opracowanie pdf

Autorzy: kulfoniasty & switch486

Źródło: wykłady dr Haliny Kwaśnickiej.

1

Omów wnioskowanie z czynnikiem pewności, podaj krótki przykład podaj zalety i

wady(gotowe)

Wnioskowanie z czynnikiem pewności jest heurystyczną metodą, jednym z rodzajów

wnioskowania z niepewnością, w którym możemy wyróżnić trzy typy niepewności:

1. wejściowe fakty niepewne lub mają przypisane prawdopodobieństwa

2. reguły, nawet kiedy fakty są absolutnie pewne, generują nowe fakty z pewnym

stopniem ufności, np. IF wirus grypy w w organiźmie (100%) THEN jesteśmy chorzy

(90%)

3. kombinacje przypadków 1. i 2

W przypadku wnioskowania z czynnikiem pewności, oznaczanym przez CF, zarówno

przesłankom jak i konkluzjom w regułach przypisujemy wartośc czynnika pewności, który

jest wartoscią oznaczającą jak bardzo prawdopodobny jest dany predykat w ocenie eksperta.

Jednakże nie jest to ani prawdopodobieństwo, ani również stopień przynależności znany z

logiki rozmytej.

Czynnik ten można wyliczyć korzystając ze wzoru CF(h)=MB(h)-MD(h), gdzie MB -

measure of belief, MD - measure of disbelief, oraz 0<=MB<=1; 0<=MD<=1; -1<= CF <= +1.

Wnioskowanie oparte o czynnik pewności charakteryzuje się tzw. propagacją niepweności, tj.

niepewność przesłanek bezpośrednio rzutuje na niepewność konkuzji. Propagacja ta obliczana

jest na podstawie nastepujacego wzoru:

CF(h: reguła1, reguła2) = CF(h:reguła1) + CF(h:reguła2)*[1-CF(h:reguła1)]

Przykład.

IF kaszle(x) AND ma_goraczke(x) THEN ma_grype(x) CF=0.6

Zalety Wady

przesuwa zaufanie

produkowanych

hipotez

asymptotycznie do

pewności, kumulując

miary kolejnych reguł

produkujących

rozważane hipotezy.

(wprost: zbliżamy się

do pewności)

w przypadku gdy CF

bliski 0 - niemożliwe

rozróżnienie czy MB i

MD są takie same

(konflikt, bo

jednocześnie

wierzymy i nie) czy

obie miary są bliskie

zeru (hipoteza nie

może być

potwierdzona ani

zanegowana)

CF jest symetryczną

miarą - niezależny od

kolejności zapalania

reguł



2

Przetwarzanie jezyka naturalnego - problemy i sposoby (chyba gotowe)

O co chodzi?:

• Przetwarzanie języka – przetwarzanie dokumentów tekst tekstowych

• Przetwarzanie języka – rozumienie języka

• Przetwarzanie języka – przetwarzanie mowy

• Rozpoznawanie słów – rozumienie języka

Problemy:

• Rzeczy nieuchwytne typu mowa ciała, humor, akcent, ...

• Umyj głowę Irence - umyj głowę i ręce

Sama gramatyka niewiele pomoże, inteligentny program musi umieć wychwycić znaczenie

• Andrzej wyrzuci te śmieci za karę / chałupę / godzinę

Poprawna interpretacja zależy od słów 'kara', 'godzina', ‘chałupa'

• Język polski jest językiem silnie fleksyjnym

– różnorodność odmian wyrazów

– duża dowolność w ich szyku w zdaniu

– Utrudnia to tworzenie schematów wypowiedzi czy

choćby słowników

• Co zatem potrafimy zrobić? Aby zrozumieć zdanie, trzeba

– rozpoznać poszczególne wyrazy - analiza leksykalna ( np dzielenie słowa na

przedrostek, temat i przyrostek)

– sprawdzić jakie są ich wzajemne związki w tym zdaniu, tworząc np.drzewo

rozbioru - analiza syntaktyczna (tworzenie drzewa rozkładu logicznego - część

rzeczownikowa i czasownikowa... . . .)

– przetworzoną strukturę odnieść do danych zawartych w komputerze - ~analiza

semantyczna (dopasowanie uzyskanych struktur do danych)



3

07. Zdefiniuj problem spelniania ograniczen. Jakie znasz metody jego

rozwiazywania wymien je i omow jedna z nich(@ work)

• CSP charakteryzowany jest przez trzy składowe (liczba

zmiennych jest wymiarem CPS):

– zmienne: V1,V2,...,Vn – ich dziedziny (odpowiednio): D1,D2,...,Dn – ograniczenie qk dla k= 1,2,...,L • jest zdefiniowane na iloczynach kartezjańskich zbiorów wartości • jest j-relacją, j∈{1,...,n}: q ∈ D × D × ... × D

• Binarne ograniczenia można przedstawiać na grafie ograniczeń. Wielowymiarowe

ograniczenia rzecz jasna w hipergrafie lub w sieci ograniczeń,

1. Przegląd wszystkich możliwych wartości zmiennych –

– przegląd zupełny zapewnia znalezienie rozwiązania

–złożoność obliczeniowa: D1xD2x...xDnxE (Di,E – liczności zbiorów)

1. Algorytm z powrotami

– zmniejsza liczbę sprawdzanych kombinacji

– dla złożonych problemów – nie są wystarczające



4

Co mowi ci okreslenie system ekspertowy zalezny od kolejnosci regul(co wiesz o takich systemach) (wygląda na gotowe) -- "nie-zamiennych" noncommutative

Systemem ekspertowym nazywamy system wnioskowania posiadający możliwość

wyjaśnienia ścieżki dojścia do konkluzji otrzymanej na jego wyjściu. Systemem ekspertowym

zaleznym od kolejnosci reguł nazywamy taki system, w którym proces wnioskowania nie jest

oparty o logikę klasyczną (monotoniczną), a o logikę niemonotoniczną, czyli taką, w której w

kolejność zapalania reguł jest istotna. System produkcji sterujący takim wnioskowaniem

okreslamy mianem noncommutative (niezamienny, zależny od kolejnosci reguł).

