Формальна логіка у рішенні завдань діагностики, лікування і профілактики захворювань. Нейронні мережі

1. ФОРМАЛЬНА ЛОГІКА У РІШЕННІ ЗАВДАНЬ ДІАГНОСТИКИ, ЛІКУВАННЯ І ПРОФІЛАКТИКИ ЗАХВОРЮВАНЬ. НЕЙРОННІ МЕРЕЖІ.

2. ПЛАН

Знання та їх подання у системах штучного
інтелекту.
Поняття «знання».
Види знань, їх властивості.
Моделі представлення знань.
Логічні моделі.
Формальні системи.
Логіка обчислення висловлювань.
Логіка обчислення предикатів.
Нейронні мережі.

3. Штучний інтелект

Під штучним інтелектом розуміється
(ШІ) здатність автоматичних чи
автоматизованих систем брати на себе
функції інтелекту людини.
Основними напрямами, у
яких розвиваються системи
штучного інтелекту (СШІ)
є:експертні системи,
інтелектуальні ігри,
розпізнавання образів,
робототехніка, спілкування з
ЕОМ природньою мовою.

4.

Одним із найбільш сформованих напрямків ШІ є
«представлення знань»
Знання – це складноорганізовані дані, що зберігаються
в пам'яті СШІ і включають в себе відомості про об'єкти,
їх оточення та відносини між ними, процеси взаємодії
об'єктів у часі та просторі, правила здійснення логічного
висновку.
Знання поділяються на фактичні,
стратегічні, декларативні та
процедурні

5.

Виды
классификации
Характеристика
источника
появления
Фактические
Стратегические
Характеристика
активности
Декларативные
Процедурные

6.

Фактичні (текстові) знання - це знання, які досить освітлені
в підручниках. Наприклад, рахіт (гіповітаміноз Д) – це
дефіцит в організмі вітаміну Д екзогенного походження.
Стратегічні знання ґрунтуються на індивідуальному досвіді
спеціаліста
(експерта),
накопиченому
внаслідок
багаторічної практики.

7.

Декларативні знання –
це знання типу «А це В».
Характеризують те, над
чим слід проводити дії.
Процедурні знання характеризують методи
перетворення
декларативних
знань,
тобто дії, які необхідні
для
досягнення
результату.

8.

Свойства знаний
Внутренняя интерпретируемость
Структурированность
Связность
Шкалирование
Активность

9. Внутрішня інтерпретація

При зберіганні знань у пам'яті СШІ,
поряд із традиційними елементами
даних, зберігаються й інформаційні
структури для інтерпретації вмісту
комірок
пам'яті.
Тобто
при
зберіганні структурованих даних
(таблиці)
у
пам'яті
СШІ
зберігається
також
«шапка
таблиці»
(протоструктура
інформаційних одиниць). Рядки
таблиці
називаються
"інформаційними одиницями", а
стовпці - "слотами".

10. Структурність. Зв’язок.

Структурність.
Знання складаються з окремих інформаційних одиниць, між
якими можна встановити класифікуючі відносини: рід – вид,
клас – елемент, тип – підтип, частина – ціле.
Зв’язок.
Між інформаційними одиницями
передбачаються зв'язки різного
типу: причина – наслідок,
аргумент – функція. Дані зв'язки
визначають
семантику
та
прагматику
(практику)
предметної галузі.

11. Шкалювання. Активність.

Семантична метрика (шкалювання). На безлічі інформаційних одиниць
вводяться шкали, що дозволяють оцінити їхню семантичну близькість. Це
дозволяє знаходити в інформаційній базі знання, близькі до знайдених.
Наприклад, перебіг хвороби – гострий, підгострий, хронічний
Активність.
Наголошує на принциповій
відмінності знань від даних.
Передбачається, що поява
нових фактів і зв'язків може
активізувати систему, тобто
поява нових декларативних
знань активізує процедурні.

12. Моделі подання знань

Уявлення знань – це спосіб формального
вираження
знань
предметної
області
в
інтерпретованій комп'ютерними методами формі.
Відповідні формалізми, що забезпечують зазначене
уявлення, називають моделями представлення знань.
Моделі представлення знань:
продукційні моделі;
мережеві моделі;
фреймові моделі;
логічні моделі;
Нейронні мережі.

