mẹo hay Khỏe Đẹp Bài tập

Bài tập hệ cơ sở trị thức có lời giải năm 2024

Hệ cơ sở tri thức là chương trình máy tính được thiết kế để mô hình hoá khả năng giải quyết vấn đề của chuyên gia con người.

Hệ CSTT là hệ thống dựa trên tri thức, cho phép mô hình hoá các tri thức của chuyên gia, dùng tri thức này để giải quyết vấn đề phức tạp thuộc cùng lĩnh vực.
Hai yếu tố quan trọng trong Hệ CSTT là: tri thức chuyên gia và lập luận, tương ứng với hệ thống có 2 khối chính là Cơ sở tri thức và động cơ suy diễn.

1.1 Khái niệm về Hệ CSTT [Tiếp]

Hệ Chuyên gia là một loại cơ sở tri thức được thiết kế cho một lĩnh vực ứng dụng cụ thể.
Ví dụ: Hệ Chuyên gia về chẩn đoán bệnh trong Y khoa, Hệ Chuyên gia chẩn đoán hỏng hóc của đường dây điện thoại,…
Hệ Chuyên gia làm việc như một chuyên gia thực thụ và cung cấp các ý kiến dựa trên kinh nghiệm của chuyên gia con người đã được đưa vào Hệ Chuyên gia.

1.1 Khái niệm về Hệ CSTT [Tiếp]

Cơ sở tri thức: Chứa các tri thức chuyên sâu về lĩnh vực như chuyên gia. Cơ sở tri thức bao gồm: các sự kiện, các luật, các khái niệm và các quan hệ.
Động cơ suy diễn: bộ xử lý tri thức theo mô hình hoá theo cách lập luận của chuyên gia. Động cơ hoạt động trên thông tin về vấn đề đang xét, so sánh với tri thức lưu trong cơ sở tri thức rồi rút ra kết luận.
Kỹ sư tri thức [Knowledge Engineer]: người thiết kế, xây dựng và thử nghiệm Hệ Chuyên gia.

1.2 Cấu trúc của Hệ CSTT

1.2 Cấu trúc của Hệ CSTT[tiếp]

1.2 Cấu trúc của Hệ CSTT[tiếp]

1.3 Các đặc tính của Hệ CSTT

1. Tách tri thức ra khỏi điều khiển: cơ sở tri thức và động cơ suy diễn là các khối tách rời: một khối chứa tri thức còn khối kia là cơ chế giải quyết vấn đề. 2. Tri thức của chuyên gia: các tri thức được thu nạp từ nhiều chuyên gia hiểu sâu về lĩnh vực đang giải quyết. Expert: “Người có kỹ năng giải quyết đúng vấn đề và giải quyết hiệu quả. Họ có khả năng lập luận hơn những người khác trong lĩnh vực đó.” 3. Tập trung nguồn chuyên gia: Mỗi chuyên gia chỉ giải quyết các vấn đề trong lĩnh vực của mình. Nên chia nhỏ bài toán chẩn đoán theo các hệ thống nhỏ hơn.

1.3 Các đặc tính của Hệ CSTT [tiếp]

4. Lập luận trên các ký hiệu: Chuyên gia dùng các ký hiệu để thể hiện tri thức, thay vì thực hiện việc xử lý số. 5. Lập luận may rủi: Kinh nghiệm giúp các chuyên gia nhanh chóng tìm đến các giải pháp. 6. Lập luận với thông tin không đầy đủ: chẳng hạn, bác sĩ khám bệnh nhân vào cấp cứu trong hoàn cảnh không hỏi được nhiều thông tin. 7. Chứa khả năng suy diễn, mức độ sâu sắc cao, có khả năng tự kiểm tra, tự học trong quá trình suy luận.

1.3 Các đặc tính của Hệ CSTT[tiếp]

1.4 Hệ hỗ trợ ra quyết định

DSS [Decision Support System]
Chức năng: Hỗ trợ ra quyết định
Hoạt động theo cách tương tác với người sử dụng
Các tính chất của DSS:
Hướng đến các quyết định của người quản lý
Uyển chuyển với hoàn cảnh
Trả lời câu hỏi trong tình huống
Do người sử dụng khởi động và kiểm soát

1.5 Hệ học

Trong nhiều tinh huống, sẽ không có sẵn tri thức như:
* –Kỹ sư tri thức cần thu nhận tri thức từ chuyên gia lĩnh vực.
- –Cần biết các luật mô tả lĩnh vực cụ thể.
- –Bài toán không được biểu diễn tường minh theo luật, sự kiện hay các quan hệ.
Có hai tiếp cận cho hệ thống học:
* –Học từ ký hiệu: bao gồm việc hình thức hóa, sửa chữa các luật tường minh, sự kiện và các quan hệ.
- –Học từ dữ liệu số: được áp dụng cho những hệ thống được mô hình dưới dạng số liên quan đến các kỹ thuật nhằm tối ưu các tham số. Học theo dạng số bao gồm mạng Neural nhân tạo, thuật giải di truyền, bài toán tối ưu truyền thống. Các kỹ thuật học theo số không tạo ra CSTT tường minh.

1.6 Hệ điều khiển mờ

Mờ hóa: Chuyển đổi giá trị rõ đầu vào thành các vector mờ
Xác định các luật hợp thành và thuật toán xác định giá trị mờ
Giải mờ: Phương pháp điểm trọng tâm

1.7 Ứng dụng của Hệ Cơ sở tri thức

1.Diễn giải [Interpretation]: Mô tả tình huống các dữ liệu thu thập được
2.Dự báo [Prediction]: đưa ra các tri thức về dự báo một tình huống: dự báo giá cả, …
3.Thiết kế [Design]: Lựa chọn cấu hình phù hợp, ví dụ: sắp xếp công việc.
4.Chẩn đoán [Diagnosis]: Dựa vào các dữ liệu quan sát được, xác định các lỗi hỏng hóc.

1.7 Ứng dụng của Hệ Cơ sở tri thức[tiếp]

5.Vạch kế hoạch [Planing]: tạo lập các phương án hành động.
6.Dẫn dắt [Monotoring]: So sánh dữ liệu và các kết quả hoạt động.
7.Gỡ rối [Debugging]: Mô tả các phương pháp khắc phục của hệ thống.
8.Giảng dạy [Instruction]: Sửa chữa các lỗi của người học trong quá trình học tập.
9.Điều khiển [Control]: dẫn dắt dáng điệu tổng thể của hệ thống.

