نﺎﺟﺮﯿﺳ ﺪﺣاو ﯽﻣﻼﺳا دازآ هﺎﮕﺸﻧادhajmohamadi.ir/wp-content/uploads/2015/11/ExpertSystems.pdf · هﺮﺒﺧ يﺎﻫ ﻢﺘﺴﯿﺳ. ﺎﺑ

سیستمهاي خبره و مهندسی دانش

دانشگاه آزاد اسالمی واحد سیرجان

93-94نیم سال دوم

1

کلیات درس

آشنایی با مفاهیم سیستم هاي خبره و روش هاي طراحی آن ها: هدفمراحل درس :

مفاهیم اولیه و شناخت کلی-1ویژگیهاي سیستم هاي خبره-2روش هاي ارائه دانش-3تکنیک هاي استنتاج-4اکتساب دانش-5استنتاج فازي-6

مرجع :Expert Systems Design and Development, John Durkin

نمره1مقاله –نمره 4کنفرانس –نمره 15امتحان پایانی : ارزیابی

[email protected]

Expert Systems

سیستمهاي خبره

2


، وروديسیستم مجموعه اي هدف دار از عناصر و روابط بین آنها است که شامل .می باشدبازخوردو خروجی، فرایند

خبرهسیستم هاي آشنایی با

تمتعریف سیس

اطالعاتی به شمارهر سیستم اولیه مواد : ورودي-1.می آیند

تبدیلمجموعه اي از اعمال منطقی براي : فرایند-2.ورودي هر سیستم به خروجی آن

کهشامل مواد پردازش شده مورد نیاز سازمانی ) در این درس اطالعات: (خروجی ها-3.سیستم در آن قرار دارد می باشد

سه جزء است که با تاثیر بر رويفرامینی شامل مجموعه ) روابط کنترلی: (بازخورد-4.منجر به رفع نقص و بهبود خروجی می شوددیگر

اجزاي سیستم

3

سیستم اطالعاتتعریف ین سیستمی که براي کاربران سازمان داده یا اطالعات فراهم می کند که اگر در ا

.ویندسیستم از کامپیوتر استفاده شود به آن سیستم اطالعات مکانیزه می گ

Data processing Systems)1950دوره (دادهپردازش -1Management Information Systems)مسایل ساختار یافته-1960(سیستم اطالعات مدیریت-2Decision Support Systems)مسایل نیمه ساختار یافته-1970(سیستم حمایت از تصمیم-3Expert Systems)مسایل ساختار نیافته-1980(سیستم خبره-4Executive Information Systems)1980(اجراییسیستم اطالعات مدیریت -5Group Decision Support Systems)1990(سیستم تصمیم گروهی-6Artificial Neural Network Systems)1990( شبکه عصبی مصنوعی-7

سیر تکامل سیستمهاي اطالعات



4

کاربردهاي هوش

مصنوعی

پردازش زبان طبیعی

ربات ها

شبکه هاي عصبی

سیستمهاي بینایی


اثبات تئوري



5



مفهوم خبرگیالعه دانشی است تخصصی که براي رسیدن به آن نیاز به مط(Expertise)خبرگی

.مفاهیم تخصصی و یا دوره هاي ویژه وجود دارد

تعریف سیستم خبرهره را در یک یک سیستم کامپیوتري است که شیوه تصمیم گیري یک شخص خب-1

زمینه خاص شبیه سازي می کندي و روش هاحقایق، دانشیک سیستم کامپیوتري است که با استفاده از -2

.مسائلی را حل می کند که نیاز به توانایی افراد خبره دارنداستداللی،

:سیستمهاي خبره براي حل مسائلی بکار میرود که : نکته.خاصی براي آن وجود نداردالگوریتم-1.دانش صریحی براي حل آن مساله وجود ندارد-2

6



هاجزاي اصلی سیستم خبر(Knowledge Base)پایگاه دانش -1(Inference Engine)موتور استنتاج -2(User Interface)واسط کاربري -3

7



(Knowledge Base)پایگاه دانش

یستم محلی است که دانش فرد خبره به صورت کد گذاري شده و قابل فهم براي س.ذخیره می شود

Knowledge representationبازنمایی دانش یا

د از آن براي حل بیان خبرگی در قالب دانش به نحوي که یک سیستم کامپیوتري بتوان.مسائل پیچیده استفاده کند

را به شخصی که توانایی کد گذاري دانش خبره و وارد کردن آن به پایگاه دانشknowledgeیا مهندس دانش دارد، engineerگویند.

