автореферат диссертации по информатике, вычислительной технике и управлению, 05.13.11, диссертация на тему:Разработка программно-методической системы автоматизации обучения, основанной на логическом подходе

Введение.

Глава 1. Принципы построения и проблемы развития систем автоматизации обучения.

1.1. Основные принципы построения систем автоматизации обучения.

1.2. Стратегии обучения.

1.3. Некоторые реализации систем автоматизации обучения.

1.4. Экспертные системы в автоматизации обучения.

1.5. Основные проблемы разработки систем автоматизации обучения. Постановка задачи исследования.,.

Глава 2. Разработка индуктивной стратегии вывода системы автоматизации обучения на сетях фреймов.

2.1. Представление знаний на сети фреймов.

2.2. Индуктивный вывод на сетях фреймов.

2.2.1. Логический формализм представления сети фреймов.

2.2.2. Представление сети фреймов предикатами I порядка.

2.2.3. Представление правил вывода на сети фреймов.

2.2.4. Генерация новых понятий в системе автоматизации обучения.

2.2.5. Методы индуктивного вывода на сети фреймов.

2.2.6. Структура сети фреймов.

2.3. Стратегия концептуальной классификации.

2.3.1. Основной принцип.

2.3.2. Подход последовательной обработки.

2.4. Архитектура системы автоматизации обучения.

Глава 3. Система автоматизации обучения с нечетким представлением знаний.

3.1. Представление нечетких знаний на сети фреймов.

3.2. Формирование знаний в системе автоматизации обучения с использованием нечеткого представления.

Глава 4. Разработка программного обеспечения для реализации системы автоматизации обучения KRIS1.

4.1. Структура системы автоматизации обучения <<КШ81».

4.2. Реализация обучающего курса в системе автоматизации обучения «KRIS1» и методика формирования обучающих курсов.

4.2.1. Представление процесса обучения в системе автоматизации обучения «KRIS1».

4.2.2. Формирование задач обучения.

4.2.3. Методика формирования обучающего курса в системе автоматизации обучения «KRIS 1».

4.3. Разработка алгоритмов нечеткого представления и логического вывода во фреймово-сетевой модели представления знаний.

4.3.1. Алгоритмы индуктивного вывбда на сети фреймов.

4.3.2. Алгоритмы последовательной группировки концептуальной классификации нечеткого представления знаний.

Высокие темпы развития науки и техники увеличивают объем знаний, необходимый для достижения новых целей. Поэтому разработка и реализация новых методик обучения с использованием вычислительных машин в реалиях современного информационного обш:ества становится насущной необходимостью. Современные технологии обучения характеризуются все более интенсивным использованием методов искусственного интеллекта.

Актуальность темы. Большинству существующих компьютерных обучающих систем, основанных на логическом подходе, присущи следующие недостатки: ориентация на узкую предметную область, сложность процесса создания обучающего курса, невозможность использования нескольких методов вывода в рамках одной системы, низкая эффективность обработки, неспособность обработки неполной или нечеткой информации. В связи с отсутствием систем, лишенных всех перечисленных недостатков, становится актуальной задачей разработка в рамках логического подхода новой концепции организации систем автоматизации обучения. Актуальность которой обусловлена повышением качества и эффективности процессов обучения.

В системах искусственного интеллекта знания представляются в виде фактов и правил, хранящихся в базе знаний. Для представления знаний используются различные типы моделей знаний: логическая, продукционная, фреймовая и модель на основе семантических сетей. В подобных системах для модификации и пополнения базы знаний используются различные механизмы логического вЫзвода на основе знаний, обеспечивающих решение необходимых задач. В существующих системах механизм логического вывода тесно связан с моделью представления знаний.

Проблему представления знаний в системах автоматизации обучения можно рассматривать как двуединую проблему перевода. Сначала происходит перевод с естественных и формальных языков, которыми описаны знания, на язык формальной логики. Затем следует перевод с формальнологического языка в понятный компьютеру формализм, т.е. на один из языков программирования.

