Общее представление о базе данных (стр. 6 )

2. Описанный этап нормализации не является догмой. Т. к. существует альтернативное определение нормальных форм.

3. Процесс нормализации не является самоцелью, так как он улучшает структуру данных отношения в следующих смыслах:

А. Исключаются различные типы избыточности данных.

Б. Устраняются аномалии обновления.

В. Вырисовывает логическая модель представления реального мира интуитивно понятная и отражающая специфику конкретной предметной области.

Г. Фактически реализует процедуру наложения ограничения целостности данных

4. Этапы 1–5 процедуры нормализации это всего лишь рекомендации, на практике 3 НФ (если один потенциальный ключ) и НФБК (Если несколько потенциальных ключей) являются высшими.

5. Все зависимости – ограничения (ФЗ, МЗ, ЗС) являются семантическими, т. е. вытекают из смыслового значения данных. Поэтому любой этап необходимо контролировать на семантическом уровне.

6. процедура нормализации не является единственным или даже универсальным средством проектирования данных по след причинам:

А)кроме ФЗ МЗ и ЗС могут существовать и другие типы ограничений.

Б) декомпозиция может быть не уникальной

В) одновременное приведение к НФБК с сохранением зависимости может привести к конфликту

Г) процедура нормализации позволяет избавиться от избыточности за счет разбиения на проекции. Однако операция проекции не единственная и не всякую избыточность можно удалить т о.

74. Альтернативные нормальные формы.

1.ДКНФ (доменно–ключевая нф) была предложена Фэйгеном и она не определяется через зависимость. Утверждается, что отношение R находится в ДКНФ т и т т к каждое ограничение наложенное на отношение R является логическим следствием ограничения доменов и ограничения ключей, т е ДКНФ является относительно независимой и более интуитивно–понятной по сравнению с 2–5 нф. Ограничение домена – это ограничение на использование значений для данного атрибута только из некоторого объявленного домена. Ограничение ключа означает, что некоторый атрибут или подмножество атрибутов представляют собой потенциальный ключ, т о наложение ограничений на отношение находящееся в ДКНФ является концептуально очень простым, поскольку для этого достаточно учитывать ограничение доменов и знать все ключи. А все остальные ограничения будут выполняться автоматически.

2. нормальная форма «выборки–объединение». В основе этой нф лежат операции выборки –объединения. Например отношение S(S#, SNAME, CITY, STATUS) не характеризуется аномалиями в смысле проекционно–соединительной нормализации. Однако легко обнаружить, что существуют аномалии в другом смысле. Например в распределенных БД гораздо эффективнее хранить данные о поставщиках из каждого города в своем городе. Другими словами можно рекомендовать декомпозицию на основе выборки с условием принадлежности поставщика определенного города. Очевидно, что обратной операцией, приводящей к эквивалентному отношению является операция объединения. Поэтому отношение, полученное в результате декомпозиции на основе выборки называют отношением нф «выборки–объединение».

75. Основные понятия семантического моделирования. ER–диаграммы. Сущность.

РМД не позволяют сразу получить качественную модель данных. Это объясняется след причинами:

1. РМД не обеспечивает в полной мере механизмы для представления для представления смысла данных.

2. многие прикладные задачи затрудняют моделирование предметной области с помощью только плоских таблиц.

