Get documents about "???? ??? Knowledge-RepresentationChanged -farsi.doc - DOC
Document Sample
به نام حضرت دوست که ناجسته اش
یابند و نادیده دوستش دارند
دانشگاه آزاد واحد دماوند
خ
سیستم های ِربه
استاد : خامن مهندس سارا کریمی
هتیه کنندگان : میثم آبانگاه وسعید حممدی
سال حتصیلی 89- 98
Knowledge-Based Systems
(سیستم های مبتنی بر دانش)
( Course Overviewمرور کلی عناوین)
1
معرفی تطبیق الگو
منایش دانش متغیر ها ، توابع ،
شبکه های معنا ، قاب ها ، اصطالحات ، حمدودیت ها
منطق طراحی سیستم خربه
استدالل و استنتاج چرخه حیاط سیستم خربه
منطق مسند ، روش اجرا سیستم خربه
های استنتاج ، حتلیل سلیینس( )Sailenceو الگوریتم
استدالل با عدم قطعیت Rete
احتمال ، تصمیم گیری بیزی مثال های سیستم خربه
()bayesian نتایج و نظریه
( Overview Knowledge Representationمرور کلی بر منایش دانش)
انگیزش و حمرک منایش دانش
اهداف روش ها :
قوانین تولید
معرفی فصل شبکه های معنا
مروری بر مفاهیم طرح ها و قاب ها
مرتبط منطق
مرور کلی بر موضوعات
جدید شبکه معنا و منایش
واژگان فنی دانش
هستی شناسی ها
دانش و معنی آن
معرفت شناسی OWL
انواع دانش RDF
هرم دانش مفاهیم مهم و شرایط
خالصه فصل
(انگیزش، حمرک) Motivation
KBS are useless without the ability to represent knowledge
سیستم های مبتنی بر دانش بدون توانایی ارائه(منایش) دانش، بی فایده
هستند.
different knowledge representation schemes may be appropriate
ممکن است طرح های متفاوت منایش دانش مناسب باشد.
به وظایف و شرایط وابسته است. o depending on tasks and circumstances
2
knowledge representation schemes and reasoning methods must be coordinated
.طرح های منایش دانش و روش های استدالل باید متناسب باشند
Objectives )(اهداف
know the basic principles and concepts for knowledge representation
دانسنت اصول پایه و مفاهیم ، برای منایش دانش
o knowledge - information – data ) (دانش – اطالعات - داده
o meaning )(معنی
be familiar with the most frequently used knowledge representation methods
.با پر استفاده ترین روش های موجود برای منایش دانش ،آشنا شوید
o logic, rules, semantic nets, schemata ، منطق، قوانین، شبکه های معنا
طرح ها
differences between methods, advantages, disadvantages, performance,
typical scenarios
تفاوت بین روش ها، مزایا، معایب، کارایی، سناریوهای منونه
understand the relationship between knowledge representation and reasoning
فهمیدن ارتباط بین منایش دانش و استدالل
o syntax, semantics ترکیب ، معناها
o derivation, entailment مشتق ، وقف
apply knowledge representation methods بکارگیری روش های منایش دانش
o usage of the methods for simple problems استفاده از روش های برای
مسائل ساده
Knowledge Engineering )(مهندسی دانش
3
The process of building an expert system is called knowledge Engineering
.فرایند تولید و ساخت یک سیستم خربه را مهندسی دانش می گویند
Iterative and incremental تکرارکننده و توسعه دهنده
Knowledge Engineering Phases )مهندسی دانش (فازهای
Phase 1: Assessment Phase ) (فاز ارزشیابی
Problem practicality عملی بودن مسئله
Expert System Creation Justification تطابق ایجاد سیستم خربه
Determine General Project Idea تعیین ایده کلی پروژه
Determine needed resources تعیین مناب ع مورد نیاز
Phase 2: knowledge acquisition )( کسب دانش
4
Knowledge Acquisition: study of knowledge , acquisition, organization
.کسب دانش : مطالعه دانش، کسب کردن، سازماندهی
Knowledge Acquisition Knowledge base creation مبنای ایجاد دانش
کسب دانش
o Identification of knowledge resource (human or nonhuman)
)شناسایی منبع دانش (انسان یا غیر انسان
o Design methods for knowledge extraction from resources according to resource type
طراحی روش هایی برای استخراج دانش از منابع، برطبق نوع منبع
o Extract knowledge from resources according to designed methods
.استخراج دانش از منابع، بر طبق روش های طراحی شده
o Knowledge integration یکپ ارچه سازی دانش
Phase 3: Design )(طراحی
Representation techniques تکنیک های منایش
Save knowledge in knowledge base ذخیره دانش در پایگاه دانش
Knowledge Processing and inferences Techniques پردازش دانش و تکنیک
های استنتاج
Prototype منونه اولیه
Test ) (آزمایش
Feedback to previous Phases بازخورد به فازهای قبلی
Objective: System general structure and extracted knowledge validation and
verification
.هدف : ساختار کلی سیستم و تصدیق و تایید دانش استخراج شده
5
Use Expert guidance استفاده از راهنمای خربه
Knowledge and its Meaning ) (دانش و معنی آن
Epistemology ()معرفت شناسی
.این علم با ماهیت، ساختار و اصول دانش سر و کار دارد
Types of Knowledge انواع دانش
Knowledge Pyramid هرم دانش
: برخی مقوله های موجود در معرفت شناسی
Types of Knowledge )(انواع دانش
a priori knowledge (theoretical knowledge) )دانش پیشین (دانش نظری
o comes before knowledge perceived through senses
این دانش قبل از اینکه دانش از طریق حواس کسب شود ، به دست می
.آید
o considered to be universally true با در نظر گرفنت اینکه کامال درست
.باشد
a posteriori knowledge (empirical knowledge) )دانش پسین (دانش جتربی
6
تایید پذیر بودن دانش از o knowledge verifiable through the senses
طریق حواس.
o may not always be reliable ممکن است مهیشه قابل اعتماد نباشد.
procedural knowledge ( دانش روالی)
دانسنت اینکه ،چطور یک چیزی را اجنام o knowing how to do something
دهیم.
declarative knowledge ( دانش تشریحی)
فهمیدن اینکه ، یک چیزی غلط o knowing that something is true or false
است یا درست.