Zastosowanie logiki niemonotonicznej stwarza konieczność przejrzenia więcej niż jednej

możliwej permutacji kolejności zapalania reguł. Problem wynika z faktu iż w logice

niemonotonicznej w zależnosci o kolejności zapalania możemy otrzymać inny zbiór faktów

D' zawierajacy poczatkowe fakty i reguły poszerzone o konkluzje wynikające z zapalonych

reguł. Inna permutacja reguł może doprowadzić do wygenerowania takiego samego zbioru

faktów, ale w większej ilości kroków lub nawet zbioru faktów, który przy żadnej innej

permutacji nie jest osiągalny.

13. Wnioskowanie z niepewnoscia - sposob, mozliwosci i ograniczenia stosowania

rachunku prawdopodobienstwa

Wnioskowanie z niepewnością jest to wnioskowanie (proces dedukcji nowych faktów z

innych istniejących faktów), w którym występuje jeden z trzech możliwych typów

niepewności:

1. wejściowe fakt są niepewne lub mają przypisane prawdopodobieństwa

2. reguły, nawet kiedy fakty są absolutnie pewne, generują nowe fakt z pewnym

stopniem ufności,

3. kombinacje przypadków 1 i 2.

Jednym z możliwych wniokowań z niepwenością jest wnioskowanie oparte o rachunek

prawdopodobieństwa, który jest formalnie poprawnym mechanizmem wnioskowania. fakty

modelowanego świata zapisywane są w postaci implikacji których prawdopodobieństwo

prawdziwości określane jest przez formalny zapis rachunku podobieństwa.

Przykład:

A i B -> c ; A i C -> D

Probabilistyczna reprezentacja:

P(A) , P(B), P(D)

Przy założeniu niezależności A i B -> P(C) = P(a)*P(B)

Przy braku założenia niezależności A i C mamy P(D) = P(A i C) = P(A) * P(C|A)

• Wymaga distarczenia prawdopodobieństw dla poszczególnych faktów zgromadzonych

w bazie oraz dostarczenia prawdopodobieństw warunkowych



5

• Nie powoduje propagacji niezależności zdarzeń, tj. z niezależności faktów

początkowych nie wynika niezalezność w procesie wnioskowania.

• Ponadto założenie niezależności powoduje produkcję zbyt rygotsytycznych rezultatów

(złych rezultatów)

•

01. Reprezentacja wiedzy w problemach planowania: sposób reprezentacji i przykład

(gotowe)

Planowanie jako technika rozwiązywania problemów obejmująca określenie sekwencji akcji,

które spowodują przejscie systemu ze stanu początkowego do docelowego, pod wieloma

względami podobne jest do wnioskowania na bazie reguł. Jednakże w znacznej większości

przypadków w przypadku planowania reprezentacja wiedzy jest bardziej złożona i prawie

zawsze wymaga revocable strategii stareowania (noncommutative system, czyli system, w

którym kolejność zapalania reguł jest istotna, tj. system oparty o logikę niemonotoniczną).

Wiedza ta w planowaniu wymaga nastepujących reprezentacji:

- reprezentacji akcji (operatorów): programy generujące opisy kolejnych stanów, definicji

warunków wstępnych i efektów

- reprezentacji stanów: struktury danych opisujące bieżące sytuacje

- reprezentacji planów (sekwencji akcji = sekwencji operatorów): każde rozwiązanie jest

sekwencja akcji

Przykład reprezentacji wiedzy w systemie STRIPS

- reprezentacja stanu: koniunkcja podstawowych literałów, bez zmiennych (nie ma funkcji,

predykaty ze stałymi symbolami, możliwe negacje), np. At(Home), Have(Milk)

- reprezentacja celu: koniunkcja literałów, które mogą zawierać zmienne, np. At(x) Sells(x,

Milk)

- reprezentacja akcji(operatorów): zkłada się z:

• własności (opisu) akcji: nazwa i opis znaczenia, np. podnieś plok y z bloku z

• warunków wstępnych (precondition): koniunkcja prawdziwych literałów (atomów),

np. ontable(x), (clear y), (empty)

• efektu: koniunkcja literałów (prawdziwych lub negatywnych) opisujących jak zmieni

się sytuacja po wykonaniu akcji (operatora).

Istnieją dwie reprezentacje efektów:

o ADD lista, np. (empty), (clear x)

o DELETE lista, np. (hold y)

- reprezentacja planów: jest to struktura danych składająca się z:

• zbioru kroków planu: każdy krok = jeden dostępny operator

• zbioru ograniczeń na porządek operatorów: specyfikuje, że jedna akcja musi wystapić

przed drugą

• zbioru ograniczeń na wiązanie zmiennych: postaci v=x, gdzie x to zmienna w pewnym

kroku, a x jest zmienną lub stałą

• zbioru związków (połączeń) przyczynowych: opisują cele poszczególnych kroków.