3. несмотря на то, что любой процесс проектирования БД все же начинается с выделения некоторых существенных для предметной области объектов – сущностей и выявления связей между ними, РМД не может предложить какого либо механизма для разделения сущностей и связей. Именно поэтому наряду с теорией нормализации реляционных моделей данных и появились более простые семантические модели данных (СМД). Хотя любая СМД как и РМД включает в себя структурную, манипуляционную и целостную части все таки главным назначением СМД является структурная часть, те обеспечение средств и возможностей для выражения семантики данных. СМД используются в различных типах ис. Причем чаще всего СМД используются только на первой стадии проекта БД. Это означает, что концептуальная схема БД строится в терминах СМД. А далее СМД вручную или средствами case–технологий преобразуется к реляционной или иной схеме. Именно поэтому существует огромное число прикладных программ, которые позволяют реализовать автоматическое проектирование, однако физический уровень и внешний уровень рекомендуется контролировать вручную. История подсистем автоматического проектирования для БД с помощью case–средств началось с автоматизации процесса формирования диаграмм поверки их формальной корректности, обеспечение хранения импорта, экспорта и т д. В частности системы автоматического процесса обеспечивали создание элементарных архивов, проектной документации, что позволило даже в локальных СУБД использовать шаблоны структур данных. Однако система которая только редактирует диаграмму является по сути редактором, но не компилятором. Именно поэтому и возникла идея преобразования концептуальной схемы БД реализованной в виде date–диаграмм в реляционные схемы.

ER–диаграмма – диаграмма сущность–связь.

Существует широкий набор семантических моделей

ER

IDEF 1

IDEF 1x

IDEF 2

.....

IDEF 6

Семантическая модель сущность–связь в качестве главного места проектирования использует различные варианты диаграмм ER. По сути все реализации семантических моделей на сегодня исходят из одной простейшей модели – рисунок всегда нагляднее формального описания структур данных. СМД ER–диаграмм основано на след фундаментальных понятиях: сущность, атрибут и связь. Опр. Сущность – это класс однотипных объектов, информация о которых должна отображать состояние и свойство конкретной предметной области. Каждая сущность (аналогично отношению) должна иметь уникальное наименование, выраженное существительным в единственном числе. Примеры сущностей, такие классы объектов как: студент, оценка, поставщик, сотрудник, самолет и т д. обозначается сущность в виде

76. Экземпляр, атрибут, ключ и связи сущностей. Определения и обозначения.

Экземпляр сущности – это конкретный представитель данной сущности. Экземпляры должны быть различны в данной сущности, т е сами сущности должны иметь некоторые свойства – атрибуты уникальные для каждого экземпляра. Опр. Атрибут сущности – это именованная характеристика является выраженным свойством сущности. Например атрибутами сущности сотрудники может быть табельный номер, имя фамилия, должность и т д. атрибуты отображаются строго в теле сущности построчно. Опр. Ключ сущности – это неизбыточный набор атрибутов, значение которых в совокупности является уникальным для каждого экземпляра. Неизбыточность означает, что удаление любого атрибута из ключа нарушает его уникальность. Сущность может иметь несколько различных ключей. Ключевые атрибуты отличаются на диаграмме сущностей подчеркиванием. Опр. Связи сущностей – это определенным образом заданная ассоциация между двумя сущностями. Одна и та же сущность может быть связана с другой сущностью или даже сама с собой. Связи между сущностями обязательно идентифицируются глаголами иметь или принадлежать. Например.

Любой сотрудник может иметь несколько детей. Или любой ребенок принадлежит одному сотруднику.

Связи могут быть одного из след типов:

1. один–к–одному

2. один–ко–многим

3. многие–ко–многим

Один к одному означает, что один экземпляр первой сущности связан в точности с одним экземпляром второй сущности. Т е такая связь чаще всего свидетельствует о том, что мы имеем дело с одной сущностью. Связь один ко многим означает, что один экземпляр левой сущности связан с несколькими экземплярами правой сущности. Левая сущность – родительская, правая – дочерняя. Связь типа многие ко многим означает что каждый экземпляр 1 сущности может быть связан с несколькими экземплярами 2 сущности и наоборот. Этот тип является временным типом. Это допустимо в теории но абсолютно не допустимо на практике. Такая связь должна быть заменена двумя связями типа один ко многим с помощью создания промежуточной сущности. Каждая связь может иметь одну из 2 модальностей связей, т е «может» () и «должен» (). Модальность «может» означает, что экземпляр одной сущности может быть связан с одной или несколькими экземплярами другой сущности а может быть и нет. Модальность «должен» означает, что экземпляр одной сущности обязан быть связан не менее чем с одним экземпляром другой сущности. В некоторых моделях связь между сущностями может иметь разную модальность на разных концах связи.

