Введение 4
Постановка задачи 7
1. Теоретическая часть 9
1.1. Некоторые сведения из теории конечных графов 9
1.2. Вероятностная логика 10
1.3. Алгебраические байесовские сети. Непротиворечивость 12
1.4. Логико-вероятностный вывод в АБС 13
1.5. Матрицы в теории АБС 13
1.6. Альтернативные фрагменты знаний, их связь с классиче­скими ФЗ и между собой 14
1.6.1. Матрицы перехода 15
2. Практическая часть 16
2.1. Добавление матриц перехода 17
2.2. Поддержка априорного вывода 17
2.3. Поддержка апостериорного вывода 19
2.4. Написание документации 19
2.5. Тесты для разработанных классов 20
Заключение 21
Список литературы 22
Купить

Одной из актуальных проблем информатики было и остаётся отсут­ствие полноценного искусственного интеллекта, способного заменить человека в некоторых сложных областях. Для решения данной задачи было создано множество разных подходов ([1, 2, 3]), например, попу­лярные в последнее время нейронные сети. Результаты этих подходов используются повсеместно: от “умных” роботов и домов до систем при­нятия решений в бизнесе и разработки человекоподобных машин и синтезации речи.
Большое количество систем, где необходимо применение искусствен­ного интеллекта, характеризуется “не-факторностью” ([4, 5]), то есть неточностью или неполнотой информации. Причин на то может быть несколько (что было выделено, в частности, в [5]):
• Неполнота самой предметной области. Зачастую закономерности в сложных или только начинающих развиваться областях настоль­ко сложно (а зачастую даже неизвестно как) зависят от других параметров , что выводить их проще на основании эвристических методов (например, стохастически);
• Неполнота сведений об объекте исследования. Даже если законо­мерности могут быть довольно точно выведены, не всегда точ­ность оборудования даёт возможность измерить все необходимые параметры;
• Чрезмерная сложность вычислений. Даже при наличии полного набора данных и точно известных закономерностей, при вычис­лении могут использоваться эвристики как для экономии ресур­сов, так и для того, чтобы иметь возможность что-либо высчи- тать/вывести.
Поэтому часто речь идёт не о фактах и даже не о вероятностях некоторых событий, а лишь об их оценках.
В связи с вышесказанным одним из важных этапов создания ис­кусственного интеллекта является разработка машинного обучения. Ни одна интеллектуальная система, не способная адаптироваться к меняю­щемуся окружению, не может считаться полноценной. Для реализации возможности интеллектуальных систем адаптироваться к новым усло­виям было разработано множество подходов. Более того, большинство современных разработок в области искусственного интеллекта фокуси­руются как раз на том, чтобы научить системы самообучаться. Одним из методов машинного обучения являются вероятностные графические модели — частный случай экспертных систем (то есть систем, основан­ных на неких экспертных оценках событий, [6]), ВГМ. Объединяет эти модели то, что они представляют собой графы с заданными вероят­ностями некоторых событий (как пример таких графов — марковские сети: узлами являются состояния, а рёбрами — вероятности перехода между этими состояниями), что даёт широкие возможности для реали­зации экспертных систем ([2, 3]).
Частным примером вероятностных графических моделей являются алгебраические байесовские сети — АБС. Данная вероятностная гра­фическая модель является аналогом и конкурентом байесовских сетей доверия (БСД) — другой ВГМ со схожим принципом.
Алгебраические байесовские сети, как и любая вероятностная гра­фическая модель, состоят из переменных и связей между ними. Эти связи можно декомпозировать на фрагменты знаний — пары-тройки знаний о предметной области, связи между которыми может детально описать эксперт.
АБС представляют собой графы смежности, где вершинами высту­пают фрагменты знаний (ФЗ), а рёбра показывают, что два ФЗ имеют общий непустой подалфавит (то есть, имеют вершины с одинаковыми именами в рамках данной сети). Вслед за В. И. Городецким (который ввёл само понятие АБС), под фрагментами знаний подразумевают иде­алы конъюнктов над некоторым алфавитом. Такие АБС исследованы лучше остальных и потому их можно считать “классическими”.
Однако, как было показано ([4, 5, 10]), в качестве фрагмента знаний могут выступать не только идеалы конъюнктов, но и другие наборы пропозиций. Двумя таковыми наборами пропозиций являются набор всех квантов или идеал дизъюнктов над алфавитом данного ФЗ. Та­кие фрагменты знаний получили название “альтернативные фрагменты знаний”.
Такие ФЗ зачастую оказываются удобнее ФЗ над идеалами конъ­юнктов. Так, например, вся теория локального логико-вероятностного вывода построена на множествах квантов.
Данная работа рассматривает локальный логико-вероятностный вы­вод (ЛВВ) и поддержание непротиворечивости в альтернативных ФЗ на теоретическом и практическом уровне. Также она является частью проектной работы по разработке комплекса программ для работы с АБС AlgBNModeller.
Купить