6

06. Metody reprezentacji wiedzy w systemach ekspertowych: wymien znane

metody i scharakteryzuj krotko kazda metodę (chyba gotowe - więcej w wykładach nie ma)

• Fakty pamiętane są w postaci predykatów • Predykaty z pojedynczą zmienną zwykle stosuje

się do reprezentacji relacji unarnych (unary

relations), popularnie zwanych własnościami:

– may_move (Object) – next_to (Region1, Region2) – on_top (Support, Object)

• Chcemy reprezentować zdanie:

The circuit breaker in line 4 is open

• W rachunku predykatów możemy zapisać:

– is-open (circuit-breaker, line-4)

– circuit breaker (line 4 is open)

circuit-breaker (line-4, is-open)

– line-4 (circuit-breaker, is-open)

• Wszystkie powyższe reprezentacje są dopuszczalne

• Ogólne dwu-zmienne relacje:

– is-open (What, Where)

– circuit-breaker (Where, Status)

– line-4 (Protection, Status)

• Przykłady odpowiednich dziedzin dla zmiennych:

– What = {circuit-breaker, disconnect-switch, line-itself}

– Where = {line-1, line-2, line-3, line-4}

– Status = {open, closed, inoperable}

– Protection = {relay, circuit-breaker, recloser}

Zwykle, jako predykat wybierany jest czasownik



7

• Dobrze zdefiniowana formuła (Well formed formula, wff) jest predykatem lub

wyrażeniem (z negacją, koniunkcją, dysjunkcją, implikacją, kwantyfikatorami)

• Klauzule:

– są analogiczne do zdań

– są zbudowane z wykorzystaniem predykatów i logicznych łączników

– mogą zawierać uniwersalny kwantyfikator

• Można udowodnić prawdziwość klauzuli w kontekście zbioru znanych prawdziwych

klauzul przez dodanie logicznego zaprzeczenia tej klauzuli do znanego zbioru i

szukanie sprzeczności (dowodzenie rpzez zaprzeczenie, inaczej Rezolucja)

16. Dedukcja, indukcja abdukcja - co to jest na czym polega i gdzie do czego są

stosowane (znasz jakies zastosowania? w sensie jak to ująć)

Dedukcja, indukcja i abdukcja są metodami wnioskowania, czyli narzędziami

wykorzystywanymi w procesie dedukcji nowych faktów z istniejących faktów.

Dedukcja jest logicznie poprawną metodą wnioskowania, która przy założeniu prawdziwości

reguły zapisanej np. w formie implikacji (p->q) oraz prawdziwości faktu (q) dedukuje

prawdziwość konkluzji q. (np. p: pada deszcz, q: jest mokro; p->q: jesli pada deszcz to jest

mokro; z prawdziwosci p: pada deszcz oraz przewdziwości implikacji p->q wnioskujemy: jest

mokro (q jest prawdziwe)). Dedukcja znajduje zastosowanie w systemach produkcyjnych

Indukcja natomiast nie jest poprawną formą wnioskowania logicznego. Stanowi

wnioskowanie bottom-up, czyli od szczegółu do ogółu. W indukcji znamy jedynie zbiór

faktów (przykładów) nie mając wiedzy ogólnej w postaci reguł. 'Domyslamy się czegoś

sensownego', tj. indukujemy ogólną regułę na podstawie zbioru przykładów.

Abdukcja, analogicznie do indukcji, nie jest logicznie poprawną metodą wnioskowania, ale w

przeciwieństwie do indukcji a analogicznie do dedukcji, w abdukcji dysponujemy zbiorem

ogólnych reguł rządzących modelowanym światem. Zakładając prawdziwość konkretnej

reguły (p->q) i obserwując jej konkluzję (q), dedukujemy prawdziwość przesłanki (p).

Przykład: p: człowiek jest pijany; q: nie może iść prosto; p->q: jeśli człowiek jest pijany to nie

może iść prosto; zakładamy prawdziwość p->q i obserwujemy prawdziwe q: iksiński nei idzie

prosto; wniosek: iksiński jest pijany



8

Korzystasz z systemu ekspertowego, ktory ma mozliwosc wyboru wnioskowania w

przod lub w tyl. Załóż że masz niezbedna wiedze do tego by optymalnie wybrac jeden ze

sposobow. czym bedziesz sie kierowac przy wyborze sposobu wnioskowania?(Chyba

gotowe)

Problem wyboru wnioskowania:

• Czy system ma za zadanie wyciąganie ogólnych wniosków na temat świata jaki został

mu przedstawiony za pomocą faktów (zaobserwowanych - true).

-- FCh

• Czy system ma móc sprawdzać, czy w świecie istnieją fakty (są zaobserwowane - są

true), które odpowiadałyby za konkretną (wybraną) konsekwencję.

-- BCh

• System zaczyna ze zbiorem reguł prawdziwych w danym momencie i określa to co

jest prawdziwe na mocy istniejących w nim reguł - nie ma celu okreslonego.

[wynik: wiele faktów]

-- FCh

• System ma określony cel i sprawdzane jest czy ten cel jest 'prawdzowy' w danym

świecie (fakty + reguły).

[wynik: poprawność wybranej konkluzji, lub jej brak]

-- BCh

• Można by powiedzieć, że FCh zazwyczaj działa dłużej od BCh (zależy od konstrukcji

reguł w bazie).