Предлагаемая концепция позволяет представлять поле знаний предметной области в виде структуры, узлами которой являются понятия (фреймы обладающие множеством свойств), выделяемые экспертами (учителями) как опорные, то есть принципиально значимые. Связи или отношения служат для переходов между фреймами на сети фреймов. Подобная трактовка является развитием моделей представления знаний типа семантических сетей, которые наиболее адекватны человеческой структуре памяти.

Поскольку в процессе работы системы необходимо обновление и пополнение базы предметной области, то возникает сложность выполнения этого обновления эффективным путем, называемая проблемой фреймов.

Поскольку логика сама является формализмом представления знаний, снабженная средствами манипулирования с целью установления истинности утверждений, то адекватный переход от фреймово-сетевой модели представления знаний к представлению знаний предикатами I порядка может служить для устранения сложности организации логического вывода на сети фреймов.

При неполной, неточной и изменчивой информации наша рассуждения зачастую бывают предположительными, всего лишь правдоподобными и, следовательно, подлежащими пересмотру модификации). Корректные по своей природе рассуждения могут пересматриваться, когда они основаны на таких соглашениях, которые выходят за рамки информации, на основе которой они приняты. Использование механизмов логических выводов, основанных на нечеткой или неполной информации, является одним методов решения проблем модификации в системах обучения. Подобные выводы базируются на нечеткой фреймово-сетевой модели представления знаний и позволяют осуш,ествлять модификацию системы обучения в режиме реального времени, что является актуальной задачей для автоматизации процессов обучение.

Цель исследования: разработка теоретических положений, математического и программного обеспечения автоматизации процесса обучения на основе логического подхода, в том числе и с нечетким представлением знаний.

Системы обучения, принадлежаш;ие к проблемным областям искусственного интеллекта, характеризуются формой представления и методом извлечения знаний. Последняя характеристика определяет стратегию логического вывода. В связи с этим в диссертации решаются следующие задачи:

1. представления знаний в форме сети фреймов;

2. адекватного отображения фреймов в форму предикатов I порядка для реализации логического вывода на сети фреймов;

3. разработки на основании индуктивного метода вывода архитектуры системы автоматизации обучения;

4. представления знаний на базе фреймово-сетевой модели в форме, содержащей нечеткости.

Методика исследования. Для решения поставленных задач в работе использовались методы математической логики, теории множеств, искусственного интеллекта, логического программирования. Использовались следующие способы исследований:

• изучение принципов построения и работы отечественных и зарубежных систем обучения;

• теоретический анализ технической, математической, и методической литературы;

• практическое изучение особенностей и проблем, связанных с использованием логического подхода в автоматизации обучения

Научная новизна состоит в следующем:

1. предложена фреймово-сетевая модель представления знаний:

• способствующая наиболее полному отображению реальной действительности семантическими связями;

• обеспечивающая экономию памяти при представлении информации;

2. разработано адекватное отображение фреймов предикатами I порядка, обеспечивающий эффективную реализацию процедур логического вывода;

3. реализован метод индуктивного вывода на сети фреймов:

• способствующий пополнению базы знаний предметной области в режиме реального времени;

• позволяющий выполнять последовательную концептуальную классификацию объектов предметной области;

4. предложено нечеткое представление знаний во фремово-сетевой модели, способствующее гибкому приобретению знаний как от учителя, так и от обучаемого.

Достоверность научных положений, выводов и практических рекомендаций подтверждена результатами практического использования предложенных в диссертации методов, алгоритмов и программ.

Реализация результатов работы. На основе исследований предпринятых в рамках настоящей работы, реализована CAO «bCRISl». в процессе ее эксплуатации созданы и используются обучающие курсы «1СМ81»-Геометрия и «КК181»-Турагентство.

