автореферат диссертации по информатике, вычислительной технике и управлению, 05.13.17, диссертация на тему:Разработка методов создания прикладных интеллектуальных систем с использованием технологии SIMER+MIR

Г 1 -

2 3 НОВ ИЗ*

РОССИЙСКАЯ АКАДЕМИЯ НАУК ИНСТИТУТ ПРОГРАММНЫХ СИСТЕМ

На правах рукописи

Сазонова Людмила Ильшичпа

Разработка методов создания прикладных китсллмсгуальных систем с использованием технологии 8ШЕВ.+МШ (в области экологии и прогнозирования морских биологических ресурсои)

Специальность 05.13.17- теоретические основы »нформагики

АВТОРЕФЕРАТ диссертации на соискание ученой стеисич кандидата технических наук

Перетлавль-Залгеский 1998

Работа выполнена в Исследовательском центре искусственного иителлек Института программных систем РАН

Научный руководитель - доктор физико-математических наук,

профессор ОСИПОВ Г.С

Официальные оппоненты - доктор технических каук, профессор

EPEMRRRA.IL кандидат технических наук, доцент БРИТКОВ В.Б.

Ведущая организация - Российский научно- нсследошоельский институт информационных технсдопш и автсмагызащам1рое.сшрован^1

Защита состоится " Х5" де.^а^ 1998 года в ¡ 4 на заседай специализированного диссертационного совета - Д200.-36.01 при Инстту программных систем Российской академии наук ко здрссу: 152140, Ярослав« а область, г. Переславль-Залсссквй.

С диссертацией можно ознакомиться в библиотеке Ннсплу программных систем РАН

Автореферат разослан "/Д" ИС^/гЛ998 года.

Ученый секретарь специализированного совета, Д200.36.01 к.ф.-м.н.

В.Н. Юматужина

ОБЩАЯ ХАРАКТЕРИСТИКА РАБОТЫ

Актуальность работы. Разработка методов создания прикладных интеллектуальных систем в различных областях приносит кардинальные изменения в эти области, стимулирует их дальнейшее развитие, предлагает новые способы работы с информацией.

¡ ; Сложность и многообразие структур знаний порождают многообразие формальных способов их представления и разработку соответствующих программных. средств, предназначенных для работы с такими структурами.

С другой стороны, то же многообразие структур знаний требует развития методов выявления знаний и переноса их в интеллектуальные программные системы. Известно, что проблемы выявления знаний (например, компетентности эксперта) с возникновения инженерии знаний и по сегодняшний день относятся к числу сложнейших проблем искусственного интеллекта. В этой связи, особенно важными оказываются исследования, направленные на установление специфических черт устройства знаний тех шш иных предметных областей и использование этих исследований для создания проблемно-ориентированных методов приобретения и представления экспертизы.

Как показывает ряд работ последних лет, наибольший эффект на этом пути дает применение технологических программных средств выявления, переноса и представления знаний. Одной из таких технологий является технология 51МЕ11+МШ, которая позволяет существенно изменить традиционную технологию создания систем, основанных на знаниях. Как известно, традиционный подход к инженерии знаний включает в себя реализацию следующих стадий создания прикладной системы: идентификация проблемы; концептуализация проблемы; формализация проблемы; реализация; тестирование.

Использование технологии БШЕЯ + МШ. меняет содержание и количество стадий инженерии знаний. Из перечисленных выше стадий инженерии знаний остается стадия идентификации проблемы. Появляется новая стадия - приобретение знаний. Концептуализация проблемы выполняется в процессе приобретения знаний. Стадия формализации теряет свое самостоятельное значение, так как становится одной из фаз приобретения знаний и возлагается на инструментальные средства.

Стадия реализации, которая предусматривает создание прототипа, отпадает совсем. Стадия тестирования в рамках рассматриваемой технологии остается: проверяется правильность заполнения базы знаний, ведется ее актуализация и пополнение. Таким образом, использование 51МЕ11+МГО. предполагает наличие лишь трех стадий инженерии знаний при создании систем, основанных на знаниях: идентификация, приобретение знаний и тестирование.

Приобретение знаний на основе интеллектуальной технологии ЗГМЕИ+МШ. предоставляет возможность прямого приобретения знаний интерактивным интерпретатором экспертизы и взаимодействия прямого приобретения знаний с методами приобретения знаний путем анализа текстов и обучения на примерах.

Приобретение знаний компьютерной системой предполагает, что знания системы о конкретной предметной области будут представлены в соответствии с

- используемым формализмом представления знаний, в нашем случае - это неоднородные семантические сети;

- принципами и методами представления знаний, лежащими в основе подхода, используемого в интерактивном интерпретаторе экспертизы;

- конкретными требованиями данной системы приобретения знаний;

- основными принципами системы моделирования рассузвдений и выполнения вычислений над базами знаний;

конкретными требованиями и возможностями интерпретатора базы знаний.

Представление знаний, в конечном итоге, определяет основные характеристики системы, разрабатываемой с использованием конкретных инструментальных средств, и это свидетельствует об актуальности данной работы.

Цель и задачи работы. Основной целью данной работы является исследование когнитивных структур и способов их представления с использованием технологии БГМЕК+МШ. для решения задач диагностики, прогнозирования, оценки запасов, интерпретации данных и планирования производственного процесса в различных предметных областях, имеющих плохую структуру. В соответствии с основной целью выделены следующие задачи:

- анализ принципов и методов представления знаний в рамках формализма семантических сетей, лежащего в основе инструментальных средств БГМЕК+МШ;

- разработка представления знаний в экспертных системах в области экологии;

- разработка представления знаний в распределенных интеллектуальных системах поддержки принятия решений для задач оценки ресурсов;

- применение разработанных. подходов в представлении знаний для конкретных задач путем создания и внедрения прикладных систем.

