ХАРЬКОВСКИЙ НАЦИОНАЛЬНЫЙ МЕДИЦИНСКИЙ УНИВЕРСИТЕТ КАФЕДРА МЕДИЦИНСКОЙ И БИОЛОГИЧЕСКОЙ ФИЗИКИ И МЕДИЦИНСКОЙ ИНФОРМАТИКИ
ФОРМАЛЬНАЯ ЛОГИКА В РЕШЕНИИ ЗАДАЧ ДИАГНОСТИКИ, ЛЕЧЕНИЯ И ПРОФИЛАКТИКИ ЗАБОЛЕВАНИЙ. НЕЙРОННЫЕ СЕТИ.
ПЛАН n n n n n Знания и их представление в системах искусственного интеллекта Понятие «знания» Виды знаний, их свойства Модели представления знаний Логические модели Формальные системы Логика исчисления высказываний Логика исчисления предикатов Нейронные сети.
Искусственный интеллект Под искусственным интеллектом понимается (ИИ) способность автоматических или автоматизирован-ных систем брать на себя функции интеллекта человека. Основными направлениями, в которых развиваются системы искусственного интеллекта (СИИ) являются: nэкспертные системы, nинтеллектуальные игры, nраспознавание образов, nробототехника, общение с ЭВМ на естественном языке.
Одним из наиболее сформировавшихся направлений ИИ является «представление знаний» Знания – это сложноорганизованные данные, хранимые в памяти СИИ и включающие в себя сведения об объектах, их окружении и отношениях между ними, процессах взаимодействия объектов во времени и пространстве, правилах осуществления логического вывода. Знания подразделяются на фактические и стратегические и декларативные и процедурные
Виды классификации Характеристика источника появления Фактические Стратегические Характеристика активности Декларативные Процедурные
Фактические (текстовые) знания - это те знания, которые достаточно освещенны в учебниках. Например, рахит (гиповитаминоз Д) – это дефицит в организме витамина д экзогенного происхождения. Стратегические знания основываются на индивидуальном опыте специалиста (эксперта), накопленном в результате многолетней практики.
Декларативные знания - это знания типа «А это В» . Характеризуют то, над чем надо проводить действия. Процедурные знания - характеризуют способы преобразования декларативных знаний, т. е. действия, которые необходимы для получения результата.
Свойства знаний Внутренняя интерпретируемость Структурированность Связность Шкалирование Активность
Внутренняя интерпретируемость При хранении знаний в памяти СИИ, наряду с традиционными элементами данных, хранятся и информационные структуры, для интерпретации содержимого ячеек памяти. Т. е. , при хранении структурированных данных (таблицы) в памяти СИИ хранится также «шапка таблицы» (протоструктура информационных единиц). Строки таблицы называются «информационными единицами» , а столбцы – «слотами» .
Структурированность. Связность Структурированность. Знания состоят из отдель-ных информационных единиц, между которыми можно установить классифицирующие отношения: род – вид, класс – элемент, тип – подтип, часть – целое. Связность. Между информационными единицами предусматриваются связи различного типа: причина – следствие, аргумент – функция. Данные связи определяют семантику и прагматику (практику) предметной области.
Шкалируемость. Активность Семантическая метрика (шкалирование). На множестве информационных единиц вводятся шкалы, позволяющие оценить их семантическую близость. Это позволяет находить в информационной базе знания, близкие к уже найденным. Например, течение болезни –острое, подострое, хроническое Активность. Подчеркивает принципиальное отличие знаний от данных. Предполагается, что появление новых фактов и связей может активизировать систему, т. е. появление новых декларативных знаний активизирует процедурные.
Модели представления знаний n n n Представление знаний – это способ формального выражения знаний о предметной области в интерпретируемой компьютерными методами форме. Соответствующие формализмы, обеспечивающие указанное представление, называют моделями представления знаний. Модели представления знаний: продукционные модели; сетевые модели; фреймовые модели; логические модели; Нейронные сети.
Продукционные модели n n В продукционных моделях знания представляются набором правил вида “если А, то В”, где условия правила А являются утверждением о содержимом базы фактов, а следствие В следствие в говорит о том, что надо делать, когда данное продукционное правило активизировано. Продукционные модели представления знаний благодаря естественной модульности правил, наглядности и простоте их создания широко применяется в интеллектуальных системах.
Семантические сети Представляют собой направленный граф, в котором вершинам соответствуют объекты (сущности) предметной области, а дугам (или ребрам)– отношения, в которых находятся эти объекты.