خیره به طور کلی دانش معموال به صورت قواعد و عبارات شرطی در پایگاه دانش ذ...آنگاه ... مثل اگر . می شوند

8



(Inference Engine)موتور استنتاج

میدهد پردازنده اي است که حقایق موجود را با دانش موجود در پایگاه دانش تطبیق.تا درمورد مساله به نتیجه برسد

User Interfaceواسط کاربري

بخشی از سیستم خبره که مستقیما با کاربر در ارتباط استبرهکاربردهاي سیستم خ

جایگزینی براي فرد خبره-1تداوم کار در صورت عدم دسترسی به فرد خبره•کاهش هزینه•احساساتی نبودن سیستم و خستگی ناپذیري•

کمک و دستیاري-2

9



بره انواع مسائل قابل حل با سیستم خهواپیمامثال کنترل وضعیت بیمار یا کنترل اتوماتیک: (Control)مسائل کنترلی -1مثل نرم افزار اتوکد(Design)طراحی -2مثل تشخیص بیماري و یا عیب خودرو: (Diagnosis)تشخیص -3مثل نرم افزارهاي آموزش ریاضی: (Education)آموزش -4یمثال تفسیر وضعیت هوا از روي اطالعات هواشناس: (Interpretation)تفسیر -5مثل سیستم هوشمند پایش راهنمایی و رانندگی: (Monitoring)پایش -6ان مثال شبیه سازي وضعیت زلزله براي تست میز: (Simulation)شبیه سازي -7

آمادگی افراد براي مقابله با آنمثال پیش بینی آب و هوا: (Prediction)پیش بینی -8یمارمثال سیستم تجویز پزشکی بر اساس وضعیت ب: (Prescription)تجویز -9

10

پیاده سازي سیستم هاي خبره


ابزار

:خبرهبراي پیاده سازي یک سیستم

پوسته زبان

گري مانند محیط برنامه نویسی است که عالوه بر امکان برنامه نویسی وظایف دی: ابزار.می کندو تبدیل کدها به زبانهاي دیگر را فراهممدیریت فایل ها، نمایش گرافیکی

Lisp, Prolog, Cمثل . امکانات الزم براي کد نویسی را فراهم می کند: زبان

یستم خبره معموال به سیستم خبره فاقد دانش اشاره دارد و کاربر براي ایجاد س: پوستهMYCINمثل سیستم تشخیص پزشکی . باید پایگاه دانش آن را پر کند

11

مثل زبانهاي . در این زبانها، تعریف صورت مساله به حل مساله کمک می کندProlog, CLIPS



: (procedural)زبان هاي رویه اي -1

:یالگوهاي برنامه نویس

: (Non procedural)زبانهاي غیر رویه اي -2

Cزبانهاي مثل. در این زبانها باید روند و چگونگی انجام کار براي سیستم بیان شود, Pascal

A

C

BArc(A,B)Arc(B,C)Arc(C,B)Path(X,Y) if Arc(X,Y)Path(X,Y) if Arc(X,Z) && Arc(Z,Y)

Prolog

12

ساختار سیستم خبره


روش استدالل در یک فرد خبره

13

مثال

بله، روشن نمیشودشود؟نمیآیا ماشین روشن

ولت 10آیا ولتاژ باتري زیر است؟

ولت 8ولتاژ باتري بلهاست

مشکل از باتري است

14



روش استدالل در یک سیستم خبره

15



روش استدالل در یک سیستم خبره

اطالعات حافظه کاري

پایگاه دانش

حقایق جدید

ذخیره

یقطب

ت استنتاج

ذخیره

16



امکان توضیح روند استدالل

با . تمشخصه بارز سیستمهاي خبره، توانایی شان در توضیح استدالل شان اسچنین (Why)، سیستم می تواند براي کاربر توضیح دهد که چرا ماژولبکارگیري این

.به نتیجه نهایی رسیده است(How)سوالی از کاربر میکند و چگونه

Why? How?

