Học Viện Công Nghệ Bưu Chính Viễn Thông Khoa Công Nghệ Thông Tin - - BÁO CÁO MÔN HỌC CÁC HỆ THỐNG DỰA TRÊN TRI THỨC ĐỀ TÀI : TÌM HIỂU VỀ HỆ CHUYÊN GIA PROSPECTOR Giảng viên hướng dẫn : Nguyễn Quan Hoan Nhóm lớp : 02 Sinh viên : Nguyễn Thị Hương Trần Duy Long D12HTTT2 D12HTTT2 Mục Lục I − Hệ chuyên gia PROSPECTOR Giới thiệu hệ chuyên gia prospector PROSPECTOR ứng dụng hệ chuyên ,ra đời với mục đích “Thăm dò khoáng sản” (mineral exploration) phát triển Viện nghiên cứu Stanford (Theo Duda et al., 1979) Dự án khởi động − từ năm 1974 năm 1983 PROSPECTOR sử dụng kiến trúc hợp nhằm kết hợp luật mạng ngữ nghĩa PROSPECTOR có tới 1000 luật giúp tái miền − kiến thức vô rộng lớn PROSPECTOR vận hành theo phương thức tiếp nối (follows) Người dùng, nhà thăm dò địa chất học, yêu cầu đưa đặc trưng đầu vào quặng khoáng sản nghi ngờ: thiết lập địa trắc học, kiến trúc, loại đá khoáng sản Sau chương trình so sánh đặc trưng với dạng mẫu quặng khoáng sản, cần thiết, yêu cầu người dùng tìm kiếm thêm thông tin bổ sung Cuối PROSPECTOR đánh giá quặng tình nghi đưa kết luận − Trong thăm dò địa chất học, định quan trọng thường đưa cách không chắn, với hiểu biết chưa hoàn thiện mờ Để đối mặt với hiểu biết này, PROSPECTOR kết hợp với luật Bayes Hệ thống trợ giúp nhà địa chất việc khai thác số loại mỏ Hệ thống mã hóa tri thức chuyên gia nhà địa chất loại mỏ khác vào mô hình để xác định khả có mỏ vài nơi theo quan sát Hệ chuyên gia trợ giúp việc khoan thăm dò − − Mạng suy luận Prospector Mỗi mô hình xử lý tri thức thể hệ thống Prospector theo mạng suy luận riêng Mỗi mạng tập nút ứng với giả thuyết hay kiện hiển nhiên, liên kết quan hệ không chắn Một nút sơ khởi, hay nút mạng thông tin tương tác với người dùng cung cấp thể dấu hiệu mà − người dùng nhập vào Ta có ví dụ : “ Độ tin cậy khả có chất X vùng đất Y?” Thông tin nút lại sử dụng để xác định độ tin cậy nút trung gian khác Vỉa thuận lợi Kết cấu porphyry phù hợp 1, 0.1 50, 0.3 430, 0.1 Đá porphyry gốc trẻ Kết cấu porphyry phù hợp Hình thái kích thước thuận lợi 1000000, 0.000001 Kết cấu porphyry phù hợp 12, 0.1 10, 0.075 5, 0.005 68, 0.2 Kích thước hạt < 0.25 mm Quartz khoáng chất Các luật Prospector 3.1 Khả đủ khả  Khả đủ − Người ta dùng khái niệm khả Kết cấu aplitic cần thiết Bayes đủ để xảy hay gọi khả đủ LS(Likelihood of Sufficiency)-trợ giúp cho giả thuyết H có − − kiện E LS gọi khả đủ lẽ giá trị cho biết cần cố gắng để tin vào giả thuyết H để thấy kiện E Ta có công thức tính LS: LS= p(E|H)/ p(E|∼ H) Mà ta biết : p(∼ H|E)= (p(∼ H)∗ p(E|∼ H)) / p(E) O(H|E)=p(H|E)/p(~H|E) ⇒ O(H|E)=LS ∗ O(H): Biểu thức gọi dạng khả thuận lợi định lí Bayes Vậy triển khai LS ta : LS = p(E|H)/ p(E|∼ H) = O(H |E) / O(H) = (p(H|E)/p(~H|E)) / (p(H) / p(~H)) − Khả cần thiết Người ta gọi LN( likelihood of necessity) khả cần thiết ,cho phép đo − không tin vào giả thuyết H kiện E LN gọi khả cần thiết giá trị thể cố gắng để − phát triển vắng mặt Tương tự ta có công thức tính LN:  LN = p(~E/H) / P(~E/~H) = O(H |~E) / O(H) = (p(H|~E)/p(~H|~E)) / (p(H) / p(~H)) 3.2 Các luật Prospector − Trong mạng hệ thống Prospector có liên kết LS LN(vì Prospector có sử dụng kết hợp với luật Bayes).Quan hệ liên kết cấu trúc − theo luật : IF E THEN H( LS,LN ) Thuật ngữ E ứng với nút thể dấu hiệu nối với nút giả thuyết H Liên kết không chắn diễn tả LS ,LN Theo ví dụ ban