Pobieranie prezentacji. Proszę czekać

Pobieranie prezentacji. Proszę czekać

1 Wykład 4 PROGNOZOWANIE WŁAŚCIWOŚCI MATERIAŁÓW Inżynieria Materiałowa SZTUCZNA INTELIGENCJA Sieciowe Systemy Informatyczne Dr hab. inż. Barbara Dębska,

Podobne prezentacje


Prezentacja na temat: "1 Wykład 4 PROGNOZOWANIE WŁAŚCIWOŚCI MATERIAŁÓW Inżynieria Materiałowa SZTUCZNA INTELIGENCJA Sieciowe Systemy Informatyczne Dr hab. inż. Barbara Dębska,"— Zapis prezentacji:

1 1 Wykład 4 PROGNOZOWANIE WŁAŚCIWOŚCI MATERIAŁÓW Inżynieria Materiałowa SZTUCZNA INTELIGENCJA Sieciowe Systemy Informatyczne Dr hab. inż. Barbara Dębska, prof. PWSZ Krosno SZTUCZNA INTELIGENCJA ARTIFICIAL INTELLIGENCE WYKŁAD 4 SYSTEMY EKSPERTOWE Dr hab. inż. Barbara Dębska, prof. PWSZ KROSNO

2 2 Wykład 4 PROGNOZOWANIE WŁAŚCIWOŚCI MATERIAŁÓW Inżynieria Materiałowa SZTUCZNA INTELIGENCJA Sieciowe Systemy Informatyczne Dr hab. inż. Barbara Dębska, prof. PWSZ Krosno SYSTEM EKSPERTOWY JAKO NOWY PARADYGMAT PROGRAMOWANIA PROCEDURA = ALGORYTM + DANE Powszechnie stosowane programowanie proceduralne można uważać za odbywające się zgodnie z paradygmatem: Programowanie stosujące bazy wiedzy (systemy ekspertowe) można uważać za odbywające się zgodnie z paradygmatem: SYSTEM EKSPERTOWY = SYSTEM WNIOSKUJĄCY + BAZA WIEDZY

3 3 Wykład 4 PROGNOZOWANIE WŁAŚCIWOŚCI MATERIAŁÓW Inżynieria Materiałowa SZTUCZNA INTELIGENCJA Sieciowe Systemy Informatyczne Dr hab. inż. Barbara Dębska, prof. PWSZ Krosno STRUKTURA BAZY WIEDZY Baza wiedzy Baza reguł Baza rad Baza ograniczeń Baza graficzna Baza modeli

4 4 Wykład 4 PROGNOZOWANIE WŁAŚCIWOŚCI MATERIAŁÓW Inżynieria Materiałowa SZTUCZNA INTELIGENCJA Sieciowe Systemy Informatyczne Dr hab. inż. Barbara Dębska, prof. PWSZ Krosno BAZA MODELI arytmetyczne relacyjne skrócone rozwinięte liniowe wielomianowe X X X X X X

5 5 Wykład 4 PROGNOZOWANIE WŁAŚCIWOŚCI MATERIAŁÓW Inżynieria Materiałowa SZTUCZNA INTELIGENCJA Sieciowe Systemy Informatyczne Dr hab. inż. Barbara Dębska, prof. PWSZ Krosno model(Numer_modelu, Warunek_startowy, Wynik/Wniosek, Pierwszy_Argument, Operacja/Relacja, Drugi_Argument, Aktywność) DEFINICJA MODELU Warunek_startowy String przedstawiający nazwę zmiennej logicznej Wynik modelu jest wyznaczany tylko gdy Warunek_startowy jest prawdą Warunek_startowy bez warunku jest zawsze prawdą