) Tacit knowledge (unconscious knowledge ( دانش ضمنی) (دانش ناخودآگاه)
دانش به راحتی توسط زبان o knowledge not easily expressed by language
بیان منی شود.
o دانسنت حنوه حرکت دست؟ => انقباض و انبساط چند ماهیچه و تاندون
=> ماهیچه ها و تاندون ها چگونه منقبض و منبسط می شوند؟
o Neural Network شبکه عصبی
Certain Knowledge دانش قطعی
Uncertain knowledge دانش غیر قطعی
(دانش در سیستم های خربه) Knowledge in Expert Systems
پایه دانش های سیستم
برنامه نویسی مرسوم(متداول)
7
خربه سیستم = استنتاج + دانش
الگوریتم + ساختار داده ها = برنامه ها
(هرم دانش) knowledge Pyramid
← ماوراء دانش
← دانش
← اطالعات
← داده
← پارازیت
(روش های منایش دانش) Knowledge Representation Methods
Suppose Access to Problem knowledge دسرتسی فرضی به دانش مسئله
Problem Knowledge –> L
دانش مسئلهL
’ Knowledge Intelligible for machines L
دانش قابل فهم برای ماشین هاL’
’ Convert L to L
’L به
تبدیلL
Inefficiency Of Conventional Language های زبان موثر بودن غیر
مرسوم(متداول)
8
Need New language نیاز به یک زبان جدید
Knowledge Representation Methods: L’ )L’ (روش های منایش دانش : خصوصیات
Properties
Support knowledge representation (procedural/ declarative, certain/ uncertain)
)پشتیبانی از منایش دانش ( روالی / تشریحی / قطعی / غیرقطعی
Easy آسان
Knowledge Representation Methods: L’)L’ (روش های منایش دانش : خصوصیات
Production Rules قوانین تولید
Semantic Nets شبکه های معنا
Scripts and Frames متون و قاب ها
Logic منطق
Conceptual graphs منودار های مفهومی
Object-Attribute-Value Triple )شیئ – ویژگی – مقدار (سه گانه
Comparison based on superficial independence , simplicity and intelligibly
مقایسه بر پایه استقالل ظاهری ، سادگی و قابل درک بودن
9
Production Rules )(قوانین تولید
frequently used to formulate the knowledge in expert systems
برای فرموله کردن دانش در سیستم های خربه ، به طور مداوم مورد
.استفاده قرار می گیرد
Knowledge of Problem is formulated in the form of rules: C1, c2, c3, … X
: دانش مسئله، به شکل قوانین روبه رو فرموله می شود
Each rule identify the relationship between a sequence of observations and a result
هر قانون رابطه بین یک ترتیب از مشاهدات و یک نتیجه را تشخیص می
.دهد
Observations: )(مشاهدات
o Attribute - value pair )(هر دو ویژگی – مقدار
o Result of a rule نتیجه قانون
o Procedure روال
Example: مثال
o Weather- cold, cloudy-yes Rainy بارانی
هوا – سرد ، ابری – بله
o Holiday- yes, Rainy-yes stay at home در خانه مبان روز
تعطیل- بله ، بارانی- بله
Rules have Superficial independence but can be dependent semantically
قوانین دارای استقالل ظاهری هستند اما می توانند به طور معنایی
.وابسته باشند
10
Superficial independence استقالل ظاهری
o Easy management مدیریت آسان
1. If the ball’s colour is red Then I like the ball اگر رنگ توپ قرمز است، آنگاه من
.توپ را دوست دارم
2. If I like the ball Then I will buy the ball اگر من توپ را دوست دارم آنگاه من
.آن توپ را خواهم خرید
Question: Ball’s Color? سوال : رنگ توپ ؟
Answer: Red جواب: قرمز
: مثال
1. If the ball’s color is red Then I like the ball
2. If I like the ball Then I will buy the ball
11
Rule’s Type )(نوع قانون
Relationship Rules : IF the battery is dead Then the car will not start
قوانین وابستگی : اگر عمر باطری به پایان رسیده است، آنگاه ماشین
.روشن خنواهد شد
Recommendation Rules : IF the car will not start THEN take a cab
.قوانین پیشنهادی : اگر ماشین روشن منی شود آنگاه یک تاکسی بگیرید
Directive Rules : IF the car will not start AND the fuel system is ok THEN check out the
electrical system
، و سیستم سوخت نیز سامل است قوانین دستوری : اگر ماشین روشن منی شود
.آنگاه سیستم الکرتیکی را بررسی منایید
Strategy Rules : IF the car will not start THEN first check out the fuel system THEN check
out the electrical system
پس ابتدا سیستم سوخت و سپس قوانین اسرتاتژی : اگر ماشین روشن منی شود
.سیستم الکرتیکی را بررسی منایید
Heuristic Rules : IF the car will not start AND the car is a 1957 Ford THEN check the float
قوانین اکتشافی : اگر ماشین روشن منی شود و ماشین نیز یک فورد 1981 است
.آنگاه سیستم شناور را بررسی کنید
Pattern Matching Rules : IF ?X is Employee AND ?X Age>65 THEN ?X can retire
بیش از 95 سالx یک کارمند است وx قوانین تطبیق دهنده الگو : اگر
. دارد آنگاه می تواندبازنشسته شود
Meta Rules : IF the car will not start AND the electrical System is operating normally
THEN use rules concerning the fuel system
قوانین ماورائی : اگر ماشین روشن منی شود و سیستم الکرتیکی بطور
عادی کار می کند، آنگاه از قوانین مربوط به سیستم سوخت استفاده
.کنید
12
(تولیدات) Productions
) One formal notation for defining productions is the BNF( Backus-Naur form
یک نشانه گذاری رمسی برای تعریف حمصوالت BNFمی باشد. ( ، BNFقرارداد
ثبت شده اى که براى توضیح یک زبان برنامه نویسى استفاده مى شود.)
This notation is a Meta language for defining the syntax of a language
این نشانه گذاری یک زبان ماورائی است برای تعریف شبه کد از یک زبان.
o Syntax define form شبه کد ، شکل را تعریف می کند.
o Semantic refer to meaning معنا به معنی رجوع می کند.
A meta language is language for describing languages
یک زبان ماورا، زبانی است برای توصیف زبان ها
: Many Type of languages انواع زیادی از زبان ها :
o Natural languages, logic languages, mathematical languages, and computer languages
زبان های طبیعی ، زبان های منطقی، زبان های ریاضی و زبان های
کامپیوتری
BNF notation for a simple language rule that a sentence consists of a noun and a verb
:followed by punctuation is the following production rule
نشانه گذاری BNFبرای یک قانون زبان ساده است که یک مجله شامل : یک
اسم و یک فعل که از نقطه گذاری پیروی می کنند و قوانین تولید زیر
هستند :
نشانه های زبان ماوراء هستند. = :: , >< o
و برابر با BNFاست. برای تعریف به عنوان . . . = :: o
oعبارتی مانند <> به عنوان نشانه های بی پایان هستند.
