Scientific journal
Modern problems of science and education
ISSN 2070-7428
"Перечень" ВАК
ИФ РИНЦ = 0,940

CHOICE A FORMAL REPRESENTATION KNOWLEDGE IN ONTOLOGY OF WARP KNITTING FABRICS

Кочеткова О.В., Эпов А.А., Казначеева А.А.
In article base models of knowledge representation in intelligent systems are considered. The comparative analysis models of representation is made. Choice a formal representation of knowledge in ontology of warp knitting fabrics is carried out. Keywords: models of knowledge representation, ontology, warp knitting fabrics.

Представление знаний в области проектирования учебно-исследовательских САПР трикотажа основовязаных переплетений (УИ САПР ТОП) - это выражение на некотором формальном языке свойств большого количества различных объектов и закономерностей их отношений, важных для решения следующих задач [1]: 1) исследование методов и приемов художественного конструирования трикотажного полотна; 2) проектирование альтернативных данных для оптимального воспроизведения узора, параметров структуры и свойств трикотажа; 3) опытное воспроизведение трикотажа согласно расчету; 4) подготовка технико-экономической документации и методики автоматизированного управления качеством продукции.

Для повышения эффективности решения поставленных задач и одновременно упрощения компьютерной обработки моделей и компонентов в качестве инструментария для формальной спецификации понятий и отношений, характеризующих определенную область знаний экспертов, нами используется онтологический подход. В инженерии знаний под онтологией понимается детальное описание некоторой предметной области, которое используется для формального и декларативного определения ее концептуализации. Основная задача онтологического подхода состоит в том, чтобы облегчить пользователю поиск информации в большом наборе ресурсов путем систематизации знаний, создания единой иерархии понятий, унификации терминов и правил интерпретации.

На сегодняшний день известен ряд базовых моделей представления знаний и их модификаций. Это - представление с помощью продукционных моделей, исчислений предикатов (формально-логические модели), семантических сетей, фреймов. Анализ этих моделей с точки зрения их дальнейшего использования в построении онтологии ТОП позволяет получить необходимые практические рекомендации для проектирования.

На основании многочисленных исследований [2-6] в табл. 1 произведено сравнение моделей представления знаний по следующим характеристикам: уровень сложности элемента знаний; универсальность для различных предметных областей; естественность и наглядность представления знаний при использовании; размерность модели по объему памяти, необходимому для хранения элемента модели; особенности разработки системы на основе модели.

Таблица 1

Сравнительные характеристики моделей представления знаний 

Виды

моделей

Уровень сложности элемента знаний

Универсальность

Естественность и наглядность

Размерность

Особенности разработки

Продукционные модели

1. Работают с простейшими составляющими знания - факторами и правилами.

2. Ориентированы на простые, однородные и хорошо формализуемые предметные области.

1. Универсальны для разных предметных областей, кроме областей, описывающих специальные знания.

1. Обладают:

а) строгой формой и модульностью;

б) свойством независимости продукций;

в) легкостью модификации базы знаний;

г) простотой механизма логического вывода;

д) отличием от структур знаний, свойственных человеку.

1. Занимают малый объем памяти, необходимый для хранения элемента знаний модели-конструкции если-то.

1. Сложность и громоздкость структуры базы данных.

2. Значительные затраты времени на построение цепочки вывода.

3. Невозможность эффективно описать правила с исключениями.

4. Сложность проверки непротиворечивости системы.

5. Сложность оценки целостного образа знаний.

Формальные логические модели

1. Работают с простейшими составляющими знания - факторами и правилами.

2. Являются удобным средством для строгого построения моделей, описывающих конкретные предметные области.

3. Предъявляют высокие требования и ограничения к предметной области.

2. В промышленных интеллектуальных системах практически не используются.

1. Обладают:

а) свойством формализованности;

б) простотой представления логических взаимосвязей между фактами;

в) простотой механизма логического вывода.

1. Занимают малый объем памяти в силу простоты логических взаимосвязей между фактами и правилами.

1.Трудность в реализации динамичности системы, что приведет к сложности вычислений.

Семантические сети

1.Обладают способностью графически описывать объекты (процесс, состояние, какая либо сущность) предметной области.

