Модель лингвистическая

Семантические сети, являющиеся одной из разновидностей сетевых моделей, позволяют представить в ЭВМ знания, зафиксированные в виде текстов. Тексты, или смысловая лингвистическая информация, должны быть предварительно структурированы или нормализованы, т. е. необходимо в явной форме выделить объекты, или понятия, и отношения между ними. При этом объекты (понятия) соответствуют вершинам (узлам) сети, а отношения между объектами характеризуются дугами, связывающими вершины. Как уже упоминалось, множество отношений между объектами (понятиями) текстовой информации конечно. Это позволяет создавать приемы автоматизированного построения семантических сетей непосредственно из текста, что значительно облегчает построение баз знаний для различных проблемных областей [22]. [c.42]

Логико-лингвистические модели. В дополнение к математическим моделям, широко используемым в информатике, в теории искусственного интеллекта получили интенсивное развитие логико-лингвистические модели (ЛЛМ), которые дали мощный импульс в становлении новой информационной технологии и индустрии интеллектуальных систем. В отличие от математических ЛЛМ носят смысловой семантический характер. Появление ЛЛМ обеспечило возможность сформировать базы знаний наряду с базами данных. Необходимо отметить, что еще до того, как стало утверждаться представление с ЛЛМ, они уже были использованы Д. А. Поспеловым в 60-х годах в задачах ситуационного управления [26, 27]. [c.41]

На втором этапе по заданным лингвистическим значениям (г = 1, ге / = 1, т) переменных (г = 1, п) и построенной нечеткой модели нужно определить активность исследуемого катализатора. [c.110]

Поспелов Д. А. Логико-лингвистические модели в системах управления. М. Энергоиздат, 1981. 231 с. [c.350]

В соответствии с введенным определением структурная схема системы приведена на рис. 4.21. Она состоит из подсистемы проектирования (анализа и синтеза ХТС), включающей функциональную среду (ФС) и банк данных (БД), и подсистемы диалогового взаимодействия, включающей семантические модели БД и ФС, блоки лингвистического и логического анализа. Связь между подсистемами осуществляется на уровне интерпретатора /, ввод-вывод происходит посредством дисплея. Блок лингвистического анализа выполняет обработку входного Е-предложения, а блок логического анализа предназначен для управления семантическими моделями БД и ФС. [c.163]

Существует большое количество задач управления, для которых традиционные методы управления непригодны. В этих случаях используются системы управления на основе логико-лингвистических и конечно-автоматных моделей. [c.191]

Алгоритм перехода основан на последовательном преобразовании лингвистических формул в продукционные правила, сети Петри (с их последующей пространственной и временной декомпозицией) и конечно-автоматные модели, по которым формируются логические последовательности. [c.191]

ЛОГИЧЕСКИЕ И ЛОГИКО-ЛИНГВИСТИЧЕСКИЕ МОДЕЛИ ПРЕДСТАВЛЕНИЯ ЗНАНИЙ [c.48]

Продукционные правила — РК — это структурно-лингвистические модели представления процедурных знаний ПО (рекомендаций, указаний, стратегий или ЭП), которые формально записываются в виде следующих пар [c.65]

Для разработки моделей представления знаний об объектах химической технологии, которые обладают многозначными свойствами, необходимо использовать теорию нечетких множеств. Пусть /—универсальное множество всех свойств, подходящих для описания рассматриваемого объекта (например, некоторые физические переменные, физико-химические и термодинамические параметры, некоторые понятия и т. д.). Каждому объекту с многозначными свойствами может быть поставлено в соответствие НМ — F, отображающее только одно свойство этого объекта, такое, что для любого свойства и, е и можно ввести функцию принадлежности Цр и ) е [О, 1]. Рассмотрим с точки зрения теории НМ понятие —лингвистическая переменная (см. разд. 2.1), на котором базируется методика создания моделей представления нечетких знаний. [c.112]

СТРУКТУРНО-ЛИНГВИСТИЧЕСКИЕ МОДЕЛИ ПРЕДСТАВЛЕНИЯ ЗНАНИЙ В ХИМИЧЕСКОЙ ТЕХНОЛОГИИ И ПРОЦЕДУРА ВЫВОДА РЕШЕНИЙ [c.118]

Логико-лингвистическая модель позволяет формализовать декларативные знания о структуре и процессах функционирования организационно-ситуационного объекта и вырабатывать управляющие решения на основе процедур логического вывода, переработки ЗН, обучения и обобщения. Для этого используются МПЗ в виде ФР, СТ и предикатов. [c.269]