Wnioskowanie w przód:

• generowanie nowych faktów na podstawie posiadanego zbioru reguł i

zaobserwowanych faktów.

• wnioskowanie dedukcyjne, które jest poprawne logicznie

• Forward Chaining - paradygmat wnioskowania w przód.

• Algorytm:

1. ES zaczyna pracę z przynajmniej jednym faktem.

2. Dla każdego warunku Maszyna Wnioskująca szuka reguł w bazie wiedzy, których cześć IF

odpowiada warunkowi (warunkom).

3. Jeśli przesłanka jest prawdziwa, produkowana jest konkluzja konkluzja jako prawdziwa.

4 Dla każdego dodanego faktu następuje powrót do punktu 2.

5. Wnioskowanie jest zatrzymywane, kiedy wszystkie konkluzje (fakty) są przeanalizowane.

Dedukowane fakty są wyjściem systemu.

Wnioskowanie w tył: Backward Chaining

1. Określ konkluzję

2. Przeszukaj listę konkluzji, znajdź nazwę konkluzji

3. Ustal IF klauzule w części IF (warunki) reguły

4. Jeśli jedna z klauzul IF nie ma wartości, i nie jest zmienna konkluzji, zapytaj

użytkownika o jej wartość



9

5. Jeśli jest zmienna konkluzji w innej regule, zapisz numer tej reguły na wierzch stosu

konkluzji i idź do kroku 3

6. Jeśli wyrażenie na wierzchu stosu nie może być ustalone za pomocą tej reguły, usuń go ze

stosu i wyszukaj na liście konkluzji innego wyrażenia z tą zmienną

7. Jeśli znajdziesz, idź do kroku 3.

8. Jeśli nie ma więcej konkluzji na stosie z ta nazwą, to reguła dla poprzedniej konkluzji jest

fałszywa. Jeśli nie ma poprzedniej konkluzji, nie można znaleźć odpowiedzi. Jeśli jest, wróć

do kroku 6

9. Powtórz powyższe (idąc do 3) aż żadnej innej zmiennej konkluzji nie ma w kolejce

Attribute Backward Chaining Forward Chaining

Also known as Goal-driven Data-driven

Starts from Possible conclusion New data

Processing Efficient Somewhat wasteful

Aims for Necessary data Any conclusion (s)

Approach Conservative/cautious Opportunistic

Practical if

Number of possible final

answers is reasonable or a set

of known alternatives is available

Combinatorial explosion

creates an infinite number of possible right answers

Appropriate for Diagnostic, prescription and debugging application

Planning, monitoring, control and interpretation application

Example of application

Selecting a specific type of investment

Making changes to corporate pension fund



10

17. Omow wnioskowanie w tyl algorytm kiedy stosujemy wady zalety przyklad.

Ktore z wnioskowan (dedukcja, indukcja, abdukcja) stosuje sie w tym wnioskowaniu?

Wnioskowanie w tył Backward Chaining

• podobnie jak wnioskowanie w przód, oparte na dedukcji (ale spojrzenie jest "od tyłu")

• znając cel, szukamy reguł przy pomocy których można go osiągnąć, tj. takie reguły

które mają cel po stronie konkluzji

• jeżeli znajdziemy taką regułe, lub reguły, przy pomocy których udowodnimy że

poprzednik implikacji, która implikuje postawiony cel, jest prawdziwy, to

udowodnimy cel

• jest algorytmem depth-first search, czy li występują problemy w przypadku

niepełności bazy wiedzy lub powtarzania się stanów

•

Algorytm:

1. Określ konkluzję

2. Przeszukaj listę konkluzji, znajdź nazwę konkluzji

3. Ustal IF klauzule w części IF (warunki) reguły

4. Jeśli jedna z klauzul IF nie ma wartości, i nie jest zmienna konkluzji, zapytaj

użytkownika o jej wartość

5. Jeśli jest zmienna konkluzji w innej regule, zapisz numer tej reguły na wierzch stosu

konkluzji i idź do kroku 3

6. Jeśli wyrażenie na wierzchu stosu nie może być ustalone za pomocą tej reguły, usuń go ze

stosu i wyszukaj na liście konkluzji innego wyrażenia z tą zmienną

7. Jeśli znajdziesz, idź do kroku 3.

8. Jeśli nie ma więcej konkluzji na stosie z ta nazwą, to reguła dla poprzedniej konkluzji jest

fałszywa. Jeśli nie ma poprzedniej konkluzji, nie można znaleźć odpowiedzi. Jeśli jest, wróć

do kroku 6

9. Powtórz powyższe (idąc do 3) aż żadnej innej zmiennej konkluzji nie ma w kolejce

Zalety

� występuje mniejsza liczba generowanych faktów niż przy wnioskowaniu wprzód, co

oszczędza pamięć komputera

� wnioskowanie wstecz jest niezawodne

� w odróżnieniu do wnioskowania w przód, pozwala zaplanować algorytm wnioskujący,

tak aby z odpowiednim prawdopodobienstwem zachwoywał odpowiedni kierunek

wnioskowania.