31
oقسمت هنایی منی تواند با هیچ چیز دیگری جا به جا شود ، پس
بنابراین به عنوان یک ثابت است.
oقوانین ذیل ، بی پایان ها را از طریق مشخص کردن پایان های
ممکن آهنا ، کامل می کند.
oمنونه هایی از این معانی :
) String (set of terminals رشته (جمموعه ای از پایانه ها)
) Valid Sentence( string can be derived from the start symbol
مجله معترب (رشته می تواند از نشانه (مسبول) شروع، ناشی شود.)
Grammar: Complete set of production rules that define a language
گرامر : کامل کردن جمموعه ای از قوانین تولید، که یک زبان را تعریف
می کند.
Parse Tree or Derivation Tree: Graphic representation of a sentence decomposed into all
the terminals and no terminals used to derive the sentence
درخت جتزیه یا درخت اشتقاق : منایش گرافیک یک مجله که جتزیه می شود به
متام پایانه ها و ناپایانه هایی که برای استنتاج مجله استفاده می
شود.
(تولیدات) Productions
Compiler create a parse tree when it tries to determine whether statements in a program
Conform to the valid syntax of a language
کامپایلر یک درخت جتزیه ایجاد می کند، زمانیکه سعی می کند دستورات
را مطابق با شبه کد معترب یک زبان در برنامه تعیین مناید.
41
Production System )(سیستم تولید
Knowledge base (Production Rules) )دانش پایه ( قوانین تولید
Working Memory حافظه کاری
Interpreter (Inference Engine) )مفسر (موتور استنتاج
o Three steps called the recognize-act cycle:
: سه مرحله ای که چرخه تشخیص – عمل نامیده می شود
1. Match the variables of the antecedent of a rule in knowledge base with WM
منطبق کردن متغیر های مرجع از یک قانون در پایگاه دانش با حافظه
. کاری
2. If more than one rule is available decide which rule to fire (a strategy for
conflict resolution)
اگر بیش از یک قانون در دسرتس است، تصمیم بگیرکه کدام قانون اجرا
)شود. (یک اسرتاتژی برای عدم تفکیک پذیری
3. Add new item to WM or delete old item from WM and go to step 1
اضافه کردن یک مورد جدید یا حذف منودن یک مورد قدیمی از حافظه کاری
1 و رفنت به مرحله
Conflict Resolution strategies ) (اسرتاتژی های عدم تفکیک پذیری
Refractoriness )(استحکام
o Same rule could not be fired more than once when instantiated with the same set of data
15
قانون یکسان منی توانند بیش از یک بار اجرا شوند، زمانیکه با جمموعه
ای از داده های یکسان ، معرفی می شود.
o Solution: discard or delete the instantiations from WM which have been used
once avoid loop
راه حل : دور انداخنت یا حذف کردن منونه ها از حافظه کاری که یک بار
مورد استفاده قرار گرفته اند. از حلقه اجتناب کنید.
Recency تازگی
o Most recent element of the working memory be used up for instantiating one of
the rules
تازه ترین عضو از حافظه کاری که برای معرفی یکی از قوانین مورد
استفاده قرار می گیرد.
Specificity اختصاصی
o Rule with more number of antecedent clauses be fired than rules handling fewer
antecedent clauses
قوانینی با تعداد بیشرتی از عبارات مرجع مورد اجرا ، نسبت به
قوانینی که عبارات مرجع کمرتی را هدایت می کنند.
Example (مثال)
)o PR1: Bird(X) Fly(X پرواز کردن
پرنده
)o PR2: Bird(X),Not emu(X) Fly(x پرواز کردن
پرندهمرغ نیست
.o Suppose: WM contains the Data Bird(X) and Not emu
فرض : حافظه کاری شامل داده پرنده و اینکه مرغ نیست می باشد.
.o Both rule are firable. However the second rule should be fired
هر دو قانون قابل اجرا هستند. هرچند که قانون دوم می بایست اجرا
گردد.
MYCYN use another approach for resolving conflicts via metarules
61
از دسرتسی دیگری برای حتلیل تداخالت از طریق فرا قانونMYCYNبرنامه
.ها ، استفاده می کند
Metarules can be either domain-specific or domain-free
فرا قانون ها می توانند هم به صورت خاص یک حوزه و یا به صورت
.مستقل از حوزه باشند
Domain-Specific metarule: applicable for identifying the rule to fire only in a specific domains
فرا قانون ،خاص حوزه : قابل اجرا هستند برای تشخیص قانون و اجرای
.آن فقط در حوزه های خاص
Domain-free rules: very general kind قوانین مستقل از حوزه : نوع بسیار
.کلی و جامع است
Domain-Specific metarule: : فرا قانون ، خاص حوزه
If 1) the infection is pelvic abscess و
.اگر عفونت و درد لگن َرم کرد
2)and there are rules which mention in their premise entero-bactoriae and
که عامل ثابت آهنا است راentero-bactoriae و قوانینی وجود دارد که
.ذکر می کند
3) there are rules which mention in their premise gram-positive rods
و قوانینی وجود دارند که در فرضیه هاشان حتی چند گرم مثبت را نیز
. ذکر می کنند
Then there exists suggestive evidence (0.4) that the former should be applied before the later
قبل از آنگاه این دالیل موجود ثابت می کند که این نوع قالب باید
این بکار گرفته شود
Domain-free rule : قانون مستقل از حوزه
:
If there are rules which do not mention the current goal in their premise and
there are rules which mention the current goal in their premise
17
اگر قوانینی وجود دارند که هدف جاری را در قضیه اثبات شده آهنا
، ذکر منی کنند و
قوانینی وجود دارند که هدف جاری را در قضیه اثبات شده آهنا ،
ذکر می کنند.
Then it is definite (1.0) that former should be applied before the later
آنگاه این قطعی است که قالب و فرم مورد نظر ، باید زودتر از
پیش بکارگرفته شود.
The conflict resolution with
two rules PRi and PRj has
been demonstrated in
.this architecture
عدم تفکیک پذیری با دو
قانون PRiو PRjدر این
منایش داده شده معماری
است.
(یک سیستم تولید منایش دهنده) An Illustrative Production System
: water-jug problem مسئله کوزه آب :
Given 2 water jugs, 4 liters and 3 liters. Neither has Any measuring marks on it. There is a pump
?that can be used to fill the jugs. How can you get exactly 2 liters of water into 4-liter jugs
2 کوزه آب داده شده است، 4 لیرتی و 3 لیرتی. هیچکدام از ظرف ها درجه
اندازه گیری ندارند. یک پمپ آب(شیر آب) جهت پرکردن ظرف ها وجود
دارد. چطور می توان بطور دقیق 2 لیرت آب در ظرف 4 لیرتی قرار داد؟
U denote content of 4L jug نشان دهنده حمتوای ظرف 4 لیرتی است
U
V denote content of 3L jug نشان دهنده حمتوای ظرف 3 لیرتی است
V
81
Content of two jug will be represented by (U,V) نشان داده می شوند
(U,V)حمتوای 2 ظرف با
Start up element in WM is (0,0) عامل شروع در حافظه کاری (9،9) می باشد
Keep track of the reasoning process draw a state-space for the problem.