6 6 Wykład 4 PROGNOZOWANIE WŁAŚCIWOŚCI MATERIAŁÓW Inżynieria Materiałowa SZTUCZNA INTELIGENCJA Sieciowe Systemy Informatyczne Dr hab. inż. Barbara Dębska, prof. PWSZ Krosno Wynik - string przedstawiający nazwę zmiennej rzeczywistej dla modelu arytmetycznego Wniosek - string przedstawiający nazwę zmiennej logicznej dla modelu relacyjnego DEFINICJA MODELU c.d. Wynik/Wniosek stringi przedstawiające wartości zmiennych lub nazwy zmiennych arytmetycznych, zarówno dla modelu arytmetycznego jak i dla modelu relacyjnego Pierwszy_Argument, Drugi_Argument

7 7 Wykład 4 PROGNOZOWANIE WŁAŚCIWOŚCI MATERIAŁÓW Inżynieria Materiałowa SZTUCZNA INTELIGENCJA Sieciowe Systemy Informatyczne Dr hab. inż. Barbara Dębska, prof. PWSZ Krosno DEFINICJA MODELU c.d. Operacja/Relacja dla modeli arytmetycznych z dwoma argumentami operacjami są: + - / div mod dla modeli arytmetycznych z jednym argumentem operacjami są: sqrt, sin, cos, tan, arctan, log, ln, exp, round, trunc, abs, =, przy czym Drugi_Argument= 0 dla modeli relacyjnych relacjami są: > = =

8 8 Wykład 4 PROGNOZOWANIE WŁAŚCIWOŚCI MATERIAŁÓW Inżynieria Materiałowa SZTUCZNA INTELIGENCJA Sieciowe Systemy Informatyczne Dr hab. inż. Barbara Dębska, prof. PWSZ Krosno Aktywność DEFINICJA MODELU c.d. = 0 informacja o stosowaniu modelu nie jest wyświetlana w trakcie wnioskowania = 1 informacja o stosowaniu modelu jest wyświetlana w trakcie wnioskowania A.Sens modelu skróconego arytmetycznego: model(Nr_Modelu, Start, Wynik, X1, +, X2, Aktywność) B.Sens modelu skróconego relacyjnego: model(Nr_Modelu, Start, Wniosek, X1, <=, X2, Aktywność) Jeżeli Start jest prawdąi X1 <= X2to Wniosek jest prawdą Jeżeli Start jest prawdą to Wynik = X1 + X2

9 9 Wykład 4 PROGNOZOWANIE WŁAŚCIWOŚCI MATERIAŁÓW Inżynieria Materiałowa SZTUCZNA INTELIGENCJA Sieciowe Systemy Informatyczne Dr hab. inż. Barbara Dębska, prof. PWSZ Krosno Modele mogą się zagnieżdżać: Zagnieżdżanie modeli arytmetycznych: wynik jednego modelu może być argumentem innego modelu: model(N, St_N, Wynik_N, A, O_N, B, 1]) model (M, St_M, Wynik_M, Wynik_N, O_M, G, 1) Zagnieżdżanie modeli relacyjnych i innych: wniosek jednego modelu może być warunkiem stosowania innego modelu: model(N, Start_M,Wniosek_N, A, R_N, B, 1]) model (M, Wniosek_N, Wynik_M, C, O_M, D, 1)

10 10 Wykład 4 PROGNOZOWANIE WŁAŚCIWOŚCI MATERIAŁÓW Inżynieria Materiałowa SZTUCZNA INTELIGENCJA Sieciowe Systemy Informatyczne Dr hab. inż. Barbara Dębska, prof. PWSZ Krosno Modele relacyjne i reguły mogą się zagnieżdżać: Zagnieżdżanie modeli relacyjnych i reguł: wniosek modelu relacyjnego może być warunkiem reguły model(N, War_stos_M, Wniosek_N, A, R_N, B, 1]) regula(M, Wniosek_M, [...,Wniosek_N,..]) Reguły i modele mogą się zagnieżdżać: Zagnieżdżanie reguł i modeli: wniosek reguły może być warunkiem startowym modelu regula(N, Wniosek_N, Lista_warunków) model (M, Wniosek_N, Wynik_M, A,op_M, B, 1)