� działa dobrze kiedy rozwiązywanie problemu rozpoczynamy od postawienia hipotezy

(np. diagnoza wystawiona przez lekarza,; poszukiwanie objawów i sprawdzanie czy

wtępują)

Wady



11

• kontynuuje podążanie obraną ścieżką wnioskowania nawet jeśli w trakcie wystąpiły

przesłanki do zmiany ścieżki na inna

Kiedy stosujemy

• diagnostyka, np. medyczna, kiedy znamy stan obecny a chcemy ustalić przyczyny

• ogólne sytuacje w których od problemu (celu) dochodzimy do przyczyn.

•

• 11. Podaj przyklady wnioskowania dedukcyjnego. Czym rozni sie od

abdukcyjnego? •

• Wnioskowanie dedukcyjne jest wnioskowaniem opartym o logicznie (formalnie)

poprawną metodę wnioskowania – dedukcję. Wykiorzystuje operator implikacji do

zapisu reguł rządzących opisywanym światem. We wnioskowaniu dedukcyjnym

zakłada się prawdziwość faktu zapisanego w postaci implikacji, np. p->q oraz

prawdziwość przesłanki p.

• Z prawdziwości implikacji i przesłanki dedukujemy prawdziwość konkluzji q.

• Przykład.

• True: p->q

• True: p

• Dedukujemy: q is True

•

• Przykład 2.

• True: Jeśli pada deszcz to jest mokro (p: pada deszcz; q: jest mokro)

• True: Pada deszcz (q)

• Dedukujemy: Jest mokro (q jest prawdziwe)

•

• Wnioskowanie abdukcyjne natomiast od dedukcyjnego odróżnia fakt iż bazuje ono

na formalnie niepoprawnej metodzie wnioskowania (abdukcji) i w przeciwieństwie do

dedukcji, która orzeka na temat możliwych konkluzji przy znajomości prawdziwości

przesłanek i reguł, abdukcja zakładając prawdziwość reguł (zapisanych w postaci

implikacji) oraz prawdziwość konkluzji, orzeka prawdziwość przesłanki.

• Przykład.

• Implikacja: jeśli człowiek jest pijany, to nie może iść prosto

• Fakt: Iksiński nie idzie prosto

• Wniosek: Iksiński jest pijany

18. Wymien metody rownoleglego rozwiazywania problemow spelniania ogranczen

omow jedna - te ktora wybralbys do stosowania i uzasadnij dlaczego te wybrales

Problem spełniaqnia ograniczeń (CSP) można rozproszyć na równoległe zadania ze względu

na:

• dziedzinę zmiennych

• funkcję rozwiązującą problem



12

Rozproszenie w oparciu o zmienne dokonywane jest z wykorzystaniem dziedziny jednej

lubie kilku zmiennych.

• Każdy z równoległych procesów odpowiedzialny jest za jedną lub kilka zmiennych.

• przestrzeń poszukiwań jest rozdzielona pomiędzy agentów i decyzja podjęta rpzez

jednego wpływa na inne poprzez ograniczenia łączące zmienne

• Proces przetwarzania jest dwuetapowy:

o rozwiązanie przez agenta lokalnego CSP dla przydzielonych mu zmiennych

o konsultacja rozwiązania czesciowego z innymi procesami - sprawdzanie

poprawności rozwiązania.

• wartości niepoprawne są usuwane z dziedzin zmiennych

Wady:

• asynchroniczne przetwarzanie procesów - konieczne mechanizmy chroniące przez

przekazywaniem zdezaktualizowanych danych pomiędzy procesami

• rozproszona pamięć (brak danych globalnych) - koszty komunikacji miedzy procesami

Zalety

• efektywność - komunikacja między procesami jest minimalna

• w najgorszym przypadku: czas znalezienia rozwiązania taki jak dla algorytmu

rozproszonego + czas na tozesłanie zadań na procesory i odebranie rozwiązań

Rozproszenie w oparciu o funkcję rozwiązującą problem rozwiązanie to oparte jest o algorytm Forward Checking.

Forward checking:

• sprawdza do przodu

• eliminuje zmienne nie spełniające ograniczeń ze WSZYSTKICH dziedzin

• pusta dziedzina jakiejś zmiennej = nie tędy droga. trzeba tę wartość odrzucić

• jeżeli wszystkie wartości danej zmiennej zostaną odrzucone (przejrzymy wszystkie

wartości z dziedziny i nie będą spełniać ograniczeń) to zawracamy

Efektywniejszy od klasycznego algorytmu z powrotami ze względu na mniejszą ilość

powrotów.

Przeszukiwanie wszystkich dziedzin, z kótymi łączy się dana zmienna może odbywać się

równoczesnie

Moje zdanie

osobiście wybrałbym rozwiązanie z rozproszeniem w oparciu o funkcję rrozwiązujacą

problem i wykorzystującą algorytm Forward Checking, ponieważ zapewnia on większą

efektywnośc, dzieki wykorzystaniu algorytmu FC. ponadto charakterystyka tego algorytmu

pozwala na dalsze usprawnienia m.in. wprowadzenie kolejnego problemu równoległości



13

wykonywania zadań przeszukiwania dziedzin zmiennych (opisane w ostatnim podpunkcie).

09. Analiza obrazow - omow podane na wykladzie problemy (ciężko powiedzieć,

temat rzeka...)

Rozpoznawanie obrazów /not/= rozpoznawanie wzorców.