Научная новизна работы. Научная новизна диссертационной работы состоит в следующем:

- в исследовании принципов создания моделей предметных областей, отражающих этапы развития процессов,

в разработке моделей предметных областей с использованием инструментальных средств БШЕК+МШ,

в разработке архитектур распределенных интеллектуальных систем в области оценки и прогнозирования морских биоресурсов, которые включают в себя базы знаний, базы данных и внешние программы,

- в реализации прикладных систем, которые открыли новую область приложения для систем искусственного интеллекта

Практическая значимость и реализация результатов. Исследованы принципы и разработаны методы представления знаний с использованием интеллектуальной технологии БЫЕШ-МГО. для разных предметных областей;

Разработаны экспертные системы в области экологии «Опенка качества воды», «Воздух рабочей зоны», «Санитарно-лабораторная экспертиза продуктов питания", экспертная система «Оценка качества воды» решением Экспертного совета при Госкомсанэлиднадзоре Российской Федерации рекомендована к использованию в системе учреждений Госсанэпидслужбы РФ;

Созданы и внедрены в эксплуатацию распределенные интеллектуальные системы для решения задач оценки ресурсов: «Интегрированная система оценки состояния запасов анчоусовидной кильки, прогнозирования величины допустимых уловов и распределения квот вылова между государствами Каспийского бассейна», «Интегрированная система оценки состояния популяции

гребневика на базе промыслово-эколопиеского мониторинга Азово-Черноморского бассейна», «Интегрированная система оценки состояния запасов азовской хамсы и прогнозирования величины допустимых уловов на базе промыслово-эхологического мониторинга Азово-Черноморского бассейна», «Интегрированная система оценки состояния запасов азовской польки и прогнозирования величины допустимых уловов на базе промыслово-экологического мониторинга Азово-Черноморского бассейна».

Апробация работы. Основные результаты работы докладывались и обсуждались на всесоюзной конференции по искусственному интеллекту в Минске (1990), IV национальной конференции по искусственному интеллекту с международным участием в Рыбинске (1994), на 4-ой Международной Российско-индийской выставке-семинаре «Математическое моделирование и визуализация» в Москве (1997), на семинаре «Вопросы автоматизации задач управления территориями» в Ярославле (1996), на конференции «Роль информатики в региональном развитию) в Переславле-Залесском (1996), а также были представлены на семинаре BESAI «Binding Environmental Sciences and Artificial Intelligence», проходившем в рамках 13-ой Европейской конференции по искусственному интеллекту ЕСАГ98 в Великобритании (1998). Распределенные интеллектуальные системы «Каспий» и «Азов» демонстрировались на выставках в Госкоминформе, в Академии наук, в Госкомитете по рыболовству РФ.

Публикации. Автор имеет 15 публикаций, по теме диссертации опубликовано н находится в печати 10 работ, (список прилагается).

Структура и объем работы. Диссертация состоит из введения, 4 глав, заключения, списка литературы, содержащего 69 наименований, и 2-х приложений. Общий объем работы 139 страниц текста.

ОСНОВНОЕ СОДЕРЖАНИЕ РАБОТЫ Во введении обосновывается актуальность темы работы, формулируется основная цель, практическая значимость и дано краткое изложение содержания работы по главам. Глава 1. Представление знаний с использованием семантических сетей

В разделе 1.1. рассмотрены основные системы, основанные на

знаниях, в которых используется формализм семантических сетей. Указываются недостатки существующих подходов, показываются преимущества неоднородных семантических сетей, лежащих в основе интеллектуальной технологии Б1МШ1+МШ. В разделе 1.2 рассмотрены особенности представления знаний с использованием инструментальных средств БХМЕИ+МШ.

База знаний (БЗ) представляет собой интенсиональную неоднородную семантическую сеть и задается некоторой совокупностью событий и связей между ними. , Событием называется произвольная пара Е = <N,0, сосгбящая из имени события N - N (Е) (т.е., слова в некотором алфавите) и его характеристики' ..

С = С(Е) = А::у* ..., Л,:У„ Е,,Е:,.... £*А являющейся множеством, возможно даже пустым (случай п=0 и к=0). Элементами этого множества служат ранее построенные события , } < к, и пары^-ч»,, I ¿п, где >4/ - атрибуты, а VI - значения этих атрибутов. Причем, все А/ в одном событии должны бьггь различными, а у разных событий могут быть общие атрибуты. Предполагается также, что каждому атрибуту А1 (независимо от рассматриваемого события) сопоставлен его домен (или шкала) Д- (или И(АЦ) - непустая область возможных его значений, откуда и берегся у(. В каждой конкретной базе знаний будет использоваться свой набор атрибутов, доменов и событий, в зависимости от предметной области, которую эта БЗ должна описывать.

Для произвольных значений и>, у домена D мы будем говорить, что значение V соответствует значению у, если они совпадают или, в случае непрерывного домена, интервал у является частью интервала у. Если же значения и> и у различны, в случае дискретного домена, или \у и V являются непересекающимися интервалами, в случае непрерывного домена, то это означает, что значения и» и у противоречивы.

Предполагается, что имеется некоторый фиксированный набор бинарных отношений Л/, Я*... между (всеми потенциально возможными) событиями БЗ. Имена и смысл этих отношений являются общими дм всех возможных (в том числе рассматриваемых в данной работе) баз знаний, независимо от предметной области. Для удобства эксперта, устанавливающего эти связи, им присвоены словесные выражения тала: .

"при наблюдении Е, всегда наблюдается Ej" (iсильная положительная связь от Е] к Ej)

"при наблюдении Е; всегда отсутствует (сильная отрицательная связь сгг£; к Ез) Отношения Я/ можно представлять как ' дуги соответствующих типов между событиями, а данный способ представления знаний называется неоднородной семантической сетью. Эти связи между событиями и их комбинации (обозначаемые как Q*, Q+*. Q, Q~, Q\...) будут использоваться программой MIRAGE для вывода в каждой реальной стуации предметной области того, что какие-то события имеют место.

События группируются экспертом в возможно пересекающиеся разделы Л. Таким образом реализуется процесс выделения классов объектов, ситуаций, состояний среда понятий предметной области. В разделы объединяются также события, являющиеся исходными при работе ЭС - признаки, и события, установление значений которых является целью работы системы, -гипотезы. Структура, в которой участвуют признаки, гипотезы , событие С (имеющее метку «комплекс»), и имеющая следующие связи между компонентами (С, НО eQ+*, (С. е<2++, (Ej,H0 eQ+, называется положительным комплексом признаков. Комплекс считается выполненным, если все признаки получили значение «Да» и все атрибуты выполнены. При наличии связей типа (С, НО eQ~ , (С, E)eQ++, (ErH)eQ комплекс признаков называется отрицательным.

Кроме отношений Д„ некоторые другие связи между событиями могут устанавливаться с помощью специальных (внутренних и внешних) процедур, вычисляющих значения некоторых атрибутов событий, на основе уже известных значений других атрибутов "установленных" событий.

Точнее, у процедуры должны быть входные и выходные параметры, а также, в случае внутренней процедуры ее тело, описывающее действие процедуры. Параметрами могут служить атрибуты, а также и произвольные события. Значениями атрибутов служат элементы из соответствующих доменов. Для входных атрибутов в процедуре обязательно указывается часть домена -область возможных значений параметра, в которую должно попасть значение атрибута, чтобы процедура могла начать работу.