11 11 Wykład 4 PROGNOZOWANIE WŁAŚCIWOŚCI MATERIAŁÓW Inżynieria Materiałowa SZTUCZNA INTELIGENCJA Sieciowe Systemy Informatyczne Dr hab. inż. Barbara Dębska, prof. PWSZ Krosno Zagnieżdżające się modele mogą mieć argumenty dwojakiego rodzaju: Argumenty dopytywalne: nie są wynikami modeli. Wartość tych argumentów jest określana przez użytkownika systemu ekspertowego ZAGNIEŻDŻANIE MODELI Argumenty niedopytywalne: są wynikami modeli. Wartość liczbowa tych argumentów jest określana przez system ekspertowy

12 12 Wykład 4 PROGNOZOWANIE WŁAŚCIWOŚCI MATERIAŁÓW Inżynieria Materiałowa SZTUCZNA INTELIGENCJA Sieciowe Systemy Informatyczne Dr hab. inż. Barbara Dębska, prof. PWSZ Krosno BAZA RAD rada(numer_reguły/modelu, nazwa_pliku_rady_dla_reguły/modelu) Klauzule bazy rad: Każdej regule i każdemu modelowi może być przyporządkowana co najwyżej jedna rada. DYNAMICZNA BAZA DANYCH Dynamiczna baza danych jest bazą relacyjną. Podstawowe relacje dla BED: –prawda(Warunek) = Warunek jest prawdą – nieprawda(Warunek) = Warunek jest nieprawdą Zawiera deklaracje użytkownika odnośnie do warunków dopytywalnych albo warunki niedopytywalne, uznane za prawdziwe w wyniku dotychczasowych wnioskowań.

13 13 Wykład 4 PROGNOZOWANIE WŁAŚCIWOŚCI MATERIAŁÓW Inżynieria Materiałowa SZTUCZNA INTELIGENCJA Sieciowe Systemy Informatyczne Dr hab. inż. Barbara Dębska, prof. PWSZ Krosno METODY WNIOSKOWANIA Wnioskowanie w przód (forward chaining, od warunków do wniosku) Wnioskowanie wstecz (backward chaining, od hipotezy do warunków) Przeznaczenie wnioskowania elementarnego dokładnego w przód Wyznaczenie - dla danej bazy wiedzy - wszystkich faktów i wszystkich wartości zmiennych wynikających: z warunków dopytywalnych, które zostały uznane przez użytkownika za fakty, oraz z argumentów dopytywalnych, których wartości zostały zadeklarowane przez użytkownika.

14 14 Wykład 4 PROGNOZOWANIE WŁAŚCIWOŚCI MATERIAŁÓW Inżynieria Materiałowa SZTUCZNA INTELIGENCJA Sieciowe Systemy Informatyczne Dr hab. inż. Barbara Dębska, prof. PWSZ Krosno Przeznaczenie wnioskowania elementarnego dokładnego w przód c.d Nie jesteśmy informowani: o wnioskach nie wynikających z warunków dopytywalnych uznanych przez użytkownika za fakty, oraz o wynikach, których wartości nie można wyznaczyć z wartości argumentów dopytywalnych zadeklarowanych przez użytkownika. Przeznaczenie wnioskowania elementarnego dokładnego wstecz Weryfikowanie hipotez Hipoteza: wniosek reguły, którego prawdziwość próbuje się potwierdzić na podstawie: warunków dopytywalnych uznanych za fakty, oraz argumentów dopytywalnych o znanych wartościach