1. Pomiar cech opisujących rozpoznane obiekty.

2. Podejmowanie decyzji na podstawie okczytancyh cech.

Dwa podejścia:

Całościowe – bierze się pod uwagę wszystkie cechy całego rozpoznawanego obiektu

– podejmuje się decyzję o jego przynależności w jednym etapie (jednym akcie decyzyjnym)

– np. metody oparte na pojęciu odległości w przestrzeni cech, metody oparte na metodach

aproksymacji funkcji przynależności podejście na metodach probabilistycznych, nawiązujące

do statystyki, itp.

Strukturalne – w rozpoznawanym obiekcie wyróżnia się najpierw określone elementy

– ustala się ich wzajemne relacje (wykorzystując wybrane i pomierzone cechy)

– właściwe rozpoznawanie dokonywane jest na podstawie strukturalnego opisu,

uwzględniającego wszystkie wykryte elementy i wszystkie ustalone relacje

– metody podejmowania decyzji są bardziej złożone i nawiązują m.in. do metod

lingwistycznych (wykorzystywanych w technikach programowania)

– podejście to jest bardziej złożone i mniej efektywne

Własności obserwowalne na obrazie nie są przypadkowe, lecz odpowiadają własnościom 3-

wymiarowym.

• Etapy przetwarzania w systemach wizyjnych - jakiś schemat a'la sieć neuronowa.

Przetwarzanie wczesne – uzyskanie użytecznej informacji z surowego obrazu, każda część

obrazu jest przetwarzana w ten sam sposób (równoległe lokalne)

Przetwarzanie późne – znalezienie obiektów z użytecznej informacji, uzyskanie

symbolicznego opisu sceny.

Rysuneczek...

•Tilt – prosta prostopadła (normalna) do powierzchni

•Slant – kąt pomiędzy normalną a linią wzroku

•strzałki są narysowane w kierunku 'tilt',

•ich długość jest proporcjonalna do 'slant'

Etapy wstępnego przetwarzania w systemach wizyjnych...



14

• Zadanie – wykonanie wielu charakterystyk obrazu, aby wywnioskować wiele

fizycznych charakterystyk. Nie ma do tego wystarczającej liczby ograniczeń.

1. Primal Sketch

• 1 krok – analiza surowego obrazu jako struktury zmian poziomu szarości

• Efekt – baza opisów cech – krawędzi

• Cechy opisane w 'primal sketch' są trzech rodzajów: krawędzie (edges), słupki 'bars' i

plamki 'blobs'

Coś o liniach wirtualnych - raczej głupoty... podobnie w pozostałych przypadkach, same hasła

powinny wystarczyć...

Rozpoznawanie obrazów cd.

Dysponujemy

• z analizy virtal-lines: zbiorem linii

• z analizy texture: zbiorem regionów o podobnej strukturze

• z analizy stereo: przybliżoną głębokością każdego elementu powierzchni

• z analiz texture i stereo: przybliżonym kierunkiem elementów powierzchni

Jak to złączyć razem? – nie jest łatwo!

• Opisywanie kształtu - połączenia linii

• Dopasowywanie kształtu

08. Omow wnioskowanie z logika rzomyta podaj tez krotki przyklad zalety i wady

Logika w świecie rozmytym

• logika rozmyta gałąź informatyki

• cel - umożliwienie komputerom tworzenia zdroworozsądkowego, zróżnicowanego

obrazu niepewnej rzeczywistości

Logika wielowartościowa.... taki rozkład pozostałych wartości w przedziale 0-1. np. {0; 1/3,

2/3, 3/3}

Definicja operatorów w boolu - oczywista

Definicja operatorów w logice 3 wartościowej:



15

~1-a ~max(a, b) ~min(a, b) ~sum(a, b) ~diff(a, b)

UWAGA DLA: sum(x, y)<=1 diff(1, 1)=1

silna koniunkcja: T(A ∧ B) = min{T(A), T(B)}

słaba koniunkcja: T(A ⊗B) = max{0, A+B -1}

silna alternatywa: T(A ∨ B) = max{T(A), T(B)}

słaba alternatywa: T(A ⊕ B) = min{1,T(A)+T(B)}

Negacja i implikacja są jednakowo definiowane:

negacja: T(A) = 1–T(A),

implikacja: T(AB) = T(AB)

Rozmywanie i wnioskowanie rozmyte Funkcja przynależności µ dla zmiennej temperatura (T)

Reguła 1: if A and B then Z and X; Reguła 2: if C and D then Z and Y

Siła(Reguła 1)=min{µ(A), µ(B)},

Siła(Reguła 2) min{µ(C) µ(D)}

Siła akcji X = Strength(Reguła 1),

Siła akcji Y = Strength(Reguła 2),

Siła akcji Z = max{Strength(Reguła 1), Strength(Reguła 2)}

= max{min(µ(A), µ(B)), min(µ(C), µ (D))}.



16

If cena _akcji_spada and obroty_są_duże then sprzedaj_akcje.

If jest ciepło then obroty silnika ustaw małe.

If jest chłodno then obroty silnika ustaw średnie.

• Podczas wnioskowania sprawdza się, czy dana reguła może być zastosowana, tzn. czy

spełnione są jej przesłanki.

• Jeśli tak, to w oparciu o przypisane przesłankom wartości przynależności wyliczana

jest moc każdej akcji produkowanej przez rozpatrywana regułę.

Kilka reguł może produkować tę samą akcję, każda z różną siłą –

jaka jest ostateczna siła produkowanej akcji.

• Korzysta się z interpretacji koniunkcji i alternatywy dla logiki wielo-wartościowej.