đầu chuyên gia có dùng luật : IF kết cấu vỉa aplitic THEN vỉa thuận lợi loại mỏ porphyry[68,0.2] Với xác suất trước − p(E)= 0,001 p(H)=0.002 Nếu E nút sơ khởi người dùng chung cấp độ tin cậy vào E Giá trị dùng để xác định giá trị liên kết LS LN, để tạo mức tin cậy vào kết luận Mức độ tin cậy nút trung gian, theo chế truyền toàn mạng PROSPECTOR dùng tiếp cận Bayes để truyền xác suất mạng suy luận Các luật nhiều giả thuyết Khi xác định xác suất gắn với nút , mạng dùng thông tin từ nhiều nút Thực phải khẳng định từ trước tính độc lập có điều kiện thông tin Đây cách đơn giản để tính xác suất sau giả thuyết Nếu ghép thông tin nút lại với người ta thu giả thuyết chung thông tin nút cung cấp Khi gộp nút ta thực theo chuẩn AND OR 4.1 Các luật − Dạng chung theo chuẩn AND chuẩn AND luật : IF AND … AND THEN H Để kết luận H dấu phải Mỗi lại dựa vào dấu hiệu Ta có mô tả bảng sau : − Chuẩ n Dạng chung AND IF AND … AND THEN H Hình vẽ minh họa Công thức p(E|)= min{p(|)} AND C 4.2 Các luật theo chuẩn OR − Dạng chung luật chuẩn OR − OR : IF OR … OR THEN H Ta có mô tả bảng sau : IF OR… OR THEN H p(E| ) = max{p(|)} C OR − Cập nhật điều thuận PROSPECTOR thay đổi điều thuận giả thuyết có dấu hiệu bổ sung vào hệ thống Đối với trường hợp dùng luật giả thiết, điều − H trước tính O(H| ) = p(H| )/ (1 - p(H| )) Giả sử độc lập điều kiện trường hợp dùng luật đa giả thiết người ta có O(H| , ,… ) = L* O(H), i = 1, 2,… n L tỉ lệ xảy khả − L = O(H| )/ O(H) = p(, H) / p(| ~H) Tương tự tất dấu hiệu dùng cho H sai : O(H| ~, ~,… ~) = L* O(H), với i = 1, 2,… n Và L = O(H| ~) / O(H) = p(~, H) / p(~| ~H) 6  Đo độ chắn Prospector cho phép người ta nhập độ tin cậy phần kiện hiển nhiên Thay p(E/E’) người ta đưa khái niệm : độ đo chắn  CF(E/E’) Trong Prospector người ta dùng CF(E/E’) độ chắn E có dấu hiệu quan sát E’ Và ta có -5≤CF≤5 Với : -5 ứng với E chắn sai, ứng với E chắn đúng,và giá trị ứng với “không biết”      II Người ta ánh xạ giá trị đo chắc sang xác suất kiện theo: • IF CF(E| = -5 THEN p(E| = 0; • IF CF(E| = THEN p(E| = P(E); • IF CF(E| = +5 THEN p(E| = 1; Để thể quan hệ đoạn tuyến tính p(H| p(E| , người ta chi tiết hóa sau: • Với p(E| p(E) CF(E| = * (p(E| – p(E)) / p(E); • Với p(E) p(E| CF(E| = * (p(E| – p(E)) / (1 - p(E)) Hai đẳng thức xác định p(E| dựa theo tin tưởng người dùng cung cấp dấu hiệu CF(E| • Nếu CF(E| > p(E| = [CF(E| * (1 - p(E| ) + * p(E)] / 5; • Và ngược lại p(E| = [CF(E| * p(E| ) + * p(E)] / Hai xác suất sau H có E đánh giá theo LS xác suất trước H p(H| E = LS * O(H) / (1 + LS * O(H)) Tương tự : p(H| = LN * O(H) / (1+ LN * O(H)) Người ta ước lượng nhân tố chắn cập nhật với giả thuyêt vừa nêu theo cách sau : • Nếu p(E| p(E) CF(H| = * (p(E| – p(E)) / p(E); • Nếu p(E) p(E| CF(H| = * (p(E| – p(E)) /( - p(E)); • Trong p(H| ) = O(H| , ,… ) / (1 + O(H| , ,… )) Thí dụ dùng PROSPECTOR Sau tiếp tục nghiên cứu ứng dụng Prospector đến năm 1981 phát triển ngôn ngữ công nghệ tri thức gọi KAS Ngôn ngữ có khung hệ thống giống Prospector , nhiên lại không giữ tri thức địa lí  Bài Toán Ta có toán ví dụ sau : Một người cần định xem có nên mua oto hay không? Với giả thuyết : “ không mua” − Mạng suy luận sử dụng luật : a R1 Điều kiện xe tồi (kí hiệu kiện ) OR giá cao (kí hiệu kiện ) b c d THEN không mua xe (kí hiệu giả thuyết ) R2 Xe 100.000 dặm () AND xe thành phố () AND thân xe xấu () THEN điều kiện xe tồi () R3 IF xe bị lõm () THEN thân xe xấu () (LS = 1000, LN = 0.001) R4 IF xe rỉ () THEN thân xe xấu () (LS = 100, LN = 1) − Ta có mô tả hình học sau : H1 Không mua OR E1 Điều kiện tồi E2 Giá cao AND E3.