15 15 Wykład 4 PROGNOZOWANIE WŁAŚCIWOŚCI MATERIAŁÓW Inżynieria Materiałowa SZTUCZNA INTELIGENCJA Sieciowe Systemy Informatyczne Dr hab. inż. Barbara Dębska, prof. PWSZ Krosno SPRZECZNOŚCI W ELEMENTARNYCH DOKŁADNYCH BAZACH REGUŁ 1. Sprzeczności typu SED1: wniosek reguły jest tożsamy z jednym z jej warunków. Możliwe są następujące typy tej sprzeczności: Reguła n jest zewnętrznie bezpośrednio SED1-sprzeczna z regułą m, jeżeli: –wniosek reguły m jest warunkiem reguły n, i –wniosek reguły n jest warunkiem reguły m. Np.: 1. M, N, Y X 2. P, Q, X Y Zastąpienie warunku X reguły 2 warunkami reguły 1 czyni z reguły 2 regułę 3 będącą zewnętrznie SED1-samosprzeczną: 3. P, Q, M, N, Y Y Reguła jest zewnętrznie SED1-samosprzeczna, jeżeli jednym z jej warunków jest jej wniosek. Np.: 1. M, N, X X

16 16 Wykład 4 PROGNOZOWANIE WŁAŚCIWOŚCI MATERIAŁÓW Inżynieria Materiałowa SZTUCZNA INTELIGENCJA Sieciowe Systemy Informatyczne Dr hab. inż. Barbara Dębska, prof. PWSZ Krosno Pośrednikiem jest tutaj reguła 2. Podstawienie warunków reguły 3 w miejsce warunku X reguły 2 daje bowiem regułę 4: 4. C, D, H, A K która jest zewnętrznie bezpośrednio SED1-sprzeczna z regułą 1. Reguła n jest zewnętrznie pośrednio SED1-sprzeczna z regułą m, jeżeli podstawienie reguły m do innej reguły, tej zaś do jeszcze innej itd., doprowadza do reguły bezpośrednio SED1-sprzecznej z regułą n. Np. reguła 1 jest zewnętrznie pośrednio SED1-sprzeczna z regułą 3: 1. K, B H 2. C, D, X K 3. H, A X SPRZECZNOŚCI W ELEMENTARNYCH DOKŁADNYCH BAZACH REGUŁ c.d.

17 17 Wykład 4 PROGNOZOWANIE WŁAŚCIWOŚCI MATERIAŁÓW Inżynieria Materiałowa SZTUCZNA INTELIGENCJA Sieciowe Systemy Informatyczne Dr hab. inż. Barbara Dębska, prof. PWSZ Krosno SPRZECZNOŚCI W ELEMENTARNYCH DOKŁADNYCH BAZACH REGUŁ c.d. Zewnętrzna pośrednia SED1-sprzeczność nie jest relacją refleksyjną: w rozpatrywanym przykładzie 1. K, B H 2. C, D, X K 3. H, A X reguła 3 nie jest zewnętrznie pośrednio SED1-sprzeczna z regułą 1. Natomiast reguła 3 jest zewnętrznie pośrednio SED1-sprzeczna z regułą 2, gdyż podstawienie warunków reguły 2 w miejsce warunku K reguły 1 daje regułę 5: 5. C, D, X, B H która jest zewnętrznie bezpośrednio SED1-sprzeczna z regułą 3.

18 18 Wykład 4 PROGNOZOWANIE WŁAŚCIWOŚCI MATERIAŁÓW Inżynieria Materiałowa SZTUCZNA INTELIGENCJA Sieciowe Systemy Informatyczne Dr hab. inż. Barbara Dębska, prof. PWSZ Krosno 2. Sprzeczności typu SED2: warunki reguły są sprzeczne w wyniku interakcji bazy reguł i bazy ograniczeń. Np.: 1. A, B, C W Baza reguł 1. (A, C) Baza ograniczeń SPRZECZNOŚCI W ELEMENTARNYCH DOKŁADNYCH BAZACH REGUŁ c.d.