کشیدن یک فضای حالت برای نگه داشنت رد پایی از پردازش استدالل
.مسئله
Leaves generated after firing of the rules, should be stored in WM.
قوانین اجرا شده که پس از تولید رها می شوند ، باید در حافظه کاری
.ذخیره شوند
First consider all possibilities of the solution (i.e., without resolving the conflict).
19
ابتدا باید متام احتماالت مربوط به راه حل را درنظر گرفت.(به عنوان
منونه : بدون حتلیل تداخل موجود)
. Later we would fire only one rule even though more than one are fireable
بعدا ، ما می توانیم فقط یک قانون را اجرا کنیم ، اگرچه بیش از یک
قانون ، قابل اجرا باشد.
State Space without conflict resolution فضای حالت بدون عدم تفکیک پذیری :
(اسرتاتژی های عدم تفکیک پذیری) Conflict Resolution strategies
Avoid doubling back, whenever possible. In other words, never attempt to generate old
.entries
در هر زمانی که ممکن است باید از برگشت مضاعف به عقب اجتناب کرد. در
معانی دیگر، هرگز نباید برای تولید ورودی های قدیمی تالش منود.
? Rete Match Algorithm Rete
الگوریتم تطابق
(انواع سیستم های تولید) Type of Production Systems
: two special types of production systems نوع خاص از سیستم های تولید دو
02
o i) commutative system سیستم های جاجبایی پذیر
o ii) decomposable system سیستم های جتزیه پذیر
Commutative Production System )تولید جاجبایی پذیر (سیستم
A production system is called commutative if for a given set of rules R and a working
memory WM the following conditions are satisfied
یک سیستم تولید را جابه جایی پذیر می نامند اگر،برای جمموعه ای از
در شرایط ذیل، راضیWM و یک حافظه کاریR قوانین داده شده یعنی
.کننده باشد
i) Freedom in orderliness of rule firing: Arbitrary order of firing of the applicable rules
selected from set S will not make a difference in the content of WM.
1)آزادی در نظم و ترتیب دادن به اجرای قانون : ترتیب دخلواه از اجرای
تفاوتی در حمتوای حافظهS قوانین قابل اجرا و انتخاب شده از جمموعه
. ایجاد منی کندWM کاری
o In other words, the WM that results due to an application of a sequence of rules
from S is invariant under the permutation of the sequence.
در معانی دیگر، حافظه کاری که نتایج آن براساس ، برنامه ای که ترتیبی
است،در زیر جایگشت ترتیب موجود ، یکسانS از قوانین موجود در جمموعه
.است
ii) Invariance of the pre-condition of attaining goal: If the pre-condition of a goal is satisfied by
WM before firing of a rule, then it should remain satisfiable after firing of the rule.
2) عدم تغییر پیش شرایط ها برای دست یافنت به اهداف : اگر پیش شرایط
، یک هدف توسط حافظه کاری قبل از اجرای یک قانون ، راضی کننده باشد
.پس این باید بعد از اجرای قانون نیز راضی کننده مباند
iii) Independence of rules: The firability condition of an yet unfired rule Ri with respect
to WM remains unaltered, even after firing of the rule Rj for any j.
Ri 3)استقالل قوانین : شرایط قابلیت اجرا برای یک قانون هنوز اجرا نشده
، حتیWM ، با توجه به موارد باقیماند و تغییر نکرده در حافظه کاری
.j برای هرRj بعداز اجرای قانون
Decomposable Production System )تولید جتزیه پذیر (سیستم
A production system is called decomposable if the goal G and the working memory can be
partitioned into Gi and WMi, such that
21
و حافظه کاریG یک سیستم تولید را جتزیه پذیر می نامند اگر ، هدف
: تقسیم بندی شوند. مانندWMi وGi بتوانند به
G = ANDi (Gi ),
WM = ∪ { WMi }∀i
rules are applied onto each WMi independently or concurrently to yield Gi.
راGi بکار گرفته می شوند، تاWMi قوانین به طور مستقل یا مهزمان در
.ایجاد کنند
The termination of search occurs when all the goals Gi for all i have been identified.
، هاi برای متامGi عمل لغو جستجو زمانی اتفاق می افتد که متام اهداف
.تشخیص داده شده باشد
Forward versus Backward Production )(سیستم های تولید پیش رو در مقابل پس رو
Systems
Most of the common classical reasoning problems of AI can be solved by any of the following
two techniques:
بیشرت مسائل استدالل رایج و عمومی از هوش مصنوعی ، می توانند توسط هریک
:از دو تکنیک ذیل حل شوند
o i) forward reasoning or forward chaining (Top-Down)
)استدالل پیش رو یا زجنیره پیش رو.( باال به پایین
o ii) backward reasoning backward chaining (Bottom-UP)
)استدالل پس رو یا زجنیره پس رو.( پایین به باال
In a forward reasoning problem such as 4-puzzle games or the water-jug problem, where the goal
state is known, the problem solver has to identify the states by which the goal can be reached.
در یک مسئله استدالل پیش رو مهانند بازی 4پازل یا مسئله کوزه آب، جایی
که هدف قرار دارد مشخص و شناخته شده است، اما حل کننده مسئله باید حالت
.هایی را که هدف می تواند به آهنا دست پیدا کند را تشخیص دهد
These class of problems are generally solved by expanding states from the known starting
states with the help of a domain-specific knowledge base.
این دسته از مسائل عموما بوسیله حالت های توسعه دهنده ، از حالت های شروع
.شناخته شده و با کمک پایگاه دانش خاص حوزه، حل می شوند
22
The generation of states from their predecessor states may be continued until the goal is reached.
روند تولید این حالت ها از حالت های ماقبل آهنا، ممکن است تا زمانیکه هدف
.به نتیجه برسد ادامه پیدا کنند
On the other hand, consider the problem of system diagnosis or driving a car from an
unknown place to home.
از طرف دیگر، درنظرگرفنت مسئله از سیستم خطا یاب و یا راندن ماشین از یک
.مکان نامشخص تا خانه
Here, the problems can be easily solved by employing backward reasoning, since the
neighboring states of the goal node are known better than the neighboring states of the
starting states.
