Обучаемые фреймовые системы

Такие системы являются более универсальными, чем продукционные и семантические. Они, как и обычные фреймовые системы, имеют иерархическую структуру с наследованием типа «абстрактное — конкретное», но фреймы обязательно включают присоединенные процедуры обучения, реализующие разные алгоритмы (на метаправилах, генетические и пр.).

Рассмотрим в качестве примера такого подхода систему ЕТ (Expert Tomographer) с эволюцией фреймов [16|. Здесь использован эволюционный (генетический) алгоритм обучения, который работает хорошо, когда имеет место удачное представление компонентов знаний. Выбранная форма достаточно гибкая и позволяет учитывать иерархию слотов и неопределенносги. В ней знания представляются в виде фреймов со слотами, содержащими компоненты правил (условия и заключения), коэффициенты уверенности и пороги срабатывания условий, коэффициенты уверенности и ослабления заключений. Генетический алгоритм (см. параграф 4.2) применен для эволюционного улучшения фреймов с правилами.

Рассмотрим два фрейма, которые в соответствии с генетическим алгоритмом копируются и пересекаются друг с другом путем использования операции кроссовера.

Фрейм 1: ЕСЛИ кт = нарушение И плотность = гиперплотный И иб = нейросимптомы И время = меньше б недель ТО д = инфаркт;

Фрейм 2: ЕСЛИ кт = нарушение И плотность = гиперплотный И иб = нейросимптомы И время = меньше 1 недели ТО д = гематома.

Здесь: ЕСЛИ, ТО — слоты первого уровня; кт — компьютерная томография; иб — история болезни; д — диагноз; Плотность и Время — слоты второго уровня, сопровождаемые своими значениями (после =).

Одно возможное пересечение при кроссовере — обмен значениями слотов Время. В результате пересечения «рождаются» новые фреймы:

ПотомокФрейма 1 со слотом Время = меньше 1 недели;

ПотомокФрейма 2 со слотом Время = меньше б недель.

Исходя из медицинских наблюдений ПотомокФрейма1, ставящий диагноз д = инфаркт, дает более реальную картину. Многократное применение процедуры кроссовера к популяции правил позволяет уточнять значения слотов с целью получения наилучшего набора для диагностики болезни (оптимизация структуры правил во фреймах).

Следующий этап — определение внутренней структуры фреймов — связан с установлением коэффициентов уверенности и порогов срабатывания правил или их ослаблений. Это может быть сделано также с помощью генетического алгоритма, настроенного на оптимизацию параметров фреймов по критерию соответствия.

Рассмотренные варианты логических систем могут условно называться когнитивными лишь по признакам наличия обучения и баз знаний. Признаки нервно-системной организации они не поддерживают.