Формализованное представление знаний в информационных технологиях управления в виде интеллектуальных систем является первичным. Рассмотрим распространенные способы их формализованного представления.
1) Представление знаний продукционными правилами.Продукционные правила представляют знания в форме ЕСЛИ - ТО. Системы, использующие представления знаний продукционными правилами, называются продукционными. Это самый наглядный и простой способ. В таких системах представления знаний имеются средства, позволяющие использовать в данных и правилах нечеткую информацию с определенной вероятностью, называемой фактором уверенности.
2) Логика предикатов (раздел математической логики).Константы и переменные определяют отдельные объекты и обозначаются буквами или набором букв (U, V, W, X, Y). Последовательность из n констант или переменных (n - конечно, n > 1) называется функцией. Атомарным предикатом называется последовательность из n сущностей и понятий, описанных константами, переменными или функциями.
Предикат принимает одно из двух значений: истина или ложь. Предикат, в котором все переменные, константы и функции связаны между собой, называется предложением. Предложения используются для представления знаний. Логика предикатов обеспечивает высокий уровень модульности знаний (представляет их как единое целое в определенной предметной области) и позволяет выяснить, имеются или отсутствуют противоречия между новыми и уже существующими знаниями. Но чрезмерный уровень формализации представления знаний, трудность их прочтения снижают эффективность обработки. Кроме этого, в логике предикатов все отношения описываются предикатами, что не позволяет при компьютерной обработке полностью отразить свойства структуры данных. Для программирования используется язык логического типа ПРОЛОГ.
3) Модель доски объявлений.Модель представляется как совокупность отдельных проблем, каждая из которых составляет отдельное множество знаний. Все множества модели используются согласованно как единое целое и управляются через общую рабочую область памяти, называемую доской объявлений. Отдельное множество знаний называется источником знаний (ИЗ), и каждый ИЗ строится как продукционная система.
4) Семантические сети.Знания можно рассматривать как отношения между понятиями и сущностями, являющимися конкретными объектами реального мира. Понятия и отношения можно представить в виде семантической сети, состоящей из вершин и дуг. В вершинах располагаются понятия, а направленные связи между вершинами соответствуют различного рода отношениям между этими понятиями. Семантические сети могут быть выполнены обучаемыми и растущими, что означает возможность автоматического добавления в сеть новых узлов по мере появления в опыте ее использования новых понятий, а также увеличение весовых коэффициентов, соответствующих дугам. В процессе ее обучения между существующими узлами также могут устанавливаться дополнительные связи.
5) Фреймовые системы.Фреймы рассматриваются как структура описания отдельной сущности или понятия. Они могут быть в виде их совокупностей, представляемых как отдельное множество знаний, относящихся к одному объекту. Каждый фрейм состоит из множества элементов, называемых слотами, которые в свою очередь представляются определенной структурой данных. Каждый фрейм и слот имеют имя, единственное во всей фреймовой системе. В значение слота содержит конкретную информацию.
Фреймы не связаны в сеть. Управление большим числом источников знаний выполняется самим пользователем путем вызова нужных процедур (в других способах это выполняет сама система). Для поиска нужного объекта задаются значения слотов. Если данные удовлетворяют условиям всех слотов, то объект считается найденным.
ЭС в задачах интерпретации, как правило, используют информацию от датчиков для описания ситуации. В качестве примера приведем интерпретацию показаний измерительных приборов на химическом заводе для определения состояния процесса. Интерпретирующие системы имеют дело не с четкими символьными представлениями проблемной ситуации, а непосредственно с реальными данными. Они сталкиваются с затруднениями, которых нет у систем других типов, потому что им приходится обрабатывать информацию зашумленную, недостаточную, неполную, ненадежную или ошибочную. Им необходимы специальные методы регистрации характеристик непрерывных потоков данных, сигналов или изображений и методы их символьного представления.
Интерпретирующие ЭС могут обработать разнообразные виды данных. Например, системы анализа сцен и распознавания речи, используя естественную информацию, - в одном случае визуальные образы, в другом - звуковые сигналы, - анализируют их характеристики и понимают их смысл. Интерпретация в области химии использует данные дифракции рентгеновских лучей, спектрального анализа или ядерно-магнитного резонанса для вывода химической структуры веществ. Интерпретирующая система в геологии использует каротажное зондирование - измерение проводимости горных пород в буровых скважинах и вокруг них, - чтобы определить подповерхностные геологические структуры. Медицинские интерпретирующие системы используют показания следящих систем (например, значения пульса, кровяного давления), чтобы установить диагноз или тяжесть заболевания. Наконец, в военном деле интерпретирующие системы используют данные от радаров, радиосвязи и сонарных устройств, чтобы оценить ситуацию и идентифицировать цели.