در اینجا، مسائل می توانند به راحتی با به کارگیری استدالل پس رو، به
آسانی حل شوند، از آجنایی که حالت های جماور از گره هدف نسبت به حالت
. های جماور از حالت های آغازین ، هبرت شناخته می شوند
For example, in diagnosis problems, the measurement points are known better than the
cause of defects.
برای مثال، در مسائل تشخیص خطا، نقاط اندازه گیری نسبت به دالیل نقوص
.موجود ، هبرت شناخته می شود
For the driving problem, the roads close to home are known better than the roads close to the
unknown starting location of driving.
برای مسئله رانندگی، مسیر های نزدیک به خانه نسبت به مسیر های نزدیک
.به مکان نامشخص که رانندگی را از آجنا شروع کردیم ، هبرت شناخته می شود
It is thus clear that, whatever be the class of problems, system states from starting state to goal or
vice versa are to be identified, which requires expanding one state to one or more states.
بنابراین واضح است که، کالس مسائل هر چه که باشد، حالت های سیستم که از
حالت شروع به هدف و یا به طور برعکس، شناخته می شود، نیاز به گسرتش یک
.حالت به یک یا چند حالت دیگر را دارد
If there exists no knowledge to identify the right offspring state from a given states, then
many possible offspring states are generated from a known state. This enhances the search-
space for the goal.
اگر هیچ دانشی برای شناسایی حالت مبدا(فرزند) درست از میان حاالت
)داده شده وجود ندارد، بنابراین ، خیلی از حالتهای مبدا(فرزند
ممکن، از یک حالت شناخته شده تولید می شوند. این عمل باعث زیاد شدن
.فضای جستجو برای هدف می شود
23
When the distance (in arc length) between the starting state and goal state is long,
determining the intermediate states and the optimal path (minimum arc length path)
between the starting and the goal state becomes a complex problem.
زمانیکه فاصله (به اندازه طول کمان) بین حالت شروع و حالت هدف
)طوالنی است، تعیین حاالت میانی و مسیر هبینه (کمرتین طول مسیر کمان
.بین حالت شروع و حالت هدف، تبدیل به یک مسئله پیچیده می شود
Forward Reasoning )(استدالل پیش رو
مشاهدا
ت
پاسخ
Forward Reasoning: Inference ) استنتاج مکانیزم : رو پیش (استدالل
Mechanism
1. Perceive Inputs دریافت ورودی ها
2. Interpret Inputs based on observations تفسیر ورودی ها بر پایه مشاهدات
3. Apply action in the environment Point بکارگیری عامل ها در حمیط
No explicit input problem .هیچ مسئله ورودی واضحی وجود ندارد
Use WM for observation management استفاده از حافظه کاری برای مدیریت
مشاهدات
Relation of inference engine and environment by using WM
24
ارتباط موتور استنتاج و حمیط بوسیله استفاده از حافظه کاری . WM
) WM is a World model (Inference mechanism حافظه کاری یک مدل کل
است.(مکانیزم استنتاج)
(الگوریتم استدالل پیش رو) Forward Reasoning Algorithm
Based on WM search KB for rules that their condition are available in WM (loop until
)find something
بر پایه حافظه کاری ، پایگاه دانش را برای یافنت قوانینی که شرایط
آن ها در حافظه کاری در دسرتس است ، جستجو می کند(حلقه را تا زمان
یافنت چیزی ادامه می دهد.)
)1. If more than one rule are available select one of them (Conflict resolution
اگر بیش از یک قانون در دسرتس است یکی از آهنا را انتخاب کن.(عدم
تفکیک پذیری)
)2. Execute (fire) the selected rule (transfer its consequence to WM
اجرای قانون انتخاب شده (انتقال نتیجه آن به حافظه کاری)
1 3. Go to step برو به مرحله 1
!!!Point: Time between rule selection and execution نکته :
زمان بین انتخاب قانون و اجرا
: Example
3-1. X A-1, B-2, C
2> - 2. Y C
1-3. Z Y, D
4-4. X D-1, M
]1-WM: [A-1, B-2, C-3, M-4, D
52
Forward versus Backward ) (سیستم های تولید پیش رو در مقابل پس رو
Production Systems
Backward Reasoning )(استدالل پس رو
پاسخ
مسئله
مشاهدات
Inference Mechanism )(مکانیزم استنتاج
1. Problem trigger inference engine موتور استنتاج راه انداز مسئله
2. Looking for observations which are needed for solving the problem
26
.جستجو برای مشاهداتی که نیازمند حل مسئله می باشند
3. Apply action in the environment بکارگیری عامل در حمیط
Point Identification of the problem (correct problem) نکته: تشخیص مسئله (مسئله
)صحیح
Forward & Backward Comparison )(مقایسه پیش رو و پس رو
Forward: )(پیش رو
o Observe the entire environment at any instance of time
مشاهده حمیط کامل در هر وهله از زمان
o Observation management (by using working memory)
)مدیریت مشاهدات(بوسیله استفاده از حافظه کاری
Backward: )(پس رو
o No need to observe .نیازی به مشاهده نیست
o Simple observation management mechanism ، مکانیزم مدیریت مشاهدات
ساده
Forward versus Backward )(سیستم های تولید پیش رو در مقابل پس رو
Production Systems
The following example illustrates the principle of forward and backward reasoning with
reference to the well-known “farmer’s wolf-goat-cabbage problem”.
مثال ذی ل ، اصل استدالل پیش رو و پس رو را با مراجع به مثال بسیار
.معروف "مسئله کلم و بز و گرگ یک کشاورز" شرح می دهد
farmer’s wolf-goat-cabbage problem)(مسئله گرگ و بز و کلم یک کشاورز
Example : The problem may be stated as follows. A farmer wants to transfer his three
belongings, a wolf, a goat and a cabbage, by a boat from the left bank of a river to its
right bank. The boat can carry at most two items including the farmer. If unattended, the
wolf may eat up the goat and the goat may eat up the cabbage. How should the farmer
plan to transfer the items?
مثال : مسئله ممکن است به صورت ذیل شرح داده شود . یک کشاورز می
خواهد 3 مورد از متعلقات خود را که یک گرگ، یک بز و یک کلم می باشد
27
.را بوسیله قایق از مست چپ رودخانه به مست راست رودخانه انتقال دهد
قایق می تواند 2 مورد از موارد قوق را با کشاورز محل کند. اگر
کشاورز مراقب نباشد، گرگ ممکن است بزغاله را خبورد و یا ممکن است
بزغاله کلک را خبورد. کشاورز چگونه بایدطرح ریزی مناید تا این موارد
را انتقال دهد ؟
The illegal states in the problem are (W,G | | F,C) , (G,C | | F,W), (F, W | | G, C) and ( F, C
| | W, G) where F, G, | |, W and C denote the farmer, the goat, the river, the wolf and
the cabbage respectively.