Книга посвящена разработке и исследованию методов и моделей оптимизации нефтеперерабатывающих производств. Обобщен опыт применения вероятностных, в том числе и энтропийных моделей для решения задач текущего и оперативно-календарного планирования. Рассмотрены основные предпосылки и особенности применения диалогового и лингвистического подходов для анализа производственных ситуаций и принятия плановых решений. [c.2]

В результате анализа условий функционирования объекта строится лингвистическая модель в виде нечетких отображений или лингвистической таблицы. [c.200]

Модель (6.11)-(6.18) с учетом лингвистической неопределенности преобразуется следующим образом для известного вектора состояния [c.201]

Одним из этапов процедуры построения математической модели с использованием подхода нечетких множеств является формирование множества условных предложений вида (2.20), которыми описывают в лингвистической форме рассматриваемый процесс или явление. Можно выделить три возможных подхода, направленных на реализацию отмеченного этапа. Подчеркнем, что при моделировании реальных технологических процессов комбинация этих подходов, видимо, должна быть наиболее эффективна. [c.54]

К примерам использования лингвистических переменных при исследовании ХТС можно отнести различные задачи оптимизации. Некоторые из таких задач рассматриваются в третьей части книги. Здесь мы отметим, что при решении задач оптимизации возникает необходимость варьирования параметров математических моделей различными способами. При этом используются метод поиска, диалоговый режим с итерационно настраивающимися параметрами. Лингвистические переменные Ьу могут иметь вид Ьу = ДОПУСТИМО ИЗМЕНИТЬ — определяет возможность варьирования какого-либо параметра в определенных пределах Ьу = НЕОБХОДИМО ВЫПОЛНИТЬ — выражает требование выполнить определенную операцию. [c.79]

Вторым этапом построения нечеткой модели является формирование с использованием нечетких терминов описаний возможных ситуаций. Это описание, иногда называемое лингвистической моделью, задается набором логических правил вида если А, то 5 , где А, В — нечеткие подмножества соответствующих универсальных множеств, характеризующие входные и выходные переменные. [c.232]

Для представления знаний профессионалов авторы использовали логико-лингвистические модели в виде продукций. Из множества логико-лингвистических моделей в результате экспертной [c.23]

Для представления знаний профессионалов предлагается использовать логико-лингвистические модели в виде продукций [5-8], которые составляют основу БЗ. В процессе работы содержание БЗ все время уточняется. [c.28]

Эффективный подход к разработке интерактивной диалоговой системы для решения задач химической технологии, обеспечи-ваюш ей организацию вычислительного процесса и ведение диалога на языке, близком по синтаксису к профессиональному языку химика-технолога предложены в [4, 5]. Структурная схема данной системы приведена на рис. 6.2. Она состоит из подсистемы проектирования (анализа и синтеза ХТС), включаюш,ей функциональную среду (ФС) и банк данных (БД), и подсистемы диалогового взаимодействия, включающей семантические модели БД и ФС, блоки лингвистического и логического анализа. Связь между подсистемами осуществляется на уровне интерпретатора /, ввод— вывод происходит посредством дисплея. Блок лингвистического анализа выполняет обработку входного предложения, а блок логического анализа предназначен для управления семантическими моделями БД и ФС. [c.257]

В данной аботе ссматриваются вопросы автоматизации процесса перехода от логико-лингвистических моделей к моделям в виде логических последовательностей. [c.191]

Логические МПЗ —это модели, разработка которых основывается на использовании исчисления высказываний, исчисления предикатов 1-го порядка, индуктивных моделей правдоподобного вывода и псевдофизических логик. Логико-лингвистические МПЗ — это модели, базирующиеся на применении нечеткой логики и нечетких множеств. Селиютические модели — это адаптивные, или приспосабливающиеся, логико-лингвистические модели. Структурно-лингвистические МПЗ подразделяют на сетевые структурнолингвистические (семантические сети, сети-сценарии, сети Петри и функционально-информационные сети) и фреймы. При поиске решений НФЗ в химии и химической технологии часто используют МПЗ в виде продукционных правил (ПП). [c.33]

Модели представления знаний, использующие исчисление предикатов и теорию нечетких множеств, называют логико-лингвистическими моделями представления знаний. Развитием логических и логико-лингвистических МПЗ являются селиютические модели [3, 23]. Это адаптивные логико-лингвистические МПЗ, приспосабливающиеся к изменению свойств и условий функционирования объекта, а также отображающие возникающие при этом разнообразные текущие и полные ситуации. Семиотическая МПЗ формально представляется в виде [c.54]