Thông tin về môn học

Phương pháp đánh giá
Trọng số[%]
Chuyên cần, bài tập trên lớp
15%
Cài đặt
15%
Tiểu luận, báo cáo
20%
Thi cuối học kỳ
50%

Chương 2: Biểu diễn và suy luận tri thức

2.1. Mở đầu
tri thức, lĩnh vực và biểu diễn tri thức.
2.2. Các loại tri thức: được chia thành 5 loại
5.Tri thức thủ tục: mô tả cách thức giải quyết một vấn đề. Loại tri thức này đưa ra giải pháp để thực hiện một công việc nào đó. Các dạng tri thức thủ tục tiêu biểu thường là các luật, chiến lược, lịch trình và thủ tục.
6.Tri thức khai báo: cho biết một vấn đề được thấy như thế nào. Loại tri thức này bao gồm các phát biểu đơn giản, dưới dạng các khẳng định logic đúng hoặc sai. Tri thức khai báo cũng có thể là một danh sách các khẳng định nhằm mô tả đầy đủ hơn về đối tượng hay một khái niệm nào đó.

2.2. Các loại tri thức [tiếp]

3.Siêu tri thức: mô tả tri thức về tri thức. Loại tri thức này giúp lựa chọn tri thức thích hợp nhất trong số các tri thức khi giải quyết một vấn đề. Các chuyên gia sử dụng tri thức này để điều chỉnh hiệu quả giải quyết vấn đề bằng cách hướng các lập luận về miền tri thức có khả năng hơn cả.
4.Tri thức heuristic: mô tả các “kinh nghiệm" để dẫn dắt tiến trình lập luận. Tri thức heuristic là tri thức không bảm đảm hoàn toàn 100% chính xác về kết quả giải quyết vấn đề. Các chuyên gia thường dùng các tri thức khoa học như sự kiện, luật, … sau đó chuyển chúng thành các tri thức heuristic để thuận tiện hơn trong việc giải quyết một số bài toán.
5.Tri thức có cấu trúc: mô tả tri thức theo cấu trúc. Loại tri thức này mô tả mô hình tổng quan hệ thống theo quan điểm của chuyên gia, bao gồm khái niệm, khái niệm con, và các đối tượng; diễn tả chức năng và mối liên hệ giữa các tri thức dựa theo cấu trúc xác định.

Ví dụ: Hãy phân loại các tri thức sau

7.Nha Trang là thành phố đẹp.
8.Bạn Lan thích đọc sách.
9.Modus Ponens.
10.Modus Tollens.
11.Thuật toán tìm kiếm BFS
12.Thuật toán tìm kiếm DFS
13.Thuật toán AKT
14.Thuật giải Greedy

Ví dụ: Hãy phân loại các tri thức sau[tiếp]

9.Một số cách chiếu tướng trong việc chơi cờ tướng.
10.Hệ thống các khái niệm trong hình học.
11.Cách tập viết chữ đẹp.
12.Tóm tắt quyển sách về Hệ chuyên gia.
13.Chọn loại cổ phiếu để mua cổ phiếu.
14.Chọn các thông tin về các loại cổ phiếu trên thị trường.

2.3. CÁC KỸ THUẬT BIỄU DIỄN TRI THỨC

2.3.1 Bộ ba Đối tượng-Thuộc tính-Giá trị 2.3.2 Các luật dẫn 2.3.3 Mạng ngữ nghĩa 2.3.4 Frames 2.3.5 Logic

2.3.1 Bộ ba Đối tượng-Thuộc tính-Giá trị

Một sự kiện có thể được dùng để xác nhận giá trị của một thuộc tính xác định của một vài đối tượng. Ví dụ, mệnh đề "quả bóng màu đỏ" xác nhận "đỏ" là giá trị thuộc tính "màu" của đối tượng "quả bóng". Kiểu sự kiện này được gọi là bộ ba Đối tượng-Thuộc tính-Giá trị [O-A-V – Object-Attribute-Value].

2.3.1 Bộ ba Đối tượng-Thuộc tính-Giá trị [tiếp]

Trong các sự kiện O-A-V, một đối tượng có thể có nhiều thuộc tính với các kiểu giá trị khác nhau. Hơn nữa một thuộc tính cũng có thể có một hay nhiều giá trị. Chúng được gọi là các sự kiện đơn trị [single-valued] hoặc đa trị [multi-valued]. Điều này cho phép các hệ tri thức linh động trong việc biểu diễn các tri thức cần thiết.
Các sự kiện không phải lúc nào cũng bảo đảm là đúng hay sai với độ chắc chắn hoàn toàn. Ví thế, khi xem xét các sự kiện, người ta còn sử dụng thêm một khái niệm là độ tin cậy. Phương pháp truyền thống để quản lý thông tin không chắc chắn là sử dụng nhân tố chắc chắn CF [certainly factor]. Khái niệm này bắt đầu từ hệ thống MYCIN [khoảng năm 1975], dùng để trả lời cho các thông tin suy luận. Khi đó, trong sự kiện O-A-V sẽ có thêm một giá trị xác định độ tin cậy của nó là CF.

2.3.2 Các luật dẫn

Luật là cấu trúc tri thức dùng để liên kết thông tin đã biết với các thông tin khác giúp đưa ra các suy luận, kết luận từ những thông tin đã biết.
Trong hệ thống dựa trên các luật, người ta thu thập các tri thức lĩnh vực trong một tập và lưu chúng trong cơ sở tri thức của hệ thống. Hệ thống dùng các luật này cùng với các thông tin trong bộ nhớ để giải bài toán. Việc xử lý các luật trong hệ thống dựa trên các luật được quản lý bằng một module gọi là bộ suy diễn.

2.3.2 Các luật dẫn[tiếp]

Các dạng luật cơ bản: 7 dạng 1. Quan hệ:
1. IF Bình điện hỏng THEN Xe sẽ không khởi động được
2. Lời khuyên:
1. IF Xe không khởi động được THEN Đi bộ
3. Hướng dẫn
1. IF Xe không khởi động được AND Hệ thống nhiên liệu tốt THEN Kiểm tra hệ thống điện

2.3.2 Các luật dẫn[tiếp]

4. Chiến lược IF Xe không khởi động được THEN Đầu tiên hãy kiểm tra hệ thống nhiên liệu, sau đó kiểm tra hệ thống điện 5. Diễn giải IF Xe nổ AND tiếng giòn THEN Động cơ hoạt động bình thường 6. Chẩn đoán IF Sốt cao AND hay ho AND Họng đỏ THEN Viêm họng 7. Thiết kế IF Là nữ AND Da sáng THEN Nên chọn Xe Spacy AND Chọn màu sáng