Таким образом, процедура вычисляет по значениям входных параметров значения выходных параметров согласно алгоритму, записанным в ее теле. Внешние процедуры, помимо вычисления значений выходных параметров, могут создавать или менять, а также использовать какие-нибудь внешние файлы. Это могут быть и базы данных и другие базы знаний.

События могут быть объявлены признаками, гипотезами, комплексами, полными событиями и предшествующими признаками,:

В основе работы системы Mirage лежат следующие основные стратегии: генерирование максимального количества гипотез Нтах; редуцирование максимального количества гипотез Нта1 по определенному алгоритму; формирование решения. В ходе работы программа Mirage осуществляет следующие операции: формирует список признаков, подаваемых на опрос, проводит последовательную обработку каждого введенного значения, формирует список рассматриваемых гипотез Н,, формирует список отвергнутых гипотез #„, инициирует работу процедур, активизирует запросы в базы данных или другие базы знаний, осуществляет автоматическое комментирование объектов базы знаний. Вывод в системе может происходить с использованием связей, свойств и процедур.

Взаимодействие баз знаний осуществляется с использованием программы Mirage. Обозначим базу знаний - клиент, из которой посылается запрос как KBh базу знаний - сервер, в которую посылается запрос как КВ2. Указание о том, какой запрос и в какую базу знаний посылать содержится в KB1 в виде внешней процедуры, занесенной туда экспертом с помощью программы SIMER на этапе создания базы знаний.

Внешняя процедура (с именем Р) в общем случае записывается следующим образом:

ProcP(sin, soul) = Body. Здесь s'n и sDU' - множество входных и выходных параметров процедуры Р, Body - тело процедуры, имеющее вид Prog(parametrs), где Prog - внешняя программа, parametrs - строка параметров внешней программы (которая должна содержать в том числе и имя файла /для передачи значений s'", sDU' между базой знаний KB, и

другим внешним источником информации - другой базой знаний КВ2 или произвольным файлом.

Выполнение процедуры P(s'n , s0"' ) осуществляется путем вызова внешней программы, указанной в теле процедуры, при условии, что все входные параметры получили значения. В результате работы процедуры выходные параметры также получат значения, которые будут переданы в базу знаний. - клиент.

В случае взаимодействия баз знаний внешней программой является вторая копия программы Mirage, а в строке параметров должно быть макроопределение $(BASE= имя базы). Различные

копии программы Mirage будем обозначать как А/;, Л/?.....Каждая

копия программы работает со своей базой знаний KBj. Таким образом запрос Qufs^.f'). посылаемый программой [M]i из базы знаний KBt в базу знаний КВ2, запишется в виде

Qn(s\s°u'): Proc JVV"; = [M]2($(BASE= KBj)). В конце каждого сеанса работы решате.р> имеет список рассматриваемых гипотез, из которых необходимо построить решение.

Глава 2. Основные методы представления знаний в интеллектуальной технологии SIMER+MIR

Модели предметных областей, создаваемые с использованием ИТ SIMER+MIR, можно разделить на две группы. В первую группу попадают модели, у которых путь в графе, по которому идет вывод , является коротким (2-3 шага). Примером могут служить модели, создаваемые для решения задач диагностики. Ко второй группе относятся модели, в которых отражены этапы развития процессов и путь в графе, по которому идет вывод, является длинным. В качестве примера можно использовать модели, созданные для решения задач прогнозирования биологических морских ресурсов. Естественно, что это деление условно, так как в моделях второй группы могут присутствовать фрагменты, характерные для первой группы, и наоборот.

В разделе 3.1 описано представление знаний в моделях дифференциальной диагностики

В разделе 3.3 описан вариант представления в моделях предметных областей иерархических понятий большой вложенности с использованием динамических связей

В разделе 3.3 описана реализации средствами системы S1MER +MIR логических связок с использованием связей между событиями.

Выражение типа a &b с реализуется средствами системы SIMER+MER следующим образом:

- вводится полное событие/,

проводятся следующие связи между объектами базы знаний

(f, a) eQ++, (f, Ь) eQ++ (или а и А объявляются свойствами события с) и (f, с) eQ". Выражение типа (a v b) с:

вводится служебное событие г,-' проводятся следующие связи между объектами базы знаний (a,r)eQ", (b. r)eQ", (г, c)eQ".

Для реализации средствами системы логической связки «не» используются связи или процедуры. В разделе 3.4 представлены модели предметных областей, отражающих этапы развития процессов. Пусть некоторые признаки данного раздела разбиты на группы, скажем, по три Л;, А2. А3; Blf В2. В}; С;, С;, С3. У каждой группы имеется общий атрибут. У каждого

признака группы - свое значение атрибута, которое соответствует распространенной качественной оценке всевозможных факторов: высокая, средняя, низкая ( часто встречается 2-х бальная оценка - хорошая, плохая, или 5-ти бальная: очень большая, большая, средняя, маленькая, очень маленькая). Из каждой грушах событий только одно может быть выполнено ( по смыслу) и только одно значение атрибута из трех будет выбрано пользователем. Набор выбранных значений атрибутов назовем выборкой. (В рассматриваемом примере из трех групп признаков возможных выборок будет 27). Все возможные выборки также естественно расклассифицировать согласно какой-то разумной градации.

Приведем один простой алгоритм такой градации выборок из тех же трех значений (высокая, средняя, низкая).

Если хотя бы одно выбранное значение атрибута соответствует градации «низкая» / = 1, то есть имеет место дизъюнкция Aj v Bj v Cl: то и вся выборка событий характеризуется в целом как «низкая» (1)

В противном случае, если хотя бы одно значение атрибута соответствует значению «средняя» (/ = 2), то и вся выборка характеризуется как «средняя» (2)

и, наконец, если все выбранные значения атрибутов соответствуют значению «высокая», то и вся выборка характеризуется как «высокая». (3)

(Вариант 1). Чтобы отобразить в базе знаний эту, фактически логически определенную градацию выборок возможных событий, введем соответствующие гипотезы Я; (градация «низкая»), Н2 (градация «средняя»), Н3 (градация «высокая») и связи между признаками из выборок и гипотезами.

Чтобы отобразить условие (1), введем служебное событие Последнее необходимо, чтобы средствами системы приобретения знаний отобразить дизъюнкцию признаков: Л; V V С]. Для этого проведем следующие связи:

(Л,. 0,. \vOeQ", (С,, »¡)е<2'°.

связано с соответствующей гипотезой связью <2+: (щ.Н,)б{2*.

Чтобы отобразить условие (2) , введем служебное событие Оно необходимо, чтобы отобразить дизъюнкцию признаков: Аз V В2 V С2. Для этого проведем следующие связи:

(А3, м/^ей". (Вз,*>з)е<2'\ (С2.^з)е^\

\у2 связано с соответствующей гипотезой связью

кроме того (м'1. Из) е(£.

