Понятие и классификация интеллектуальных информационных систем

Автор: Пользователь скрыл имя, 09 Октября 2012 в 20:06, реферат

Описание работы

Понятие и классификация интеллектуальных информационных систем
Интеллектуальная информационная система (ИИС) – это информационная система, которая основана на концепции использования базы знаний для генерации алгоритмов решения экономических задач различных классов в зависимости от конкретных информационных потребностей пользователей.
Программные средства, применяемые в экономических информационных системах, можно разделить на следующие группы:
1. Проблемно-ориентированные пакеты экономико-математического моделирования.
2. Пакеты программ статистического анализа данных.
3. Программные средства интеллектуализации доступа к базе данных.

Работа содержит 1 файл

Понятие и классификация интеллектуальных информационных систем.docx

— 218.49 Кб (Скачать)

18. Что такое экспертная  система? 

 Назначение экспертных  систем заключается в решении  достаточно трудных для экспертов  задач на основе накапливаемой  базы знаний, отражающей опыт  работы экспертов в рассматриваемой  проблемной области. 

Экспертная система является инструментом, усиливающим интеллектуальные способности эксперта, и может  выполнять следующие роли:

1 консультанта для неопытных  или непрофессиональных пользователей 

2 ассистента в связи  с необходимостью анализа экспертом  различных вариантов принятия  решений 

3 партнера эксперта по  вопросам, относящимся к источникам  знаний из смежных областей  деятельности.

19. Как делятся экспертные  системы по способу формирования  решения, по способу учета временного  признака, по видам используемых  данных и знаний?

 По степени сложности  решаемых задач экспертные системы  можно классифицировать следующим  образом: 

1 По способу формирования решения экспертные системы разделяются на два класса: аналитические и синтетические. Аналитические системы предполагают выбор решений из множества известных альтернатив (определение характеристик объектов), а синтетические системы - генерацию неизвестных решений (формирование объектов).

2 По способу учета временного признака экспертные системы могут быть статическими или динамическими. Статические системы решают задачи при неизменяемых в процессе решения данных и знаниях, динамические системы допускают такие изменения. Статические системы осуществляют монотонное непрерываемое решение задачи от ввода исходных данных до конечного результата, динамические системы предусматривают возможность пересмотра в процессе решения полученных ранее результатов и данных.

3 По видам используемых данных и знаний экспертные системы классифицируются на системы с детерминированными (четко определенными) знаниями и неопределенными знаниями. Под неопределенностью знаний (данных) понимается их неполнота (отсутствие), недостоверность (неточность измерения), двусмысленность (многозначность понятий), нечеткость (качественная оценка вместо количественной).

20. Дайте характеристику  аналитическим и синтетическим  экспертным системам, статическим  и динамическим экспертным системам?

 Экспертные системы  разделяются на два класса: аналитические  и синтетические. 

 Аналитические системы  предполагают выбор решений из  множества известных альтернатив  (определение характеристик объектов), а синтетические системы - генерацию  неизвестных решений (формирование  объектов).

 Экспертные системы  могут быть статическими или  динамическими. Статические системы  решают задачи при неизменяемых  в процессе решения данных  и знаниях, динамические системы  допускают такие изменения. Статические  системы осуществляют монотонное  непрерываемое решение задачи  от ввода исходных данных до  конечного результата, динамические  системы предусматривают возможность  пересмотра в процессе решения  полученных ранее результатов  и данных.

21. Как называются экспертные  системы, решающие задачи распознавания  ситуаций, экспертные системы, решающие  задачи с неопределенными исходными  данными и знаниями, экспертные  системы, использующие повторяющееся  преобразование знаний в процессе  решения задач? 

 Неопределенными знаниями. Под неопределенностью знаний (данных) понимается их неполнота (отсутствие), недостоверность (неточность измерения), двусмысленность (многозначность понятий), нечеткость (качественная оценка вместо количественной). Доопределяющие экспертные системы.

22. Как называются экспертные  системы, интегрирующие знания  из нескольких разнородных источников  в базе знаний и обменивающиеся  результатами с другими экспертными  системами на динамической основе?

