">
Информатика Сети ЭВМ и телекоммуникаций
Информация о работе

Тема: Продукционная модель системы дифференциальнойдиагностики по постановке медицинского диагноза

Описание: Теоретическая частью Продукционная модель представления знаний. Схематичное представление. Практическая часть. Базы знаний. Ее содержимое. Итерации системы. Активация правила. Глобальная база данных. Большое число программных средств, реализующих продукционных подход.
Предмет: Информатика.
Дисциплина: Сети ЭВМ и телекоммуникаций.
Тип: Курсовая работа
Дата: 31.08.2012 г.
Язык: Русский
Скачиваний: 32
Поднять уникальность

Похожие работы:

Кафедра систем информатики

Курсовая работа

По дисциплине: Системы искусственного интеллекта

На тему: Продукционная модель системы дифференциальной

диагностики по постановке медицинского диагноза

2012 г.

Содержание  1 Введение ………………………………………………………………………... 2  2 Теоретическая часть ……………………………………………………………. 3   2.1 Продукционная модель знаний ……………………………………………….. 3   2.2 Схематичное представление продукционной модели ………………………. 6  3 Практическая часть …………………………………………………………….. 9  4 Заключение ……………………………………………………………………... 11  5 Список литературы …………………………………………………………….. 12  

Введение

В последнее время наблюдается возрастание интереса к искусственному интеллекту, вызванное повышением требований к информационным системам. Умнеет программное обеспечение, умнеет бытовая техника. Мы неуклонно движемся к новой информационной революции, сравнимой по масштабам с развитием Интернета, имя которой – искусственный интеллект.

Все уже, наверное, слышали об электромеханических собаках в Японии, способных узнавать хозяина в лицо, выполнять некоторые простейшие команды и имеющие некоторую способность к обучению. Слышали и про холодильники с выходом в Интернет и про внедрение Microsoft в будущие версии Windows элементов искусственного интеллекта. В подобном развитии области искусственного интеллекта нет ничего необычного. Здесь уместно привести гипотезу о встречной эволюции человека и компьютера: человек сначала учиться видеть, ходить, разговаривать, а уже потом развивает способности к вычислениям и логическим выводам. Компьютер же наоборот, рождается как вычислительная система, базирующаяся на формальной логике, в процессе развития приобретает способности к распознаванию образов, синтезу речи и управлению в реальном времени.

В настоящее время различают два основных подхода к моделированию искусственного интеллекта (AI – artificial intelligence): машинный интеллект, заключающийся в строгом задании результата функционирования, и искусственный разум, направленный на моделирование внутренней структуры системы.

В данной работе представлен пример одной из нескольких видов моделей интеллектуальных систем - продукционной модели знаний. Данная модель знаний представляет собой систему дифференциальной диагностики по постановке медицинского диагноза.

2. Теоретическая часть

2.1. Продукционная модель представления знаний

Продукционная модель или модель, основанная на правилах, позволяет представить знания в виде предложений типа

«Если (условие), то (действие)».

Под условием понимается некоторое предложение — образец, по которому осуществляется поиск в базе знаний, а под действием — действия, выполняемые при успешном исходе поиска (они могут быть промежуточными, выступающими далее как условия, и терминальными или целевыми, завершающими работу системы).

При использовании продукционной модели база знаний состоит из набора правил, Программа, управляющая перебором правил, называется машиной вывода. Чаще всего вывод бывает прямой (от данных к поиску цели) или обратный (от цели для ее подтверждения – к данным). Данные — это исходные факты, на основании которых запускается машина вывода.

Если в памяти системы хранится некоторый набор продукций, то они образуют систему продукций. В системе продукций должны быть заданы специальные процедуры управления продукциями, с помощью которых происходит актуализация продукций и выполнение той или иной продукции из числа актуализированных.

В состав системы продукций входит база правил (продукций), глобальная база данных и система управления. База правил – это область памяти, которая содержит совокупность знаний в форме правил вида ЕСЛИ – ТО.

Приведем несколько примеров.

Правило 1.

ЕСЛИ (намерение — отдых) и

(дорога ухабистая)

ТО   (использовать джип)

Правило 2.

ЕСЛИ (место отдыха — горы)

ТО   (дорога ухабистая)

Глобальная база данных — область памяти, содержащая фактические данные (факты). Система управления формирует заключения, используя базу правил и базу данных. Существуют следующие способы формирования заключений — прямые и обратные выводы.