Инташсктуальной автоматизированной системой ситуационного управления (ИАССУ) называют систему управления организационно-ситуационными объектами, в которых вывод управляющих решений осуществляется в интеллектуальном диалоге с ЛПР как на основе переработки декларативных ЗН о сущности процессов функционирования объекта (отображаемых семиотическими моделями и лингвистическими переменными, качественно характеризующими поведение объекта), так и с использованием данных и процедурных знаний [123]. Функциональная структура ИАССУ может быть представлена следующим кортежем [123] [c.269]

В этой связи при описании диалоговых процедур представляет интерес разработка моделей с использованием понятий теории нечетких множеств и лингвистических переменных [117, 118]. Подход, предложенный Л. Заде, опирается на предпосылку, что элементами мьпиления человека являются не числа, а элементы некоторых нечетких множеств или классов объектов, для которых переход от принадлежности к множеству к непринадлежности не скачкообразен, а непрерьшен в хшапазоне [0,1). Процессу мышления человека присуща нечеткость, и в этой связи оценки субъекта целей и ограничений, с которыми он оперирует, также нечетки или же лишены количественных характеристик. Неформализованная, субъективная информация, порождаемая сложными и неструктуризованными системами, составным элементом которых является человек, описывается в терминах теории нечетких множеств. [c.197]

Модели принятия решений на основе лингвистической переменной / А. Н. Борисов, А. В. Алексеев О. А. Крунберг и др. - Рига Зинатне, 1982. - 256 с. [c.220]

Процедура идентификации множества условных предложений, называемых иногда правилами, может быть применена после того, как определена структура модели и формализованы все используемые нечеткие термины. В данном случае под структурой модели понимается множество рассматриваемых при 1 оделированпи входных и выходных переменных. Сущность процедуры идентификации условных предложений состоит в выборе из последовательности серий квантованных значений входных и выходных переменных некоторого подмножества. Характерным является то, что для каждого значения любой серии упомянутого подмножества найдется термин с единичной степенью принадлежности. Каждая такая серия позволяет идентифицировать одно правило лингвистического описания. Для иллюстрации рассмотрим дискретную [c.54]

Пример 3. Проиллюстрируем процедуру идентификации структуры динамической модели системы, характеризуемой пере-.мепны1 ш x(t) ш у t). Использовалась последовательность серий измерений из 296 пар. Выявление множества условных предложений, составляюш их лингвистическое описание поведения системы, проведено И раз для следуюш их структур [c.61]

С этой точки зрения весьма эффективным является подход Л. Заде, который предложил отказаться от какого-либо четкого описания в задачах принятия решений. Этот подход, основываясь на очевидном факте о нечетких представлениях ЛПР о целях и ситуациях принятия решений как качественных критериях, ограничениях, ориентируясь на использование лингвистических переменных как средств выражения этих нечетких представлений, предлагает построить некоторые функции принадлежности как способ формализации субъективного смысла этих качественных показателей. Характеристическая функция, выражающая степень принадлежности исследуемых явлений и показателей, имеющая не дискретные, а непрерывные на некотором интервале значения, напоминает некоторые интуитивные вероятностные распределения при оценке этих явлений и показателей. Но в отличие от вероятностных методов оценки в подходе нечетких множеств Заде развита техника использования оценок нечетких ситуаций, которая дает возможность получить новое описание моделей принятия решений в условиях нечеткой информации, научиться извлекать из нечеткого описания правила выбора целесообразных альтернатив, причем эти правила, носящие также нечеткий характер, формируются в терминах функций иринадлежности... [23]. [c.82]

Отметим, что как в случае описания объектов управления, так и в случае синтеза нечетких регуляторов может иметь место возможность некоторого упрощения. Суть его заключается в переходе от нечеткой модели, формализующей исходные лингвистические описания, к традиционным четким отношениям. Это в конечном итоге может обеспечить упрощение технической (алгоритмической) реализации системы. Рассмотрим этот вопрос несколько подробнее на примере одномерной, лингвистически описанной за-впсымости между параметрами а и Ъ. Эта зависимость может быть представлена множеством эвристических правил вида если А, то 5, иначе... , где Л, В — лингвистические характеристики уровней параметров а и Ь соответственно. Описанная таким образом зависимость может быть формализована, как уже отмечалось, с помощью нечеткого отношения В, такого, что В = В ° А, где А и В — нечеткие множества, формализующие лингвистические характеристики А и В соответственно. Пусть а является контролируемым параметром. В этом случае множество А может быть представлено как обычное множество с функцией принадлежности [c.220]

