CC BY
21
УДК 681.5; 621.398; 681.3
МЕТОД ПОСТРОЕНИЯ ЭКСПЕРТНОЙ СИСТЕМЫ ОПРЕДЕЛЕНИЯ ПРИНАДЛЕЖНОСТИ СУЩНОСТИ К ОПРЕДЕЛЁННОМУ КЛАССУ С УЧЕТОМ ВЕСОВ АТРИБУТОВ РАСПОЗНАВАЕМЫХ СУЩНОСТЕЙ
© 2017 И. Ю. Пикалов1, В. Б. Тарасюк2
1 канд. пед. наук, доцент, доцент кафедры компьютерных технологий и информатизации образования e-mail: pikalovakursksu.ru 2 канд. техн. наук, доцент, доцент кафедры компьютерных технологий и информатизации образования e-mail: tarasuk.vladimir a,mail.ru
Курский государственный университет
В работе предлагается метод построения экспертной системы, которая на основании анализа классов сущностей, хранящихся в базе знаний, определяет вес атрибутов классов сущностей и с учетом этого делает предположение относительно принадлежности распознаваемой сущности к определённому классу сущностей.
Ключевые слова: экспертная система, эксперт, обучение, весовые характеристики атрибутов.
Ключевой идеей использования всех экспертных систем является сочетание опыта и знаний экспертов различных областей и возможностей компьютерной техники. Возможно использование готовых экспертных систем или создание своей собственной. Поскольку в настоящее время области примения данной технологии достаточно обширны, а класс задач для которых применяются системы не ограничен, то наибольшее внимание уделяется именно созданию собственных экспертных систем.
Ранее нами [Пикалов, Тарасюк 2017] описано построение обучающего модуля экспертной системы принадлежности сущности к определенному классу с использованием вектора решений. Система, построенная по описанному в работе алгоритму, прекрасно работает и безошибочно определяет принадлежность сущности. Кроме того, она написана на языке программирования С++, что позволяет её использовать в учебном процессе в дисциплинах, содержание которых подразумевает использование технологии экспертных систем.
В данной работе мы рассмотрим возможности использования системы в реальных задачах распознавания сущностей, где нужно учитывать ошибки, возможные при задании значений атрибутов, вызванные недостаточным качеством исходной информации, техническими характеристиками приборов автоматического распознавания объектов, влиянием внешних факторов.
Кроме того, у распознаваемой сущности возможно наличие атрибутов, нетипичных для данного класса сущностей. Нужно также учитывать вероятность появления в экспертной системе новой сущности, распознаванию которой система ещё не обучена.
Система, построенная по методу, описанному в указанной работе, во всех описанных выше случаях выдаст сообщение о том, что сущность не распознана, ч то, конечно же, является недостатком указанной системы.
Чтобы устранить обозначенные ограничения, мы предлагаем метод построения экспертной системы определения принадлежности сущности к определённому классу с
учетом весов атрибутов распознаваемых сущностей. Метод предполагает, что за каждым атрибутом сущности будет закреплен определённый вес. Вес будет больше у того атрибута, который встречается реже всего, а у атрибута, который встречается чаше всего, вес будет наименьший.
Если при использовании метода, основанного на векторе решений, оказалось, что распознаваемая сущность не попала ни в один из определенных в системе классов, то нужно применить метод, основанный на учете весов атрибутов распознаваемых сущностей. Суть метода мы представим в виде следующих этапов.
1. Назначить вес каждому из атрибутов сущностей. Для этого вначале нужно подсчитать частоту встреч каждого атрибута, то есть сколько раз каждый атрибут встречается во всех классах сущностей, определенных в системе. Или, другими словами, сколько классов сущностей содержат каждый атрибут. Эти частоты встреч нужно отсортировать по невозрастанию и поставить в соответствии с полученным значением контрольное число, которое и будет определять вес данного атрибута.
Эти числа можно назначать по-разному, главное, чтобы за первое место (атрибут с максимальной частотой) назначался маленький вес, за второе (атрибут со следующей частотой) - следующий по величине вес и так далее.
Один из вариантов - определять вес атрибута согласно формуле
w = pq, (1)
где p - любое натуральное число >1, а q = 0, 1, ..., m. При этом q увеличивается при переходе от одного значения частоты к другому.
2. Атрибуты с большими весами являются более значимыми, и их отсутствие или наличие вносит наибольший вклад в распознавание сущности. Поэтому на втором этапе рассматриваются атрибуты с максимальным весом (если их несколько, то можно взять любой) и если данный атрибут отсутствует в распознаваемой сущности, то делается предположение о непринадлежности этой сущности к классу сущностей, содержащему данный атрибут, и соответствующий класс сущностей удаляется из группы рассматриваемых классов сущностей. Если в группе рассматриваемых классов сущностей остался один класс сущностей, то система делает предположение о том, что сущность принадлежит к данному классу. Если осталось более одного класса в группе рассматриваемых классов сущностей, то берется следующий атрибут с аналогичным весом или, при его отсутствии, со следующим по значению весом и вновь выполняется данный шаг.