2.3.2 Các luật dẫn[tiếp]

Mở rộng cho các luật Trong một số áp dụng cần thực hiện cùng một phép toán trên một tập hay các đối tượng giống nhau. Lúc đó cần các luật có biến.
* 1. Ví dụ: IF X là nhân viên AND Tuổi của X > 65
```
     THEN X có thể nghỉ hưu
```
Khi mệnh đề phát biểu về sự kiện, hay bản thân sự kiện có thể không chắc chắn, người ta dùng hệ số chắc chắn CF. Luật thiết lập quan hệ không chính xác giữa các sự kiện giả thiết và kết luận được gọi là luật không chắc chắn.
* 1. Ví dụ: IF Lạm phát CAO THEN Hầu như chắc chắn lãi suất sẽ CAO
Luật này được viết lại với giá trị CF có thể như sau:
* 1. IF Lạm phát cao THEN Lãi suất cao, CF = 0.8
Dạng luật tiếp theo là siêu luật:
1. Một luật với chức năng mô tả cách thức dùng các luật khác. Siêu luật sẽ đưa ra chiến lược sử dụng các luật theo lĩnh vực chuyên dụng, thay vì đưa ra thông tin mới.
Ví dụ: IF Xe không khởi động AND Hệ thống điện làm việc bình thườngTHEN Có thể sử dụng các luật liên quan đến hệ thống điện

Ví dụ: Giải quyết vấn đề bằng cách biểu diễn tri thức

Bài toán: Cho hai bình rỗng X và Y có thể tích lần lượt là VX và VY, hãy dùng hai bình này để đong ra z lít nước [với z  min[VX,VY]].
Xét trường hợp cụ thể của bài toán, chẳng hạn: VX\=5 và VY\=7 và z = 4, có thể đưa ra quy trình sau:
* –Múc đầy bình 7
- –Trút hết qua bình 5 cho đến khi 5 đầy.
- –Đổ hết nước trong bình 5
- –Đổ hết nước còn lại từ bình 7 sang bình 5
- –Múc đầy bình 7
- –Trút hết qua bình 5 cho đến khi bình 5 đầy.
- –Phần còn lại chính là số nước cần đong.

Ví dụ: Giải quyết vấn đề bằng cách biểu diễn tri thức [tt]

Lời giải trên được phát biểu tổng quát hơn:
* –Không mất tính tổng quát, giả sử rằng VX 0] THEN BEGIN
* 1. k:= min[Vx - x, y];
```
     x := x + k;  
     y := y - k;
```
1. END;
END;...
-Cách giải quyết vấn đề theo kiểu này không đưa ra một trình tự giải quyết vấn đề cụ thể mà chỉ đưa ra các quy tắc dưới dạng các luật
-Ghi chú: Người ta đã chứng minh được rằng, bài toán đong nước chỉ có lời giải khi số nước cần đong là một bội số của ước số chung lớn nhất của thể tích hai bình.

2.3.3 Mạng ngữ nghĩa

Mạng ngữ nghĩa là một phương pháp biểu diễn tri thức dùng đồ thị trong đó nút biểu diễn đối tượng và cung biểu diễn quan hệ giữa các đối tượng.

2.3.3 Mạng ngữ nghĩa[tiếp]

2.3.4 Frame

Ví dụ: Giải bài toán tam giác tổng quát

Ví dụ: Giải bt tam giác tổng quát [tt]

Ví dụ: Giải bt tam giác tổng quát [tt]

2.3.5 Logic

1. Logic mệnh đề IF Xe không khởi động được [A] AND Khoảng cách từ nhà đến chỗ làm là xa [B] THEN Sẽ trễ giờ làm [C]
Luật trên có thể biểu diễn lại như sau:AB C
2. Logic vị từ
Logic vị từ, cũng giống như logic mệnh đề, dùng các ký hiệu để thể hiện tri thức. Những ký hiệu này gồm hằng số, vị từ, biến và hàm.

2.4 SUY DIỄN DỮ LIỆU

1. Modus ponens
1. 1. E1 2. E1 E2 3. E2 Nếu có tiên đề khác, có dạng E2E3 thì E3 được đưa vào danh sách.
2. Modus tollens
1. 1.  E2 2. E1 E2 3.  E1

2.4.2 Các hoạt động của Hệ thống Suy diễn tiến

Ví dụ về Suy diễn tiến

Luật 1. IF Bệnh nhân rát họng AND Nghi viêm nhiễm THEN Tin rằng bệnh nhân viêm họng, đi chữa họng. Luật 2. IF Nhiệt độ bệnh nhân qúa 37 độ THEN Bệnh nhân bị sốt Luật 3.IF Bệnh nhân ốm trên 1 tuần AND Bệnh nhân sốt THEN Nghi bệnh nhân viêm nhiễm. Thông tin từ bệnh nhân là: · Bệnh nhân có nhiệt độ 39 độ · Bệnh nhân đã ốm hai tuần · Bệnh nhân họng rát Khi hệ thống thấy giả thiết của luật khớp với thông tin trong bộ nhớ, câu kết luận của luật được bổ sung vào bộ nhớ.

Cơ chế suy diễn

Suy diễn với logic mệnh đề:
15.Thuật toán suy diễn tiến
1. Input: - Tập luật Rule= {r1, r2, ..., rm}
* 1. - GT, KL
1. Output: Thông báo “thành công” nếu GTKL
* 1. Ngược lại, thông báo “không thành công”
1. Method:

* 1. TD=GT;

     T=Loc[Rule, TD];  
     While [KL  TD] AND [T] Do  
     {  
     r = Get[T];  
     TD=TD{q}; // r:leftq  
     Rule = Rule \\ {r};  
     T=Loc[Rule, TD];  
     }

1. If KL TD THEN Return “True” else Return “False”
Ví dụ: Rule ={r1:a c, r2:b d, r3:a e, r4:ad e, r5:b  c f, r6:e fg} Hỏi a  b g? a g?