Фреймовы модели Фрейм– структура данных, предназначенная для представления стереотипных ситуаций. Фрейм состоит из слотов. Совокупности фреймов образуют иерархические структуры, построенные по родовидовым признакам, что позволяет наследовать значения слотов.
Логические модели n n n Основаны на логике исчисления предикатов. Предикат — это функция, которая может принимать одно из двух значений: «истина» или «ложь» . Если предикат зависит от n переменных, он называется n – местным предикатом: Р(х1, х2, …хn) n n Высказывание – предложение, получающееся в результате подстановки в предикат значений его аргументов х1, х2, …хn. Логические модели представления знаний базируются на формальных системах.
n n n Формальная система (ФС) задается четверкой: M= { T, P, A, R }, где T – множество базовых элементов (алфавит системы); P – синтаксические правила, при помощи которых из элементов множества Т строятся синтаксически правильные последовательности элементов, называемые правильно построенными формулами (ППФ). A – множество аксиом (часть ППФ). Для любой ППФ существует специальная процедура, которая проверяет относится ли данная ППФ к аксиомам или нет R – правила вывода, создаваемые на основе ППФ.
НЕЙРОННЫЕ СЕТИ n n n Используются для решения задач: Распознавания образов и классификации; Выполнения прогнозов; Оптимизации; Управления; Сжатия (компрессии) данных; Создания экспертных систем.
Прототипом искусственного нейрона является биологический нейрон. Биологический нейрон получает сигналы (импульсы) от других нейронов через дендриты (приемники) и передает сигналы, сгенерированные телом клетки, вдоль аксона (передатчик), который в конце разветвляется на волокна. На окончаниях этих волокон находятся синапсы ‑ элементарные структуры и функциональные узлы между двумя нейронами (волокно аксона одного нейрона и дендрит другого). Нейрон активируется тогда, когда суммарный уровень сигналов, пришедших в его ядро из дендритов, превысит определенный уровень (порог активации). Интенсивность сигнала, получаемого нейроном зависит от активности синапсов.
Искусственный нейрон получает входные сигналы Х 1, Х 2, …, Хn (исходные данные либо выходные сигналы других нейронов нейронной сети) через несколько входных каналов. Каждый входной сигнал проходит через соединение, имеющее определенную интенсивность (или вес w 1, w 2, …, wn); этот вес соответствует синаптической активности биологического нейрона. С каждым нейроном связано определенное пороговое значение T. Вычисляется взвешенная сумма входов, из нее вычитается пороговое значение и в результате получается величина активации нейрона (постсинаптический потенциал нейрона – PSP). PSP преобразуется с помощью функции активации f (или передаточной функции) и в результате получается выходной сигнал нейрона Y.
Активационная функция f может иметь следующий вид: а) ступенчатая (функция единичного скачка); б) линейная функция (линейный порог); в) сигмоидальная униполярная
Объединенные между собой нейроны образуют систему, которая называется нейронной сетью (НС). НС слоистой структуры с активационными функциями единичного скачка называется перцептроном и является классической нейронной сетью.
Классификация нейронных сетей I. В зависимости от способа объединения нейронов сети подразделяются: однонаправленные и рекуррентные. II. Cети могут классифицироваться по числу слоев: однослойные и многослойные. III. Бинарные и аналоговые сети. VI. Синхронные и асинхронные.
Обучение нейронных сетей Процесс функционирования НС зависит от величин синаптических связей, поэтому, задавшись определенной структурой НС, отвечающей какой-либо задаче, разработчик сети должен найти оптимальные значения всех переменных весовых коэффициентов. Этот этап называется обучением НС. Обучение НС может вестись с учителем или без него. В первом случае сети предъявляются значения как входных, так и желательных выходных сигналов, и она по некоторому внутреннему алгоритму подстраивает веса своих синаптических связей так, чтобы выходные сигналы были максимально близки к желательным. Во втором случае (без учителя) выходы НС формируются самостоятельно, а веса изменяются по алгоритму, учитывающему только входные и производные от них сигналы, без возможности прогноза выходных сигналов.
Спасибо за внимание!
Скачать презентацию ХАРЬКОВСКИЙ НАЦИОНАЛЬНЫЙ МЕДИЦИНСКИЙ УНИВЕРСИТЕТ КАФЕДРА МЕДИЦИНСКОЙ И БИОЛОГИЧЕСКОЙ
81364be26d67da123a0ae2cd659c8b9f.ppt