Правила вывода бывает удобно представлять в виде дерева решений. Граф — множество вершин, связанных дугами. Дерево — граф, не содержащий циклов.

В прямых выводах выбирается один из элементов данных, содержащихся в базе данных, и если при сопоставлении этот элемент согласуется с левой частью правила (посылкой), то из правила выводится соответствующее заключение и помещается в базу данных или исполняется действие, определяемое правилом, и соответствующим образом изменяется содержимое базы данных.

В обратных выводах процесс начинается от поставленной цели. Если эта цель согласуется с правой частью правила (заключением), то посылка правила принимается за подцель или гипотезу. Этот процесс повторяется до тех пор, пока не будет получено совпадение подцели с данными.

Пример. Имеется фрагмент базы знаний из двух правил:

 

П1: Если (отдых – летом) и (человек – активный)

то   (ехать в горы)

П2: Если (любит – солнце)

то (отдых – летом)

Предположим, в систему поступили данные — (человек – активный) и (любит – солнце).

Прямой вывод — исходя из данных, получить ответ.

1-й проход.

Шаг 1. Пробуем П1, не работает (не хватает данных (отдых–летом)).

Шаг 2. Пробуем П2, работает, в базу поступает факт (отдых–летом).

2-й проход.

Шаг 3. Пробуем П1, работает, активируется цель (ехать в горы), которая и выступает как вывод.

Обратный вывод — подтвердить выбранную цель при помощи имеющихся правил и данных.

1-й проход.

Шаг 1. Цель — (ехать в горы): пробуем П1 — данных  (отдых– летом) нет, они становятся новой целью, и ищется правило, где она в правой части.

Шаг 2. Цель (отдых – летом): правило П2 подтверждает цель и активирует ее.

2-й проход.

Шаг 3. Пробуем П1, подтверждается искомая цель.

При большом числе продукций в продукционной модели усложняется проверка непротиворечивости системы продукций, то есть множества правил. Поэтому число продукций, с которыми работают современные системы искусственного интеллекта, как правило, не превышает тысячи.

Продукционная модель привлекает разработчиков своей наглядностью, высокой модульностью, легкостью внесения дополнений и изменений и простотой механизма логического вывода.

Приведем сильные и слабые стороны систем продукций.

Сильные стороны систем продукций:

модульность;

единообразие структуры (основные компоненты продукционной системы могут применяться для построения интеллектуальных систем с различной проблемной ориентацией);

естественность (вывод заключения в продукционной системе во многом аналогичен процессу рассуждения эксперта);

гибкость родовидовой иерархии  понятий, которая поддерживается только как связь между правилами (изменение правила ведет за собой изменение в иерархии);

простота создания и понимания отдельных правил;

простота пополнения и модификации;

простота механизма логического вывода.

Слабые стороны систем продукций:

процесс вывода менее эффективен, чем в других системах, поскольку большая часть времени при выводе затрачивается на непроизводительную проверку применимости правил;

сложно представить родовидовую иерархию понятий;

неясность взаимных отношений правил;

сложность оценки целостного образа знаний;

отличие от человеческой структуры знаний;

отсутствие гибкости в логическом выводе.

Представление знаний с помощью продукций иногда называют «плоским», так как в продукционных системах отсутствуют средства для установления иерархий правил. Объем знаний продукционных систем растет линейно, по мере включения в нее новых фрагментов знаний, в то время как в традиционных алгоритмических системах, использующих деревья решений, зависимость между объемом база знаний и количеством знаний является логарифмической.

Имеется большое число программных средств, реализующих продукционных подход: OPS5, EXSYS RuleBook, ЭКСПЕРТ, ЭКО, G2 и др.

2.2. Схематичное представление продукционной модели

Рис. 2.2.1 Схематичное представление продукционной модели

По своей сути продукционные модели знаний близки к логическим моделям, что позволяет организовать весьма эффективные процедуры логического вывода данных. Это с одной стороны. Однако, с другой стороны, если рассматривать продукционные модели знаний в сравнении с логическими моделями, то первые более наглядно отображают знания, что является неоспоримым преимуществом. Поэтому, несомненно, продукционная модель знаний является одним из главных средств представления знаний в системах искусственного интеллекта.

