Зартенова Л.Г., Даненова Г.Т., Шунгултаева А.С., Савицкая М.В.

Карагандинский государственный технический университет, Казахстан

Использование нечеткой логики при построении экспертной системы

Экспертные системы возникли как значительный практический результат в применении и развитии методов искусственного интеллекта - совокупности научных дисциплин, изучающих методы решения задач интеллектуального (творческого) характера с использованием ЭВМ. Эти задачи характеризуются, как правило, отсутствием или сложностью формальных алгоритмов решения, неполнотой и нечеткостью исходной информации, нечеткостью достигаемых целей. Данные особенности приводят к необходимости использования в процессе решения подобных задач знаний, полученных от человека-эксперта в предметной области, и разработки экспертных систем, осуществляющих сбор и управление этими знаниями, принимающими решения об оптимальном способе достижения целей в условиях неполноты и нечеткости.

Главным достоинством экспертных систем является возможность накопления знаний и сохранение их длительное время. В отличие от человека к любой информации экспертные системы подходят объективно, что улучшает качество проводимой экспертизы.

Одним из основных методов представления знаний в экспертных системах являются продукционные правила, позволяющие приблизиться к стилю мышления человека. Любое правило продукций состоит из посылок и заключения. Возможно наличие нескольких посылок в правиле, в этом случае они объединяются посредством логических связок И, ИЛИ. Обычно продукционное правило записывается в виде: «ЕСЛИ (посылка) (связка) (посылка)… (посылка) ТО (заключение)».

Главным же недостатком продукционных систем остается то, что для их функционирования требуется наличие полной информации о системе.

Системы, использующие нечеткую логику, тоже основаны на правилах продукционного типа, однако в качестве посылки и заключения в правиле используются лингвистические переменные, что позволяет избежать ограничений, присущих классическим продукционным правилам.

Таким образом, язык нечётких множеств и алгоритмов в настоящее время является наиболее адекватным математическим аппаратом, который позволяет максимально сократить переход от вербального словесного качественного описания объекта, которое характеризует человеческое мышление, к численным количественным оценкам его состояния и сформулировать на этой основе простые и эффективные алгоритмы, то есть позволяет моделировать человеческие размышления и человеческую способность решения задач.

Именно поэтому целесообразно использование нечеткой логики при разработке приложений (оболочек) для создания экспертных систем.

Общая схема обработки нечеткой информации выглядит следующим образом. Точные исходные данные с датчиков, контролирующих управляющий процесс, переводятся в значения лингвистических переменных в специальном блоке, получившем название “фазификатор”. Далее реализуются процедуры нечеткого вывода на множестве продукционных правил, составляющих базу знаний системы управления, в результате чего формируются выходные лингвистические значения, которые переводятся в точные значения результатов вычислений в блоке “дефазификатор”. На выходе последнего формируются управляющие воздействия подаваемые на исполнительные механизмы.

Основной проблемой, препятствующей широкому применению экспертных систем для диагностики и в системах управления, является проблема извлечения и наполнения таких систем достаточным объемом формализованных знаний в условиях неполноты и нечеткости данных об объекте. В связи с этим целесообразно провести классификацию входных переменных и по ней построить дерево вывода, определяющее систему вложенных друг в друга нечетких баз знаний меньшей размерности. Вершинами дерева являются лингвистические переменные с заданным экспертом набором термов. Использование упорядоченной последовательности термов помогает точнее формализовать проблему и определить более адекватные характеристики исследуемого объекта знаний. Структура дерева, выбор термов лингвистических переменных на его ветвях, а также нечеткие базы знаний - все это определяет методику сбора экспертной информации, необходимой для построения модели нелинейного объекта. Использование дерева вывода позволяет заметно упростить работу эксперта, т.к. иерархии предоставляют более подробную информацию о структуре и функции системы.

База знаний может определяться с помощью функций, заданных таблицами истинности. Этот подход является наглядным, интуитивно понятным и эффективным инструментом структуризации экспертных знаний.

Нечеткий логический вывод дает возможность получить заключение в виде нечеткого множества, соответствующего текущим значениях входов, с использованием нечеткой базы знаний и нечетких операций. Алгоритм принятия решения основывается на понятии нечеткой степени истинности. Данный подход очень хорошо применим в отраслях, где преобладают качественные зависимости.

Следует учитывать, что нечеткие системы, кроме видимых достоинств имеют и недостатки. К ним можно отнести следующее:

отсутствие стандартной методики конструирования нечетких систем;

невозможность математического анализа нечетких систем существующими методами;

применение нечеткого подхода по сравнению с вероятностным не приводит к повышению точности вычислений.

Тем не менее нечеткий подход является наиболее перспективным в области создания программного обеспечения для проектирования экспертных систем, благодаря своей направленности на качественное описание проблемы, а соответственно более действенное ее решение.