 Многоагентные системы. Для таких динамических систем характерна интеграция в базе знаний нескольких разнородных источников знаний, обменивающихся между собой получаемыми результатами на динамической основе

23. Назовите особенности  многоагентных экспертных систем

 Для многоагентных систем характерны следующие особенности:

1 Проведение альтернативных  рассуждений на основе использования  различных источников знаний  с механизмом устранения противоречий;

2 Распределенное решение  проблем, которые разбиваются  на параллельно решаемые подпроблемы, соответствующие самостоятельным источникам знаний;

3 Применение множества стратегий работы механизма вывода включений в зависимости от типа решаемой проблемы;

4 Обработка больших массивов  данных, содержащихся в базе данных;

5 Использование различных  математических моделей и внешних  процедур, хранимых в базе моделей; 

6 Способность прерывания  решения задач в связи с  необходимостью получения дополнительных  данных и знаний от пользователей,  моделей, параллельно решаемых  подпроблем.

24. Достоинство применения  экспертных систем ?

 Достоинство применения  экспертных систем заключается  в возможности принятия решений  в уникальных ситуациях, для  которых алгоритм заранее не  известен и формируется по  исходным данным в виде цепочки  рассуждений (правил принятия  решений) из базы знаний. Причем  решение задач предполагается  осуществлять в условиях неполноты,  недостоверности, многозначности  исходной информации и качественных  оценок процессов. 

25. Какие проблемные области  характерны для аналитических  задач классифицирующего и доопределяющего  типов? 

 Для аналитических  задач классифицирующего и доопределяющего  типов характерны следующие проблемные  области: 

 • Интерпретация данных - выбор решения из фиксированного  множества альтернатив на базе  введенной информации о текущей  ситуации. Основное назначение - определение  сущности рассматриваемой ситуации, выбор гипотез, исходя из фактов. Типичным примером является экспертная  система анализа финансового  состояния предприятия. 

 • Диагностика - выявление  причин, приведших к возникновению  ситуации. Требуется предварительная  интерпретация ситуации с последующей  проверкой дополнительных фактов.

 • Коррекция - диагностика,  дополненная возможностью оценки  и рекомендации действий по  исправлению отклонений от нормального  состояния рассматриваемых ситуаций.

26. Какие проблемные области  характерны для многоагентных экспертных систем?

 Для синтезирующих  динамических (многоагентных) экспертных систем наиболее применимы следующие проблемные области:

1 Проектирование - определение  конфигурации объектов с точки  зрения достижения заданных критериев  эффективности и ограничений,  например, проектирование бюджета  предприятия или портфеля инвестиций.

2 Прогнозирование - предсказание  последствий развития текущих  ситуаций на основе математического  и эвристического моделирования,  например, прогнозирование трендов  на биржевых торгах.

3 Диспетчирование - распределение работ во времени, составление расписаний, например, планирование графика освоения капиталовложений.

4 Планирование - выбор последовательности  действий пользователей по достижению  поставленной цели, например, планирование  процессов поставки продукции. 

5 Мониторинг - слежение за  текущей ситуацией с возможной  последующей коррекцией. Для этого  выполняется диагностика, прогнозирование,  а в случае необходимости планирование  и коррекция действий пользователей,  например, мониторинг сбыта готовой  продукции. 

6 Управление - мониторинг, дополненный  реализацией действий в автоматических  системах, например, принятие решений  на биржевых торгах.

27. Что лежит в основе  самообучающихся систем?

 В основе самообучающихся  систем лежат методы автоматической  классификации примеров ситуаций  реальной практики.

28. Недостатки самообучающихся  систем?

 Общие недостатки, свойственные  всем самообучающимся системам, заключаются в следующем: 

1 возможна неполнота  и/или зашумленность (избыточность) обучающей выборки и, как следствие,  относительная адекватность базы  знаний возникающим проблемам 

2 возникают проблемы, связанные  с плохой смысловой ясностью  зависимостей признаков и, как  следствие, неспособность объяснения  пользователям получаемых результатов 

3 ограничения в размерности  признакового пространства вызывают  неглубокое описание проблемной  области и узкую направленность  применения.

29. На какие классы  делятся самообучающиеся системы? 