19 19 Wykład 4 PROGNOZOWANIE WŁAŚCIWOŚCI MATERIAŁÓW Inżynieria Materiałowa SZTUCZNA INTELIGENCJA Sieciowe Systemy Informatyczne Dr hab. inż. Barbara Dębska, prof. PWSZ Krosno NADMIAROWOŚCI W ELEMENTARNYCH DOKŁADNYCH BAZACH REGUŁ 1.Nadmiarowości typu NED1_1: występowanie reguł o jednakowych wnioskach i jednakowych warunkach. Np.w przypadku reguł: 1. A, B, G Y 2. C, D A 3. E, F B 4. C, D, E, F, G Y reguła 4 ma takie same warunki i taki sam wniosek jak reguła 1 wraz z regułami 2 i 3.

20 20 Wykład 4 PROGNOZOWANIE WŁAŚCIWOŚCI MATERIAŁÓW Inżynieria Materiałowa SZTUCZNA INTELIGENCJA Sieciowe Systemy Informatyczne Dr hab. inż. Barbara Dębska, prof. PWSZ Krosno NADMIAROWOŚCI W ELEMENTARNYCH DOKŁADNYCH BAZACH REGUŁ c.d. 2. Nadmiarowości typu NED1_2: występowanie reguł subsumowanych. Np.w przypadku reguł 1. A, B, C, D W 2.A, B W reguła 1 jest subsumowana (zawarta) w regule 2, gdyż obydwie mają taki sam wniosek, a warunki reguły 2 są podzbiorem warunków reguły 1. Regułę 1 można więc usunąć z bazy reguł.

21 21 Wykład 4 PROGNOZOWANIE WŁAŚCIWOŚCI MATERIAŁÓW Inżynieria Materiałowa SZTUCZNA INTELIGENCJA Sieciowe Systemy Informatyczne Dr hab. inż. Barbara Dębska, prof. PWSZ Krosno 3. Nadmiarowości typu NED2: Źródłem nadmiarowości typu NED2 jest interakcja elementarnej dokładnej bazy reguł i bazy ograniczeń. Np.: 1. A, B, C W 2. A, B, D W 3. A, B, E W Baza Reguł Baza Ograniczeń 1. (C, D, E) 1. A, B W Baza Reguł redukują się do: NADMIAROWOŚCI W ELEMENTARNYCH DOKŁADNYCH BAZACH REGUŁ c.d.

22 22 Wykład 4 PROGNOZOWANIE WŁAŚCIWOŚCI MATERIAŁÓW Inżynieria Materiałowa SZTUCZNA INTELIGENCJA Sieciowe Systemy Informatyczne Dr hab. inż. Barbara Dębska, prof. PWSZ Krosno WNIOSKOWANIE ROZWINIĘTE DOKŁADNE W PRZÓD Wnioskowanie rozwinięte dokładne w przód jest wnioskowaniem w przód dla baz reguł rozwiniętych dokładnych, tzn. baz dokładnych mogących zawierać zanegowane warunki niedopytywalnych. Wnioskowanie to można stosować również dla baz reguł elementarnych dokładnych Konwencja: W - warunek niezanegowany nW - warunek zanegowany

23 23 Wykład 4 PROGNOZOWANIE WŁAŚCIWOŚCI MATERIAŁÓW Inżynieria Materiałowa SZTUCZNA INTELIGENCJA Sieciowe Systemy Informatyczne Dr hab. inż. Barbara Dębska, prof. PWSZ Krosno Istotna różnica: w trakcie wnioskowania zapamiętuje się w dynamicznej bazie danych nie tylko wnioski prawdziwe (jak w przypadku wnioskowania elementarnego dokładnego), lecz również wnioski nieprawdziwe. Wnioski nieprawdziwe mogą bowiem okazać się warunkami reguł. WNIOSKOWANIE ROZWINIĘTE DOKŁADNE W PRZÓD c.d. Cel wnioskowania: Wyznaczenie wszystkich wniosków prawdziwych i wszystkich wniosków nieprawdziwych dla: danej bazy reguł rozwiniętej dokładnej i odpowiadającej jej bazy ograniczeń danego początkowego zbioru prawdziwych i nieprawdziwych warunków dopytywalnych