Thuật toán suy diễn lùi

* 1. If KL  GT THEN Return “True”

     Else {TĐích=; Vết = ; First=1; Quaylui= False;}  
     For Each qKL DO TĐích=TĐích{[q,0]};  
     Repeat  
     first ++;  
     [[f,i]=Get[TĐích];  
     If [fGT] THEN  
     {  
     j = Tìmluật[f,i,Rule];// rj: Leftj f  
     If [Tìm có rj] THEN  
     { Vet = Vet {[f,j]};  
     For Each t [Leftj\\GT] DO TĐích = TĐích{[[t,0]};  
     else  
     { Quaylui=True;  
     While [fKL] AND Quaylui DO  
     {  
     Repeat { [g,k]=Get[Vết];  
     TĐích = TĐích \\ Leftk;}  
     Until fLeftk;  
     l=Tìmluật[g,k,Rule];

Thuật toán suy diễn lùi

* 1. If [Tìm có rl] THEN

     { TĐích = TĐích \\ Leftl ;  
     For Each t [Leftl \\GT] DO  
     TĐích = TĐích{[[t,0]};  
     Vết = Vết  {[g,l]};  
     Quaylui = False;  
     }  
     else f=g;  
     }  
     }  
     }  
     Until [TĐích = ] OR [[f KL] and [First>2]];  
     If [f KL] then Return False else Return TRue;

1. Ví dụ: Rule ={r1:a c, r2:b d, r3:a e, r4:ad e, r5:b  c f, r6:efg}
Hỏi a  b g? , a g?

2.4.3 Ưu điểm

2.4.4 Nhược điểm

Chương 3: Hệ MYCIN

3.1 Giới thiệu MYCIN là một hệ lập luận trong y học được hoàn tất vào năm 1970 tại đại học Standford, Hoa Kỳ. Đây là một hệ chuyên gia dựa trên luật và sự kiện. MYCIN sử dụng cơ chế lập luật gần đúng để xử lý các luật suy diễn dựa trên độ đo chắc chắn. Tiếp theo sau MYCIN, hệ EMYCIN ra đời. EMYCIN là một hệ chuyên gia tổng quát được tạo lập bằng cách loại phần cơ sở tri thức ra khỏi hệ MYCIN. EMYCIN cung cấp một cơ chế lập luận và tuỳ theo bài toán cụ thể sẽ bổ sung tri thức riêng của bài toán đó để tạo thành hệ chuyên gia. Các đặc điểm chính: - Sử dụng kỹ thuật suy diễn lùi. - Có khả năng phân tích tri thức và điều khiển. - Có tích hợp Meta-Rule. - Có thể dùng khi thiếu thông tin hoặc thông tin không chắc chắn. - Dễ sử dụng, giao tiếp bằng tiếng Anh. - Cung cấp các chức giải thích: HOW, WHY.

Một phiên làm việc cụ thể với MYCIN:

?Thông tin về bệnh nhân
MYCIN: Họ và tên?
User: Jack Durkin.
MYCIN:Tuổi?
User:24.
MYCIN:Giới tính?
User:Nam.
MYCIN:Chủng tộc?
User:CAUCASIAN. ……
? Xác định bản chất lây nhiễm
MYCIN:Có bất kỳ phép cấy vi khuẩn cho Jack Durkin liên quan đến bệnh hiện tại?
User:Có.
MYCIN: Mẫu vật lấy từ đâu?
User:CSF.
MYCIN: Ngày giờ thực hiện cấy:
User:5-6-77 8:09 AM
…..
MYCIN:Gần đây Jack Durkin có các triệu
chứng như: choáng ván, hôn mê không?
User:Có.
…..

CÁC THÀNH PHẦN CỦA HỆ MYCIN

1. Chương trình tư vấn: Cung cấp cho các Bác sĩ các lời khuyên để chọn phương pháp điều trị thích hợp bằng cách xác định rõ cách thức điều trị bởi các dữ liệu lấy ra từ các phòng thí nghiệm lâm sàng thông qua các câu trả lời của bác sĩ cho câu hỏi của máy tính. 2. Khả năng giải thích có tác động qua lại: Cho phép chương trình tư vấn giải thích các kiến thức của nó về các phương pháp điều trị và chứng minh các chú thích về các phương pháp điều trị đặc biệt. 3. Thu nạp tri thức: cho phép các chuyên gia con người trong lĩnh vực điều trị các căn bệnh truyền nhiễm dạy cho MYCIN các luật quyết định theo phương pháp điều trị mà họ tìm thấy trong thực tế lâm sàng.

PHẠM VI SỬ DỤNG CỦA HỆ MYCIN

1. Chẩn đoán nguyên nhân gây bệnh: đối với các bác sĩ điều trị, khi xét nghiệm cho bệnh nhân để có kết quả chẩn đoán chắc chắn mất 24-48 giờ. Nhiều trường hợp phải điều trị cả ngay khi chưa có kết luận hoàn chỉnh. MYCIN giúp chẩn đoán nguyên nhân gây bệnh nhanh hơn: khi gọi chương trình MYCIN, các bác sĩ trả lời các câu hỏi về tiểu sử bệnh nhân, bệnh án, các kết quả xét nghiệm, các triệu chứng, … từ đó MYCIN đưa ra chẩn đoán bệnh. 2. Tạo ra phương pháp điều trị: Sau khi nhận được các câu trả lời của bác sĩ về tình trạng bệnh nhân thông qua đối thoại. Trong trường hợp câu trả lời không biết hoặc biết không chắc chắn, thì MYCIN sẽ suy luận từ các thông tin không hoàn chỉnh. 3. Dự đoán diễn biến của bệnh: Bằng các câu hỏi “HOW, WHY”, MYCIN sẽ giải thích các nguyên nhân và lý do cho các bác sĩ. Sau khi việc chẩn đoán bệnh và kê đơn hoàn tất, bác sĩ có thể theo dõi toàn bộ quá trình chẩn đoán bệnh của MYCIN và qua đó theo dõi diễn biến của bệnh

NGUYÊN NHÂN THÀNH CÔNG CỦA MYCIN

1. Sự cần thiết của việc tư vấn dùng kháng sinh của các bác sĩ: vào thời điểm này việc lạm dụng kháng sinh đã đem lại không ít phản ứng phụ. 2. Cơ sở tri thức của MYCIN được thu nạp từ các chuyên gia xuất sắc nhất trong lĩnh vực. 3. MYCIN không bao giờ đi đến ngay kết luận để luôn có thêm các thông tin cốt yếu qua mỗi bước. 4. MYCIN được hình thành từ một chương trình trí tuệ nhân tạo đã được áp dụng thực tế [DENDRAL] và đã được thực hiện tại trung tâm y tế nổi tiếng với các tri thức mới nhất về bệnh học và dược học.