Рассматривая математическую модель как способ сжатия и хранения знаний о конкретной технологии, метод нечетких множеств позволяет объединять знания, получаемые из различных источников, и фиксировать их в виде моделей. Метод дает возможность конструировать относительно гибкие математические модели, которые при изменении качественного описания исследуемой системы или необходимости учета дополнительных факторов можно достаточно просто перестроить. Такая перестройка может достигаться изменением диаграммы взаимных влияний технологических параметров (изменение числа параметров и связей между ними), корректировкой лингвистического описания взимосвязей между параметрами. Последнее влечет расчет корректируемых нечетких отношений, не изменяя другие. Все это не влияет существенным образом на алгоритм решения поставленной задачи, посколь ку может меняться количество параметров, связей между ними, а также качественное описание связей. Указанное справедливо в случае работы с диаграммами взаимных влияний параметров, которые представляют ориентированные графы при отсутствии замкнутых маршрутов. Решение именно таких задач было рассмотрено в книге. [c.353]

Качественный этап системного анализа предусматривает сбор, систематизацию и оценку достоверности первичной качественной информации. Она выполняется проведением повторных наблюдений, активных экспериментов, получением данных с помомщью имеющихся моделей. С этой точки зрения наиболее трудоемкой стадией применения подхода нечетких множеств является представление физико-химических систем в виде диаграмм взаимных влияний и запись достоверного лингвистического описания взаимосвязей между параметрами. В обоих случаях необходимо основываться на физико-химических закономерностях. Отметим, что при исследовании реальных производств метод нечетких множеств обычно применяют в дополнение к другим методам исследования. Для достаточно простых задач не выделяют качественный этап системного анализа и качественную информацию активно не используют. При построении моделей сложных процессов и явлений возникает необходимость учета качественной информации. [c.353]

Представление сложной системы или процесса в целом всегда формулируется в виде некоторой совокупности логически связанных утверждений. Развитость представления определяется уровнем общности и степенью завершенности утверждений. Начальный этап разработки представления или теории в большинстве случаев состоит из схематизации системы, в процессе которой составляется перечень основных специфических свойств системы и ее элементов. Дальнейшее развитие представления приводит к составлению диаграмм связей и соотношений между элементами системы, отражающих характерные особенности и формы функционирования системы. Методы составления таких диаграмм могут быть различны. Однако принципиальное значение имеет разработка причинных моделей сложных систем и процессов, представляющих собой ориентированные графы причинно-следственных связей между компонентами или элементами системы, с количественной оценкой интенсивности причинных влияний в системе. Такая причинная модель по существу является прототеорией , так как достаточно полно качественно и количественно отражает специфику причинно-следственной структуры исследуемой системы. В настоящее время можно подвести некоторые итоги исследований в области формализованных средств причинного анализа. При этом можно выделить три основных направления формально-логическое, вероятностностатистическое и теоретико-информационное. Попытки формализации причинных отношений формально-логическими средствами предпринимались различными исследователями в разные годы. Причиной незавершенности логической теории причинности является то, что проблема причинности в целом не может быть сведена к серии логических или лингвистических задач. [c.47]

Метод 1-граммного анализа, предложенный Шенноном (1963) для изучения лингвистических текстов, сам по себе является эффективным средством исследования нуклеотидных последовательностей (Гусев и др., 1980). Существует тесная связь I-граммного анализа последовательностей ДНК и моделирования ДНК с помощью марковских цепей. Суть этой связи характерна для понятий анализа и синтеза. Закономерности, обнаруженные путем 1-граммного анализа, можно вложить в модель в виде переходных вероятностей. Результаты, к которым приводит такая модель, могут либо совпасть с данными, полученными на реальном объекте (последовательности), либо стать основой для выявления новых закономерностей, которые в свою очередь могут быть исполь- [c.41]

На основе структуры естественного языка как лингвистической модели ПО и инструментария нейронных сетей, была предложена нейросемантическая структура (НСС) представления информации, которая получается при двух преобразованиях текстовой формы иерархически-сетевой рекурсии и нейролингвистическом преобразовании [16,17], см. Приложение 3. [c.66]

Справочник химика 21

Химия и химическая технология