|
|
Automatické ladění vah pravidlových bází znalostí
Valenta, Jan ; Pokorný, Miroslav (oponent) ; Zbořil, František (oponent) ; Jirsík, Václav (vedoucí práce)
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.
|
|
|
Proceedings of the 11th Workshop on Uncertainty Processing
Kratochvíl, Václav ; Vejnarová, Jiřina
The Workshop on Uncertainty Processing, better known under its abbreviation WUPES, celebrates its 30-year anniversary this year. In 1988, when the first Workshop took place, Czechoslovakia was still a communist country and a part of the Soviet bloc. Since then, many things have changed. For example, Czechoslovakia no longer exists as a country (because in 1993 it was peacefully split into two independent countries - Czechia and Slovakia). From this perspective, it is hard to believe that we have several participants who have attended most workshops in the the thirty-year history of WUPES. As of now, the Program Committee has accepted, based on the extended abstracts, 21 papers to be presented at the Workshop, and 19 out of them are to be published in the present Conference Proceedings. These papers cover diverse topics, such as information processing, decision making, and data analysis, but what is common to most of them is that they are related to uncertainty calculus - Bayesian Networks, Dempster-Shafer Theory, Belief Functions, Probabilistic Logic, Game Theory, etc.
|
|
|
Automatické ladění vah pravidlových bází znalostí
Valenta, Jan ; Pokorný, Miroslav (oponent) ; Zbořil, František (oponent) ; Jirsík, Václav (vedoucí práce)
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.
|
|
| |
|
| |
|
| |
|
|
Possibilistic Laws of Large Numbers
Kramosil, Ivan
We consider sequences of samples defined on spaces endowed by a possibilistic measure, looking for relatively small sets of such sequences which are important or interesting, in a sense, and which occur with possibility degree equal to one or tending to one with the length of the sample sequence increasing.
|
|
| |
host ::
RSS.