 • "с учителем", когда для каждого примера  задается в явном виде значение  признака его принадлежности  некоторому классу ситуаций (классообразующего признака);

 • "без учителя", когда по степени близости  значений признаков классификации  система сама выделяет классы  ситуаций.

30. Принцип работы индуктивных  систем?

 Индуктивные системы  используют обобщение примеров  по принципу от частного к  общему.

31. Опишите процесс классификации  примеров с помощью индуктивных  систем?

 Процесс классификации  примеров осуществляется следующим  образом: 

1. Выбирается признак  классификации из множества заданны  (либо последовательно, либо по  какому-либо правилу, например, в  соответствии с максимальным  числом получаемых подмножеств примеров)

2. По значению выбранного  признака множество примеров  разбивается на подмножества 

3. Выполняется проверка, принадлежит ли каждое образовавшееся  подмножество примеров одному  подклассу 

4. Если какое-то подмножество примеров принадлежит одном подклассу, т.е. у всех примеров подмножества совпадает значение классообразующего признака, то процесс классификации заканчиваете (при этом остальные признаки классификации не рассматриваются)

5. Для подмножеств примеров  с несовпадающим значение классообразующего признака процесс классификации продолжаете, начиная с пункта 1. (Каждое подмножество примеров становится классифицируемым множеством).

32. Принцип работы нейронных  сетей? 

 Нейронные сети представляют  собой устройства параллельных  вычислений, состоящие из множества  взаимодействующих простых процессоров.  Каждый процессор такой сети  имеет дело только с сигналами,  которые он периодически получает, и сигналами, которые он периодически  посылает другим процессорам. 

33. Достоинства нейронных  сетей по сравнению с индуктивными  системами? 

34. Что содержит база  знаний в системах, основанных  на прецедентах (аналогиях)?

 В этих системах  база знаний содержит описания  не обобщенных ситуаций, а собственно  сами ситуации или прецеденты.

35. Принцип работы систем, основанных на прецедентах (аналогиях)?

 Поиск решения проблемы  сводится к поиску по аналогии (абдуктивный вывод от частного к частному):

1. Получение подробной  информации о текущей проблеме 

2. Сопоставление полученной  информации со значениями признаков  прецедентов из базы знаний 

3. Выбор прецедента из  базы знаний, наиболее близкого  к рассматриваемой проблеме 

4. В случае необходимости  выполняется адаптация выбранного  прецедента к текущей проблеме 

5. Проверка корректности  каждого полученного решения 

6. Занесение детальной  информации о полученном решении  в базу знаний.

36. В чем заключается достоинство нейронных сетей перед индуктивным системами?

 Достоинство нейронных  сетей перед индуктивным выводом  заключается 

1) в решении не только  классифицирующих, но и прогнозных  задач. Возможность нелинейного  характера функциональной зависимости  выходных и входных признаков  позволяет строить более точные  классификации. 

2) процесс решения задач  в силу проведения матричных  преобразований проводится очень  быстро. Фактически имитируется  параллельный процесс прохода  по нейронной сети в отличие  от последовательного в индуктивных системах.

37. Что допускается в  системах, основанных на прецедентах  (аналогиях), в отличие от индуктивных  систем?

 Так же, как и для  индуктивных систем, прецеденты  описываются множеством признаков,  по которым строятся индексы  быстрого поиска. Но в отличие  от индуктивных систем допускается  нечеткий поиск с получением  множества допустимых альтернатив,  каждая из которых оценивается  некоторым коэффициентом уверенности.  Далее наиболее подходящие решения  адаптируются по специальным  алгоритмам к реальным ситуациям.  Обучение системы сводится к  запоминанию каждой новой обработанной  ситуации с принятыми решениями  в базе прецедентов. 

38. Как применяются системы,  основанные на прецедентах (аналогиях)?

 Системы, основанные  на прецедентах, применяются как  системы распространения знаний  с расширенными возможностями  или как в системах контекстной  помощи.

39. Что представляет из себя информационное хранилище?

 В отличие от интеллектуальной  базы данных информационное хранилище  представляет собой хранилище  извлеченной значимой информации  из оперативной базы данных, которое  предназначено для оперативного  анализа данных (реализации OLAP - технологии).

Информация о работе Понятие и классификация интеллектуальных информационных систем