Đi 100.000 E5 Điều kiện E4.xe Chỉtồiđi thành phố dặm 5 E6 Bị lõm E7 Có gỉ -1 Hình Mạng suy luận “không mua xe” Hai luật R3, R4 kết luận giá trị LS, LN khác Theo R3 “xe bị lõm” thuận lợi để “điều kiện xe tồi” việc không quan tâm đến vết lõm có lợi để ủng hộ kết luận Còn R4 “xe gỉ” tạm thuận lợi cho kết luận không thấy gỉ không ảnh hưởng Tương tác hệ thống với người dùng Giả sử chuyên gia cho xác suất trước dấu hiệu 0.1 hay p()=0.1 Khi phiên tương tác hỏi đáp : • • • • • • • • • • Hệ thống: với giả thuyết xe chạy 100.000 dặm, mức độ tin bao nhiêu? () Người dùng: Hệ thống: Mức độ tin giả thuyết xe chạy thành phố hợp? () Người dùng: Hệ thống: Mức độ tin vào việc xe bị lõm phù hợp? () Người dùng: Hệ thống: Mức độ tin vào việc xe rỉ phù hợp? () Người dùng: -1 Hệ thống: Mức độ tin vào việc giá xe cao phù hợp? () Người dùng: ⇒Kết luận: điều chắn việc không mua xe 3.97 Truyền giá trị xác suất Tại kết ví dụ lại 3.97 ??? Ta thực thao tác truyền bá giá trị xác suất Khi ta có bước làm: 1) CF(| ) = CF(| ) = 5; người dùng quan sát thấy toàn chắc cho 2) Ta cần tìm chắn cho Mà lại hỗ trợ Nên ta cần tìm CF(| ) theo bước sau : a) b) Tính O() O() = p() / (1 - p()) = 0.111 Tính P(| ) P(| ) LS = 1000 LN = 0.001 cho trường hợp p(| ) = LS * O() / (1 + LS * O()) = 0.9911 p(| ~) = LS * O() / (1 + LN * O()) = c) Tính p(| ) p(| ~) LS=100 LN=1 p(| ) = LS * O() / (1 + LS * O()) = 0.9174 p(| ~) = LS * O() / (1 + LN * O()) = 0.1 d) Ta có CF(| )=4>0 nên : p(| ) = [CF(| ) * (1- p()) + * p()] / = 0.82 e) Ta có có CF(| )= -1 p() = 0.1 nên cuối người ta tìm độ tin cậy vào theo quan sát theo: CF(| , ) = * (p(| ) - p()) / (1 - p()) = 3.97 3) Ta xác định độ tin tưởng vào theo quan sát theo luật R2 theo chuẩn AND: CF() = min{5, 5, 3.97} = 3.97 4) Độ tin tưởng vào theo luật R1 theo chuẩn OR: CF() =max{3.97, 0.1} = 3.97 ⇒ Vậy điều chắn việc không mua xe 3.97 - Khẳng định lại kết Do giá trị tin cậy 3.97 nằm vùng xác định tin cậy [-5,5] nên toán “thành thật khuyên không nên mua xe “nếu có dấu hiệu - Sau tương tác với người dùng, truyền giá trị xác suất đưa kết độ tin cậy hệ thống cần xác định lại lần kết đưa Việc khẳng định làm tăng tính tin tưởng vào kết luận hệ III thống Tài liệu tham khảo [1] Đỗ Trung Tuấn, “Hệ chuyên gia”, NXB Giáo dục 1999 [2] Phan Huy Khánh,“Hệ chuyên gia”, Nhà xuất Khoa học Kỹ thuật 2004 [3] Michael Negnevitsky -Artificial Intelligence,Second Edition [4] Geogre F Luger – Artificial Intelligence, Structures and Strategies for Complex Problem Solving– Addison – Wesley Publishing Company, Inc – 2002 11 12 ...Mục Lục I − Hệ chuyên gia PROSPECTOR Giới thiệu hệ chuyên gia prospector PROSPECTOR ứng dụng hệ chuyên ,ra đời với mục đích “Thăm dò khoáng sản” (mineral... hoàn thiện mờ Để đối mặt với hiểu biết này, PROSPECTOR kết hợp với luật Bayes Hệ thống trợ giúp nhà địa chất việc khai thác số loại mỏ Hệ thống mã hóa tri thức chuyên gia nhà địa chất loại mỏ khác... xác định khả có mỏ vài nơi theo quan sát Hệ chuyên gia trợ giúp việc khoan thăm dò − − Mạng suy luận Prospector Mỗi mô hình xử lý tri thức thể hệ thống Prospector theo mạng suy luận riêng Mỗi