Чтобы отобразить условие (3) проведем следующие связи. Все признаки с одинаковой градацией связаны связью типа О* с соответствующей гипотезой:

(АиЩе$, (ВиНде<2\ (Си Н^ е<2+, (АъНз)е<2\ (Вз,Нз)е<2\ (С^Щед*. (А3,Нз)е<2\ (В>.Н4е(2\ (С3.Нз)еО*. Кроме того необходимы отрицательные связи: (мп.Н^ед и (м>з, Нз)

Глава 3. Основные модели и когнитивные структуры в области экологии

Экологические экспертные системы, созданные с использованием интеллектуальной технологии БЕМЕЯ+МШ, охватывают основные компоненты окружающей среды: воду, воздух и продукты питания. Так ЭС "Оценка качества воды" предметом своего исследования имеет воду для питьевого и хозяйственно-бытового водоснабжения. ЭС "Воздух рабочей зоны" -воздух закрытых помещений крупных цехов промышленных

производств. ЭС "Саиитарно-лабораторная экспертиза продуктов питания" позволяет оценивать пригодность к употреблению скоропортящихся кондитерских изделий н выявлять причины снижения качества продукции. В данных системах переплетаются разные приложения инженерии знаний: интерпретация, диагностика, прогноз, отладка.

В разделе 3.1. представлена модель предметной области ЭС "Оценка качества воды". ГОСТ на качество питьевой воды устанавливает предельно допустимые концентрации дня соединении химических веществ. Высказывания "Содержание в воде соединений трехвалентного железа больше, чем 0,3 мг/л" и "Содержание в воде соединений трехвалентного железа меньше, чем 0,3 мгл", "Возможен дерматоз", "Возможен цианоз" выступают в роли событий, так же как и заключения о качестве воды: "Вода соответствует ГОСТу по химическим показателям" или "Вода не соответствует ГОСТу по химическим показателям" и т. д. Формально первые два события записываются следующим образом:

< Ре<0.3, {железо Бе: [0,0.3]} >

< Ре>0.3, {железо Бе: (0.3,1]} >, (где 0 и 1 - левая и правая границы домена Б (Те)). Событие "Возможен дерматоз" в данном случае не имеет накаких атрибутов и задается только своим именем. Межцу этими событиями устанавливается следующая связь:

При наблюдении события Те>0.3и может наблюдаться событие "Возможен дерматоз".

События с именами 'Те<0.3 ", "Сг<0.05",... объединяются в комплекс < "вода безвредна по химическим показателям",{Ре<0.3, СгО.ОЗ....}>, который связан с событием "Вода соответствует ГОСТу по химическим показателям" связью , то есть имеется связь:

При наблюдении события "вода безвредна по химическим показателям" всегда наблюдается событие "Вода соответствует ГОСТу по химическим показателям". Комплекс "вода безвредна по химическим показателям" имеет кроме того соответствующие связи типа ()++ со всеми признаками, входящими в него, а также еще с некоторыми гипотезами, например, с гипотезой "Вода не соответствует ГОСТу по химическим показателям" - связь типа (Г.

Система позволяет отслеживать совместное действие различных примесей. Так, Те>0.3" и "Р>6" в отдельности не

приводят к заболеванию энзимопатией, но в базе знаний имеется связь

При наблюдении события Те>0.3 & Е>6" может наблюдаться событие "Энзимопатия", событие ТеХ).3 & Р>6" может иметь имя «совместное действие железа и фтора», оно объявляется'в базе знаний полным н только при наличии и ТеХ).3" и "Р>6" в списке рассматриваемых появится гипотеза "Энзимопатия".

Для учета длительности нахождения в воде примесей, например, железа вводятся еще два события" Железо +" и "Железо -", у которых имеется одинаковый атрибут «Железо/больше месяца/» со значением «да» для первого события и со значением «нет» - для второго. Значения этому атрибуту присваивает внешняя процедура, которая обращается в соответствующую базу данных и отслеживает превышение ГОСТа по содержанию железа в течение предыдущего месяца. Далее, события Те>0.3" и "Железо +" объединяются в комплекс, который имеет имя " Длительное действие больших доз железа":

<" Длительное действие больших доз железа",{нРе>0.3","Железо+"}>. Этот комплекс связан связью б" с целым рядом гипотез, так как длительное нахождение в воде только соединений железа может привести к появлению целого «букета» заболеваний.

Для десяти наиболее токсичных соединений, содержащих мышьяк, свинец, ДДТ и другие сильнодействующие вещества, обозначаемых 1, ведется контроль суммарного присутствия в воде - подсчитываете« так называемый санитарно-токсический показатель (СТО).

Аналогичные объекты базы знаний, структуры и процедуры имеются для всех других химических соединений. Кроме того, в базе знаний предсталены органолешнческие и бактериологические параметры. Экспертная система включает в себя девять баз знаний для разных типов водоисточников

В разделе 3.2. представлена модель предметной области ЭС «Оценка воздуха рабочей зоны»

В разделе 3.3. представлена модель предметной области ЭС Санитарно-лабораторная экспертиза пищевых продуктов» На рисунке 1 показан фрагмент семантической сети ЭС «Оценка качества воды», включающий бактериологические показатели.

Глава 4. Основные модели и когнитивные структуры в области оценки и прогнозирования морских ресурсов В разделе 4.1 представлены задачи, решаемые в экспертными системами в области прогнозирования морских биоресурсов, приведена схема выработки решения и перечислены системы, сданные в эксплуатацию.Системы поддержки принятия решений по управлению ресурсами позволяют решать следующие задачи: оценка текущего состояния ресурсов, прогноз состояния ресурсов на прогнозируемый год, определение доли (от всего количеств ресурсов), реализация которой возможна без ущерба для дальнейшего состояния ресурсов, возможный вариант реализации на основе научно-обоснованных критериев.

В разделе 4.2. описано представление знаний в базах знаний, входящих в ЭС.. База знаний 1 содержит разделы: Индивидуальная плодовитость, Популяционная плодовитость, Нерест, Эмбрионы, Личинки, Мальки и т. д., всего в базе знаний более 40 разделов. Каждый раздел состоит из событий. Например, в разделе «Нерест» имеются следующие признаки: численность нулевого поколения, популяционная плодовитость, соотношение полов в районах нереста, количество выметанной икры, количество оплодотворенной икры, гидрологические условия в районах нереста (значение этого признака выясняется в базе знаний КВ3), длительность нереста, выедание икры и т.д.