Przykład:

R1: jeśli A i B to Z i Y i R2: jeśli C i D to Z i Y

Siła R1 = min(wartość przynależności A, wartość przynależności B),

Siła R2 = min(wartość przynależności C, wartość przynależności D),

Siła akcji X = Siła R1,

Siła akcji Y = Siła R2,

Siła akcji Z = max(Siła R1, Siła R2) =

= max{min(wartość przynależności A, wartość przynależności B),

min(wartość przynależności C wartość przynależności D)}.

Example:

Załóżmy, że:

Rozmyty zbiór SLOWLY zdefiniowany jest dla X ∈ [0, 40],

Rozmyty zbiór MEDIUM zdefiniowany jest dla X ∈ [30 70],

Punkty obcięcia dla SLOWLY są: X1=6, X2=34, µ=0.6 ,

Punkty obcięcia dla MEDIUM są: X3= 34, X4= 66, µ=0.4,



17

Inne rozmyte wartości nie zostały wywnioskowane (ich siła jest równa zero),

Centroid dla SLOWLY = 20,20

Centroid dla MEDIUM=50.

Mamy funkcję przynależności:

• Obliczenie środka ciężkości (centroidu) każdej funkcji przynależności (rozmyte

wartości wyjść).

• Obcięcie funkcji przynależności do poziomu siły, z jaka dane wyjście jest

produkowane (niebieska i brązowa linia na rysunku).

• Obliczenie pola powierzchni obciętych funkcji przynależności

• Ostra wartość wyjścia jest obliczana jako średnia ważona współrzędnych centroidów x

i obliczonych pól, z polami jako wagami

Przykład - wyostrzanie:

Centroid (T=SLOWLY)=20,

Centroid (X=MEDIUM)=50,

Pole obciętej figury SLOWLY=0,6·(40+28)/2 = 20,4,

Pole obciętej figury MEDIUM=0,4·(40+32)/2 = 14,4.



18

Uproszczony proces - w wykładach "7_8_Wnioskowanie..."

28. 'Dekomponowalność systemów ekspertowych' (systemów produkcji) - jak

rozumiesz, kiedy można zdekomponować system ekspertowy (system produkcji)

Dekomponowalność systemów ekspertowych jest zaganieniem dotyczacym podziału systemu

ekspertowego, tj. jego bazy danych oraz celu. Jeżeli baza danych systemu ekspertowego i

jego cel są dekomponowalne oznacza to że możemy je podzielić na rozłączne zbiory które

mogą być niezależnie przetwarzane.

Cel SE, a zatem również cały system ekspertowy (jego system produkcji) jest

dekomponowalny na podcele jeśli można każdy z tych podceli wywnioskować w oparciu o

częsciowe bazy danych (podsystemy). Ponadto cel musi być spełniany przez pewną logiczną

funkcje podceli, z któych każdy może być rezultatem niezależnego procesu wnioskowania w

podzielonej bazie danych.

Czyli jeżeli mamy drzewo które zmierza do celu, to jeśli wybierzemy sobie dowolne

poddrzewa, to te poddrzewa będa podsystemami, w któych regułami są krawedzie, a faktami

są wierzchołki. Korzeń drzewa w danym podsystemie, jest tym podcelem, którego funkcją

powinien być cel systemu, czyli po polsku: cel końvowy musi zależec od celu, korzenia

drzewa, z tego podsystemu.

21. Omów wnioskowanie w przód w systemach z bazą wiedzy, podaj przykład

TEORIA -> zadanie 02.

Przykłąd:



19

Baza wiedzy:

IF INTEREST=FALL THEN STOCK=RISE

IF INTEREST=RISE THEN STOCK FALL

IF DOLLAR=FALL THEN INTERES=RISE

IF DOLLAR=RISE THEN INTEREST=FALL

IF FEDIN=FALL AND FEDMON=ADD THEN INTEREST=RISE

Przetwarzanie wiedzy zgodnie z algorytmem w 02.

Generalnie w wykładach jest jeszcze rysunek pseudo implementacyjny, który jest trywialny i

głupi...

24. Generowanie planu - metoda propagacji stanów w przód

Generowanie planu:

• proces wykonywany przez agenta planującego (zadania agenta: wygenerowanie celu,

konstrukcja planu, osiągnięcie celu z aktualnego stanu)

• ma na celu zbudowanie planu (sekwencji akcji), który spowoduje przejście systemu ze

stanu początkowego do stanu docelowego

Generowanie planu w oparciu o metodę GAT (generate-and-test) może odbywać się z

wykorzystaniem dwóch podsatwowych metod:



20

- metody propagacji stanów w przód (Forward State Propagation - FSP)

- metody propagacji stanów wstecz (Backward State Propagation - BST)

Metoda propagacji stanów w przód Metoda ta może zostać zastosowana zarówno bez jak i z wykorzystaniem heurystyki.

Przykładowa heurystyka mogłaby się opierać o odległość euklidesową na płaszczyźnie i

powodować wybór operatorów, które najbardziej przybliżają do celu.