Рекурсия:

77. Пример проектирования простой ER–модели.

При разработке ER–модели необходимо получить след информацию о предметной области:

1. базовый список сущностей

2.список основных характеристик (атрибутов) каждой сущности.3.наличие и описание взаимосвязей м/у сущностями
метод ER диаграмм удобен т. к процесс выделения сущностей атрибутов и связей может быть реализован итерациями, т. е разработав 1–ый или n–ый вариант диаграмм проектировщик проводит их экспертизу(заказчик, эксперт в предметной обл–ти), при этом официальной документацией явл сами ER диаграммы.
1 этап. Менеджер считает что система должна выполнять след действия: 1)хранить инфу о покупателях, 2) печатать накладные, 3)счет–фактуры, 4)следить за наличием товаров на складе.
2 этап. Выделяем существенное: 1) потенциальные кондидаты на сущности и атрибуты. Покупатель–кондидат на сущность. Накладная–кнс(при усл что владеем Эл–ми бух учета). Счет–фактура – не сущность, а внешняя форма накладной. Товар–сущность. Склад– не достаточно инфы, однако пусть–сущность. Наличие товара–атрибут, но атрибут какой сущности–инфы не достаточно.
3 этап.

4 этап. Выяснилось что у фирмы несколько складов, при чем каждый товар может храниться на нескольких складах и быть проданным с любого. След–но, покупатель приобретая товар выписывает накладные, где указано кол–во и цена товара. Каждый покупатель может получить несколько накладных.. каждая накладная выписывается на одного покупателя. Кажд накладная содержит хотя бы один товар. Кажд товар может быть продан разным покупателям через несколько накладных. Кажд накладная должна быть выписана с определенного склада. С любого склада может быть выписано много накладных.

5. анализ атрибутов сущностей

Дальнейший анализ показал, что любой покупатель – только юридическое лицо, поэтому обязательно имеет наименование, адрес, банковские реквизиты. Каждая накладная имеет уникальный номер, дату выписки, список товаров с их количеством и отпускной ценой, причем накладная выписывается с определенного склада и на определенного покупателя. Каждый товар имеет наименование, отпускную цену и единицу измерения. Каждый склад имеет номер и (или) наименование. В результате выпишем все существительные, которые будут рассматриваться как потенциальные атрибуты и проанализируем их.

1) юридическое лицо – термин обобщенный, связанный с термином покупатель и т. к. эта БД не работает с физическими лицами термин юридическое лицо и покупатель совпадут. Это сущность.

2) наименование покупателя, адрес, банковские реквизиты – явные характеристики покупателя, т е атрибуты. Если наименование покупателя – простой атрибут, то адрес и банковские реквизиты необходимо конкретизировать. Например адрес в профессиональной БД – это стандартный набор атрибутов вида: индекс, код региона, город, район, улица, дом, корпус, квартира, офис.

3) наименование товара – явная характеристика.

4) единица измерения – явная характеристика.

5) цена товара или отпускная цена – это вопрос, т. к. возможны ситуации, когда эта характеристика будет отличаться от цены в накладной.

6) номер накладной и дата очевидные атрибуты.

7) список товара в накладной очевидно не может быть атрибутом, поэтому его необходимо выделить в отдельную сущность

8) количество товаров в накладной – характеристика, но это характеристика не товара а накладной.

9) аналогично цена товара в накладной опять не столько характеристика товара, а скорее всего характеристика товара в накладной. Поэтому возникает вопрос: цена товара и цена товара в накладной это одно и то же или нет?

10) сумма накладной – явная характеристика, причем ее отличие от остальных – она не является независимой, т. к. сумма накладной очевидно равна сумме стоимости всех товаров, входящих в накладную. Поэтому использование атрибута сумма накладной может привести к серьезным проблемам целостности данных. Ведь сумму накладной можно пересчитать в любой момент времени, используя количество и цену. Однако учитывая, что данный пересчет придется выполнять достаточно часто можно пожертвовать избыточностью данных.

