1.4. Методы описания нечетких знаний в интеллектуальных системах

Читатели, вероятно обратили внимание на то, что понятие качественный и нечеткий отнюдь не являются синонимами. Знания могут характеризоваться количественными и качественными показателями, быть четкими, имеющими математическое описание, и нечеткими, представленными лингвистическим конструкциями естественного языка, и эти пары признаков являются независимыми. Знание, оцениваемое качественно, т.е. не описанное цифрами и формулами, отнюдь не всегда является нечетким. Например: «это моя ручка» – четкое качественное знание; «это, похоже, моя ручка» – нечеткое качественное знание. Поэтому все базовые языки представления знаний могут описывать как знания четкие (что и было проиллюстрировано приведенными выше примерами), так и знания нечеткие. Следует обратить внимание еще и на то, что теперь речь идет не о новых базовых языках описания знаний, в данном случае знаний нечетких, а о способах описания нечеткости знаний, которые можно ввести в любом из описанных выше базовых языков. Например, может иметь место язык четких и нечетких продукционных правил, четких и нечетких семантических сетей и т.д. Итак, каким же образом трактуется понятие нечеткость и какие способы описания нечеткости знаний могут быть? К наиболее употребительным методам описания нечётких знаний относятся: методы теории многозначной логики, теории вероятностей, теории ошибок (интервальные модели), теории интервальных средних, теории субъективных вероятностей, теории нечетких множеств, теории нечетких мер и интегралов [10]- [13].

Следует отметить, что тот или иной способ описания нечеткости в разной степени совместим с тем или иным базовым языком представления знаний с точки зрения сложности описания и полноты возможностей получаемой формальной модели. А поскольку представление знаний является средством описания знаний человека, желательно, чтобы описательные возможности выбранного языка в конкретной предметной области были как можно выше. С этой точки зрения решение о форме представления знаний, принимаемое на одном из первых этапов проектирования, в значительной степени влияет на эффективность разрабатываемой интеллектуальной технической системы. Зачастую, возможностей одного даже самого подходящего языка оказывается недостаточно. Поэтому некоторые интеллектуальные системы имеют комплексное представление знаний, основанное на нескольких базовых языках представления знаний. С другой стороны, если форма представления знаний чрезмерно усложняется, то затрудняется техническая реализация такой интеллектуальной системы и возникает опасность потери достоверности выполняемых ею действий. В конечном итоге, выбор метода представления знаний представляет собой некий компромисс между универсальностью системы и возможностью ее технической реализации, с учетом конкретных прикладных задач, составляющих специализацию будущей интеллектуальной технической системы [10], [11].

Интеллектуальная САУ должна обладать, в определённой степени, такими возможностями человека, как способностью к обучению, адаптации, накоплению и систематизации знаний об объекте управления. Кроме того, изначально при создании интеллектуальной САУ система практически всегда содержит базовый набор знаний, полученных от специалистов в данной предметной области – экспертов и представленных в соответствии с выбранным языком представления знаний и методом описания их нечеткости. Так как знания и опыт человека имеют, в основном, вербальный характер, и едва ли не все рассуждения человека по своей природе являются приближенными, то наиболее перспективными являются интеллектуальные САУ, использующие для представления знаний человека о свойствах и принципах управления объектом лингвистические переменные и аппарат нечетких множеств. Целесообразность и перспективность именно этого подхода к описанию и представлению нечетких знаний в интеллектуальных САУ обоснованна тем, что вышеупомянутый математический аппарат оперирует с лексическими категориями оценок, восприятия и способов рассуждения человека, т.е. с нечеткими лингвистическими категориями, а согласно аксиоматике управления сложными слабоструктурированными объектами всю информацию об объекте управления и способах управления им можно выразить средствами обычного естественного языка [14]-[16]. Кроме того, такой подход к представлению нечетких знаний существенно облегчает первоначальное «обучение» создаваемой интеллектуально системы группой экспертов, так как аппарат нечетких множеств, оперирующий лингвистическими переменными, позволяет наиболее точно реализовать машинную интерпретацию знаний экспертов. Это является немаловажным фактором при выборе методов представления нечетких знаний в интеллектуальных САУ, поскольку эксперты – это люди, которые обладают эмпирическими знаниями по управлению сложным объектом и, как и свойственно людям, оперируют лексическими категориями естественного языка при описании сложных объектов и правил управления этими объектами [17] - [20].

Поэтому, несмотря на то, что каждый из упомянутых выше четырёх наиболее общеупотребительных способов описания нечетких знаний заслуживает отдельного подробного описания (чего невозможно сделать в пределах данного учебного пособия), целесообразно рассматривать принципы и методы построения интеллектуальных САУ, основанных на представлении знаний методами теории нечетких множеств. Разумеется, не все проектируемые в настоящее время интеллектуальные САУ базируются на методах теории нечетких множеств при представлении знаний. Однако, как показывает анализ тенденций развития интеллектуальных оперирующих знаниями САУ, большинство интеллектуальных систем автоматизации, использующихся в промышленности при управлении слабоструктурированными объектами, базируются на нечетком представлении знаний методами теории нечетких множеств [7], [9], [15]. Именно эту категорию интеллектуальных регуляторов принято в научно-популярной литературе относить к системам «FuzzyLogic».