Структуру признака проиллюстрируем на примере признака «численность нулевого поколения». Он представлен в базе тремя событиями E¡, £:, Еъ (приводящими к различным гипотезам) с именами:

N(E¡) = «Численность нулевого поколения низкая», N(E¡) = «Численность нулевого поколения средняя», N(E3) = «Численность нулевого поколения высокая». У этих событий имеется общий атрибут «численность 0+ поколения», а его значения - разные (содержательно соответствующие низкой, средней н высокой численности). Примечание: 0+, 1+,...,- это обозначение возраста рыб, 0+ - рыбы в возрасте до года, 1+ - рыбы в возрасте от года до двух. У всех этих событий имеется общий атрибут «численность 0+ поколения», а значения разные.

E¡ = <численность 0+ поколения низкая, { численность 0+ поколения : [0, 40 (млрд.экз)]},

E¡ = <численность 0+ поколения средняя, { численность 0+ поколения : [40.01, 60]},

Е3 = <численность 0+ поколения высокая, { численность 0+ поколения: [60.01, 100]}

и аналогично для всех других возрастов 1+, 2+, 3+ и т. д. и для общей численности всех поколений. Все эти события поместим в один раздел P¡ «Численность рыб во время съемки».

В базе знаний имеется расчетная процедура, которая суммирует численность поколений 0+, 1+ (обозначим ее 21) и сравнивает ее с суммой численностей более старших поколений 2+, 3+ (Z2). Выходными параметрами этой процедуры служат события «В популяции преобладают молодые рыбы» (Х*>£2) и «В популяции

преобладают старые рыбы» (1'<Е2), которые получают соответствующие значения «да» и «нет». В качестве целевых событий (гипотез) в ба' е знании есть события:

НЧ1 = «Популя лонная плодовитость низкая», НЧ2 = «Популя- яонная плодовитость средняя», Я,з = «Попудянионная плодовитость высокая». Между событиями (Х'>12) и Н,з имеется связь типа запишем ее следующим образом: ((Е'>£2), Н^ ) е &. Кроме того, есть еще связь:

((2'>12), Н,,) >: (7 и так далее.

Далее описьсваются следующие разделы. Между признаками, гкштезамии, различными служебными событиями устанавливаются различные связи из фиксированного набора связей. Выводы, полеченные на данном этапе используются в качестве признаков на следующем этапе, для передачи результатов одного этапа на следу) иций используются специальные служебные события н",. Таким об:-азом, знания в базе знаний распределены в нескольких плоскостя.

В разделе 4.3 приведена модель решения задачи прогнозирования рыбных ресурсов. Особенностями систем прогнозирования морских запасов являются:наличие моделей, отражающих этапы развития процессов, кооперативный режим работы нескольких баз знаний, использование внешних программ, реализация альтерна- ганшх методик, наличие большого числа рассчитанных знача->ш атрибутов, графическое представление данных.

Признаки уча твуют в выводе на сети, если они получают соответствующие зна-гения. По способу получения значений во время работы экспертной системы признаки могут быть разделены на две группы. В перв;то группу входят прюнакн, значения которых вводятся пользователем интерактивно или из баз данных. Ко второй группе относятся признаки, значения которых присваиваются системой в результате вывода на сети. Это выведенные признаки. Признаки могут быть выведенными и в другой базе знаний, то есть они являются резулыатом работы экспертной системы в другой предметной области. В этом случае речь 'идет о взаимодействии баз знаний. Значения признаков («да», «нет», «пока неизвестно», «неизвестно») и значения атрибутов могут быть присвоены системой в результате работы вычислительной процедуры. Для

икидиатхтпации процедуры могут использоваться признаки, значения которых дошокз выведенными системой или введенными интерактивно. Признак, значение которого вводится пользователем, который не имеет связей: с";фугаиш'сЬбьггиями предметной области, который подается наг~опрос принудительно и служит для инициализации работы процедуры назовем запускающим параметром.

О - признак, значение которого вводится пользователем,

© - признак, значение которого выводится системой,

• - гипотеза,

® - «ошуаоиощнй» пркшис

Рнс.2

На рисунке 2 представлена упрощенная схема работы экспертной системы; состоящей из двух баз знаний: слева - схема фрагмента семангической сеги базы знаний КВЬ справа - КВ?. Пользователь начинает ввод в КВи программа осуществляет вывод

по свойствам к связям. Далее на схеме показан ввод из базы данных и обращение в базу знаний КВ2 с использованием запускающего параметра. Отсутствие обычной структурной связи между событиями, входящими в цепочку вывода, в КВ1 восполняется наличием вычислительной процедуры, которая как бы

восстанавливает эту цепь. Программа может быть вынесена за пределы базы знаний и написана на любом языке, .а может быть реализована внутри базы знаний имеющимися для этого средствами.

В ходе работы системы часть гипотез из всего множества гипотез попадает в рассматриваемые. Список рассматриваемых гипотез на каждом шаге работы системы может претерпевать изменения: увеличиваться за счет новых положительных связей или уменьшаться за счет исключающих связей.

Признаки, предъявляемые пользователю во время работы системы, могут быть комментируемыми. В качестве комментариев выступают текстовые и табличные материалы, графики и т.д.

Внешние программы также используют данные из баз данных. Рассчитанные вычислительной процедурой значения присваиваются событием, атрибутам и (или) свойствам гипотез. В экспертных системах «рогнозироваиия запасов рыбных объектов использованы внешние программы, автором которых является М.Н.Годовников.

Если для выяснения статуса некоторой гипотезы Н( необходим признак, значение которого может быть выведено только в другой базе знаний, то в нее направляется соответствующий запрос.В системе «Каспий» схема взаимодействия баз знаний выглядит следующим образом: Из КВ1 идет обращение в КВ2, из КВ2 - в КВз, выработка решения в КВ3, возвращение выведенных значений в КВ2, продолжение опроса в КВ2, передача выведенных значений в КВ1. Продолжение опроса в КВ1 включает в себя еще три обращения в КВ3. Далее из КВ1 идет передача значения в КВ4. Выведенные в КВ4 значения возвращаются КВ1г где и происходт-формирование окончательного решения. Сформированное системой решение (решення) представляет собой список гипотез, выражающих основные заключения по каждому этапу жизни популяции. На рисунке 3 приведена общая схема системы прогнозирования запасо а «Каспий».

В разделе 4.4. приведено обсуждение результатов работы интеллектуальных распределенных систем оценки и

прогнозирования морских биологических ресурсов. Системы осуществляют прогнозирование значений численности и биомассы всех поколений рыбы данного вида на два года вперед, общий допустимый объем вылова популяции и дает рекомендации, как можно распределил, объемы квот вылова между государствами -субъектами лова Возможно использование отдельных баз знаний для решения соответствующих задач прогнозирования состояния зоопланктонного сообщества, прогнозирования гидрологических показателей состояния бассейна.