Традиционная продукционная модель знаний включает в себя следующие базовые компоненты:

1) набор правил (или продукций), представляющих базу знаний продукционной системы;

2) рабочую память, в которой хранятся исходные факты, а также факты, выведенные из исходных фактов при помощи механизма логического вывода;

3) сам механизм логического вывода, позволяющий из имеющихся фактов, согласно имеющимся правилам вывода, выводить новые факты.

Причем, количество таких операций может быть бесконечно.

Каждое правило, представляющее базу знаний продукционной системы, содержит условную и заключительную части. В условной части правила находится либо одиночный факт, либо несколько фактов, соединенных конъюнкцией. В заключительной части правила находятся факты, которыми необходимо пополнить рабочую память, если условная часть правила является истинной.

Схематично продукционную модель знаний можно изобразить, следующим обрахом:

(i) Q; P; A > B; N;

Здесь i – это имя продукционной модели знаний или ее порядковый номер, с помощью которого данная продукция выделяется из всего множества продукционных моделей, получая некую идентификацию. В качестве имени может выступать некоторая лексическая единица, отражающая суть данной продукции. Фактически продукция именуется для лучшего восприятия сознанием, чтобы упростить поиск нужной продукции из списка.

Простой пример: покупка тетради» или «набор цветных карандашей. Очевидно, что каждую продукцию обычно именуют словами, подходящими для данного момента. Проще говоря, называют вещи своими именами.

Элемент Q характеризует сферу применения данной конкретной продукционной модели знаний. Такие сферы легко выделяются в сознании человека, поэтому с определением данного элемента, как правило, сложностей не возникает. Приведем пример.

Примером служит следующая ситуация: в одной сфере нашего сознания хранятся знания о том, как надо готовить пищу, в другой, как добраться до работы, в третьей, как правильно эксплуатировать стиральную машину. Подобное разделение присутствует и памяти продукционной модели знаний. Это разделение знаний на отдельные сферы позволяет значительно экономить время, затрачиваемое на поиск нужных в данный момент каких-то конкретных продукционных моделей знаний, и тем самым значительно упрощает процесс работы с ними.

Основным элементом продукции является ее так называемое ядро, которое в приведенной выше формуле обозначалось как А > В. Эта формула может быть интерпретирована, как «если выполняется условие А, то следует выполнить действие В».

Если же конструкциями ядра более сложная, то в правой части допускается следующий альтернативный выбор: «если выполняется условие А, то следует выполнить действие В1, иначе следует выполнить действие В2».

Однако интерпретация ядра продукционной модели знаний может быть различной и зависеть от того, что будет стоять слева и справа от знака секвенции «>». При одной из интерпретаций ядра продукционной модели знаний секвенция может истолковываться в обычном логическом смысле, т. е. в качестве знака логического следования действия В из истинного условия А.

Тем не менее возможны и другие интерпретации ядра продукционной модели знаний. Так, например, А может описывать какое-то условие, выполнение которого необходимо для того, чтобы можно было совершить некое действие В.

Далее приведен элемент продукционной модели знаний Р.

Элемент Р определяется, как условие применимости ядра продукции. Если условие Р истинно, то ядро продукции активизируется. В противном случае, если условие Р не выполняется, т. е. оно ложно, ядро не может быть активизировано.

В качестве наглядного примера рассмотрим следующую продукционную модель знаний:

«Наличие денег»; «Если хочешь купить вещь А, то следует заплатить в кассу ее стоимость и предъявить чек продавцу».

Смотрим, если условие Р истинно, т. е. покупка оплачена и чек предъявлен, то ядро активизируется. Покупка совершена. В случае если в этой продукционной модели знаний условие применимости ядра ложно, т. е. если нет денег, то применить ядро продукционной модели знаний невозможно, и оно не активизируется.

И переходим, наконец, к элементу N.

Элемент N называется постусловием продукционной модели данных. Постусловие задает действия и процедуры, которые необходимо выполнить после реализации ядра продукции.

Для лучшего восприятия приведем простой пример: после покупки вещи в магазине необходимо в описи товаров этого магазина уменьшить на единицу количество вещей такого типа, т. е. если покупка совершена (следовательно, реализовано ядро), то в магазине стало на одну единицу данного конкретного товара меньше. Отсюда постусловие «Вычеркнуть единицу купленного товара».