Если в группе рассматриваемых классов сущностей не осталось ни одного класса сущностей, то возможен один из следующих вариантов.
1. При вводе значений атрибутов распознаваемой сущности возникла ошибка и нужно повторно ввести в систему значения атрибутов. При автоматическом считывании значения атрибутов эта ошибка может быть обусловлена недостаточным качеством приборов распознавания атрибутов объекта.
2. Распознаваемая сущность относится к одному из классов сущностей, которые система обучена распознавать, но содержит нетипичный для класса набор атрибутов. В этом случае нужно расширять возможности распознавания сущностей с учетом наличия нескольких наборов атрибутов у одного класса сущностей, можно сказать, наличия нескольких видов сущностей у одного класса.
3. Эксперту нужно вводить новый класс сущностей, который система должна распознавать.
Анализируя полученное решение, эксперт может либо согласиться с ним, либо дополнить систему ещё одним новым классом сущностей.
При этом будет соблюдаться положение, которое заключается в том, что рекомендации экспертной системы должны корректно показывать снижение своего
Пикалов И. Ю., Тарасюк В. Б. Метод построения экспертной системы определения
принадлежности сущности к определённому классу с учетом весов атрибутов распознаваемых сущностей
качества по мере приближения к границам незнания, а не внезапно становиться ложными [Джарратано, Райли 2007].
Описанный метод построения экспертной системы определения принадлежности сущности к определённому классу с учетом весов атрибутов распознаваемых сущностей можно использовать не только в случае, когда метод, основанный на векторе решений, не определил принадлежность сущности к определенному классу, но и самостоятельно.
Для иллюстрации предложенного метода воспользуемся примером распознавания летательных объектов, фиксируемых в полете.
Количество классов сущностей, имеющихся в системе: 3 Количество атрибутов классов сущностей: 6 Классы сущностей: Самолет, Вертолет, Птица. Атрибуты и их значения представлены в таблице 1.
Таблица 1
Атрибуты классов сущностей и их значения_
№ п/п Имя атрибута Самолет Вертолет Птица
1 Крылья 1 0 1
2 Хвост 1 1 1
3 Лопасти 0 1 0
4 Шасси 0 1 0
5 Оперение 0 0 1
6 Двигатель 1 1 0
Проанализируем ситуацию, которая возникает при попытке разгадать сущность, у которой значение одного атрибута отличается от заданного в системе. Например, при определении сущности Самолет были введены следующие значения атрибутов: 110101 («Самолет с неубранным шасси»).
Метод, основанный на использовании вектора решений, даст значение id = 13, что не совпадает ни с одним из имеющихся в базе знаний значений: idcaм=12, idвeрт=10, idпт=11.
Проиллюстрируем работу метода построения экспертной системы определения принадлежности сущности к определённому классу с учетом весов атрибутов распознаваемых сущностей.
Для нашего примера отсортированные по невозрастанию атрибуты и их веса, рассчитанные по формуле 1 (примем p=2), показаны в таблице 2.
Таблица 2
№ п/п Имя атрибута Частота встреч Вес атрибута
1 Хвост 3 1
2 Крылья 2 2
3 Двигатель 2 2
4 Шасси 1 4
5 Оперение 1 4
6 Лопасти 1 4
Вначале группа классов рассматриваемых сущностей состоит из всех трех классов сущностей: Самолет, Вертолет, Птица.
Рассмотрим атрибут с максимальным весом, в нашем случае начнем с атрибута Лопасти (вес = 4). Этот атрибут отсутствует в распознаваемой сущности, но присутствует в классе сущностей Вертолет. Значит, из группы классов
рассматриваемых сущностей будет удалена группа сущностей Вертолет и там останутся Самолет и Птица.
Следующим для рассмотрения станет атрибут Оперение, вес которого также равен 4. Этот атрибут приведет к удалению класса сущностей Птица, после чего в группе классов рассматриваемых сущностей останется только Самолет и система выдаст предположение, что наша распознаваемая сущность относится к классу Самолет, что является абсолютно верным.
Если на аналогичном наборе хранящихся в базе знаний классов сущностей распознать сущность с набором 111001 («Самолет с лопастями»), то система также выскажет предположение о том, что это Самолет. При этом будет выполнена следующая последовательность действий.