Рис.3

Система выдает рассчитанные показатели как в числовом, так и в графическом виде. Графическое представление позволяет

продемонстрировать тенденции в динамике развития как различных поколений одного вида, так и популяций, например, пищевых конкурентов.

Система прошла тестирование на данных рада лет (198194г.). Практическое использование системы в 1995-97 годах показало удовлетворительное совпадение прогнозируемых системой величин с имевшими место в действительности характеристиками популяции, полученными позже в результате исследовательских съемок.

В Приложении даны Функциональные схемы интегрированных систем поддержки принятия решений по управлению морскими биологическими ресурсами и Акты внедрения. Заключение

Методы создания прикладных систем с использованием интеллектуальной технологии ЗГМЕЯ+МШ, принципы н технологические решения, реализованные при представлении знаний в разработанных системах, достаточно универсальны для применения их в других предметных областях, в которых решаются задачи диагностики, интерпретации, прогнозирования.

Основные результаты работы:

Исследованы принципы и методы представления знаний с использованием интеллектуальной технологии БГМЕЯ+МЖ.

Исследованы методы представления логических операций средствами используемой интеллектуальной технологии для создания моделей предметных областей.

Предложены методы представления знаний с использованием инструментальных средств £1МЕИ+М111 для моделей предметных областей, отражающих этапы развития процессов.

Предложенные методы представления знаний применены к решению практических задач в области экологии и прогнозирования морских биологических ресурсов.

Разработаны модели и когнитивные структуры для экспертных систем в области экологии. На базе разработанных методов представлений знаний реализовано три экспертных системы: оценки качества воды для девяти типов водоисточников, оценки воздуха рабочей зоны промышленных предприятий и оценки кондитерских изделий.

Разработаны методы представления знаний и архитектура распределенных интеллектуальных систем в области прогнозирования морских рыбных запасов. Приведена модель решения задачи прогнозирования рыбных ресурсов. Созданы и сданы в эксплуатацию четыре распределенные интеллектуальные системы. Обсуждены результаты работы интеллектуальных распределенных систем по прогнозированию морских объектов Каспийского и Азовского бассейнов.

СПИСОК РАБОТ ПО ТЕМЕ ДИССЕРТАЦИИ

1. Сазонова Л.И., Стась O.E., Мельзетдинова 3.3., Бляблин A.A., Самошкин В.П. Экспертная система «Определение качества питьевой воды». II Всесоюзная конференция «Искусственный интеллект-90». Сб. тезисов. Минск, 1990, с. 101-102.

2. Сазонова Л.И., Дронь Г.И., Самошкин В.П. экспертная система «Санитарно-лабораторная экспертиза продуктов питания». 11 Всесоюзная конференция «Искусственный интеллект-90». Сб. тезисов. Минск, 1990, с. 100.

3. Сазонова Л.И., Годовников М.Н., Куршев Е.П., Осипов Г.С. Создание интегрированных распределенных систем прогнозирования запасов рыбных объектов с использованием методов искусственного интеллекта. Сб. трудов АзНИИРХ. Ростов на Дону, (в печати), 10 с.

4. А.Б. Беляев, М.Н. Годовников, С.А. Голубев, И.М. Загоровский, С.И. Комаров, Е.П. Куршев, Г.С. Осипов, Л.И. Сазонова. Технология создания распределенных интеллектуальных систем. Переславль-Залесский. 1997, 138 с.

5. Годовников М.Н., Сазонова Л. И., Жнлякова Л.Ю., Воловик С.П., Луц Г.И., РоговС.Ф., Мирзоян И. А. Интеллектуальная система прогнозирования запасов азовской тюльки и хамсы. Сб. трудов АзНИИРХ. Ростов на Дону, (в печати), 15 с.

6. Разработка экспертных систем оценки состояния запасов и допустимых уловов на базе промыслово-эколопиеского мониторинга Азово-Черноморсхого бассейна. Отчет о НИР. ИПС РАН. № 02.9.80 003907. 1997. 114 с.

7. Разработка экспертных систем оценки запасов и допустимого улова на базе промышленно-экологичесхого мониторинга Каспийского бассейна. ИПС РАН. Отчет о НИР № 02.9.70.002087. 1996. 91с.

8. Сазонова ЛИ., Годовннков М.Н., Осипов Г.С. Распределенная интеллектуальная система поддержки принятия решений по управлению добычей и запасами биологических рыбных объектов. Сб. трудов ИПС РАН (в печати), 8 с.

9. Виноградов А.Н., Гайдар JLA., Годовшшов М.Н., Сазонова Л.И. Использование средств интеграции интеллектуальной технологии SIMER+MIR в системе прогнозирования состояния морских биологических объектов. КИИ-98, Пуйдано. 1998, с. 120-125. •

10. Sazonova L, Osipov, G. Intelligent system for fish stock prediction and allowable catch evaluation, Proceedings of BESAI'98, p. 181-196. .1998.

' . г I - * ' !

Щ ' ^ * ^ / / - ^

Российская академия наук Институт программных систем

На правах рукописи Сазонова Людмила Ильинична

к

Разработка методов создания прикладных интеллектуальных систем с использованием технологии вШЕШ-МШ (в области экологии и прогнозирования морских биологических

ресурсов)

Специальность 05.13.17- Теоретические основы информатики

Диссертация

на соискание ученой степени ; кандидата технических наук

Научный руководитель: доктор физико-математических наук, проф. Осипов Г.С.

Переславль-Залесский - 1998

>

г

Содержание

стр.

Введение..................................................................................4

Глава 1. Представление знаний с использованием семантических сетей.................................................................И

1.1 .Когнитивные структуры и их представление семантическими

сетями............................................................................11

1.2. Особенности интеллектуальной технологии 81МЕК+М1Я ...21

1.2.1. Архитектура 81МЕЯ+М1К....................................21

1.2.2. Основные методы приобретения знаний................23

1.2.3. Основные методы формирования базы знаний.........24

1.2.4. Синтез и настройка механизма решения задач..........38

1.2.5. Принципы и алгоритм решения задач.....................39

1.2.6. Механизм взаимодействия баз знаний....................55

Глава 2. Основные формальные структуры в технологии вШЕК+МШ............................................................................59

2.1. Представление знаний в моделях дифференциальной диагностики.....................................................................59

2.2. Представление иерархических понятий предметной области..61

2.3. Представление логических операций...............................62

2.4. Модель знаний, отражающих этапы развития процессов........................................................................66

Глава 3. Основные модели и когнитивные структуры в

области экологии.....................................................................75

3.1. Представление знаний в ЭС «Оценка качества воды»...........76

3.2 Представление знаний в ЭС «Оценка воздуха рабочей зоны»..86 3.3. Представление знаний в ЭС «Санитарно-лабораторная экспертиза пищевых продуктов»...........................................89

1

I

Глава 4. Основные модели и когнитивные структуры в

области оценки и прогнозирования морских ресурсов....................94

4.1. Общее представление о системах поддержки принятия решений по управлению ресурсами.......................................94

4.2. Представление знаний в системах поддержки принятия решений по управлению морскими рыбными ресурсами..........101

4.3. Модель решения задачи прогнозирования рыбных

ресурсов........................................................................110

4.4. Результаты работы интеллектуальных распределенных систем оценки и прогнозирования морских биологических ресурсов........................................................................117

Заключение...........................................................................120

Литература...........................................................................122

!