11) наименование склада – атрибут но для простоты и эффективности заполнения вместо одного атрибута наименования склада рекомендуется использовать номер или короткое имя и наименование или полное имя.

6. в ходе следующей беседы с менеджером продаж удалось выяснить, что каждый товар имеет текущую цену, т е цену по которой товар продается в данный момент. Поэтому цена может меняться со временем. А это означает что цена одного и того же товара в разных накладных может быть разной. Т о необходимо различать 2 разных атрибута: цена товара и текущая цена товара в накладной. Замечание: для простоты мы не будем вводить отдельную сущность цена товара, иначе легко заметить, что эта сущность могла бы иметь атрибуты: код товара, цена товара, дата. Т к сущности накладная и товар связаны по типу многие – ко – многим, то такая связь в реляционной БД должна быть расщеплена на две связи типа один – ко – многим, как известно для этого требуется дополнительная сущность. Этой сущностью будет список товаров накладной или «низ». Т е ее связь с сущностями накладная и товар можно описать как: «каждая накладная обязана иметь одну или несколько записей из списка товаров и каждая запись из списка товаров накладной должна включаться только в одну накладную и товар может включаться в одну или несколько записей из списка товаров накладной и каждая запись из списка товаров накладной должна быть связана только с одним товаром». Т о список товаров накладной имеет атрибуты: количество товаров, цена товара. Аналогично проанализируем связь сущностей склад и товары. Т к между ними может появиться связь многие – ко – многим, то введем дополнительную сущность – товар на складе. Очевидным атрибута будет количество товара на данном складе, т е товар может храниться на любом складе и количество его на каждом складе может быть любым. Т о проанализировав все требования менеджера нам удалось построить концептуальную модель БД склад. Рассмотрим реализацию этой модели с помощью ER – диаграммы.

Данная логическая модель очевидно построена без относительно конкретной СУБД. Поэтому по данной концептуальной диаграмме можно легко построить физическую ER – диаграмму которая уже будет учитывать такие особенности СУБД как допустимые типы полей, наименования полей, таблиц, ограничения целостности и т. д.

Рисунок 2

Очевидно, что на физической ER – модели каждая сущность представляет собой таблицу БД а каждый атрибут – поле таблицы. Обратим внимание, что в некоторых таблицах для реализации физических связей между таблицами появились новые поля, которые отсутствовали в концептуальной модели. Однако эти поля на самом деле являются реализацией механизма внешних ключей, т е чтобы реализовать связь родительского отношения с дочерним, т е связь один – ко – многим. Пришлось добавить ключевые атрибуты родительского отношения в дочерние. Поэтому и появились такие поля как Sklad_ID, PR_ID в таблице Product_In_Sclad и тд.

Замечание: по прежнему мы разделяем структуру данных отношение и структуру данных таблица. Однако при реализации на СУБД допускается называть поля атрибутами а отношения таблицами.

Выводы: первым рассмотренным методом моделирования данных является не формальный подход нормализации отношений а интуитивный метод – семантическое моделирование, т е в качестве основного инструмента семантического моделирования используются различные варианты диаграмм: сущность–связь или ER. С помощью ER удается наглядно представить структурную модель данных. При этом различают концептуальные и физические ER – диаграммы. Концептуальные диаграммы не учитывают особенностей конкретной СУБД, а физические строятся на основе концептуальных и представляют собой физический прообраз или конкретную реализацию БД на конкретной СУБД. При этом сущности, определенные в концептуальной диаграмме становятся таблицами, атрибуты – полями, а связи между таблицами реализуются путем миграции ключевых атрибутов родительских отношений и созданию внешних ключей.

78. Концептуальные и физические ER–модели. Примеры.

