными и сделать некоторые важные выводы.

Итак, если экспертная система, которую Вы хотите сделать, в конечном счете может содержать сотни продукционных правил, то трудно определить эффект от добавления дополнительных правил. В Турбо-Прологе продукционные правила помещаются в программу, и, следовательно, размеры программы увеличиваются по мере добавления правил. Размеры памяти, в конце концов, ограничивают число правил. В этом случае использование системы на правилах становится проблематичным. В то же время, в системе, базирующейся на логике, где база знаний может находиться в файле на диске, ограничения на размеры базы знаний не накладываются. Поэтому система, основанная на логике, в этом случае предпочтительнее.

Если же Ваша экспертная система будет содержать не более нескольких сотен правил, использование системы, базирующейся на правилах более предпочтительно. В силу того, что продукционные правила почти не зависят друг от друга, создание и тестирование такой экспертная системы проще. Просто осуществляется и изменение правил с целью изучить эффект, вызванный таким изменением. В системах же, базирующихся на фактах, изменение параметров внутри базы знаний должно производится с большей осторожностью, так как изменения менее заметны, а результат может быть разрушительным и восстановление затруднительным.

Если быстрота является главным требованием к разрабатываемой экспертной системе, то можно выбрать либо систему на фактах, полностью находящуюся в оперативной памяти, либо систему, базирующуюся на правилах. Обе будут работать хорошо. Если, однако, экспертная система должна содержать большую базу знаний, то у разработчика имеется единственный вариант – система на фактах, находящаяся на диске.

1. Для чего служит и что содержит секция database?

2. Какое имя получает БД по умолчанию?

3. Перечислить достоинства и недостатки использования резидентных БД?

4. Перечислить достоинства и недостатки использования нерезидентных БД.

5. Для чего предназ?