Приложение 1. Функциональные схемы интегрированных систем поддержки принятия решений по управлению морскими биологическими ресурсами......................................................129

Приложение 2. Акты о внедрении.............................................133

ВВЕДЕНИЕ

г Актуальность работы

Разработка методов создания прикладных интеллектуальных систем в различных областях приносит кардинальные изменения в эти области, стимулирует их дальнейшее развитие, предлагает новые способы работы с информацией.

Сложность и многообразие структур знаний порождают многообразие формальных способов их представления и разработку соответствующих программных средств, предназначенных для работы с такими структурами.

С другой стороны, то же многообразие структур знаний требует развития методов выявления знаний и переноса их в интеллектуальные программные системы. Известно, что проблемы выявления знаний (например, компетентности эксперта) с возникновения инженерии ! знаний и по сегодняшний день относятся к числу сложнейших проблем искусственного интеллекта. В этой связи, особенно важными оказываются исследования, направленные на установление специфических черт устройства знаний тех или иных предметных областей и использование этих исследований для создания проблемно-ориентированных методов приобретения и представления экспертизы.

Как показывает ряд работ последних лет, наибольший эффект на этом пути дает применение технологических программных средств выявления, переноса и представления знаний. Одной из таких технологий является технология БШЕК+МШ [1,2], которая позволяет существенно изменить традиционную технологию создания систем, основанных на * знаниях. Как известно, традиционный подход к инженерии знаний ■ включает в себя реализацию следующих стадий создания прикладной системы: идентификация проблемы; концептуализация проблемы; 1 формализация проблемы; реализация; тестирование [3].

Использование технологии SIMER + MIR меняет содержание и количество стадий инженерии знаний [4]. Из перечисленных выше стадий инженерии знаний остается стадия идентификации проблемы. Появляется новая стадия - приобретение знаний. Концептуализация проблемы выполняется в процессе приобретения знаний. Стадия формализации теряет свое самостоятельное значение, так как становится одной из фаз приобретения знаний и возлагается на инструментальные средства. Стадия реализации, которая предусматривает создание прототипа, отпадает совсем. Стадия тестирования в рамках рассматриваемой технологии остается: проверяется правильность заполнения базы знаний, ведется ее актуализация и пополнение. Таким образом, использование SIMER+MIR предполагает наличие лишь трех стадий инженерии знаний при создании систем, основанных на знаниях: идентификация, приобретение знаний и тестирование.

Приобретение знаний на основе интеллектуальной технологии SIMER+MIR предоставляет возможность прямого приобретения знаний интерактивным интерпретатором экспертизы и взаимодействия прямого приобретения знаний с методами приобретения знаний путем анализа текстов и обучения на примерах.

Приобретение знаний компьютерной системой предполагает, что знания системы о конкретной предметной области будут представлены в соответствии с

- используемым формализмом представления знаний, в нашем случае - это неоднородные семантические сети;

- принципами и методами представления знаний, лежащими в основе подхода, используемого в интерактивном интерпретаторе экспертизы;

- конкретными требованиями данной системы приобретения знаний;

- основными принципами системы моделирования рассуждений и

выполнения вычислений над базами знаний;

- конкретными требованиями и возможностями интерпретатора

базы знаний.

Представление знаний, в конечном итоге, определяет основные характеристики системы, разрабатываемой с использованием конкретных инструментальных средств, и это свидетельствует об актуальности данной работы.

Цель работы

Основной целью данной работы является исследование когнитивных структур и способов их представления с использованием технологии 81МЕЯ+М1К для решения задач диагностики, прогнозирования, оценки запасов, интерпретации данных и планирования производственного процесса в различных предметных областях, имеющих плохую структуру. В соответствии с основной целью выделены следующие задачи:

- анализ принципов и методов представления знаний в рамках формализма семантических сетей, лежащего в основе инструментальных средств 81МЕК+М1Я;

- построение моделей конкретных предметных областей для решения некоторых экологических задач;

- построение моделей предметных областей для задач поддержки принятия решений и оценки ресурсов;

- применение разработанных подходов в представлении знаний для конкретных задач путем создания и внедрения прикладных систем.

Научная новизна работы

Научная новизна диссертационной работы состоит в следующем:

- в исследовании принципов создания моделей предметных областей, отражающих этапы развития различных (временных) процессов предметной области,

- в разработке моделей предметных областей с использованием инструментальных средств 81МЕЯ+М1К,

- в разработке архитектур распределенных интеллектуальных систем в области оценки и прогнозирования морских биоресурсов, которые включают в себя базы знаний, базы данных и внешние программы,

- в реализации соответствующих прикладных систем, которые открыли новую область приложения для систем искусственного интеллекта

Практическая значимость работы

Практическая значимость работы заключается в следующем:

- исследованы принципы и разработаны методы представления знаний с использованием интеллектуальной технологии 81МЕК+М1Я для разных предметных областей;

- разработаны экспертные системы в области экологии «Оценка качества воды», «Воздух рабочей зоны», «Санитарно-лабораторная экспертиза продуктов питания", экспертная система «Оценка качества воды» решением Экспертного совета при Госкомсанэпиднадзоре Российской Федерации рекомендована к использованию в системе учреждений Госсанэпидслужбы РФ;

- созданы и внедрены в эксплуатацию распределенные интеллектуальные системы для решения задач оценки ресурсов «Интегрированная система оценки состояния запасов анчоусовидной кильки, прогнозирования величины допустимых уловов и распределения квот вылова между государствами

Каспийского бассейна», «Интегрированная система оценки состояния популяции гребневика на базе промыслово-экологического мониторинга Азово-Черноморского бассейна», «Интегрированная система оценки состояния запасов азовской хамсы и прогнозирования величины допустимых уловов на базе промыслово-экологического мониторинга Азово-

Черноморского бассейна», «Интегрированная система оценки состояния запасов азовской тюльки и прогнозирования величины допустимых уловов на базе промыслово-экологического мониторинга Азово-Черноморского бассейна», - теоретические результаты внедрены в учебный процесс Университета города Переславля.