Данная логическая модель очевидно построена без относительно конкретной СУБД. Поэтому по данной концептуальной диаграмме можно легко построить физическую ER – диаграмму которая уже будет учитывать такие особенности СУБД как допустимые типы полей, наименования полей, таблиц, ограничения целостности и т. д.

Рисунок

Очевидно, что на физической ER – модели каждая сущность представляет собой таблицу БД а каждый атрибут – поле таблицы. Обратим внимание, что в некоторых таблицах для реализации физических связей между таблицами появились новые поля, которые отсутствовали в концептуальной модели. Однако эти поля на самом деле являются реализацией механизма внешних ключей, т е чтобы реализовать связь родительского отношения с дочерним, т е связь один – ко – многим. Пришлось добавить ключевые атрибуты родительского отношения в дочерние. Поэтому и появились такие поля как Sklad_ID, PR_ID в таблице Product_In_Sclad и тд.

Замечание: по прежнему мы разделяем структуру данных отношение и структуру данных таблица. Однако при реализации на СУБД допускается называть поля атрибутами а отношения таблицами.

Выводы: первым рассмотренным методом моделирования данных является не формальный подход нормализации отношений а интуитивный метод – семантическое моделирование, т е в качестве основного инструмента семантического моделирования используются различные варианты диаграмм: сущность–связь или ER. С помощью ER удается наглядно представить структурную модель данных. При этом различают концептуальные и физические ER – диаграммы. Концептуальные диаграммы не учитывают особенностей конкретной СУБД, а физические строятся на основе концептуальных и представляют собой физический прообраз или конкретную реализацию БД на конкретной СУБД. При этом сущности, определенные в концептуальной диаграмме становятся таблицами, атрибуты – полями, а связи между таблицами реализуются путем миграции ключевых атрибутов родительских отношений и созданию внешних ключей.

79. Понятие экспертной системы (ЭС), как специального типа информационной системы.

Ис типа ЭС лежат в основе систем искусственного интеллекта. Поэтому существуют специальное ПО, ЯП и Ис. Простейшие примеры: в медицине, диагностика автомобилей, прогнозирование, ценные бумаги, расчет месторождений.

Эс – это комплекс специальных программ, предназначенных для проектирования, разработки, хранения и обработки специальных типов структур данных, получивших название «знания». Другими словами, ЭС – это БД знаний. Т е чтобы существовала возможность обработки знаний нужно организовать хранение знаний а для этого и используются технологии БД. Как и любая ис, ЭС предполагает что человек – инженер по знаниям, является неотъемлемой часть. Ис, те ЭС – это ис которая моделирует поведение эксперта, выполняющего экспертизу в некоторой узкой предметной области, отсюда следует, что ЭС как и человек–эксперт, в идеале должна отвечать буквально на такие вопросы: Что это? Какой? Почему? Зачем? Как?. Современные ЭС позволяют ответить на вопросы: Что? Как? Какой?.

80. Обобщенная модель экспертной системы.

В результате анализа обобщенную модель ЭС удалось представить в виде:

1) инженер по знаниям извлекает знания. Инженер программист должен формализовать знания, т е привести структуры данных в пригодные для компьютерной обработки.

2) именно для этого и служит блок формирование знаний, который выполняет функции проектирования структур данных – знаний, ввод неограниченного числа знаний + интерфейс.

3) база знаний является БД для хранения специальных сложноструктурированных и связанных между собой данных – знаний.

4)машина вывода осуществляет генерацию новых знаний. Особенность машины вывода состоит в том, что ЭС в отличие от других видов ис обрабатывают символьную информацию. Поэтому машина вывода осуществляет формирование новых знаний либо на основе уже существующих связей – зависимостей между структурами данных, либо на основе теорем. В зависимости от типа машин вывода ЭС делятся на 3 класса (условно):

1. Эс прямого вывода. Правила представлены в виде

2. Эс обратного вывода . Т е сначала доказывается истинность знания а затем проверяется комбинация знаний , удовлетворяющих обратному выводу.

3. машины смешанного вывода.

