Статья

Название статьи ИЗВЛЕЧЕНИЕ АТРИБУТОВ ИЗ ГРАФОВ С ИСПОЛЬЗОВАНИЕМ ФУНКЦИОНАЛОВ МЕХАНИСТИЧЕСКОЙ АНАЛОГИИ ДЛЯ ЭКСПЕРТНЫХ СИСТЕМ
Автор А.Н. Целых, В.С. Васильев, Л.А. Целых
Рубрика РАЗДЕЛ IV. АНАЛИЗ ДАННЫХ И УПРАВЛЕНИЕ ЗНАНИЯМИ
Месяц, год 08, 2016
Индекс УДК 004.891.2
DOI 10.18522/2311-3103-2016-8-122137
Аннотация В данной работе мы представляем новый подход для развития базы знаний продукционной экспертной системы (ЭС) на основе свойств причинно-следственных отношений между атрибутами логического вывода. Предлагается использовать нечеткие когнитивные карты, представляющие собой нечеткие ориентированные взвешенные знаковые гра-фы с циклами обратной связи, как базу для генерации набора антецедентов и консеквентов нечетких правил ЭС, основанной на механизме нечеткого логического вывода. Полученная на этой основе база знаний использует системные качества для повышения интеллектуальности логического вывода. Современные графы имеют высокую степень размерности и многочисленные циклы, что значительно затрудняет эвристическое определение атрибутов логического вывода. Проблема коррекции коэффициентов передачи обратных связей разрешается путем приведения матрицы смежности (насколько это возможно) к верхнему (или нижнему) треугольному виду с использованием квадратичных функционалов механистической аналогии (барьерного штрафа и «инверсных»). Первый тип функционалов является знакоопределенным, выпуклым, поэтому процесс минимизации имеет единствен-ное решение, достижимое любыми методами 0-го и 1-го порядка. Функционалы второго типа являются неограниченными, но, поскольку производится постоянное отображение действительнозначного решения на целочисленные перестановки, то задача также имеет решение, достижимое теми же методами. Представлен алгоритм минимизации функционала методом попарных сравнений. Показано, что алгоритм является вычислительно эффективным, соответствующим O(n3) затрат. Проведена серия вычислительных экспериментов для анализа и сравнения качества получаемых решений, а также обоснования вы-бора лучшего функционала. Эксперимент показал эффективность для матриц размером 103х103, а для матриц очень большой размерности (Big Data) потребует решения проблема накопления ошибок округления при вычислениях с плавающей точкой. Произведена оценка семи типов функционалов механистической аналогии на основе критериев реализуемости, производительности, результативности и применимости для предметной области. Описан подход, заключающийся в последовательной трансформации исходной матрицы не-четкой графовой модели с использованием двух типов функционалов качества, что позволяет генерировать атрибуты продукционной ЭС.

Скачать в PDF

Ключевые слова Экспертные системы; ориентированные знаковые взвешенные циклические графы; функционалы на основе механистической аналогии.
Библиографический список 1. Gaines B.R., Shaw M.L.G. Eliciting Knowledge and Transferring it Effectively to a Knowledge-Based System // In: IEEE Trans. Knowl. Data Eng. IEEE Press, New York, 1993. – No. 5 (1). – P. 4-14
2. Nasuti F.W. Knowledge Acquisition Using Multiple Domain Experts in the Design and Devel-opment of an Expert System for Disaster Recovery Planning. Doctoral Thesis Proposal. Nova Southeastern University, 2000. – 206 с.
3. Feigenbaum E.A. The Art of Artificial Intelligence: Themes and Case Studies of Knowledge Engineering // In Proceedings Fifth International Joint Conference on Artificial Intelligence, Morgan Kaufmann, Los Altos, CA, 1977. – P. 1014-1029.
4. Hayes-Roth F., Waterman D.A.D., Lenat B. Building Expert Systems. – London: Addison-Wesley, 1983. – 444 с.
5. Bing W., Chenyan Z. Dynamics of Knowledge Acquisition via E-Learning Community. JCIT 8.
– 2013. – P. 168-175.
6. Kadhim M.A., Alam M.A., Kaur H. A Multi-intelligent Agent Architecture for Knowledge Extraction: Novel Approaches for Automatic Production Rules Extraction // J. IJMUE. – 2014. – No. 9 (2). – P. 95-114.
7. Henry N., Fekete J.-D. Matrix Explorer: A Dual Representation System to Explore Social Networks // IEEE Trans Vis Comput graph. – 2006. – No. 12 (5). – P. 677-684.
8. Кормен Т., Лейзерсон Ч., Ривест Рональд, Штайн К. Алгоритмы, построение и анализ. – М.: Вильямс, 2005. – 1296 c.
9. Горбатов В.А., Смирнов М.И., Хлытчиев И.С. Логическое управление распределенными системами. – М.: Энергоатомиздат, 1991. – 287 с.
10. Кофман А. Введение в теорию нечетких множеств. – М.: Радио и связь, 1982. – 432 с.
11. Newman M.E.J. Finding community structure in networks using eigenvectors of matrices // Physical Review E. – 2006. – No. 74 (3).
12. Blondel V.D., Guillaume J.-L., Lambiotte R., Lefebvre E. Fast unfolding of communities in large networks // J. Stat. Mech. Theory and Experiment. – 2008. – No. 10.
13. Pons P., Latapy M. Computing communities in large networks using random walks // JGAA.
– 2006. – No. 10 (2). – P. 191-218.
14. Ye Y., Jiang Z., Diao X., Du G. Extended event-condition-action rules and fuzzy Petri nets based exception handling for workflow management // Expert Syst. Appl. – 2011. – No. 38 (9). – P. 10847-10861
15. Girvan V., Newman M.E.J. Community structure in social and biological networks // Proceedings of the National Academy of Sciences USA. – 2002. – No. 99 (12). – P. 7821-7826.
16. Zhang L., Du W., Song J.-J., Xiang H.-Y. Traffic assignment method based on dynamic fuzzy control and fuzzy decision making. Jiaotong Yunshu Gongcheng Xuebao // J. Traffic Trans-portation Engineering. – 2010. – No. 10 (3). – P. 110-117.
17. Kristianto Y., Gunasekaran A., Helo P., Hao Y. A model of resilient supply chain network design: A two-stage programming with fuzzy shortest path // Expert Syst. Appl. – 2014.
– No. 41 (1). – P. 39-49.
18. Radhavan U.N., Albert R., Kumara S. Near linear time algorithm to detect community structures in large-scale networks // Physical Review E. – 2007. – No. 76 (3).
19. Goyal S., Grover S. A fuzzy multi attribute decision making approach for evaluating effective-ness of advanced manufacturing technology - in Indian context // IJPQM. – 2013. – No. 11 (2). – P. 150-178.
20. Hipel K.W., Kilgour D.M., Bashar A.M. Fuzzy preferences in multiple participant decision making // J. Scientia Iranica. – 2011. – No. 18 (3). – P. 627-638.
21. Tselykh A., Vasilev V., Tselykh L. Fuzzy graphs clustering with quality relations functionals in cognitive models // Proceedings of the First International Scientific Conference “Intelligent In-formation Technologies for Industry” (IITI’16); series “Advances in Intelligent Systems and Computing”, Series Vol. 450. – 2016. – Vol. 1. – P. 349-360.

Comments are closed.