назад Оглавление вперед


[Старт] [1] [2] [3] [4] [5] [6] [7] [8] [9] [10] [11] [12] [13] [14] [15] [16] [17] [18] [19] [20] [21] [22] [23] [24] [25] [26] [27] [28] [29] [30] [31] [32] [33] [34] [35] [36] [37] [38] [39] [ 40 ] [41] [42] [43] [44] [45] [46] [47] [48] [49] [50] [51] [52] [53] [54] [55] [56] [57] [58] [59] [60] [61] [62] [63] [64] [65] [66] [67] [68] [69] [70] [71] [72] [73] [74] [75] [76] [77] [78] [79] [80] [81] [82] [83] [84] [85] [86] [87] [88] [89] [90] [91] [92] [93] [94] [95] [96] [97] [98] [99] [100] [101] [102] [103] [104] [105] [106] [107] [108] [109] [110]


40

Текущая степень правоты

-►

1{F\ X)

2"

Р{Г, X)

00 о

S\X)

STiX)

Заключение о доказательстве за период

Коэффициент

правоты -►

Рис. 3.2.5. Блок-схема элементарной модели

Доказываемое положение

Блок разбиений

Рекомендации

Блок опыта

Матрица

2 - it

Блок разбиений

Память фактов

Предварительная вероятность факта

Знак факта

Вероятность факта

Знак факта

Рис. 3.2.6. Блок разделения фактов

Структурно блок 1 представлен на рис. 3.2.6.

Блок работает следующим образом. Вводится доказываемое положение, которое разбивается на множество элементарных характеристик. Далее из блока памяти фактов по очереди выбираются все фак-



ты, которые также разбиваются на элементарные характеристики. Элементарные характеристики факта и доказываемого положения сравниваются в матрице. При совпадении или несовпадении каких-либо характеристик матрица указывает число совпавших и не совпавших. Если число совпавших характеристик больше, чем не совпавших, то факт имеет знак (+), и наоборот. В зависимости от числа совпавших и не совпавших характеристик определяется предварительная вероятность факта. Чем больше совпавших характеристик, тем больше вероятность факта, и наоборот.

Например, доказываемое положение и факт разбивались на 100 элементарных характеристик и из них 66 совпали, а 34 не совпали. Тогда знак факта (+) и его предварительная вероятность

0,66 " Z{Ay

где Z{A) - функция выбора способа определения Pi-

Выбор функции Z{A) для определения предварительной вероятности будет зависеть от решаемой задачи. После определения предварительной вероятности факта элементарная модель учитывает рекомендации блока опыта, которые вводятся в машину из каких-то высших соображений, сложность которых выше той, с которой оперирует модель.

Влияние блока опыта на вероятность факта может быть различным: все будет зависеть от конкретной ситуации. Использование блока опыта позволяет увеличить разнообразие (сложность) модели. Количество разнообразия будет зависеть и от числа рассматриваемых фактов (памяти фактов), и от блока опыта. Конкретная разработка блока опыта - одна из важных и сложных задач, ибо этот блок оказывает основное влияние на выбор вероятности факта.

Блоки 2 и 2" (рис. 3.2.5) определяют среднюю мощность фактов по формулам (3.2.10) и (3.2.11).

Блок 3 определяет текущую степень правоты по формулам (3.2.12) и (3.2.13).

Блоки 4 и 4° вычисляют суммарную мощность положительных и отрицательных фактов по формулам (3.2.19).

Блок 5 вычисляет коэффициент правоты по формуле (3.2.18).

Блок 6 дает заключение о доказательстве за период 7\ по формуле (3.2.20).

Таким образом, элементарная модель позволяет получать заключение о доказываемом положении как за период 7\, так и для текущего X.



3.2.4. Большая модель

Параллельное и последовательное соединение элементарных моделей образует большую модель (рис. 3.2.7). Она отвечает шеннонов-скому разбиению событий на классы, каждому классу соответствует свой уровень модели. Основное свойство большой модели - однородность структуры, основной элемент которой - элементарная модель, что обеспечивает возможность неограниченно увеличивать сложность (разнообразие) большой модели путем простого увеличения числа элементарных моделей. Это свойство позволяет большой модели прогрессировать в смысле ответственности за выдаваемые рекомендации и решения. Возможность последовательно переходить от более низкого уровня к более высокому может быть использована для решения сложных задач.

Структура большой модели позволяет ввести обратную связь, например, через вероятности фактов, т.е. можно откорректировать вероятности фактов в зависимости от опыта решения той же задачи в предыдущих случаях. Это свойство позволяет модели быть в известной степени обучающейся. Структура модели может учитывать не только количественную оценку фактов, но и их качественную сторону, которая в данном случае не рассматривается.

Проиллюстрируем работу большой модели на примере.

Рис. 3.2.7. Блок-схема большой модели

[Старт] [1] [2] [3] [4] [5] [6] [7] [8] [9] [10] [11] [12] [13] [14] [15] [16] [17] [18] [19] [20] [21] [22] [23] [24] [25] [26] [27] [28] [29] [30] [31] [32] [33] [34] [35] [36] [37] [38] [39] [ 40 ] [41] [42] [43] [44] [45] [46] [47] [48] [49] [50] [51] [52] [53] [54] [55] [56] [57] [58] [59] [60] [61] [62] [63] [64] [65] [66] [67] [68] [69] [70] [71] [72] [73] [74] [75] [76] [77] [78] [79] [80] [81] [82] [83] [84] [85] [86] [87] [88] [89] [90] [91] [92] [93] [94] [95] [96] [97] [98] [99] [100] [101] [102] [103] [104] [105] [106] [107] [108] [109] [110]