5) интерфейс. Этот блок должен интерпретировать знания, т к экспертные системы создаются не для экспертов, а для конечных пользователей.

81. Основные характеристики ЭС.

Экспертная система отличается от прочих прикладных программ наличием следующих признаков.

Моделирует не столько физическую (или иную) природу определенной проблемной области, сколько механизм мышления человека применительно к решению задач в этой проблемной области. Это существенно отличает экспертные системы от систем математического моделирования или компьютерной анимации. Нельзя, конечно, сказать, что программа полностью воспроизводит психологическую модель специалиста в этой предметной области (эксперта), но важно, что основное внимание все–таки уделяется воспроизведению компьютерными средствами методики решения проблем, которая применяется экспертом, –т. е. выполнению некоторой части задач так же (или даже лучше), как это делает эксперт.

Система, помимо выполнения вычислительных операций, формирует определенные соображения и выводы, основываясь на тех знаниях, которыми она располагает. Знания в системе представлены, как правило, на некотором специальном языке и хранятся отдельно от собственно программного кода, который и формирует выводы и соображения. Этот компонент программы принято называть базой знаний.

При решении задач основными являются эвристические и приближенные методы, которые, в отличие от алгоритмических, не всегда гарантируют успех. Эвристика, по существу, является правилом влияния (rule of thumb), которое в машинном виде представляет некоторое знание, приобретенное человеком по мере накопления практического опыта решения аналогичных проблем. Такие методы являются приблизительными в том смысле, что, во–первых, они не требуют исчерпывающей исходной информации, и, во–вторых, существует определенная степень уверенности (или неуверенности) в том, что предлагаемое решение является верным.

Экспертные системы отличаются и от других видов программ из области искусственного интеллекта.

Экспертные системы имеют дело с предметами реального мира, операции с которыми обычно требуют наличия значительного опыта, накопленного человеком. Множество программ из области искусственного интеллекта являются сугубо исследовательскими и основное внимание в них уделяется абстрактным математическим проблемам или упрощенным вариантам реальных проблем (иногда их называют "игрушечными" проблемами), а целью выполнения такой программы является "повышение уровня интуиции" или отработка методики. Экспертные системы имеют ярко выраженную практическую направленность в научной или коммерческой области.

Одной из основных характеристик экспертной системы является ее производительность, т. е. скорость получения результата и его достоверность (надежность). Исследовательские программы искусственного интеллекта могут и не быть очень быстрыми, можно примириться и с существованием в них отказов в отдельных ситуациях, поскольку, в конце концов, – это инструмент исследования, а не программный продукт. А вот экспертная система должна за приемлемое время найти решение, которое было бы не хуже, чем то, которое может предложить специалист в этой предметной области.

Экспертная система должна обладать способностью объяснить, почему предложено именно такое решение, и доказать его обоснованность. Пользователь должен получить всю информацию, необходимую ему для того, чтобы быть уверенным, что решение принято "не с потолка". В отличие от этого, исследовательские программы "общаются" только со своим создателем, который и так (скорее всего) знает, на чем основывается ее результат. Экспертная система проектируется в расчете на взаимодействие с разными пользователями, для которых ее работа должна быть, по возможности, прозрачной.

82. Базовые функции ЭС. Приобретение знаний. Представление знаний.

1. приобретение знаний. Под приобретением знаний понимается передача потенциального опыта, решения конкретной проблемы от некоторого источника знаний и преобразуя его в вид, позволяющий использовать эти знания в ЭС. Очевидно что в процессе передачи знаний участвуют несколько звеньев и этот процесс может быть достаточно длительным как в пространственном так и временном смысле. По существующим оценкам можно выделить от 2 и до 10 звеньев на этапе приобретения знаний. Основные: 1. звено специалисты, эксперты в узкой предметной области. Это звено часто характеризуется собственным жаргоном, что существенно затрудняет процесс приобретения знаний. 2. факты и принципы, лежащие в основе специфических областей знаний.3. обобщение знаний экспертов, фактов, принципов, закономерностей, теорем и формирование высшего уровня знаний в том числе и метазнаний.