(W,G | | F,C) , (G,C | | : حالت های غیر قانونی در مسئله این موارد هستند
، "به ترتیب کشاورز ، بزF,G| |,W,C " کهF,W), (F, W | | G, C) and ( F, C | | W, G)
.رودخانه ، گرگ و کلم را مشخص می کنند
Part of the knowledge base )(خبشی از پایگاه دانش
PR 1: (F, G, W, C | | Nil ) → ( W, C | | F, G)
PR 2: (W, C | | F, G) → ( F, W, C | | G)
PR 3: (F, W, C | | G) → (C | | F, W, G)
PR 4: (C | | F, W, G) → ( F, G, C | | W)
PR9: (F, G, C | | W) → (G | | F, W, C)
PR 5: ( G | | F, W, C) → ( F, G | | W, C)
PR 1: ( F, G, | | W, C) → ( Nil | | F,G, W, C)
PR 9 ( F, W, C | | G) → ( W | | F, G, C)
PR 8: ( W | | F, G, C) → ( F, G, W | | C)
PR 19: ( F, G, W | | C) → ( G | | F, W, C)
PR 11: ( G | | F, W, C) → ( F, G | | W,C)
PR 12: ( F, G | | W, C) →( Nil | | F, G, W, C)
Forward Reasoning) (استدالل پیش رو
Starting state: ( F, G, W, C | | Nil) حالت شروع
28
Goal state (Nil | | F, G, W, C) حالت هدف
one may expand the state-space, starting with (F,G,W,C | | Nil) by the supplied
knowledge base, as follows:
) ازF,G,W,C | | Nil ( یکی ممکن است فضای حالت را گسرتش دهد ، با شروع از
: طریق پایگاه دانش تولید شده، به صورت ذیل
29
Backward Reasoning )(استدالل پس رو
30
A caution about backward reasoning )(یک توجه درمورد استدالل پس رو
31
Backward reasoning1 in many circumstances does not support the logical semantics of
problem solving.
استدالل پس رو 1 در بسیاری از شرایط منطق معناشناسی را به عنوان حل
.مسئله ، پشتیبانی منی کند
It may even infer wrong conclusions, when a goal or sub-goal (any intermediate state
leading to the goal ) has multiple causes for occurrence, and by backward reasoning we
miss the right cause and select a wrong cause as its predecessor in the state-space graph.
حتی ممکن است نتایج اشتباهی را استنتاج کند، زمانی که یک هدف یا
زیر هدف (هر حالت میانی که به هدف رجوع می کند) دالیل متعددی برای
اجراشدن داشته باشد و از طریق استدالل پس رو ، ما دلیل درست را از
دست داده و دلیل غلط را انتخاب می کنیم، درست مانند حالت ماقبل
.(جد) آن در گراف فضای حالت
Example
Example 3.4: Consider the following knowledge base, the starting state and the goal
state for a hypothetical problem. The “,” in the left-hand side of the production rules PR
1 through PR 4 denotes joint occurrence of them.
: 3.4 مثال
با در نظر گرفنت پایگاه دانش زیر ، حالت شروع و حالت هدف برای فرض
مشخصPR4 تاPR1 مسئله در نظر بگیرید. در مست چپ قوانین تولید شده
.شده اند و رخدادها را به مهدیگر متصل می کنند
PR 1: p, q → s
PR 2: s, t → u
PR 3: p, q, r → w
PR 4: w → v
PR 9 : v, t → u
Starting state: p and q
Goal state: u.
Other facts: t.
32
The state-space graph for the hypothetical problem indicates that the goal can be
correctly inferred by forward reasoning.
گراف فضای حالت برای فرض مسئله نشان می دهد که هدف می توانند به
.درستی توسط استدالل پیش رو ، استنتاج شود
However, backward reasoning may infer a wrong conclusion:
.هرچند استدالل پس رو ممکن است یک نتیجه غلط را استنتاج کند
p and q and r, if PR 5, PR 4 and PR 3 are used in order starting with the goal.
از حالت شروع هدف مورد استفاده قرارPR5 وPR4 ،PR3 ، اگرr وq وP
.گیرند
Note that r is an extraneous
premise, derived by backward
reasoning. But in practice the goal
is caused due to p, q and t only.
یک فرض خارجی می باشد، که ازR
طریق استدالل پس رو مشتق می
t وq ،p شود. اما در عمل فقط
.سبب رسیدن به هدف می شوند
Hence, backward reasoning may sometimes yield wrong inferences.
بنابراین ، استدالل پس رو گاهی اوقات ممکن است که استنتاج های
.اشتباه را تولید کند
Bi-directional Reasoning) (استدالل قابل هدایت
Instead of employing either forward or backward reasoning, both of them may be used
together in automated problem solving.
جبای به کارگیری از استدالل پیش رو یا پس رو ، ممکن است هردوی آهنا
.،با هم دیگر در حل یک مسئله به صورت اتوماتیک استفاده شوند
This is required especially in situations when expanding from either direction leads to a
large state-space.
این به ویژه در موقعیت هایی نیاز است که ، گسرتش از هر جهت ما را
.به مست یک فضای حالت بزرگ سوق دهد
33
Advantages of Production Rules)(مزایای قوانین تولید
Expressiveness )(گویا بودن، رسا بودن
o Can relevant aspects of the domain knowledge be stated through rules?
آیا جوانب مربوط به پایگاه دانش می توانند در میان قوانین قرار
گیرند ؟
computational efficiency )حماسبه راندمان(حماسبه سودمندی
Easy to understand? فهمیدن آن آسان است ؟
o can humans interpret the rules انساهنا می توانند قوانین را تفسیر
کنند؟
Easy to generate? تولید آن آسان است ؟
o how difficult is it for humans to construct rules that reflect the domain knowledge
تا چه اندازه ایجاد قوانینی که به حوزه دانش انعکاس پیدا می کند ، برای انسان ها سخت و
دشوار است؟
straightforward implementation in computers possible
. پیاده سازی صحیح آن در کامپیوترها امکانپذیر است
34
Problems with Production Rules) (مشکالت موجود در قوانین تولید
simple implementations are very inefficient پیاده سازی های ساده آن خیلی
.کارآمد منی باشند
some types of knowledge are not easily expressed in such rules
.بعضی از انواع دانش به راحتی مانند قوانین، بیان منی شوند
large sets of rules become difficult to understand and maintain
.جمموعه های بزرگ از قوانین، بسیار سخت فهمیده و نگهداری می شوند
Semantic Network )(شبکه معنا
Much human information is organized in terms of concepts that are linked to each other.