24 24 Wykład 4 PROGNOZOWANIE WŁAŚCIWOŚCI MATERIAŁÓW Inżynieria Materiałowa SZTUCZNA INTELIGENCJA Sieciowe Systemy Informatyczne Dr hab. inż. Barbara Dębska, prof. PWSZ Krosno WNIOSKOWANIE ROZWINIĘTE DOKŁADNE WSTECZ Wnioskowanie rozwinięte wstecz jest wnioskowaniem wstecz dla baz reguł rozwiniętych dokładnych, tzn. mogących zawierać zanegowane warunki niedopytywalnych. Cel wnioskowania: Potwierdzenie (weryfikowanie) lub zaprzeczenie (falsyfikowanie) iż dana hipoteza wynika z: danej bazy reguł rozwiniętej dokładnej i odpowiadającej jej bazy ograniczeń danego początkowego zbioru prawdziwych i nieprawdziwych warunków dopytywalnych Wnioskowanie to można stosować również dla baz reguł elementarnych dokładnych.

25 25 Wykład 4 PROGNOZOWANIE WŁAŚCIWOŚCI MATERIAŁÓW Inżynieria Materiałowa SZTUCZNA INTELIGENCJA Sieciowe Systemy Informatyczne Dr hab. inż. Barbara Dębska, prof. PWSZ Krosno SPRZECZNOŚCI W ROZWINIĘTYCH DOKŁADNYCH BAZACH REGUŁ Sprzeczności typu SRD1: Sprzeczności zewnętrzne: Reguła jest zewnętrznie SRD1-samosprzeczna, jeżeli jednym z jej warunków jest jej wniosek lub negacja wniosku. Np.: 1. M, N, X X 2. M, N, nX X zewnętrzne: wniosek reguły jest sprzeczny z jej warunkami wewnętrzne: warunki reguły są sprzeczne

26 26 Wykład 4 PROGNOZOWANIE WŁAŚCIWOŚCI MATERIAŁÓW Inżynieria Materiałowa SZTUCZNA INTELIGENCJA Sieciowe Systemy Informatyczne Dr hab. inż. Barbara Dębska, prof. PWSZ Krosno Zastąpienie warunku X reguły 2 warunkami reguły 1 czyni z reguły 2 regułę 3 będącą zewnętrznie SRD1-samosprzeczną: 3. P, Q, M, N, nY Y 1. M, N, nY X 2. P, Q, X Y SPRZECZNOŚCI W ROZWINIĘTYCH DOKŁADNYCH BAZACH REGUŁ c.d. Reguła n jest zewnętrznie bezpośrednio SRD1-sprzeczna z regułą m, jeżeli: –wniosek lub zanegowany wniosek reguły m jest warunkiem reguły n, i –wniosek lub zanegowany wniosek reguły n jest warunkiem reguły m. Np.:

27 27 Wykład 4 PROGNOZOWANIE WŁAŚCIWOŚCI MATERIAŁÓW Inżynieria Materiałowa SZTUCZNA INTELIGENCJA Sieciowe Systemy Informatyczne Dr hab. inż. Barbara Dębska, prof. PWSZ Krosno SPRZECZNOŚCI W ROZWINIĘTYCH DOKŁADNYCH BAZACH REGUŁ c.d. Reguła n jest zewnętrznie pośrednio SRD1-sprzeczna z regułą m, jeżeli podstawienie reguły m do innej reguły, tej zaś do jeszcze innej itd., doprowadza do reguły bezpośrednio SRD1-sprzecznej z regułą n. Np. reguła 1 jest zewnętrznie pośrednio SRD1-sprzeczna z regułą 3: 1. K, B H 2. C, D, nX K 3. H, A X Pośrednikiem jest tutaj reguła 2. Podstawienie warunków reguły 3 w miejsce warunku X reguły 2 daje bowiem (w najbardziej niekorzystnym przypadku) regułę 4: 4. C, D, nH, nA K która jest zewnętrznie bezpośrednio SRD1-sprzeczna z regułą 1