3.2 LÝ THUYẾT VỀ SỰ CHẮC CHẮN

MB [Measure of Belief in]: độ đo sự tin cậy MD [Measure of Disbelief in]: độ đo sự không tin cậy CF [Certainly Factor]: Hệ số chắc chắn Gọi: MB[H/E] là độ đo sự tin cậy của giả thuyết H khi có chứng cứ E. MD[H/E] là độ đo sự không tin cậy của giả thuyết H khi có chứng cứ E. Khi đó: 0 < MB[H/E] < 1 trong khi MD[H/E] = 0 0 < MD[H/E] < 1 trong khi MB[H/E] = 0 Độ đo chắc chắn CF[H/E] được tính bằng công thức: CF[H/E] = MB[H/E] – MD[H/E]

3.2 LÝ THUYẾT VỀ SỰ CHẮC CHẮN[tiếp]

1. Luật đơn giản:r:If[e] then [c]
1. CF[e] là độ đo chắc chắn của chứng cớ. CF[r] là độ đo chắc chắn của luật suy diễn. Khi đó: CF[c] là độ đo chắc chắn của kết luận sẽ được tính bằng công thức: CF[c] = CF[e] * CF[r]
2. Luật phức tạp:
If[e1 AND e2] then [c]
CF [e1 AND e2] = MIN[CF[e1], CF[e2]]
if [e1 OR e2] then [c]
CF [e1 OR e2] = MAX[CF[e1], CF[e2]]

3.2 LÝ THUYẾT VỀ SỰ CHẮC CHẮN[tiếp]

3. Với luật: if [[e1 AND e2] OR e3] then [c] CF [[e1 AND e2] OR e3] = MAX[MIN[CF[e1], CF[e2]], CF[e3]] 4. CF[NOT e] = - CF[e] 5. Kết hợp nhiều luật có cùng kết luận: - Luật 1: If[e1] then [c] với CF[r1]: độ đo chắc chắn của luật 1
- Luật 2: If[e2] then [c] với CF[r2]: độ đo chắc chắn của luật 2
Với CF[t1], CF[t2] là CF của kết luận của luật 1 và 2, khi CF[t1] và Cf[t2] đều dương thì:
Ctổng = CF[t1] + CF[t2] – CF[t1] * CF[t2]
Khi CF[t1] và Cf[t2] đều âm thì:
Ctổng = CF[t1] + CF[t2] + CF[t1] * CF[t2]
Nếu CF[t1] khác dấu với CF[t2] thì:
Ctổng = [CF[t1] + CF[t2]] / [1 – MIN[ABS[CF[t1]], ABS[CF[t2]]]]

Ví dụ về lập luận trong Hệ MYCIN

Ví dụ: Có 7 luật sau đây:
1. r1: If[e1] Then [c1] CF[r1] = 0,8 r2: If [e2] Then [c2] CF[r2] = 0,9 r3: If [e3] Then [c2] CF[r3] = 0,7 r4: If [e4] Then [c3] CF[r4] = 0,6 r5: If [NOT e5] Then [c3] CF[r5] = 0,5 r6: If [c2 AND c3] Then [c4] CF[r6] = 0,9 r7: If [c1 OR c4] Then [c5] CF[r7] = 0,8
Bảng luật này tạo thành mạng suy diễn ở hình 3.1 với c5 là giả thuyết cần hướng đến.

Hình 3.1. Mạng suy diễn

Lập luận trên mạng suy diễn

Giả sử các chứng cớ e1, e2, e3, e4, e5 có độ đo chắc chắn như sau:
CF[e1] = 0,9 CF[e2] = 0,9 CF[e3] = -0,3 CF[e4] = 0,4 CF[e5] = -0,3

Lập luận trên mạng suy diễn [tiếp]

Chúng ta sẽ lập luận từ các CF của chứng cứ dần lên giả thuyết c5 như sau:
Dựa vào luật r1 tính được CF[c1]:
CF[c1] = CF[e1] * CF[r1] = 0,8*0,9 = 0,72
Dựa vào luật r2, r3 tính được CF[c2]
Với luật r2: CF[c2] = CF[e2] * CF[r2] = 0,9 * 0,9 = 0,81
Với luật r3: CF[c2] = CF[e3] * CF[r3] = -0,3 * 0,7 = -0,21
Do CF[c2] của r2 trái dấu với CF[c2] của r3, nên: CF[c2]tổng = [0,81 + [-0,21]] / [1-MIN [0,81, 0,21]] = 0,74

Lập luận trên mạng suy diễn [tiếp]

Dựa vào luật r4, r5 ta tính được CF[c3]
Với luật r4:
CF[c3] = CF[e4] * CF[r4] = 0,4 * 0,6 = 0, 24
Với luật r5:
CF[c3] = CF[NOT e5]*CF[r5] = -CF[e5]*CF[r5] = 0,3*0,5 = 0,15
Do CF[c3] của r4 và CF[c3] của r5 cùng dương nên CF[c3]tổng = 0,24 + 0,15 – 0, 24 * 0, 15 = 0,354
Dựa vào luật r6 ta tính đươc CF[c4]:
CF[c4] = MIN[CF[c2], CF[c3]] * CF[r6] = MIN[0,74, 0,354] * 0,9 = 0,354 * 0,9 = 0,3186
Dựa vào luật r7 ta tính được CF[c5]
CF[c5] = MAX[CF[c1], CF[c4]] * CF[r7] = MAX[0,72, 0,3186] * 0,8 = 0,576
Như thế độ chắc chắn của giả thuyết c5 là 0,576.

Chương 4 Hệ học

4.1 MỞ ĐẦU
Các chương trước đã thảo luận về biểu diễn và suy luận tri thức. Trong trường hợp này giả định đã có sẵn tri thức và có thể biểu diễn tường minh tri thức.
Tuy vậy trong nhiều tinh huống, sẽ không có sẵn tri thức như:
* –Kỹ sư tri thức cần thu nhận tri thức từ chuyên gia lĩnh vực.
- –Cần biết các luật mô tả lĩnh vực cụ thể.
- –Bài toán không được biểu diễn tường minh theo luật, sự kiện hay các quan hệ.
Có hai tiếp cận cho hệ thống học:
* –Học từ ký hiệu: bao gồm việc hình thức hóa, sửa chữa các luật tường minh, sự kiện và các quan hệ.
- –Học từ dữ liệu số: được áp dụng cho những hệ thống được mô hình dưới dạng số liên quan đến các kỹ thuật nhằm tối ưu các tham số. Học theo dạng số bao gồm mạng Neural nhân tạo, thuật giải di truyền, bài toán tối ưu truyền thống. Các kỹ thuật học theo số không tạo ra CSTT tường minh.