Апробация основных результатов исследования. Основные результаты диссертационной работы докладывались на международной научно - технической конференции «Пятьдесят лет развития кибернетики», СПГТУ, Санкт-Петербург, 5-7 октября 1999г.

Публикации по теме диссертационной работы. Отдельные положения работы отражены в 5 печатных трудах. Список публикаций приведен в библиографии диссертации.

Структура и объем диссертации. Диссертационная работа состоит из введения, четырех глав, заключения и библиографии. Общий объем: 137 страниц основного текста, 22 рисунка, 6 таблиц и библиография - 84 наименования использованной литературы.

Выводы к главе 4 т-ч и

В представленной главе представлены в рамках представленной выше главы были поставлены и решены следующие задачи:

1. разработана структзфа реализации CAO,

2. разработана методика формирования обзЛающего курса в рамках

CAO,

3. реализованы методы и алгоритмы, основанные на разработанной в диссертации концепции обучения. знаний может пополняться постепенно, т.е. подвергаться модификации в процессе работы системы;

6. разработаны алгоритмы индуктивного вывода на сети фреймов позволяющие пополнять базу знания предметной области в режиме реального времени;

7. разработаны механизмы реализации алгоритмов последовательной концептуальной классификации объектов предметной области;

8. предложено представление знаний в форме содержащей нечеткости на базе фреймово-сетевой модели представления знаний для обеспечения более высокого уровня представления. Знания типа фактов, правил, оценок и другие знания удобнее представлять в форме содержащей нечеткости;

9. разработаны алгоритмы нечеткой классификации знаний по условиям применения которых становиться возможным гибкое приобретение знаний как от 5Д1ителя, так и от обзЛаемого.

Полученные в работе практические и теоретические результаты внедрены:

• в учебном процессе Московского государственного института электроники и математики;

• в туристическом агентстве ООО «ТАТЬЯНА-прима».

Перспективы развития предложенной в данной работе концепции автоматизации обучения связаны с развитием теории и практики фреймовых систем, а также с обогащением интерфейса системы посредством интеграции с современными средствами мультимедия.

Заключение

Научная новизна темы имеет несколько аспектов:

1. предложена фреймово-сетевая модель представления знаний. Показано, что подобная модель представления обеспечивает достаточно полное соответствие реальной действительности посредством семантических связей между отдельными фреймами. Эти связи отображают отношения между объектами реального мира;

2. разработана структура сети фреймов, в которой связь между фреймами осуществляется фреймами специального вида. Такие фреймы обеспечивают экономию памяти при представлении информации за счет наследования свойств фреймов более высоких уровней во фреймах более низких уровней;

3. разработана структура сети фреймов, в которой всем фреймам сети присваивается общий идентификатор, а их собственный идентификатор преобразуется в один из специальных слотов. Показано, что при такой модели сети фреймов возможно навешивние кванторов непосредственно на фрейм, в то время как в логике предикатов навешивание кванторов на предикатные символы запрещено;

4. разработано адекватное отображение сети фреймов в форму предикатов I порядка для реализации логического вывода на сети фреймов. Поскольку логика сама является формализмом представления знаний, снабженная средствами манипулирования с целью установления истинности утверждений, то адекватный переход от фреймово-сетевой модели представления знаний к представлению знаний предикатами I порядка может служить для устранения сложности организации логического вывода на сети фреймов;

5. разработана архитектура системы автоматизации обучения, адекватная индуктивному выводу. Показано, что при индуктивном выводе база

1. Аверкин A.В., Батырщин И.З., Блишун А.Ф., и др. Нечеткие множества в моделях управления искусственного интеллекта./Под ред. Поспелова Д.А. - М.: Наука, 1986 -312с.

2. Аткинсон Р. Человеческая память и процесс обучения/Пер. с англ. -М.: Прогресс, 1980.

3. Ашинянц P.A. Логические методы в искусственном интеллекте,- М.: МГАПИ, 2001-224с.

4. Ашинянц P.A. Логический язык программирования Пролог,- М.: МГАПИ, 2001 -250с.