17



مقایسه سیستم خبره و برنامه هاي کاربردي متعارف18



افراد درگیر در پروژه سیستم خبره

19

مهندسی دانش


(Knowledge Engineering)مهندسی دانش .فرایند ساخت یک سیستم خبره را مهندسی دانش گویند

فاز هاي مهندسی دانش

(Assessment)ارزیابی -1(Knowledge Acquisition)اکتساب دانش -2(Design)طراحی -3(Test)آزمون -4(Documentation)مستند سازي -5(Maintenance)نگهداري -6

20

ارائه دانش


(Knowledge)تعریف دانش.فهم و درك از یک بستر موضوعی مشخص را دانش گویند

(Knowledge Representation)ارائه دانش ار گرفته روشی است براي کد کردن دانشی که در پایگاه دانش یک سیستم خبره بک

.می شود

22

ارائه دانش


انواع دانشدانشی است که چگونگی حل یک مساله : (Procedural Knowledge)دانش رویه اي -1

اي قوانین، استراتژي ها، دستور کارها و رویه ها انواع رایج دانش رویه. را توضیح می دهد.هستند

دانشی است که بخش هاي شناخته شده : (Declarative Knowledge)دانش توصیفی -2.دارنداین دانش شامل عبارتهایی است که ارزش درست یا نادرست. مساله را تشریح می کند

دانشی است که چگونگی استفاده از دانش را مشخص: (Meta-knowledge)فرا دانش -3.وداین نوع دانش براي انتخاب دانش مناسب براي حل یک مساله استفاده می ش. می کند

این نوع دانش تجربه اي است و فرد خبره : (Heuristic Knowledge)دانش ابتکاري -4گاهی دانش سطحی. از طریق تجربه در حل مسائل گذشته آن را بدست می آورد

(Shallow Knowledge)نیز نامیده می شود.. ساختار هاي دانش را تشریح می کند: (Structural Knowledge)دانش ساختاري -5

. این دانش معموال مدل ذهنی یک فرد خبره را براي یک مساله توصیف می کند

23

ارائه دانش


روشهاي ارائه دانش(O-A-V)سه گانه شیء، صفت، مقدار -1(Rules)قوانین -2(Semantic Networks)شبکه هاي معنایی -3(Frames)قاب ها-4(Logic)منطق -5

عات هر کدام از این تکنیک ها بر روي بخشی از اطالعات مساله تاکید دارند و اطالنواع هر تکنیک، نقاط قوت و ضعف خاص خودش را ارائه ا. دیگر را نادیده می گیرند

. دانش دارد

24

ارائه دانش


(Object-Attribute-Value)(O-A-V)مقدار گانه شیء، صفت، سه -1.در بیان یک واقعیت می توان از رابطه یک شیء با یک صفت و یک مقدار بهره گرفت

. هم گفته می شودprepositionاز دانش توصیفی است و در هوش مصنوعی به آن فرمییک واقعیت

مثالصندلی قهوه اي

رنگ

Object Attribute Value

توپ

رسانتیمت10

قرمز

گرم100

قطررنگ

وزن

Object Attribute Value

تک صفت

چند صفت

Preposition: The chair’s color is brown

25

ارائه دانش


:رانواع صفت از نظر تعداد مقادیتک مقداري مثل وزن توپ-1)ناسیدیپلم، کارش( چند مقداري مثل مقاطع تحصیلی گذرانده شده یک دانشجو -2

)حقایق(انواع مقادیر

مثل وزن توپ(Certain facts)حقایق قطعی -1حقایقی که به صورت نا دقیق ارائه می (Uncertain facts)حقایق غیر قطعی-2

.همراه است» شاید«و یا » احتماال«شوند و معموال با کلماتی مثل

یک روش متداول براي مدیریت اطالعات نا دقیق استفاده از ضریب قطعیت (Certainty factor)در این روش به هر حقیقت یک ضریب قطعیت . می باشد

.انتصاب داده می شود که میزان قطعیت آن را مشخص میکند

26

ارائه دانش


(Certainty Factor)ضریب قطعیت .ضریب قطعیت نشانگر درجه باور ما نسبت به یک حقیقت است