4.2 CÁC HÌNH THỨC HỌC

1. 1. Học vẹt: Hệ tiếp nhận các khẳng định của các quyết định đúng. Khi hệ tạo ra một quyết định không đúng, hệ sẽ đưa ra các luật hay quan hệ đúng mà hệ đã sử dụng. Hình thức học vẹt nhằm cho phép chuyên gia cung cấp tri thức theo kiểu tương tác. 2. Học bằng cách chỉ dẫn: Thay vì đưa ra một luật cụ thể cần áp dụng vào tình huống cho trước, hệ thống sẽ được cung cấp bằng các chỉ dẫn tổng quát. Ví dụ: "gas hầu như bị thoát ra từ van thay vì thoát ra từ ống dẫn". Hệ thống phải tự mình đề ra cách biến đổi từ trừu tượng đến các luật khả dụng. 3. Học bằng qui nạp: Hệ thống được cung cấp một tập các ví dụ và kết luận được rút ra từ từng ví dụ. Hệ liên tục lọc các luật và quan hệ nhằm xử lý từng ví dụ mới.

4.2 CÁC HÌNH THỨC HỌC [Tiếp]

1. 4. Học bằng tương tự: Hệ thống được cung cấp đáp ứng đúng cho các tác vụ tương tự nhưng không giống nhau. Hệ thống cần làm thích ứng đáp ứng trước đó nhằm tạo ra một luật mới có khả năng áp dụng cho tình huống mới. 5. Học dựa trên giải thích: Hệ thống phân tích tập các lời giải ví dụ [và kết quả] nhằm ấn định khả năng đúng hoặc sai và tạo ra các giải thích dùng để hướng dẫn cách giải bài toán trong tương lai. 6. Học dựa trên tình huống: Bất kỳ tính huống nào được hệ thống lập luận đều được lưu trữ cùng với kết quả cho dù đúng hay sai. Khi gằp tình hướng mới, hệ thống sẽ làm thích nghi hành vi đã lưu trữ với tình huống mới. 7. Khám phá hay học không giám sát: Thay vì có mục tiêu tường minh, hệ khám phá liên tục tìm kiếm các mẫu và quan hệ trong dữ liệu nhập. Các ví dụ về học không giám sát bao gồm gom cụm dữ liệu, học để nhận dạng các đặc tính cơ bản như cạnh từ các điểm ảnh.

Ví dụ về CÁC HÌNH THỨC HỌC

Ví dụ:
-Hệ MYCIN
-Mạng Neural nhân tạo
-Thuật toán học Quinland
-Bài toán nhận dạng
-Máy chơi cờ carô, cờ tướng

4.3 THUẬT GIẢI Quinlan

-Là thuật toán học theo quy nạp dùng luật, đa mục tiêu.
-Do Quinlan đưa ra năm 1979.
-Ý tưởng: Chọn thuộc tính quan trọng nhất để tạo cây quyết định.
-Thuộc tính quan trọng nhất là thuộc tính phân loại Bảng quan sát thành các bảng con sao cho từ mỗi bảng con này dễ phân tích để tìm quy luật chung.

4.3.1 THUẬT GIẢI A. Quinlan

STT
Size
Nationality
Family
Conclusion
1
Small
German
Single
A
2
Large
French
Single
A
3
Large
German
Single
A
4
Small
Italian
Single
B
5
Large
German
Married
B
6
Large
Italian
Single
B
7
Large
Italian
Married
B
8
Small
German
Married
B

Với mỗi thuộc tính của bảng quan sát:

Xét vector V: có số chiều bằng số phân loại
* –V[Size=Small] \= [ASmall, BSmall]
- –ASmall\=Số quan sát A có Size là Small / Tổng số quan sát có Size=Small
- –BSmall\= Số quan sát B có Size là Small / Tổng số quan sát có Size=Small
* 1. V[Size=Small] \= [1/3 , 2/3]
```
     V[Size=Large] \= [2/5 , 3/5]
```
Với thuộc tính Nationality
* 1. V[Nat = German]\= [2/4 , 2/4] V[Nat = French] \= [1 , 0] V[Nat = Italian] \= [0/3,3/3]=[0 , 1]
Thuộc tính Family:
* 1. V[Family=Single] \= [3/5 , 2/5] V[Family = Married] \= [0/3,3/3]=[0, 1]

Với mỗi thuộc tính của bảng quan sát:

STT
Size
Family
Conclusion
1
Small
Single
A
2
Large
Single
A
3
Large
Married
B
4
Small
Married
B

Với mỗi thuộc tính của bảng quan sát[tiếp]

Thuật giải: Học theo độ bất định

Stt
Age
Competition
Type
Profit
1
Old
No
Software
Down
2
Midle
Yes
Software
Down
3
Midle
No
Hardware
Up
4
Old
No
Hardware
Down
5
New
No
Hardware
Up
6
New
No
Software
Up
7
Midle
No
Software
Up
8
New
Yes
Software
Up
9
Midle
Yes
Hardware
Down
10
Old
Yes
Hardware
Down

Học theo độ bất định[tiếp]

Độ bất định của X:
Tính Entropy cho mỗi thuộc tính và chọn thuộc tính có Entropy nhỏ nhất.

E [ X ] = − ∑ i = 1 k p i log 2 p i

E [ C / A ] = − ∑ i = 1 k p [ c i , a i ] log 2 p [ c i , a i ] E [ C / Competition = No ] = − 4 6 log 2 4 6 − 2 6 log 2 2 6 = 0 . 918 E [ C / Competition = Yes ] = − 1 4 log 2 1 4 − 3 4 log 2 3 4 = 0 . 811 E [ C / Competition ] = 0 . 6 ∗ 0 . 918 + 0 . 4 ∗ 0 . 811 = 0 . 8752 −

Học theo độ bất định[tiếp]

Tương tự:
E[C/Age] = 0.4 E[C/Type] = 1
Age cho nhiều thông tin nhất

STT
Competition
Type
Profit
1
Yes
Software
Down
2
No
Hardware
Up
3
No
Software
Up
4
Yes
Hardware
Down

Học theo độ bất định[tiếp]

4.4 THUẬT GIẢI ILA[Inductive Learning Algorithm]

Xác định dữ liệu 1. Tập mẫu được liệt kê trong một bảng, với mỗi dòng tương ứng một mẫu, và mỗi cột thể hiện một thuộc tính trong mẫu. 2. Tập mẫu có m mẫu, mỗi mẫu gồm k thuộc tính và có một thuộc tính quyết định. Tổng số n các giá trị của thuộc tính quyết định chính là số lớp của tập mẫu. 3. Tập luật R có giá trị khởi tạo là  4. Tất cả các dòng trong bảng ban đầu chưa được đánh dấu [kiểm tra].