5. Ашинянц P.A., Боголюбов Д.П., Петров О.М. Логические методы в автоматизации обучения, М.: МГАПИ, 1996 - 88с.

6. Борисов А.Н., Алексеев A.B. Обработка нечеткой информации в системах принятия решений, М.: Радио и связь, 1989 - 303с.

7. Волков A.M., Ломнев B.C. Классификация способов извлечения опыта экспертов.//Известия АН СССР. Техническая кибернетика. Л 989, Ш 5, сс. 34-45.

8. Гаврилова Т.А., Хорошевский В.Ф. Базы знаний интеллектуальных систем. СПб.: Питер, 2000 -382с.

9. Горбатов В.А. Фундаментальные основы дискретной математики. Информационная математика, М.: Наука. Физматлит, 1999 -544с.

10. Ю.Гусакова СМ., Финн В.К. Сходства и правдоподобный вывод.У/Известия АН СССР. Техническая кибернетика, 1987, № 5, сс. 42-63.

11. П.Грэхем Р., Кнут Д., Пташник О. Конкретная математика. Основание информатики./Пер. с англ. М.: Мир, 1998 - 703с.

12. Дойл Дж. Система поддержания истинности. М.: Мир,

13. Кибернетический сборник, новая серия, вып. 20,1983, сс. 159-214.

14. Дюбуа Д., Прад А. Теория возможностей. Приложение к представлению знаний в информатике, М.; Радио и связь, 1990 -287с.

15. И.Епифанов М.Е. Индуктивное обобщение в ассоциативных сетях.//Известия АН СССР. Техническая кибернетика, 1984, № 5, сс. 132-146.

16. Заде Л. Понятие лингвистической переменной и его применение к принятию приближенных решений. М.: Мир, 1976,165с.16.3митрович А.И. Интеллектуальные информационные системы,-Минск: ТетраСистемс, 1997.

17. Карпенко A.C. Истинностные значения. Что это такое?//Исследования по неклассическим логикам, М.: Наука, 1989, сс. 51-64.

18. Клещев A.C. Представление знаний.//Прикладная информатика. М.: Финансы и статистика, 1983, вып. 1,сс. 49-94.

19. Корнеев В.В., Гареев А.Ф., Васютин C.B., Райх В.В. Базы данных. Интеллектуаньная обработка информации. М.: Нолидж, 2000 - 352с.

20. Кофман А. Введение в теорию нечетких множеств: Пре. с франц. -М.: Радио и связь, 1982 432с.

21. Латышев В.Л. Технологии обучения: формирование и развитие, М.: Мир, 1995.

22. Лорьер Ж.-Л. Системы искусственного интеллекта, М.: Мир, 1991 -568с.

23. Милль Д.С., Система логики силлогистической и индуктивной, М.: Книжное дело, 1990.

24. Мукаидоно М. Нечеткий вывод резолюционного типа./Под ред. Ягера Р. М.: Радио и связь, 1986.

25. Набебин A.A. Логика и Пролог в дискретной математике, М.: МЭИ, 1996-45 1с.

26. Нильсон Н. Принципы искусственного интеллекта, -М.: Радио и связь, 1985-200с.27.0суги С, Саэки Ю. Приобретение знаний, М.: Мир, 1990 - 304с.28.0суги С. Обработка знаний, -М.: Мир,1989 293с.

27. Перфильева И.Г. Приложения теории нечетких множеств./ТИтоги науки и техники, М.: ВИНИТИ, т. 29, 1990, сс. 83- 153.

28. Робинсон Джг-Машинно-ориентированная логика, основанная на приципе резолюции.//Кибернетический сб., нов. сер., вып. 7, М.: Мир, 1970, сс. 194-218.

29. Саркисян K.P. Разработка программно-методической системы автоматизации обучения (логический подход) // Материалы НТК «Новые информационные технологии в научных исследованиях и в образовании», РГРА, Рязань, 1999, сс. 74-75.