مثال

وضعیت آب و هوا

بارانیپیش بینی

0.6

Object Attribute Value CF

کامال نادرست درستکامال

Preposition: it probably will rain today

27

ارائه دانش


(Fuzzy facts)فازيحقایق هم بخش دیگري که عدم قطعیت می تواند به دنیاي سیستم هاي خبره ورود کند نیاز به ارائه واژه هاي مب

(Ambiguous terms)یدمثال عبارت زیر را در نظر بگیر. است که در زبان طبیعی زیاد استفاده می شود:».این شخص بلند قد است«

فازيفاده از منطق این مشکل با است. استفاده از واژه بلند قد مبهم است و تفسیر آن بوسیله کامپیوتر مشکل است(Fuzzy Logic)کندروشهایی براي ارائه و استنتاج با واژه هاي مبهم را معرفی میفازيمنطق . قابل حل است.

قد

کوتاهمتوسطبلند

1

01.5 1.7 1.9

28

ارائه دانش


قوانین-2ده ساختاري از دانش است که اطالعات شناخته شده اي را به اطالعات شناخته ش

.دیگر مرتبط می سازد که می تواند مورد استنتاج قرار گیرد

مثالRule 1: IF the ball’s color is red THEN I like the ballRule 2: IF I like the ball THEN I will buy the ball…

Knowledge Base

Ball’s color is red

Q: Ball’s Color?A: Red

Step 1 Step 2

Step 3

Step 4Step 5

Ball’s color is redI like the ball

Ball’s color is redI like the ball

I will buy the ball

Working memory

Rule 1: IF the ball’s color is red THEN I like the ballRule 2: IF I like the ball THEN I will buy the ball…

Rule 1: IF the ball’s color is red THEN I like the ballRule 2: IF I like the ball THEN I will buy the ball…

29

ارائه دانش


:انواع قوانیندر این نوع قوانین رابطه بین علت و معلول وجود دارد: (Relationship)قوانین رابطه اي-1

If the battery is dead THEN the car will not startحاوي توصیه یا پیشنهاد هستند: (Recommendation)قوانین توصیه اي-2

IF the car will not start THEN you can take the cabاین قوانین به یک جمله امري ختم می شوند: (Directive)قوانین دستوري-3

IF the car will not start THEN check out the electrical system.معموال مراحل انجام کار را بیان می کنند: (Strategy)قوانین راهبردي-4

IF the car will not start THEN check out the fuel system THEN check out the electrical system

داین قوانین بیان می کنند که از چه قانونی باید استفاده شو: (Meta-Rules)فرا قوانین-5IF the car will not start AND the electrical system is operating normally THEN use rules concerning the fuel system

30

ارائه دانش


(Semantic Networks)شبکه هاي معنایی -3یالهاره ها و هستند که از گگرافشبکه هاي معنایی روشی براي بازنمایی دانش با استفاده از

. ی باشندماشیاءنشانگر ارتباط بین یالهاو اشیاءمعموال گره ها بیانگر . اندتشکیل شده

بال

قناريپرنده

پرواز

Is A

Has

Travel

داراي یالها، هم گره ها و هم گرافدر این •.برچسب هستند

از شبکه هاي بیان واقعیت ها معموال براي •.معنایی استفاده می شود

.قناري یک پرنده است: مثال.پرنده بال دارد

یالهايجزو Hasو Is Aبا برچسب هایییال •.پر کاربرد در شبکه هاي معنایی است

31

ارائه دانش


توسعه شبکه معنایی

. یک ویژگی مهم در شبکه هاي معنایی وراثت استمعموال ویژگی ها و خواص می توانند به ارث برده

)Is Aمعموال از طریق یال .(شوند

بال


پرواز

Is A

Has

Travel

هوا

حیوانIs A

Breathe

یوراثت در شبکه معنای

:گسترش شبکه معنایی با استفاده از سه روش صورت می گیردمفاهیم مشابه-3عام تر شدن -2خاص تر شدن -1

32

ارائه دانش


(Frames)قابها -4.اگر به شبکه هاي معنایی مفهوم رویه را اضافه کنیم، تشکیل قاب می دهد