1. Группа классов рассматриваемых сущностей состоит из всех трех классов сущностей: Самолет, Вертолет, Птица. Рассмотрение начинаем с атрибута Лопасти с весом = 4. Этот атрибут присутствует в распознаваемой сущности, значит, удаления из группы классов рассматриваемых сущностей не происходит. Система переходит к рассмотрению следующего атрибута.
2. Атрибут Оперение с весом = 4 отсутствует в распознаваемой сущности, значит, из группы классов рассматриваемых сущностей происходит удаление классов сущностей, в описании которых данный атрибут присутствует, а именно класса сущностей Птица. После чего группа классов рассматриваемых сущностей будет включать 2 класса сущностей: Самолет и Вертолет. Система перейдет к рассмотрению следующего атрибута.
3. Атрибут Шасси с весом = 4 отсутствует в распознаваемой сущности, значит, из группы классов рассматриваемых сущностей происходит удаление класса Вертолет, в группе классов рассматриваемых сущностей останется только класс сущностей Самолет. Система выдаст предположение о принадлежности рассматриваемой сущности к классу сущностей Самолёт.
Теперь рассмотрим распознавание сущности с атрибутами 111100.
1. Группа классов рассматриваемых сущностей: Самолет, Вертолет, Птица. Атрибут Лопасти с весом = 4 присутствует в распознаваемой сущности, значит удаления из группы классов рассматриваемых сущностей не происходит. Система переходит к рассмотрению следующего атрибута.
2. Атрибут Оперение с весом = 4 отсутствует в распознаваемой сущности, значит, из группы классов рассматриваемых сущностей происходит удаление класса сущности Птица. После чего группа классов рассматриваемых сущностей будет включать 2 класса сущностей: Самолет и Вертолет.
3. Атрибут Шасси с весом = 4 присутствует в распознаваемой сущности, значит, удаления из группы классов рассматриваемых сущностей не происходит.
4. Следующим рассматриваемым атрибутом станет атрибут Двигатель с весом = 2. Этот атрибут отсутствует в распознаваемой сущности, значит, из группы классов рассматриваемых сущностей происходит удаление классов сущностей Самолет и Вертолет. После чего группа классов рассматриваемых сущностей не будет включать ни одного класса сущностей. В этом случае система выдаст сообщение о том, что принадлежность распознаваемого объекта не определена, и сообщит следующие возможные рекомендации по дальнейшим действиям: нужно повторно ввести в систему значения атрибутов, и если результат повторится, то, возможно, систему нужно дополнить новым классом сущностей или обучить распознавать ещё один вид сущностей в рамках одного класса.
В нашем примере, если атрибуты были введены без ошибок, то, возможно, в базу знаний описанной экспертной системы нужно добавить класс сущностей Планер.
Пикалов И. Ю., Тарасюк В. Б. Метод построения экспертной системы определения
принадлежности сущности к определённому классу с учетом весов атрибутов распознаваемых сущностей
Все показанные примеры свидетельствуют о том, что экспертная система, использующая метод определения принадлежности сущности к определённому классу с учетом весов атрибутов распознаваемых сущностей, достаточно хорошо распознает принадлежность сущности к определенному классу.
В учебнике {{Информационные технологии» [2015] указано, что экспертные системы трансформируют опыт экспертов в какой-либо области знаний в форму эвристических правил (эвристик), которые не гарантируют получения оптимального результата с такой же уверенностью, как обычные алгоритмы. Но, как и в нашем примере, они дают в достаточной степени приемлемые решения для их практического использования.
Подводя итог, можно сказать, что в данной работе нами были получены следующие результаты:
1. Предложен метод построения экспертной системы определения принадлежности сущности к определённому классу с учетом весов атрибутов распознаваемых сущностей.
2. Приведены рекомендации по использованию предложенного метода.
3. Описаны исходы, вырабатываемые экспертной системой в случаях, когда она не может точно определить принадлежность сущности к определенному классу.
4. Приведены примеры, показывающие эффективность использования данного метода при рассмотрении сущностей, атрибуты которых отличаются от хранимых в базе знаний наборов атрибутов классов сущностей.
Библиографический список
Джарратано Дж., Райли Г. Экспертные системы: принципы разработки и программирование. 4-е изд.: пер. с англ. М.: ООО «И. Д. Вильямс», 2007. 1152 с.
Пикалов И.Ю., Тарасюк В.Б. Построение обучающего модуля экспертной системы определения принадлежности сущности к определённому классу // Auditorium. 2017. № 1 (13). С. 112-116. URL: http://auditorium.kursksu.ru/pdf/013-014.pdf (дата обращения: 15.08.2017).
Информационные технологии: учеб. / Ю.Ю. Громов, И.В. Дидрих, О.Г. Иванова, М.А. Ивановский, В Г. Однолько. Тамбов: Изд-во ФГБОУ ВПО «ТГТУ», 2015. 260 с.