Cechy metody:

• generuje wszystkie mozliwości rozwiązań i sprawdza ich wykonalnośc

• użyteczny gdy liczba możliwych rozwiązań jest mała (zbyt duża liczba mozliwości

doprowadzi do eksplozji kombinatorycznej)

• łatwo jest wygenerować zamknięte cykle - trzeba trzymać ślad akcji żeby nie tworzyć

cykli

W wersji bez heurystyki FST:

0. reprezentuj stan początkowy i stan docelowy

0. reprezentuj operatory

0. ustal aktualny stan jako stan początkowy

0. jesli początkowy jest koncowym, to zatrzymaj

1. tworzymy zbiór L0 - czyli zbiór operatorów których warunki wstępne sa spełnione w

aktualnym stanie Si

- jeśli L jest puste, to zawracamy

- jeśli nie ma alternatyw - planu nie można znaleźć

2. Wybierz jeden operator z L0 i tymczasowo sformułuj kolejny stan Si+1 jako wynik

azstosowania tego operatora

3a. sprawdż czy są konfliktowe subcele w wygenerowanym zbiorze Si+1

- jeśli istnieją, to zmień operator

3b. zatrzymaj dla sprawdzenia cyklu

- jeśli jest cylko, zawróć i wybierz inny operator

- jeśli nie ma cyklu, to przejsć do kroku 4

4. sprawdź czy w tym wygenerowanym zbiorze Si+1 jest moze stan końcowy Sg. jesli tak -

SUKCES, jeśli nie, to Si=Si+1, czyli uznajemy że zrobiliśmy krok dalej i powtarzamy cały

proces od punktu 1.

Tworzymy drzewko, takie jak na slajdzie.

23. Własności systemów "zamiennych" (commutative - zaienne, niezależne od kolejności reguł)

Czy system produkcji jest deterministyczny?

• W ogólności program jest niedeterministyczny, kiedy dopuszcza więcej niż jedno

obliczenie (wnioskowanie kilkoma ścieżkami do celu równocześnie)



21

Systemy produkcji:

• commutative (zamienne, niezależne od kolejności reguł)

• noncommutative (niezamienne, zależne od kolejności reguł) -> 05.

Trzy własności systemów "zamiennych” - za Nilsson’em:

1. Każda reguła stosowalna w D, jest też stosowalna w D’ osiągniętej z D przez

stosowanie stosowalnych reguł

2. Jeśli cel jest osiągalny w D, to jest też osiągalny w każdej D’ produkowanej przez

stosowalne reguły w D

3. D’ generowana przez zapalone stosowalne reguły w D jest niezmienna dla permutacji

w zapalonej sekwencji

Można więc:

• stosować jedną permutację stosowalnych reguł

• stosować 'irrevocable' strategię (nieodwołalna bez pamięci)

Chyba więcej ciekawych rzeczy nie ma...



22

26. Omów wnioskowanie w tył w systemach z bazą wiedzy, podaj przykład

TEORIA -> zadanie 02.

Przykład. Wnioskowanie w tył: Backward Chaining 1. Określ konkluzję 2. Przeszukaj listę konkluzji, znajdź nazwę konkluzji 3. Ustal IF klauzule w części IF (warunki) reguły 4. Jeśli jedna z klauzul IF nie ma wartości, i nie jest zmienna konkluzji, zapytaj użytkownika o jej wartość 5. Jeśli jest zmienna konkluzji w innej regule, zapisz numer tej reguły na wierzch stosu konkluzji i idź do

kroku 3 6. Jeśli wyrażenie na wierzchu stosu nie może być ustalone za pomocą tej reguły, usuń go ze stosu i wyszukaj na

liście konkluzji innego wyrażenia z tą zmienną 7. Jeśli znajdziesz, idź do kroku 3. 8. Jeśli nie ma więcej konkluzji na stosie z ta nazwą, to reguła dla poprzedniej konkluzji jest fałszywa. Jeśli nie

ma poprzedniej konkluzji, nie można znaleźć odpowiedzi. Jeśli jest, wróć do kroku 6 9. Powtórz powyższe (idąc do 3) aż żadnej innej zmiennej konkluzji nie ma w kolejce

Baza wiedzy:

IF DEGREE NO THEN POSITION NO

IF DEGREE=YES THEN QUALIFY=YES

IF DEGREE=YES AND DISCOVERY=YES

THEN POSITION=RESEARCH

IF QUALIFY=YES AND GRADE < 3.5 AND EXPERIENCE ≥ 2

THEN POSITION=SERVICE ENGINEER

IF QUALIFY=YES AND GRADE < 3.5 AND EXPERIENCE < 2

THEN POSITION=NO

IF QUALIFY=YES AND GRADE ≥ 3.5

THEN POSITION=PRODUCT ENGINEER

Przykład to zastosowanie algorytmu do bazy - nie powinno być straszne....



23

25. Omów metodę rozwiązywania problemów spełniania ograniczeń (CSP):

rozpraszanie w oparciu o dziedziny zmiennych - podaj przykład

Rozpraszanie w oparciu o zmienne determinuje sposób podziału zadań pomiędzy działających

agentów.

• każdy agent odpowiedzialny za jedną lub kilka zmiennych

• przestrzeń poszukiwań podzielona pomiędzy agentów

• decyzja jednego agenta wpływa na inne poprzez ograniczenia łączące zmienne

• wartości niepoprawne są usuwane z dziedzin zmiennych

Przykład.

Problem trzech hetmanów. Każda kolumna to jest inna zmienna, 3 możliwe wartości. Kazdy

proces otrzymuje jedną zmienną. kazdy proces zakłada że zna zmienna w jednej kolumnie i

poszukuje wartości dla dwóch pozostałych kolumn. Poszukiwanie rozwiązania jest

niezależne. Dla każdego podproblemu może być inny algorytm ale nie musi.

opracowanie pdf

Documents