Semantic Network + Procedure = Frame.گرایی استشیءدر شیءمفهوم فریم مشابه مفهوم

Data(Properties)+Procedures = Object

Frame Name:

Class:

Properties:

Object 1

Object 2

Property 1 Value 1

Property 2 Value 2

… …

33

ارائه دانش


(Frames)قابها -4.اگر به شبکه هاي معنایی مفهوم رویه را اضافه کنیم، تشکیل قاب می دهد

Semantic Network + Procedure = Frame.گرایی استشیءدر شیءمفهوم فریم مشابه مفهوم

Data(Properties)+Procedures = Object

Frame Name:

Class:

Properties:


رنگ زرد

غذا گندم

… …

34

ارائه دانش


(Logic)منطق -5ئین ترین تمام زبانهاي ارائه دانش در پا. قدیمی ترین روش ارائه دانش در کامپیوتر منطق است

.ره استبنابراین منطق، پایه ساخت تقریبا همه سیستم هاي خب. سطح به منطق می رسند

انواع منطق(Propositional logic)منطق گزاره اي-1(Predicate Logic)منطق مسندي -2

منطق گزاره اي.در منطق گزاره اي هر گزاره با یک نماد یا سمبل نمایش داده می شود

A = the car will startB = it is too far to walk to the workC = I will miss my workA B C∧ →

35

ارائه دانش


جداول درستی گزاره ها

C A B= →

36

ارائه دانش


)یا حساب مسندي(منطق مسندي را امکانپذیر حساب مسندي که گسترش یافته منطق گزاره اي است، بازنمایی دقیقتري از دانش

.دو توابع، پردازش دانش را بهبود می بخشمتغییرهااین روش با استفاده از . می کندا با حروف بزرگ نمایش داده می شوند و ثابت ها بمتغییرهادر حساب مسندي معموال •

حروف کوچک:مثالی از یک مسند

Like (john, mary)maryو johnمسند است و likeدر این مثال . در اینجا مسند رابطه بین مفاهیم است

.هستندپارامترهاLike(X,Y)

.است(False)و یا نادرست (True)همیشه درست (predicate)خروجی یک مسند After(X,Y): مثال After(Y,Z) After(X,Z)∧ →

37

ارائه دانش


(Universal Quantifier)سور عمومی

.وقتی که بخواهیم موردي را براي تمامی حاالت ذکر کنیم از سور عمومی استفاده می شود, ( , )X Like X mary∀

(Existential Quantifier)وجوديسور

استفادهوجوديوقتی بخواهیم وجود حداقل یک مورد را براي یک گزاره ذکر کنیم از سور می شود

, ( , )X Like X mary∃

(Modus Ponens)حذف استنتاج

را، Bنتیجه بدهد Aدرست باشد و Aیک شکل ساده استنتاج است که مشخص می کند اگر گزاره این روش ساده براي استنتاج اطالعات . هم درست استBآنگاه گزاره

جدید از اطالعات موجود، اساس استنتاج .در سیستم هاي هوشمند است

IF A is true AND A B THEN B is true

→

38

ارائه دانش


رباتکنترل بازوي : مثال

Aبر روي Bمکعبقرار دادن : هدفچیزي قرار داده شده نباشد و بازوي Aمکعببراي این منظور باید بر روي

ت زیر این شرایط را با استفاده از عبار. را نگه داشته باشدBمکعبهم ربات.می توان نشان داد

:به صورت کلی می توان گفت

ي یک باید انجام دهد، بررسی خالی بودن رورباتیکی از اولین کارهایی که .(Clear)است بالك

.اج کردبا تطبیق این گزاره با گزاره هاي اولیه می توان حقایق زیر را استنت

.گزاره هاي الزم را بنویسیدHoldingبراي : تمرین

put_on(b,a)

Holding(hand,b) Clear(a) put_on(b,a)∧ →

X Y (Holding(hand,X) Clear(Y) put_on(X,Y))∀ ∃ ∧ →

X ( Y On(Y,X) Clear(X))∀ ¬∃ →

Clear(c) Clear(d) Clear(e)

39

روشهاي استنتاج


(Reasoning)استدالل

ا استدالل فرایند کار با دانش، حقایق و استراتژي هاي حل مساله به منظور رسیدن به یک نتیجه ر.گویند