2. представление знаний. Т е формирование механизма, интерфейса, структур данных для хранения знаний является самой сложной функцией ЭС. Все модели представления знаний, рассматриваемые выше имеют символическую базу и используют символическую арифметику. Огромное значение придается формализации представления знаний. Сложность функции представления знаний объясняется не только необходимостью хранения знаний, но и их последующей обработки, использования. Например: в области искусственного интеллекта проводится целенаправленная работа по созданию специальных языков представления знаний. Под этим термином понимаются компьютерные языки, ориентированные на организацию и описание знаний. В этих языках основным критерием формирования знания доступа к ним является логическая адекватность, эвристическая мощность и ограниченность нотации. Логическая адекватность означает что данное представление знаний должно обладать способностью распознавать все отличия (оттенки), которые вкладываются в исходную сущность. Эвристическая мощность означает, что наряду с наличием самого представления знаний, должно существовать некоторое средство использования этого представления, интерпретации. Естественность нотации следует рассматривать как следование жесткой формализации и возможность использования данного представления знаний машиной вывода.

83. Управление процессом поиска решений. Разъяснение принятого решения.

1. Управление процессом поиска решений При проектировании ЭС необходимо учесть не только как осуществляется доступ к знаниям, но и степень (глубину) их использования, т е знания о той или иной ситуации а так же алгоритм их использования является важнейшей функцией ЭС. Т е метазнания нужны активно участвуют в процессе управления поиска решений. Как правило ЭС должна поддерживать несколько режимов управления, от простого к сложному.

2. Разъяснение принятого решения. Т к ЭС является особым типом ис, ей присущи все те достоинства и недостатки, которыми обладают ИС и информационные модели. Поэтому ЭС в силу своей критичности обязательно должны реализовать функцию разъяснения принятого решения. Оказывается, что знания о поведении ЭС важно по многим причинам: 1. конечные пользователи непосредственно работающие с ЭС постоянно нуждаются в подтверждении того факта, что решение, которая приняла программа в основном корректно. 2. инженеры по знаниям, которые фактически формируют базы знаний должны быть уверены в том, что новые сформулированные ими знания представлены корректно в том числе и в случае когда уже существует прототип данного знания. 3. эксперты в узкой предметной области должны постоянно отслеживать ход рассуждений машины вывода и соответствие полученных решений истинным знаниям. 4. разъяснение важно программистам, которые разрабатывают и сопровождают данную систему.

Функцию разъяснения принятого решения часто называют прозрачностью ЭС, точнее насколько успешно реализована эта функция, настолько прозрачной будет ЭС.

84. Понятие знания. Основные признаки знания.

Представление знаний в памяти ЭВМ это самая серьезная проблема ЭС. Сложность проблемы заключается в трудности формализации самого понятия знание. Проще всего дать понятие знания методом сравнения с понятием данные. Отсюда и выделяются основные признаки знаний:

1. интерпретируемость. Данные которые хранятся в памяти ЭВМ могут быть интерпретированы только соответствующей прикладной программой, которая эти данные обрабатывает. Напротив: знания характеризуются тем, что они всегда позволяют получить информацию без использования конкретных программ.

2. структурированность. Структурированность знаний в отличие о данных позволяет выполнять декомпозицию сложных знаний (объектов) на более простые с установлением очевидных связей между ними типа «часть–целое», «множество–подмножество», «тип–подтип» и т д.

3. связность фактически обобщает 1 и 2 свойства. Во первых знания связаны в смысле структуры данных, во–вторых знания отражают закономерности фактов, явлений, причинно–следственных связей. Это скорее первое свойство.

4. активность. Знания в отличие от данных могут порождать новые знания, тогда как данные пассивно хранятся на ВЗУ. Этот признак является движущей силой ЭС, т к обнаружение противоречий в знаниях становится побудительной причиной их продолжения, а значит и получения новых знаний. Аналогично неполнота знаний является причиной их пополнения и в этом проявляется их активность.

