Název:
Automatické ladění vah pravidlových bází znalostí
Překlad názvu:
Automated Weight Tuning for Rule-Based Knowledge Bases
Autoři:
Valenta, Jan ; Pokorný, Miroslav (oponent) ; Zbořil, František (oponent) ; Jirsík, Václav (vedoucí práce) Typ dokumentu: Disertační práce
Rok:
2009
Jazyk:
cze
Nakladatel: Vysoké učení technické v Brně. Fakulta elektrotechniky a komunikačních technologií
Abstrakt: [cze][eng]
Předložená disertační práce představuje nové možnosti automatizované tvorby a ladění bází znalostí informačních a expertních systémů. Práce je rozdělena na dvě navazující části. První část se věnuje existujícímu expertnímu systému NPS32 vyvinutému na Fakultě elektrotechniky a komunikačních technologií, Vysokého učení technického v Brně. Matematický aparát tohoto systému je založen na vyjádření neurčitosti pravidel dvěma hodnotami, čímž rozšiřuje informační schopnosti báze o hodnoty nepřítomnosti informace a sporu v bázi znalostí. Program byl doplněn učícím algoritmem nastavujícím váhy pravidel v bázi znalostí pomocí diferenciálního evolučního algoritmu za pomoci vzorů získaných od experta. Vzory představují reakci systému na data vložená uživatelem. Uvedený učící algoritmus je omezen pouze na jednovrstvé báze znalostí. V práci je uveden formální důkaz nemožnosti použití matematického aparátu expertního systému NPS32 pro učení vícevrstvých bází znalostí gradientními metodami. Druhá část práce se věnuje učícímu algoritmu pro realizaci vícevrstvé pravidlové báze znalostí. Báze znalostí je založena na specifickém modelu pravidla ohodnoceného neurčitostí vyjadřující míru informačního přínosu pravidla. Jako algoritmus učení nastavující váhy jednotlivých pravidel ve struktuře báze je použit modifikovaný algoritmus back propagation přepracovaný pro použití s danou strukturou báze a modelem pravidla. Pro účely testování a ověření učícího algoritmu ladění báze znalostí byl vytvořen expertní systém RESLA v jazyce C#. V tomto expertním systému byla vytvořena báze znalostí z oblasti medicíny k ověření učících schopností algoritmu pro složité báze znalostí. Báze znalostí tvoří diagnostiku poruch srdečního rytmu na základě parametrů získaných z průběhu EKG (elektrokardiogramu). Za účelem srovnání s již existujícími bázemi znalostí tvořenými expertem a znalostním inženýrem byl program srovnáván s profesionálně odladěnou bází znalostí z oblasti zemědělství. Bázi zde tvoří systém na podporu rozhodování při výběru vhodné odrůdy pšenice ozimé pro pěstování v různých prostředích. Tato disertační práce řeší zásadní zrychlení tvorby bází znalostí při zachování všech výhod, která plynou z použití pravidel. Oproti současným řešením založeným na neuronových sítích je stávající algoritmus pro ladění bází znalostí rychlejší a jednodušší, neboť nevyžaduje extrakci pravidel z jiného typu báze znalostí.
This dissertation thesis introduces new methods of automated knowledge-base creation and tuning in information and expert systems. The thesis is divided in the two following parts. The first part is focused on the legacy expert system NPS32 developed at the Faculty of Electrical Engineering and Communication, Brno University of Technology. The mathematical base of the system is expression of the rule uncertainty using two values. Thus, it extends information capability of the knowledge-base by values of the absence of the information and conflict in the knowledge-base. The expert system has been supplemented by a learning algorithm. The learning algorithm sets weights of the rules in the knowledge base using differential evolution algorithm. It uses patterns acquired from an expert. The learning algorithm is only one-layer knowledge-bases limited. The thesis shows a formal proof that the mathematical base of the NPS32 expert system can not be used for gradient tuning of the weights in the multilayer knowledge-bases. The second part is focused on multilayer knowledge-base learning algorithm. The knowledge-base is based on a specific model of the rule with uncertainty factors. Uncertainty factors of the rule represents information impact ratio. Using a learning algorithm adjusting weights of every single rule in the knowledge base structure, the modified back propagation algorithm is used. The back propagation algorithm is modified for the given knowledge-base structure and rule model. For the purpose of testing and verifying the learning algorithm for knowledge-base tuning, the expert system RESLA has been developed in C#. With this expert system, the knowledge-base from medicine field, was created. The aim of this knowledge base is verify learning ability for complex knowledge-bases. The knowledge base represents heart malfunction diagnostic base on the acquired ECG (electrocardiogram) parameters. For the purpose of the comparison with already existing knowledge-basis, created by the expert and knowledge engineer, the expert system was compared with professionally designed knowledge-base from the field of agriculture. The knowledge-base represents system for suitable cultivar of winter wheat planting decision support. The presented algorithms speed up knowledge-base creation while keeping all advantages, which arise from using rules. Contrary to the existing solution based on neural network, the presented algorithms for knowledge-base weights tuning are faster and more simple, because it does not need rule extraction from another type of the knowledge representation.
Klíčová slova:
báze znalostí; diagnostické systémy; Expertní systém; extrakce pravidel; ladění vah pravidel báze znalostí; pravidla; tvorba báze znalostí; zpracování neurčitosti; diagnostic systems; Expert system; knowledge-base; knowledge-base creation; rule extraction; rules; uncertainty processing; weight tuning for rule-based knowledge-bases
Instituce: Vysoké učení technické v Brně
(web)
Informace o dostupnosti dokumentu:
Plný text je dostupný v Digitální knihovně VUT. Původní záznam: http://hdl.handle.net/11012/4424
host ::