:روش هاي استدالل

(Deductive Reasoning)استنباطیاستدالل -1(Inductive Reasoning)استقراییاستدالل -2Abductive)استدالل انتزاعی -3 Reasoning)(Analogical Reasoning)استدالل قیاسی -4(Common Sense Reasoning)استدالل عقل سلیم -5

40



(Deductive Reasoning)استنباطیاستدالل -1

این روش حقایق مساله، اصول و دانش عمومی .روش از کل به جزء استاستنباطیروش استدالل ا مجموعه فرایند استدالل با مقایسه اصول ب. مرتبط با آنها را به صورت قوانین استفاده می کند

.قوانین آغاز می شود تا اصول جدیدي نتیجه گیري شود: مثال

Rule : I will get wet if I stand in the rainAxiom : I am standing in the rainConclusion : I will get wet

.تاساستنباطیبراي استنتاج، شکل پایه اي استدالل (Modus Ponens)قانون حذف استنتاجIf A is true and A→B is true Then B is true

41



(Inductive Reasoning)استقراییاستدالل -2

را براي استقراییانسانها استدالل .روش از جزء به کل استاستقراییروش استدالل رایند رسیدن به نتایج کلی، با استفاده از مجموعه اي محدود از حقایق و با کمک ف

.تعمیم بکار می برند: مثال

Premise: X uses medicine K then get betterPremise: Y uses medicine K then get betterConclusion: Every body use medicine K will get better.

.این روش استدالل همیشه درست نیست.از این روش می توان براي ایجاد قوانین جدید استفاده کرد

42



Abductive)استدالل انتزاعی -3 Reasoning)

لول به که از علت به معلول می رسد، در این نوع استدالل از معاستنباطیبر خالف استدالل .علت می رسیم

:مثالRule : Ground is wet if it is rainingAxiom: Ground is wetConclusion: It is raning

.این روش هم ممکن است نتایج درستی نداشته باشد

(Analogical Reasoning)استدالل قیاسی -4

.با یکدیگر بدست می آیدشیءاستدالل قیاسی از مقایسه دو مفهوم یا را دارد می تواند با مقایسه از بعضی از این Xکه اطالعات مربوط به خودرو متخصصیمثال

.هم استفاده کند Yاطالعات براي خودرو

43



(Common-Sense Reasoning)استدالل عقل سلیم -544



(Inference)استنتاج

لی بدست می فرایند بکار گرفته شده در سیستم خبره است که اطالعات جدید را از اطالعات قب.آورد(Resolution)حل

می کند این روش تالش. است که صحت یک ادعا را اثبات می کنداستنتاجییک استراتژي در .را با استفاده از مجموعه اي از اصول مرتبط با مساله اثبات کندPتئوري یا هدفی مانند

در روند ). برهان خلف(تواند درست باشد نمیPواقع سعی می کند ثابت کند که نقیض .گویندResolventاثبات، عبارتهاي جدیدي ایجاد می شود که به آنها

: مثال

Cهم درست باشد می توان نتیجه گرفت که Bیا نقیض Cدرست باشد و Aیا Bیعنی اگر تا زمانی که به یک تناقض برسیم ادامه هاResolventروند تولید . هم درست استAیا

.می یابد

B A , C B C A∨ ∨¬ ⇒ ∨

45



مثال:گزاره هاي زیر را در نظر بگیرید

E1: Temperature > 37E2: Patient has high temperatureE3: Advise 2 aspirins

1 2

2

1

1. E E : IF temperature>37 THEN patient has high temperature2. E E3 : IF patient has high temperature THEN advise 2 aspirins 3. E : temperature > 37

¬ ∨¬ ∨

درست استE3می خواهیم ثابت کنیم

1 2

2

1

3

1. E E 2. E E3 3. E4. E

¬ ∨¬ ∨

¬

1 2

2

1

3

1 3

1. E E 2. E E3 3. E4. E5. E E

¬ ∨¬ ∨

¬¬ ∨

1 2

2

1

3

1 3

3

1. E E 2. E E3 3. E4. E5. E E6.E

¬ ∨¬ ∨

¬¬ ∨

1 2

2 3

1 3

E E E E E E

¬ ∨¬ ∨¬ ∨

1

1 3

3

E E E

E¬ ∨

تناقض

46



(Forward Chaining)زنجیره پیشرو

ا استفاده است که با مجموعه اي از حقایق شناخته شده آغاز می شود و حقایق جدیدي باستنتاجیروش توان از قانونی این روند تا زمانی که دیگر ن. از قوانینی که با حقایق تطبیق داده می شوند تولید می شود