30. Саркисян K.P. Программно-методическая система автоматизации обучения (логический подход) // Труды МНТК «Пятьдесят лет развития кибернетики», СПГТУ, Санкт-Петербург, 1999, сс. 149-150.

31. Саркисян K.P., Ашинянц P.A. Представление нечетких знаний в сетях фреймов // Материалы III МНТК «Фундаментальные и прикладные проблемы приборостроения, информатики, экономики и права», книга «Информатика», МГАПИ, Москва, 2000, сс. 17-21.

32. Саркисян K.P. Логический формализм представления знаний сетьюфреймов// Материалы НТК «Новые информационные технологии», МГАПИ, Москва, 2000, сс. 27-30.

33. Тейз А. и др. Логический подход к искусственному интеллекту. От классической логики к логическому программированию, -М.: Мир, том 1, 1990-429с.

34. Тейз А. и др. Логический подход к искусственному интеллекту. От модапьной логики к логике баз данных, -М.: Мир, том 2, 1998 494с.

35. ЗЗ.Трахтенгерц Э.А. Компьютерная поддержка принятия решений, М,: Синтег, 1998.

36. Тэрано Т., Асаи К., Сугено М. Прикладные нечеткие системы, М.: Мир, 1993-368с.

37. УЭНО X., Исидзука М. Представление и использование знаний, М.: Мир, 1989 -220с.

38. Финн В.К. Правдоподобные рассуждения в интеллектуальных системах типа ДСМ//Итоги науки и техники, М.: ВИНИТИ, т. 15, 1991, сс. 54-101.

39. Чень Ч., Ли Р. Математическая логика и автоматическое доказательство теорем, М.: Наука, 1983 - 280с.

40. Шеремет И.А. Интеллектуальные программные среды для АСОИ, -М.:Наука,1994-254с.

41. ЭЛТИ Дж., Кумбс М. Экспертные системы: концепции и примеры, -М.6 Финансы и статистика, 1987 192с.

42. Ягер Р. Нечеткие множества и теория возможностей, М.: Радио и связь, 1986-391с.

43. Ясиновский СИ. Логический вывод в гибридных системах//Вестник МГТУ. Серия Приборостроение, 1994, №1, сс. 88-95.

44. Bennet R. ROGET: а knowledge-based system acquiring the conceptual structure of a diagnostic expert system, Journal of Automated Reasoning, vol. 1, pp. 49-74, 1985.

45. Booker L., Goldberg D., Holland J. Classifier systems and genetic algorithms, Artificial Intelligence, vol. 40, September 1989.

46. Buchanan B., Shortliffe E., Rule-based expert systems: the MYCIN experiments of the Stanford Heuristic Programming Project, 1984.

47. DeJong G. Acquiring schemata through understanding and generalizing plans, Proc. IJCAI, pp. 462-464, 1987

48. DeJong G., Mooney R. Explanation-based learning: an alternative view. Machine Learning, vo\. l,pp. 145-176, 1986.

49. Dietterich T. and Michalski R., Inductive learning of structural descriptions, Artificial Intelligence, vol. 16, pp. 257-294, 1981.

50. Ellman T. Expanation-based learning: a survey of programs and perspectives, ACM Computing Survey, vol. 21, pp. 163-222, Jun 1989.

51. Feigenbaum E., Simon H. EPAM-like models of recognition and learning, IEEE Transactions on Software Engineering, vol.8, pp. 305-336, 1984.

52. Fisher D. JCnowledge acquition via incremental conceptual clustering, vol.2, pp. 139-172, 1987.

53. Forsyth R. BEAGLE: a Darwinian approach to pattern recognition, Kyibernetes, vol.10, 1981.

54. Goldberg D.E. Dynamic control using rule learning and genetic algorithms, Proc. IJCAI1985, pp. 588-592, 1985.

55. Haas N., Henderix G. Learning by being told: acquiring knowledge for information management, An Artificial Intelligence Approach, vol. 1, Springer-Verlag, Berlin pp. 405-4281,1984.