Подводя итог, мы можем сказать, что представление знаний в виде набора правил, т. е. посредством использования продукционной модели знаний, имеет следующие преимущества:

1) это простота создания и понимания отдельных правил;

2) это простота механизма логического выбора.

Однако в представлении знаний в виде набора правил имеются и недостатки, которые все же ограничивают сферу и частоту применения продукционных моделей знаний. Основным таким недостатком считается неясность взаимных отношений между составляющими конкретную продукционную модель знаний правилами, а также правилами логического выбора.

3. Практическая часть

Базы знаний:

1) VarDiag – двуместный предикат, содержащий связь симптом – диагноз.

Таб. 3.1 Содержимое базы VarDiagVarDiag  1. стенокардия Боль давящая  2. астения Боль ноющая  3. острый инфаркт миокарда Боль интенсивная  4. остеохандроз Боль стреляющая  5. астения Локализация слева  6. стенокардия Локализация за грудной клеткой  7. остеохандроз Локализация левая половина грудной клетки  8. острый инфаркт миокарда Локализация слева от грудины  9. остеохандроз Возникает при повороте корпуса  10. стенокардия Возникает при физической нагрузке  11. острый инфаркт миокарда Возникает при психологической нагрузке  12. астения Возникает при волнении  13. астения Эффект от кардио препаратов есть  14. стенокардия Эффект от кардио препаратов есть  15. острый инфаркт миокарда Эффекта от кардио препаратов нет  16. остеохандроз Эффекта от кардио препаратов нет  

2) Simp – одноместный предикат, содержащий входные факты – симптомы.

3) DiffDiag – одноместный предикат, содержащий все варианты диагноза.

Таб. 3.2 Содержимое базы Simp Таб. 3.3 Содержимое базы DiffDiagSimp  1. Стреляющая боль  2. В левой половине грудной клетки  3. При повороте корпуса  4. Эффекта от кардио препаратов нет  DiffDiag              

Для данной модели правила представления знаний имеют следующий вид:

R1: C1 = {Simp (x), VarDiag(y,x)}

A1 = {DiffDiag(y)}

D1 = {Simp(x), VarDiag(y,x)}

R2: C2 = {Simp (x), VarDiag(y,x), VarDiag(z,x)}

A2 = {DiffDiag(y)}

D2 = {VarDiag(y,x)}

Далее представлены итерации данной модели в виде таблицы:

Таб. 3.4 Итерации системы№ итер. Содержимое DiffDiag Удаляется из VarDiag Содержимое Simp Конфликтное множество Активация правила  1 4 4 2,3,4 1 1  2 4, 7 7 3,4 1 1  3 4, 7, 9 9 4 1 1  4 4, 7, 9, 15 - 4 1, 2 2  5 4, 7, 9, 15, 16 4 - 1 1  

В результате поиска решения система выдала следующие варианты диагноза (содержимое DiffDiag):

Остеохандроз, остеохандроз, остеохандроз, острый инфаркт миокарда, остеохандроз;

Можно сделать вывод:

С учетом входных фактов (симптомов), у пациента остеохандроз с вероятностью в 80% и с меньшей вероятностью в 20% - острый инфаркт миокарда.

Заключение

Результат проделанной работы:

Разработана продукционная модель системы дифференциальной диагностики по постановке медицинского диагноза, где были определены правила представления знаний; получена структура базы знаний системы; смоделирована рабочая память системы;

Данная продукционная модель выдает варианты диагнозов с процентом вероятности, по которому можно определить наиболее точный диагноз, не исключая так же допустимые диагнозы – это и есть цель дифференциальной диагностики.

Список литературы

1. Андрейчиков, А.В. Интеллектуальные информационные системы: Учебник / Андрейчикова О.Н. // М.: Финансы и статистика, 2004. – 424 с.

2. Джарратано , Джозеф. Экспертные системы: принципы разработки и программирование. / Райли, Гарри // 4-е издание. М.: Вильямс, 2005. - 1152 с.

3. Кушнир Г.А. Системы искусственного интеллекта: Лекция. / Кушнир Г.А // М.: Издательско-книготорговый центр «Маркетинг»; М.: МУПК, 2001. - 35с.

4. Люггер, Джордж Ф. Искусственный интеллект: стратегии и методы решения сложных проблем. / Люггер, Джордж Ф. // М.: Вильямс, 2003. - 864 с.