.در روند استنتاج استفاده کرد ادامه می یابد

وارد کردن اطالعات در حافظه کاري

بررسی اولین قانون

قانون با حقایق تطبیق

دارد؟

اضافه کردن نتیجه قانونبه حافظه کاري

قانونی باقی مانده است؟

بررسی قانون بعدي

پایان

47



مثال48



مثال

است42دماي بدن بیمار بیمار به مدت دو ماه بیمار است

بیمار درد در ناحیه گلو دارد2قانون


.بیمار درد در ناحیه گلو داردبیمار تب دارد



3قانون



تبیمار مظنون به داشتن عفونت باکتریایی اس

1قانون



.تبیمار مظنون به داشتن عفونت باکتریایی اسبیمار گلو درد میکروبی دارد



بیمار مظنون به داشتن عفونت باکتریایی است

49



حل تداخل ها50



(Backward Chaining)پسروزنجیره 51



مثال52



مثال

:هدفبیمار گلو درد میکروبی دارد 1قانون

آیا بیمار گلو درد دارد؟به داشتن عفونت مضنونآیا بیمار

باکتریایی هست؟

:زیر هدفبه داشتن عفونت مضنونبیمار

هستباکتریایی 3قانون آیا بیمار تب دارد؟

آیا بیمار بیش از یک ماه مریض است؟

2قانون Primitive:درجه است؟40آیا دماي بدن بیمار بیش از

:زیر هدف؟بیمار تب داردآیا

53



)Primitive(اطالعات ابتدایی 54



مزایا و معایب زنجیره پیشرو55



پسرومزایا و معایب زنجیره 56

آشنایی با سیستم هاي فازي


:مقدمه

(Linguistic Variables)تعریف متغیرهاي زبان شناختی

مثال . ی شوددر زندگی روزمره، معموال کلماتی را بکار می بریم که اغلب براي توصیف متغیرها استفاده م» واه«براي توصیف » زیاد«و » سرد«، از واژه هاي »سرعت زیاد است«است یا » هوا سرد«گوییم وقتی می

یان را به عنوان مقدار ب» زیاد«، واژه »سرعت«در این عبارات، مثال براي متغیر . ایماستفاده کرده» سرعت«و را اختیار ... ، و Km/h ،80 Km/h 40تواند مقادیري نظیر می» سرعت«واضح است که متغیر . ایمکرده. کند

موله کردن هنگامیکه یک متغیر اعداد را به عنوان مقدار بپذیرد، ما یک چارچوب ریاضی مشخص براي فرصی اما هنگامیکه یک متغیر واژه ها را به عنوان مقدار بپذیرد، در این صورت چارچوب مشخ. آن داریم

.براي فرموله کردن آن در تئوري ریاضیات کالسیک نداریمافراد ابع، یکی از این من. در واقع در سیستم هاي عملی، اطالعات از دو منبع متفاوت سرچشمه می گیرند

ابزار هاي یگر، منبع د. با زبان طبیعی بیان می کنندهستند که دانش و آگاهی خود را در مورد سیستم خبره سبه می محابا استفاده از قواعد فیزیکی و یا مدل هاي ریاضی هستند که مقادیر را اندازه گیري دقیق

.کنند

57



0

1)100>سرعت(زیاد

0 100 Km/h 120سرعت

سرعت زیاد µ(120) = 1.0

90

سرعت زیاد نیست µ(90) = 0.0

. کیلومتر بر ساعت را سرعت زیاد در نظر بگیریم100سرعت بیشتر از : مثال:به صورت زیر تعریف می شود» سرعت زیاد«به عبارت دیگر، مجموعه