بیشرت اطالعات انسان بر حسب مفاهیم سازماندهی شده است که با یکدیگر
.در ارتباط می باشند
Nouns are organized in terms of kind and part relations.
.اسامی بر حسب نوع و خبشی از روابط سازماندهی شده اند
E.g. a spaniel is a kind of dog which is a kind of animal.
برای مثال : یک سگ پشمالو نوعی سگ می باشد، که خود سگ نیز نوعی
.حیوان است
E.g. a claw is part of a foot which is part of a leg which is part of a dog.
برای مثال : پنجه خبشی از پا می باشد که پا نیز خبشی از ساق می
.باشد که خود ساق نیز خبشی از یک سگ است
Verbs are organized in terms of ways of doing, e.g. digging is one way of removing.
افعال بر حسب حنوه اجنام کار مرتب می شوند ، برای مثال : کندن یک
.راه برداشنت است
Semantic Nets )(شبکه های معنا
graphical representation for propositional information برای گرافیکی منایش
اطالعات گزاره ای
originally developed by M. R. Quillian as a model for human memory
35
، M.R.Quillianبه عنوان مدلی برای حافظه در اصل توسط شخصی به نام
انسان ، توسعه یافت.
Knowledge Representation using graph composed of nodes and edges
منایش دانش از گراف که ترکیبی از گره ها و لبه ها است ، استفاده می
کند.
nodes represent objects, concepts, or situations
گره ها اشیاء ، مفاهیم و موقعیت ها را منایش می دهند.
o labels indicate the name برچسب ها اسم را مشخص می کنند.
)o nodes can be instances (individual objects) or classes (generic nodes
گره ها می توانند به عنوان منونه ها (اشیاء منحصر به فرد) و یا کالس
ها (گره های عمومی) باشند.
links represent relationships پیوند ها روابط را نشان می دهند.
o the label indicates the type of the relationship برچسب ، نوع رابطه را
مشخص می کند.
o without relationships, knowledge is an unrelated collection of facts
بدون ارتباط ها، دانش یک جمموعه ای از حقایق نامرتبط است.
63
شرح مفاهیم خمتلف در مورد سگ ها :
73
38
Relationships)(ارتباط ها
Without relationships, knowledge is an unrelated collection of facts
.بدون ارتباط ها، دانش یک جمموعه از حقایق غیر مرتبط است
o Reasoning about these facts is not very interesting
.استدالل درباره این حقایق خیلی جالب توجه نیست
Inductive reasoning is possible استدالل استقرایی(استقراء) امکان
. پذیر است
Relationships express structure in the collection of facts
.روابط، ساختار جمموعه حقایق را بیان می کند
o This allows the generation of meaningful new knowledge
.این عامل اجازه تولید دانش جدید با معنی را می دهد
Generation of new facts تولید حقایق جدید
Generation of new relationship تولید ارتباط جدید
Types of Relationships )(انواع ارتباط ها
relationships can be arbitrarily defined by the knowledge engineer
.توسط مهندس دانش تعریف شوند ارتباط ها می توانند بطور دخلواه
o allows great flexibility اجازه انعط اف پذیری زیاد
o for reasoning, the inference mechanism must know how relationships can be used
to generate new knowledge
می روابط چطور برای استدالل ، مکانیزم استنتاج باید بداند که
.توانند برای تولید یک دانش جدید ، استفاده شوند
inference methods may have to be specified for every relationship
.ممکن است روش های استنتاج جمبور باشند برای هر ارتباط تعیین شوند
frequently used relationships استفاده مداوم از روابط
39
o IS-A )(است یک
relates an instance (individual node) to a class (generic node)
.)ارتباط یک منونه (گره منحصر به فرد) به یک کالس (گره عمومی
Objects and Attributes )(اشیاء و ویژگی ها
AKO (a-kind-of) )(یک نوع از
o relates one class (subclass) to another class (super class)
.(super class) ارتباط یک کالس(زیر کالس) با کالس دیگر
attributes provide more detailed information on nodes in a semantic network
ویژگی ها، اطالعات جزئی بیشرتی را در شبکه معنا ایجاد می کنند
often expressed as properties .اغلب به عنوان خصوصیات بیان می شوند
o combination of attribute and value ترکیبی از ویژگی و مقدار
attributes can be expressed as relationships ویژگی ها می توانند به عنوان
.روابط بیان شوند
o e.g. has-attribute .به عنوان مثال : داشنت ویژگی
Semantic Nets )(شبکه های معنا
Points: )(نکات
• Bird has wings پرنده دارای بال می
.باشد
• Move with fly بواسطه بال ها پرواز
.می کند
• canary is-a bird .قناری یک پرنده است
• direction is important .جهت مهم است
40
:Graph has three attributes
دارند. ویژگی سه ها گراف
• (داشنت ، است یک ، مسافرت کردن) Has, Is-A, Travel
Semantic (شبکه های معنا)
Networks
Semantic Networks can extend
by شبکه های معنا می توانند توسط موارد زیر گسرتش یابند :
o Same Concepts مفاهیم یکسان
o Specialize اختصاصی کردن
o Generalize عمومی کردن
14
وراثت (عمومی سازی) در یک شبکه معنا :
24
Inheritance )(وراثت
Is an important attribute in Semantic Networks ویژگی مهمی در شبکه های معنا
.است
Means that Concept or attribute inherit from a node
.به این معنی است که مفهوم یا ویژگی از یک گره به ارث می برد
Represent by Is-A).(از طریق "است- یک" نمایش داده می شود
o Example: Bird has all attributes of animals مثال : پرنده مهه مشخصات
.حیوان ها را دارد
Inheritance decrease knowledge base, prevent repetition
.وراثت پایگاه دانش را کاهش می دهد، مانع تکرار می شود
Semantics Net Example )(مثالی از شبکه معنا
43
Representing non-Binary Relations )(منایش ارتباطات غیر دودویی
It is easy to see how binary relations can be represented with semantic nets
دیدن اینکه چگونه ارتباطات دودویی می توانند توسط شبکه های معنا
.منایش داده شوند آسان است
But what about non-binary relations? اما در مورد روابط غیر دودویی چطور
؟
o “give(john , Mary , books32)” ارائه دادن
Relationship “advisor” is ternary .رابطه "مشاور" یک رابطه سه گانه است
It involves the giver , the recipient, and the object
.این بستگی دارد به دهنده ، گیرنده و شئ مورد نظر
44
o “Mike is John’s and Jim’s advisor. He advised John to take a statistics course and
Jim a physics course”
توصیه کرد کهJohn در مقام یک مشاور است. او بهJim وJohn برایMike
. توصیه کرد که درس فیزیک را بردارندJim درس آمار و به
Relationship “advisor” is ternary رابطه "مشاور" یک رابطه سه گانه
.است
It involves the advisor, the student, and the course
.این بستگی دارد به مشاور ، دانشجو و درس مورد نظر
The solutions is to “turn the relationship into an object”
.راه حل ها، رابطه را به شئ تبدیل می کنند
This an example of what logicians call reification”
این یک مثالی است که مشخص می کند که منطق دانان به چه چیزی مادیت می
.گویند
o Reify : Consider an abstract concept to be real
.جسمیت دادن : واقعی در نظر گرفنت یک مفهوم انتزاعی
: منایش روابط غیر دودویی
45
Inference by Inheritance )از طریق وراثت (استنتاج
One of the main kinds of reasoning done in a semantic net is the inheritance of values
along the subclass and instance links.