28 28 Wykład 4 PROGNOZOWANIE WŁAŚCIWOŚCI MATERIAŁÓW Inżynieria Materiałowa SZTUCZNA INTELIGENCJA Sieciowe Systemy Informatyczne Dr hab. inż. Barbara Dębska, prof. PWSZ Krosno NADMIAROWOŚCI W ROZWINIĘTYCH DOKŁADNYCH BAZACH REGUŁ 1. Nadmiarowości typu NRD1_1: występowanie reguł o jednakowych wnioskach i jednakowych warunkach. Np. w przypadku reguł: reguła 4 ma takie same warunki i taki sam wniosek jak reguła 1 wraz z regułami 2 i nA, B W 2. C, D A 3. E, F B 4. nC, nD, E, F W

29 29 Wykład 4 PROGNOZOWANIE WŁAŚCIWOŚCI MATERIAŁÓW Inżynieria Materiałowa SZTUCZNA INTELIGENCJA Sieciowe Systemy Informatyczne Dr hab. inż. Barbara Dębska, prof. PWSZ Krosno NADMIAROWOŚCI W ROZWINIĘTYCH DOKŁADNYCH BAZACH REGUŁ c.d. 2. Nadmiarowości typu NRD1_2: występowanie reguł subsumowanych. Np.w przypadku reguł reguła 1 jest subsumowana (zawarta) w regule 2, gdyż obydwie mają taki sam wniosek, a warunki reguły 2 są podzbiorem warunków reguły 1. Regułę 1 można więc usunąć z bazy reguł. 1. A, B, C, nX W 2. A, B W 3. E, F, G X

30 30 Wykład 4 PROGNOZOWANIE WŁAŚCIWOŚCI MATERIAŁÓW Inżynieria Materiałowa SZTUCZNA INTELIGENCJA Sieciowe Systemy Informatyczne Dr hab. inż. Barbara Dębska, prof. PWSZ Krosno NADMIAROWOŚCI W ROZWINIĘTYCH DOKŁADNYCH BAZACH REGUŁ c.d. 3. Nadmiarowości typu NRD1_3: występowanie reguł o niepotrzebnych warunkach. Np.w przypadku reguł Reguły te można zastąpić jedną regułą. 3. A, B W 1. A, B, C W 2. A, B, nC W

31 31 Wykład 4 PROGNOZOWANIE WŁAŚCIWOŚCI MATERIAŁÓW Inżynieria Materiałowa SZTUCZNA INTELIGENCJA Sieciowe Systemy Informatyczne Dr hab. inż. Barbara Dębska, prof. PWSZ Krosno 4. Nadmiarowości typu NRD2: Źródłem nadmiarowości typu NRD2 jest interakcja bazy reguł i bazy ograniczeń. Np 1. A, nF W 2. G, B W 3. A, nH W 4. nB, nC F 5. A, D G 6. nB, nE H Baza Reguł Baza Ograniczeń 1. (C, D, E) 1. A, B W Baza Reguł redukują się do: NADMIAROWOŚCI W ROZWINIĘTYCH DOKŁADNYCH BAZACH REGUŁ c.d.

32 32 Wykład 4 PROGNOZOWANIE WŁAŚCIWOŚCI MATERIAŁÓW Inżynieria Materiałowa SZTUCZNA INTELIGENCJA Sieciowe Systemy Informatyczne Dr hab. inż. Barbara Dębska, prof. PWSZ Krosno


Pobierz ppt "1 Wykład 4 PROGNOZOWANIE WŁAŚCIWOŚCI MATERIAŁÓW Inżynieria Materiałowa SZTUCZNA INTELIGENCJA Sieciowe Systemy Informatyczne Dr hab. inż. Barbara Dębska,"

Podobne prezentacje


Reklamy Google