4.4 THUẬT GIẢI ILA[tiếp]

Bước 1: Chia bảng m mẫu ban đầu thành n bảng con. Mỗi bảng con ứng với một giá trị của thuộc tính phân lớp của tập mẫu.
[* thực hiện các bước 2 đến 8 cho mỗi bảng con*]
Bước 2: Khởi tạo biến đếm kết hợp thuộc tính j, j=1.
Bước 3: Với mỗi bảng con đang khảo sát, phân chia danh sách các thuộc tính theo các tổ hợp phân biệt, mỗi tổ hợp ứng với j thuộc tính phân biệt.
Bước 4: Với mỗi tổ hợp các thuộc tính, tính số lượng các giá trị thuộc tính xuất hiện theo cùng tổ hợp thuộc tính trong các dòng chưa được đánh dấu của bảng con đang xét [mà đồng thời không xuất hiện với tổ hợp thuộc tính này trên các bảng còn lại]. Gọi tổ hợp đầu tiên [trong bảng con] có số lần xuất hiện nhiều nhất là tổ hợp lớn nhất.

4.4 THUẬT GIẢI ILA[tiếp]

Bước 5: Nếu tổ hợp lớn nhất bằng , tăng j lên 1 và quay lại bước 3.
Bước 6: Đánh dấu các dòng thoả tổ hợp lớn nhất của bảng con đang xử lý theo lớp.
Bước 7: Thêm luật mới vào tập luật R, với vế trái là tập các giá trị của thuộc tính ứng với tổ hợp lớn nhất [kết hợp các thuộc tính bằng toán tử AND] và vế phải là giá trị thuộc tính quyết định tương ứng.
Bước 8: Nếu tất cả các dòng đều đã được đánh dấu phân lớp, tiếp tục thực hiện từ bước 2 cho các bảng con còn lại. Ngược lại [nếu chưa đánh dấu hết các dòng] thì quay lại bước 4. Nếu tất cả các bảng con đã được xét thì kết thúc, kết quả thu được là tập luật cần tìm.

Minh họa thuật giải ILA

Mẫu số
Size
Color
Shape
Decision
1
medium
blue
brick
yes
2
small
red
wedge
no
3
small
red
sphere
yes
4
large
red
wedge
no
5
large
green
pillar
yes
6
large
red
pillar
no
7
large
green
sphere
yes

Minh họa thuật giải ILA[tiếp]: Bước 1

Bảng con 1
Mẫu số cũ, mới
Size
Color
Shape
Decision
1 1
medium
blue
brick
yes
3 2
small
red
sphere
yes
5 3
large
green
pillar
yes
7 4
large
green
sphere
yes
Bảng con 2
Mẫu số cũ mới
Size
Color
Shape
Decision
2 1
small
red
wedge
no
4 2
large
red
wedge
no
6 3
large
red
pillar
no

Minh họa thuật giải ILA[tiếp]

Minh họa thuật giải ILA[tiếp]

Minh họa thuật giải ILA[tiếp]

Minh họa thuật giải ILA[tiếp]

Minh họa thuật giải ILA[tiếp]

Chương 5: Hệ thống mờ cho các biến liên tục

5.1 Các khái niệm về Logic mờ

A = ∑ x ∈ U μ A [ x ] x

A = 0 . 3 a + 0 . 5 b + 0 c + 0 . 7 d

5.1 Các khái niệm về Logic mờ[tiếp]

A = ∫ x ∈ U μ A [ x ] x dx

μ A [ x ] = e − [ x-2 ] 2 A = ∫ x ∈ U e − [ x-2 ] 2 x dx

5.1 Các khái niệm về Logic mờ[tiếp]

5.2 Các dạng của hàm thành viên

Các hàm thành viên của tập mờ có 3 dạng cơ bản là: dạng tăng, dạng giảm và dạng chuông
Dạng S tăng
Hình 4.2. Hàm S tăng
b] Dạng S giảm
c] Dạng hình chuông
Hình 4.3. Hàm dạng chuông

5.3 Biến ngôn ngữ [Linguistic Variable]

Logic mờ liên quan đến lập luận trên các thuật ngữ mờ và mơ hồ trong ngôn ngữ tự nhiên của con người.
Biến nhận các từ trong ngôn ngữ tự nhiên làm giá trị gọi là biến ngôn ngữ.
Biến ngôn ngữ được xác định bởi bộ bốn [x, T, U, M]:
* –X là tên biến. Ví dụ: “nhiệt độ”, “tốc độ”, “áp suất”, ...
- –T là tập các từ [các giá trị ngôn ngữ] mà x có thể nhận. Ví dụ: x là “tốc độ” thì T có thể là T={chậm, vừa, nhanh}
- –U là miền giá trị mà x có thể nhận. Ví dụ, nếu x là “tốc độ” của xe máy thì U=[0 .. 120 km/h]
- –M là luật ngữ nghĩa, ứng với mỗi từ tT với một tập mờ A.

5.4 Biến ngôn ngữ [tiếp]

Biến ngôn ngữ
Các giá trị điển hình
Nhiệt độ Độ cao Tốc độ
Nóng, lạnh Thấp, trung bình, cao Chậm, vừa, nhanh

5.5 Gia tử

Gia tử làm mơ hồ thêm các câu như: rất, hơi, có vẻ, ...
1. Rất:Rất[A] [x] = [A[x]]2 Ví dụ: Tập mờ gồm những người rất cao 2. Co giãn / một ít:Co giãn [A] [x] = [A[x]]0.5 Ví dụ: A là tập những người tầm thước thì Co giãn A là tập những người thiên về cao và thấp trong những người tầm thước.
Nhấn mạnh/ thực sự là: Nhấn mạnh[A] [x] = 2[A[x]]2nếu 0 A[x]  0.5 Nhấn mạnh[A] [x] = 1-2[1-A[x]]2nếu 0.5 A[x]  1 Ví dụ: Sau khi dùng phép toán này với tập mờ cao ta được tập những ngườii thực sự cao 4. Mạnh mẽ / rất rất:Rất rất[A] [x] = [A[x]]n Ví dụ: Sau khi dùng phép toán này với tập mờ cao ta được tập những ngườii thực sự cao

5.6 Các phép toán trên tập mờ

Cho ba tập mờ A, B , C với A[x], B [x], C[x]
C=A  B: C[x] = min[A[x], B [x]]
C=A  B : C[x] = max[A[x], B [x]]
C= A : C[x] = 1- A[x]
Xét tập mờ “cao” và “thấp” về chiều cao của người: Cao = 0.0/1.5 + 0.2/1.55 + 0.5/1.60 + 0.8/1.65 + 1.0/1.70 Thấp = 1.0/1.5 + 0.8/1.55 + 0.5/1.60 + 0.2/1.65 + 0.0/1.70
Cao  Thấp [x] = 0.0/1.5 + 0.2/1.55 + 0.5/1.60 + 0.2/1.65 + 0.0/1.70
Dùng để chỉ những người tầm thước: giá trị cao nhất ở giữa tập, thấp nhất ở 2 bên
Cao  Thấp [x] = 1.0/1.5 + 0.8/1.55 + 0.5/1.60 + 0.8/1.65 + 1.0/1.70
Dùng để chỉ những người không tầm thước
Cao [x] = 1.0/1.5 + 0.8/1.55 + 0.5/1.60 + 0.2/1.65 + 0.0/1.70
Dùng để chỉ những người không cao hay tầm thước hay thấp.