2. Ориентированы на простые и хорошо формализуемые предметные области.

1. Универсальны для разных предметных областей.

1. Обладают:

а) наглядностью представления знаний как системы;

б) структурированностью;

в) сложностью вывода, связанного с поиском подграфа, соответствующего запросу;

г) неудовлетворительной способностью объяснить свои решения.

1. Занимают значительный объем памяти.

1. Возможность организации иерархической структуры.

2. Возможность наследования свойств.

3. Легкость добавления, удаления и сравнения дуг и узлов.

Фреймы

1. Обладают высоким уровнем абстрагирования.

2. Способны описывать метазнания и формировать на их основе новые знания.

3. Эффективны для структурного описания сложных понятий.

1. Универсальны за счет существования фреймов-понятий, фреймов-событий, фреймов-ситуаций, фреймов-ролей, фреймов-сценариев.

1. Отражают концептуальную основу организации памяти человека.

2. Обладают гибкостью и наглядностью в формализации экспертных знаний о предметной области.

3. Имеют:

а) внутреннюю интерпретацию и внутреннюю структуру связи;

б) возможность использования предположений и ожиданий.

1. Занимают значительный объем памяти, однако размерность фреймовых моделей значительно ниже, чем семантических сетей.

1. Иерархическая организация общих и частных понятий.

2. Удобство хранения данных за счет возможности связи с базой данных.

3. Достоинства по отношению к реляционной базе данных.

4. Наличие механизма наследования свойств.

5. Наличие во многих языках программирования специальных функциональных структурных единиц обладающих основными функциями фреймов.

6. Возможность легкого перехода к сетевой модели.

Анализ таблицы показывает, что фреймовая модель представления знаний наиболее подходит в качестве формального построения онтологии, поскольку позволяет специалисту в рамках стандартной модели описать все многообразие своих знаний о проектировании ТОП.

Фреймы дают возможность специалисту самостоятельно развивать и поддерживать модель знаний предметной области, не привлекая для этого аналитиков и программистов. С их помощью можно легко проверить полноту, согласованность и непротиворечивость представления сложной семантики области проектирования ТОП.

Использование фреймов в качестве основной структуры данных, хранящей понятия о типичных объектах и событиях, широко распространено в практике создания приложений искусственного интеллекта благодаря развитию методов объектно-ориентированного программирования. Практически во всех современных языках программирования появились специальные структурно-функциональные единицы (объекты, классы), обладающие основными признаками фреймов. Таким образом, представления знаний на основе фреймовой модели, особенно эффективно для структурного описания сложных понятий и решения задач.

Исходя из полученных рекомендаций относительно выбора модели представления знаний, в Камышинском технологическом институте проводятся работы по созданию интеллектуальной УИ САПР ТОП на основе фреймовой модели, интеллектуальным ядром которой является онтология. Разработка онтологии осуществляется в программной среде Protégé и базируется на следующих классификационных признаках: виды переплетений основовязаного трикотажа, необходимые условия их получения, рисунчатые эффекты, оборудование для производства, сырье. В зависимости от условий поиска данная онтология может выводить интересующую информацию о видах и характеристиках ТОП, выполненных на различных видах основовязального оборудования.

Список литературы:

  1. Кочеткова О.В., Казначеева А.А. Формирование требований к учебно-исследовательским САПР трикотажа. Материалы V всероссийской конференции «Инновационные технологии в обучении и производстве» / КТИ ВолгГТУ. - 2008, с. 176-179.
  2. Hammond P. Logic programming for expert systems // M. Sc. Thesis. Dept. of Computing. Imperial College, Univ of London, England, 1980.
  3. Вудс У.А. Основные проблемы представления знаний // ТИИЭР. - 1986. - Т. 74. - № 10. - С. 32-47.
  4. Минский М. Фреймы для представления знаний. - М.: Мир, 1979.
  5. Скрэгг Г. Семантические сети как модели памяти // Новое в зарубежной лингвистике. - М.: Радуга, 1983. - Выпуск 12. - С. 228-271.
  6. Элти Дж., Кумбс М. Экспертные системы: Концепции и примеры. - Пер. с англ. - М.: Финансы и статистика, 1986.