13. Продукційні моделі

У продукційних моделях знання є набором
правил виду "якщо А, то В", де умови правила
А є твердженням про вміст бази фактів, а
слідство В говорить про те, що треба робити,
коли дане продукційне правило активізовано.
Продукційні моделі представлення знань
завдяки природній модульності правил,
наочності та простоті їх створення широко
застосовуються в інтелектуальних системах.

14. Семантичні сітки

Є спрямованим графом, у якому вершинам відповідають об'єкти
(сутності) предметної області, а дугам (або ребрам) – відносини, у
яких перебувають ці об'єкти.

15. Фреймові моделі

Фрейм – структура даних, призначена для подання
стереотипних ситуацій. Фрейм складається із слотів.
Сукупності фреймів утворюють ієрархічні структури,
побудовані за родовидовими ознаками, що дозволяє
успадковувати значення слотів.

16. Логічні моделі

Засновані на логіці обчислення предикатів.
Предикат - це функція, яка може набувати одного з
двох значень: "істина" або "брехня".
Якщо предикат залежить від n зміних, він називається
n - місцевим предикатом: Р (х1, х2, ... хn).
Висловлювання – речення, що отримується у
результаті підстановки в предикат значень його
аргументів х1, х2,…хn.
Логічні моделі представлення знань базуються на
формальних системах.

17.

Формальна система (ФС) задається
четвіркою:
M = {T, P, A, R},
де T – множина базових елементів (алфавіт
системи);
P – синтаксичні правила, за допомогою яких з
елементів множини Т будуються синтаксично
правильні
послідовності
елементів,
що
називаються
правильно
побудованими
формулами (ППФ).
A – множина аксіом (частина ППФ). Для будьякої ППФ існує спеціальна процедура, яка
перевіряє чи відноситься ця ППФ до аксіом чи
ні.
R – правила виведення, що створюються з
урахуванням ППФ.

18. НЕЙРОННІ МЕРЕЖІ

Використовуються для
вирішення таких задач:
Розпізнавання образів
та класифікації;
Виконання прогнозів;
Оптимізація;
Управління;
Стиснення (компресія)
даних;
Створення експертних
систем.

19.

Прототипом штучного нейрона є
біологічний
нейрон.
Біологічний
нейрон отримує сигнали (імпульси) від
інших
нейронів
через
дендрити
(приймачі)
і
передає
сигнали,
згенеровані тілом клітини, вздовж
аксона (передавач), який наприкінці
розгалужується
на
волокна.
На
закінчення цих волокон знаходяться
синапси - елементарні структури і
функціональні
вузли
між
двома
нейронами (волокно аксона одного
нейрона і дендрит іншого). Нейрон
активується тоді, коли сумарний рівень
сигналів, які у його ядро з дендритів,
перевищить певний рівень (поріг
активації). Інтенсивність сигналу, який
отримує
нейрон,
залежить
від
активності синапсів.

20.

Штучний нейрон отримує вхідні сигнали Х1,Х2,…,Хn (вихідні дані чи вихідні
сигнали інших нейронів нейронної мережі) через кілька вхідних каналів. Кожен
вхідний сигнал проходить через з'єднання, що має певну інтенсивність (або
вагу w1, w2, wn); ця вага відповідає синаптичній активності біологічного
нейрона. З кожним нейроном пов'язане певне
граничне значення T.
Обчислюється зважена сума
входів, з неї віднімається граничне
значення і в результаті виходить
величина активації нейрона
(постсинаптичний потенціал
нейрона - PSP). PSP
перетворюється за допомогою
функції активації f (або
передавальної функції) і в
результаті виходить сигнал
нейрона Y.

21.

Активаційна функція f
може мати такий
вигляд:
а) ступінчаста (функція
одиничного
стрибка);
б) лінійна функція
(лінійний поріг);
в) сигмоїдальна
уніполярна
1
f ( x)
1 e x

22.

Об'єднані між собою нейрони утворюють систему, що називається
нейронною мережею (НМ). НМ шарової (слоїстої) структури з
активаційними функціями одиничного стрибка називається
перцептроном і є класичною нейронною мережею.

23. Класифікація нейронних мереж

В залежності від способу поєднання нейронів мережі
поділяються:
односпрямовані та рекурентні.
В залежності від кількості шарів:
одношарові та багатошарові.
Також розділяються на бінарні та аналогові мережі;
синхронні та асинхронні.

24. Дякую за увагу!