5.7 Suy diễn mờ

5.7.1 Nhân ma trận vector mờ

5.7.2 Suy diễn Max-Min [Tìm ma trận M]

5.7.3 Suy diễn Tích cực đại [Tìm ma trận M]

x 0 = ∫ U xμ A [ x ] dx ∫ U μ A [ x ] dx

5.8 NGUYÊN LÝ XỬ LÝ BÀI TOÁN MỜ[tiếp]

Ví dụ: Giải bài toán điều khiển tự động mờ cho hệ thống bơm nước lấy nước từ giếng.

H.Đầy
H.Lưng
H.Cạn
N.Cao
0
B.Vừa
B.Lâu
N.Vừa
0
B.Vừa
B.HơiLâu
N.Ít
0
0
0

Ví dụ [tiếp]

Ví dụ [tiếp]

Ví dụ [tiếp]

∫ U μ C [ z ] dz

∫ U zμ C [ z ] dz

z 0 = ∫ U zμ C [ z ] dz ∫ U μ C [ z ] dz = 8 . 15

x 0 = ∫ U xμ A [ x ] dx ∫ U μ A [ x ] dx = ∫ U x ∑ i = 1 n μ U i [ x ] dx ∫ U ∑ i = 1 n μ U i [ x ] dx = ∑ i = 1 n ∫ U xμ U i [ x ] dx ∑ i = 1 n ∫ U μ U i [ x ] dx

Tính các tích phân

Chương 6: Công cụ tạo lập Hệ CSTT

Hệ CSTT gồm 3 thành phần sau:
1.Bộ tạo lập cơ sở tri thức: bảo đảm các tính chất:
* Nhất quán
- Không mâu thuẫn
- Không dư thừa dữ liệu
- Cập nhật dễ dàng
2. Bộ tạo động cơ suy diễn
* Với mỗi cách biểu diễn tri thức cần có chiến lược suy diễn tương ứng
- Tạo thuận tiện cho bộ phận giải thích
3. Bộ tạo các giao diện:
* Cung cấp khả năng tạo giao diện với người sử dụng.

Công cụ tạo lập Hệ CSTT

6.1 Soạn thảo tri thức Các chức năng cơ bản của hệ soạn thảo tri thức:
* -Cho phép soạn thảo các sự kiện, các luật.
- -Đưa ra phạm vi tri thức cần thu nạp.
- -Lên danh sách các giá trị cần thiết cho mỗi đối tượng.
- -Kiểm tra sự đúng đắn của các luật đưa vào.
- -Kiểm tra sự trùng lặp khi bổ sung tri thức.
- -Cho phép sửa đổi, huỷ bỏ tri thức.
Hệ soạn thảo tri thức làm việc trên cơ sở ngôn ngữ gốc:
* –Ngôn ngữ tự nhiên.
- –Ngôn ngữ hình thức.

6.1 Soạn thảo tri thức [tiếp]

16.Soạn thảo các luật bằng ngôn ngữ tự nhiên với cú pháp hạn chế.
Ví dụ:
-IF chất lỏng có độ PH fsau THEN Chọn Suy diễn tiến Luật 2: IF fTrước < fsau THEN Chọn Suy diễn lùi

6.4 Cơ chế điều khiển[tiếp]

1. Luật 3: IF [fTrước \= fsau] AND [fGTfKL] THEN Chọn Suy diễn lùi Luật 5: IF [fTrước \= fsau] AND [fGT \=fKL] THEN IF Người thiết kế muốn Chọn Suy diễn tiến THEN Chọn Suy diễn tiến ELSE Chọn Suy diễn lùi
1. Ghi chú: Thay vì dùng fTrước và fSau ta có thể sử dụng f’Trước\= Số luật trung bình sử dụng cho các sự kiện giả thiết và f’Sau\= Số luật trung bình sử dụng cho các sự kiện kết luận

6.4.2 Giải quyết vấn đề cạnh tranh

21.Vấn đề cạnh tranh trong suy diễn tiến:
r1:left1q1 , r2:left2 q2 , left1 F, left2F và
lọc[F,R]2
Vấn đề: Làm thế nào để chọn 1 luật r trong số các luật có thể áp dụng được bởi lọc[F,R]? Giải pháp 1: Tổ chức các luật có thể sử dụng được thành Queue Giải pháp 2: Tổ chức các luật có thể sử dụng được thành Stack Giải pháp 3: Dùng Heuristic: Dùng hàm ước lượng đánh giá liên hệ giữa KL và vế phải của các luật.

Cạnh tranh trong suy diễn tiến

Giải pháp 4: Dùng đồ thị FPG [Fact Precedence Graph]: Sự kiện fi là trước sự kiện fj [fifj] nếu fj là kết quả của luật rk nào đó có chứa fi ở vế trái, nghĩa là: fifj rk: fi leftk fj \=Rightk
1. Chọn luật có chiều dài đường đi đến kết luận là ngắn Ví dụ: Rule ={r1:a b, r2:a c, r3:a b c d, r4:db e, r5:bf, r6:c g}
Hỏi: a  e, ta có h[r1,e]=1, h[r2,e]=2 Chon r1

Cạnh tranh trong suy diễn tiến[tiếp]

Giải pháp 5: Dùng đồ thị RPG [Rule Precedence Graph]: Luật ri là trước luật rj [rirj] nếu tồn tại sự kiện f sao cho: ri: leftf và rj: ... f ... q Hàm ước lượng chọn h[r,rKL] là nhỏ nhất Rule ={r1:a b, r2:a c, r3:a b c d, r4:db e, r5:bf, r6:c g} Hỏi: a  e, h[r1,r4]=1, h[r2,r4]=2 Chọn r1

Cạnh tranh trong suy diễn lùi

Cạnh tranh trong suy diễn lùi xảy ra khi: Với sự kiện f có tồn tại ít nhất 2 luật có f ở vế phải: r1: left1 f và r2: left2 f Giải pháp 1: Nếu i

lọc[F,R]2

Bài Viết Liên Quan

Toplist mới

Bài mới nhất

Chủ Đề