یکی از انواع اصلی استدالل های اجنام شده در شبکه معنا ، مقادیر
.وراثت در زیر کالس و پیوند های منونه است
Semantic networks differ in how they handle the case of inherited, or
، شبکه های معنا در اینکه چگونه آهنا موضوع وراثت را بکار می برند
.متفاوت هستند
Only the “lowest” value or values are inherited
.فقط پایین ترین ارزش یا ارزش ها ، به ارث برده می شوند
Exceptions )(استثناها
Most elephants are gray. Royal elephants are
elephants. Most royal elephants are not gray. Clyde is
royal elephant
بیشرت فیل ها خاکسرتی هستند. فیل های سلطنتی نوعی دیگر از فیل ها
یک فیل سلطنتیClyde .بیشرت فیل های سلطنتی خاکسرتی نیستند .هستند
.است
Conflicting Inherited values )(تداخل مقادیر به ارث برده شده
Mike is a student and a soldier. Most students have long hair. Most soldiers have short hair.
46
Mikeیک دانش آموز و سرباز است. بیشرت دانش آموزها موهای بلند
دارند. بیشرت سربازها موهای کوتاه دارند.
(وراثت چندگانه) Multiple Inheritance
1. یک گره می تواند دارای تعدادی کالس باشد که دارای آن گره باشند، که
آن گره را قادر می سازد خصوصیاتی را از والدین خود و اجداد خود
درشبکه به ارث بربد.
2. اغلب اوقات از قوانین برای تعیین وراثت استفاده می شوند، مهانند
پیچیدگی هر قسمتی از شبکه های وراثت چندگانه که در زیر به آن اشاره
می شود :
.aاگر X<A<Bباشد و هردوی Aو Bدارای ویژگی , Pآنگاه X
خصوصیات Aرا به ارث می برد.
.bاگر X<Aو X<bباشد اما هیچیک از دو مورد A<Bو B<Zو Aو B
دارای خصوصیات Pولی با مقادیر متمایز و متفاوت هستند، آنگاه
Xهیچ خصوصیاتی را از Pبه ارث خنواهد برد.
(راه حل های ممکن) Possible Solutions
74
There are various possible solutions to exception and multiple inheritance problems
راه حل های ممکن گوناگونی برای موارد استثناء و مسائل وراثت چندگانه
وجود دارد.
o Rules قوانین
o Multiple Trees درخت های چندگانه
A default and some alternatives یک پیش فرض و تعدادی راهکار
Multiple nodes for the same concept گره های چندگانه برای مفهوم یکسان
Evidential reasoning استدالل مستدل
(استدالل مستدل) Evidential Reasoning
1. دسرتسی مدارک مستدل ، یک روش موثر برای حل مسائل استثنا و
وراثت چند گانه است.
.aمدارک آگاهی دهنده به تکرار وابسطه است که یک کارمند
بیشرت جواب های مورد عالقه خود را انتخاب کند.
.bاگر 111 عدد فیل وجود داشته باشد، 10 تای آن فیل های
سلطنتی هستند،از 111 عدد فیل 10 تای آن خاکسرتی هستند و 10
فیل دیگر خاکسرتی نیستند. آنگاه :
.cاحتمال اینکه " یک فیل سلطنتی خاکسرتی باشد" برابر است با
:
92 = (تعداد کل فیل ها) / (تعداد فیل های سلطنتی * تعدادفیل های
خاکسرتی)
84
.dاحتمال اینکه " یک فیل سلطنتی خاکسرتی نباشد" برابر است
با :
21 = (تعداد کل فیل ها) / (تعداد فیل های سلطنتی * تعدادفیل هایی
که خاکسرتی نیستند)
(استنتاج در شبکه های معنا) Inference in Semantic Nets
Tweetyچه رنگی است ؟
Tweetyمی تواند پرواز کند
؟
Tweetyاکسیژن تنفس می کند
؟
94
1. الگوریتمی برای مقدار وراثت :
F .aرا به یک گره اختصاص دهیم )” (“Tweetyو Sرا به عنوان
مشخصه در نظر بگیریم(مانند تنفس کردن)
.bدر یک صف که شامل گره Fو مهه گره های کالس مرتبط با Fرا به
صورت یک رابطه is_aقرار دهیم
.cتعیین می کنیم تا زمانیکه صف خالی شود یا اولین مقداری با
مشخصه Sدر صف پیدا شود ، جستجو را ادامه دهیم
1. تعیین می کنیم تا زمانیکه صف خالی شود یا
اولین مقداری با مشخصه
Sدر صف پیدا شود ، جستجو را ادامه دهیم
.aاگر اولین عتصر دارای مشخصه ایم مانند Sاست آنگاه یک
مقدار پیدا شده است
05
.bدر غیر اینصورت اولین عنصر از صف حذف می شود و گره های
مرتبط با ) ako(A kind ofرا به اولین عنصر در انتهای صف اضافه
می کنیم
2. اگر یک مقدار پیدا شود می توان گفت که مقداری با مشخصه Fیا S
پیدا شده است. در غیر این صورت در این حالت به نتیجه نرسیده
ایم.
(بکارگیری شبکه های معنا) Implementing Semantic Nets
1. دو راه کلی برای بکارگیری شبکه های معنا وجود دارد :
.aدسرتسی مستقیم :
.iبه عنوان ساختار گراف
.iiاستنتاج درسراسر پیمایش گراف
.bدسرتسی غیر مستقیم :
Prolog .i
مکانیزم استنتاج Prologمی تواند استفاده شود به
عنوان :
.iiبرنامه نویسی شیءگرا
برای وراثت الگوریتم هایی باید به کار گرفته
شوند.
15