56. Hinton G. Connectionist learning procedures, Artificial Intelligence, vol.40, 1989.

57. Holland J., Holyoak K. and al. Induction: Processes of Inference, Learning and Discovery, The MIT press, Cambridge, 1986

58. Langley P., Zytcow J. Data-driven approaches to scientific discovery.

59. Artificial Intelligence, voi.AO, 1989.

60. Lebowitz M. Experiments with incremental concept formation: UNINEM, Machine Learning, vol. 2., pp. 103-138, 1987.

61. Lenat D.B. AM: discovery in mathematics as euristic search, in Knowledge- based systems in Artificial Intelligence, pp. 1-25, McGraw-Hill, New York, 1982.

62. Lenat D. The nature of heuristics III, Artificial Intelligence, vol. 19, pp. 189-249, 1983.

63. Michalski R. A theory and methodology of inductive learning, An Artificial Intelligence Approach, vol. 1, Springer-Verlag, Berlin pp. 83134,1984.

64. Michalski R., Stepp R. Learning from observation: conceptual clustering, An Artificial Intelligence Approach, vol. 1, Springer-Verlag, Berlin pp. 331-64,1984.

65. Michalski R., Carbonell J., Mitchell T. An overview of machine learning, An Artificial Intelligence Approach, vol. 1, Springer-Verlag, Berlin, pp. 3-24, 1984.

66. Michalski R., Ko H., Chen K. Qualitative prediction: the SPARC/G methodology for inductively describing and predicting discrete processes, in Currentlssues in Expert Systems, Academic Press, London, 1987.

67. Michael Kifer, Georg Lausen, James Wu. «Logical Foundations of Object-Oriented and Frame-Based Languages», Technical Report 93/06. Department of Computer Science SUN Y at Stony Brook.

68. Minton S., Carbonell J. and al. Explanation-based learning: a problem solving perspective, Artificial Intelligence, vol. 40, pp. 63-118, September 1989.

69. Mitchell T. M. Generalisation as search, Artificial Intelligence, vol. 18, pp. 203-226, 1982.

70. Mitchell T.M., Keller R., Keder-Cabelli S. Explanation-based learning: a unifying view, Machine Learning, vol. 1, pp. 47-80, 1986.

71. Mostow J. Searching for operational description in BAR, MetaLEX and EBG, Proc. 4th Intl. Workshop on Machine Learning, Morgan Kaufmann, pp. 376-382, 1987.

72. Nordhausen B., Langley P. Towards an integrated discovery system, Poc.IJCAI1987,pp. 198-200, 1987

73. Quinlan J., Induction over Large Databases: Report HPP-7914, Stanford University, Palo Alto, Ca, 1979.

74. Quinlan J.R., INFERNO: a causation approach to uncertain inference, The computer J., vol. 26, 3, pp. 255-269, 1983.

75. Rendell R., Seshu R. Tcheng D. More robust concept learning using dynamically variable bias, Proc. 4th Intl. Workshop on Machine Learning, Irvin (CA), pp. 66-78, 1987

76. Rich C, Waters R., Rubinstein H. Toward a requirements apprentice, Proc IWSSD-4 {4-th Workshop Specification and Design), Monterey (CA) IEEE RH0181, pp. 79-86, 1986.

77. Siclossy L., Sykes D. Automatic program synthesis from example problems, Poc.IJCAI1975, pp.260-267, 1975

78. Watanabe L., Elio R. Guiding constructive induction for incremental learning from examples, Poc.IJCAI1987, pp.292-296, 1987.

79. Winston P. Learning structural description from examples // The Psychology of Computer Vision, McGraw-Hill, New York, 1975.

80. Zadeh L., Fuzzy sets. Information and Control, vol. 8, pp. 338-353, 1965.