85. Типы ЭС.

Класс "экспертные системы" сегодня объединяет несколько тысяч различных программных комплексов, которые можно классифицировать по различным критериям. Полезными могут оказаться следующие классификации.

Классификация по решаемой задаче:

Интерпретация данных. Это одна из традиционных задач для экспертных систем. Под интерпретацией понимается определение смысла данных, результаты которого должны быть согласованными и корректными. Обычно предусматривается многовариантный анализ данных.

Примеры

* обнаружение и идентификация различных типов океанских судов – SIAP;

* определение основных свойств личности по результатам психодиагностического тестирования в системах АВТАНТЕСТ и МИКРОЛЮШЕР и др.

Диагностика. Под диагностикой понимается обнаружение неисправности в некоторой системе. Неисправность – это отклонение от нормы. Такая трактовка позволяет с единых теоретических позиций рассматривать и неисправность оборудования в технических системах, и заболевания живых организмов, и всевозможные природные аномалии. Важной спецификой является необходимость понимания функциональной структуры ("анатомии") диагностирующей системы.

Примеры

* диагностика и терапия сужения коронарных сосудов – ANGY;

* диагностика ошибок в аппаратуре и математическом обеспечении ЭВМ – система CRIB и др.

Мониторинг. Основная задача мониторинга – непрерывная интерпретация данных в реальном масштабе времени и сигнализация о выходе тех или иных параметров за допустимые пределы. Главные проблемы – "пропуск" тревожной ситуации и инверсная задача "ложного" срабатывания. Сложность этих проблем в размытости симптомов тревожных ситуаций и необходимость учета временного контекста.

Примеры

* контроль за работой электростанций СПРИНТ, помощь диспетчерам атомного реактора–REACTOR;

* контроль аварийных датчиков на химическом заводе – FALCON и др.

Проектирование. Проектирование состоит в подготовке спецификаций на создание "объектов" с заранее определенными свойствами. Под спецификацией понимается весь набор необходимых документов – чертеж, пояснительная записка и т. д. Основные проблемы здесь – получение четкого структурного описания знаний об объекте и проблема "следа". Для организации эффективного проектирования и, в еще большей степени, перепроектирования необходимо формировать не только сами проектные решения, но и мотивы их принятия. Таким образом, в задачах проектирования тесно связываются два основных процесса, выполняемых в рамках соответствующей ЭС: процесс вывода решения и процесс объяснения.

Примеры

* проектирование конфигураций ЭВМ VAX – 11/780 в системе XCON (или R1), проектирование БИС – CADHELP;

* синтез электрических цепей – SYN и др.

Прогнозирование. Прогнозирующие системы логически выводят вероятные следствия из заданных ситуаций. В прогнозирующей системе обычно используется параметрическая динамическая модель, в которой значения параметров "подгоняются" под заданную ситуацию. Выводимые из этой модели следствия составляют основу для прогнозов с вероятностными оценками.

Примеры

* предсказание погоды – система WILLARD;

* оценки будущего урожая – PLANT;

* прогнозы в экономике – ECON и др.

Планирование. Под планированием понимается нахождение планов действий, относящихся к объектам, способным выполнять некоторые функции. В таких ЭС используются модели поведения реальных объектов с тем, чтобы логически вывести последствия планируемой деятельности.

Примеры

* планирование поведения робота – STRIPS;

* планирование промышленных заказов – ISIS;

* планирование эксперимента – MOLGFN и др.

Обучение. Системы обучения диагностируют ошибки при изучении какой–либо дисциплины с помощью ЭВМ и подсказывают правильные решения. Они аккумулируют знания о гипотетическом "ученике" и его характерных ошибках, затем в работе способны диагностировать слабости в знаниях обучаемых и находить соответствующие средства для их ликвидации. Кроме того, они планируют акт общения с учеником в зависимости от успехов ученика с целью передачи знаний.