Апробация работы

Основные результаты работы докладывались и обсуждались на всесоюзной конференции по искусственному интеллекту в Минске (1990), IV национальной конференции по искусственному интеллекту с международным участием в Рыбинске (1994), на 4-ой Международной Российско-индийской выставке-семинаре «Математическое

моделирование и визуализация» в Москве (1997), на семинаре «Вопросы автоматизации задач управления территориями» в Ярославле (1996), на конференции «Роль информатики в региональном развитии» в Переславле-Залесском (1996), а также были представлены на семинаре BESAI "Binding Environmental Sciences and Artificial Intelligence", проходившем в рамках 13-ой Европейской конференции по искусственному интеллекту ЕСАГ98 в Великобритании (1998). Распределенные интеллектуальные системы «Каспий» и «Азов» демонстрировались на выставках в Госкоминформе, в Академии наук, в Госкомитете по рыболовству РФ.

Структура и объем работ

Диссертация состоит из введения, 4 глав, заключения, списка литературы, содержащего 69 наименований, и 2-х приложений. Общий объем работы 139 страниц текста.

Содержание работы

В первой главе рассмотрены основные системы искусственного интеллекта, в основе представления знаний которых использован формализм семантических сетей (СС). Указываются проблемы, связанные с данным способом представления знаний, показываются преимущества использованных в данной работе инструментальных средств. Описаны особенности представления знаний с использованием инструментальных средств 81МЕ11+МЖ.

Во второй главе приводятся основные методы представления знаний в интеллектуальной технологии 81МЕЫ+М111: в моделях дифференциальной диагностики, в моделях, отражающих этапы развития процессов, представление иерархических понятий предметной области и логических операций.

В третьей главе дается описание основных моделей и когнитивных структур в области экологии.

В четвертой главе представлены основные модели и когнитивные структуры в области оценки и прогнозирования морских ресурсов, дается описание модели решения задачи прогнозирования рыбных ресурсов в рамках интеллектуальной распределенной системы.

Заключение содержит научные результаты и практическую значимость работы.

; Приложение 1 содержит функциональные схемы

интегрированных систем поддержки принятия решений по управлению морскими биологическими ресурсами.

В приложении 2 приведены акты о внедрении прикладных систем.

Авторами и разработчиками инструментальных средств БМЕЯ+Мт. являются Г.С.Осипов, Е.П.Куршев, С.А.Голубев, А.Б.Беляев, С.И.Комаров, М.Н. Годовников, И.М.Загоровский.

В разработке прикладных интеллектуальных систем участвовали М.Н.Годовников (внешние программы), А.Н.Виноградов (модуль ввода и отображения графической информации), Л.А.Гайдар (система помощи и руководства пользователей).

ГЛАВА 1. ПРЕДСТАВЛЕНИЕ ЗНАНИЙ С ИСПОЛЬЗОВАНИЕМ

СЕМАНТИЧЕСКИХ СЕТЕЙ

1.1. Когнитивные структуры и их представление семантическими сетями

Семантические сети были первоначально разработаны для использования их в качестве моделей долговременной человеческой памяти [5]. Одна из моделей, получившая название TLC - модели (Teachable Language comprehender - доступный механизм понимания языка), использует сетевую структуру для представления семантических отношений между концептами. Данная модель имитирует естественное понимание языка человеком и представляет концептуальные объекты ассоциативными сетями, состоящими из вершин, являющихся концептами, и дуг, показывающих отношения между концептами. Подобная ассоциативная структура называется плоскостью, описываемые концепты - вершинами типа, а связанные с ними ассоциативные слова -вершинами лексем. В любой плоскости присутствует только одна вершина типа и необходимое для описания концепта количество вершин лексем. Вершины лексем - это структуры, описывающие вершины типа, они могут соответствовать таким частям речи, как прилагательное, наречие, глагол, а вершины типа - это, как правило, имена существительные. Указатели связывают вершины типа и вершины лексем и представляют отношения между ними. В TLC - модели имеется несколько структур указателей. Функции между понятиями определяются с помощью подмножества - старшего множества, индекса

%

(наречие, имя прилагательное), логического правила И, логического правила ИЛИ, логического правила исключающее-ИЛИ и т.п. Кроме того, для представления группировки вершин использовались отношения "близости", "следствия", "предпосылки", "сходства".

Близкие способы использовались для представления сложных грамматических предложений при описании естественных языков [6]. . Дуги типа агент, объект, реципиент определяют отношения между членами предложений.

Система вопросов и ответов SIR [7] была первой системой понимания естественного языка, в которой использовались методы семантических сетей. В этой системе для каждого концепта были применены двухэлементные предикаты PART-OF и процедура вывода. В остальном использовались традиционные приемы семантических сетей. Принцип работы системы заключается в простом диалоге отношений подмножеств концептов(слов) - проблем.

В обучающей системе SCHOLAR [8] , предметной областью которой является география Южной Америки, в семантической сети каждому элементу соответствует географический объект или концепт. В системе имеются имена этих элементов и списки атрибутов. Атрибут имеет списковую структуру с указателями, а семантические отношения являются процедурными функциями или свободно определяемыми отношениями. Процедурные функции включают в себя описание старшего концепта, описание старшего множества, описание старшего атрибута, описание противоположного значения, описание младшего концепта, описание границ применения объекта, имеющего атрибут. Каждое свойство состоит из имени атрибута, степени важности и значений атрибута. Признак важности (тег) выражается целым числом, чем меньше его значение, тем выше важность данного свойства.

Система TORUS [7] предназначена для управления базой данных, целью системы является распознавание семантики. Все объекты системы, :: даже значения конкретных свойств, представлены узлами сети,. Всего в системе имеется четыре типа объектов, которые представлены узлами ** сети: концепты, определяющие сущность реального мира, события, соответствующие каким-либо действиям, свойства, описывающие

состояния, и четвертый тип используется для записи значений свойств. Связи между объектами трактуются как случаи (cases) с помощью соответствующих указателей. К случаям относятся: действующее лицо, действие, тема, средство, результат, источник, приемник, объект. Узлы семантической сети имеют иерархическую структуру, в которой на верхних уровнях находятся понятия, относящиеся к общим, а на нижних уровнях - к конкретным случаям. Между уровнями установлены отношения в виде сценариев. Сценарий верхнего уровня устроен как правило вывода. Объед