سرعت زیاد {100<سرعت |سرعت} =

58



:مقدمه

0

1سرعت کمسرعت زیاد

100 Km/h سرعت

کمسرعت {100>سرعت |سرعت} =

59



:مقدمه

0


100 Km/h سرعت

سرعت متوسط

80 120

متوسطسرعت سرعت and 80<سرعت |سرعت} = <120}

کمسرعت {80>سرعت |سرعت} =سرعت زیاد {120<سرعت |سرعت} =

60



مجموعه هاي فازي

0


100 Km/h سرعت

سرعت متوسط

80 12060 14070

µ = 0.3

µ = 0.7

61




0


100 Km/h سرعت

سرعت متوسط

80 12060 14095

µ = 0.1

µ = 0.9

62




0


100 Km/h سرعت

سرعت متوسط

80 12060 140135

µ = 0.1

µ = 0.9

63

Complementعملگر



عمل گرهاي فازي

0

1

( ) 1 ( )AA x xµ µ= −

AA

x

64

ORیا Unionعملگر




0

1 ( ) [ ( ), ( )]A B A Bx Max x xµ µ µ=

B

x

A

65

ANDیا Intersectionعملگر




0

1B

x

A( ) [ ( ), ( )]A B A Bx Min x xµ µ µ=

66



انواع توابع عضویت فازي67



(Fuzzy inference system)سیستم استنتاج فازي 68



کنترل کننده فازي براي کنترل موتور کولر بر اساس دماي محیط: مثال

سیستم کنترل کننده فازي

دماي محیط جریان وروديبه موتور

)بر اساس دانش یک فرد خبره( قوانین کنترل If Temperature is Very Cold then Motor speed is Very SlowIf Temperature is Cold then Motor speed is SlowIf Temperature is Average then Motor speed is MediumIf Temperature is Hot then Motor speed is FastIf Temperature is Very Hot then Motor speed is Very Fast

69



Fuzzification

0

1Very HotVery Cold

24

Temperature °C

Average

12 360 48

Cold Hot

مجموعه هاي فازي مرتبط با دماي محیط

70



Fuzzification

0

1Very FastVery Slow

300

Medium

200 400100 500

Slow Fast

Current (mA)

)جریان ورودي به موتور(مجموعه هاي فازي مرتبط با سرعت موتور

71



نحوه عملکرد سیستم فازي

0

1Very FastVery Slow

300

Current (mA)

Medium

200 400100 500

Slow Fast

0

1 Very HotVery Cold

24

Temperature °C

Average

12 360 48

Cold Hot

If Temperature is Very Cold then Motor speed is Very SlowIf Temperature is Cold then Motor speed is SlowIf Temperature is Average then Motor speed is MediumIf Temperature is Hot then Motor speed is FastIf Temperature is Very Hot then Motor speed is Very Fast

0.75µ =

Temperature = 39°C

39

0.75µ =

0.75µ =

72




0

1 Very HotVery Cold

24

Temperature °C

Average

12 360 48

Cold Hot


0.75µ =

Temperature = 39°C

39

0.75µ =

0

1

300

Current (mA)

200 400100 500

Fast

0.75µ =

73




0

1 Very FastVery Slow

300

Current (mA)

Medium

200 400100 500

Slow Fast

0

1 Very HotVery Cold

24

Temperature °C

Average

12 360 48

Cold Hot


0.25µ =

Temperature = 39°C

39

0.25µ =

0.25µ =

74




0

1 Very Fast

300

Current (mA)

200 400100 500

0

1 Very HotVery Cold

24

Temperature °C

Average

12 360 48

Cold Hot


0.25µ =

Temperature = 39°C

39

0.25µ =

0.25µ =

75




0

1 Very Fast

300 Current (mA)200 400100 500

0

1 Very HotVery Cold

24

Temperature °C

Average

12 360 48

Cold Hot


0.25µ =

Temperature = 39°C

39

0.25µ =

0.25µ =

76



Defuzzification

0

1 Very Fast

300 Current (mA)200 400100 500

0

1 Very HotVery Cold

24

Temperature °C

Average

12 360 48

Cold Hot


0.25µ =

Temperature = 39°C

39

0.25µ =

0.75µ =

0.75µ =

Fast

77



Defuzzification

0

1 Very HotVery Cold

24

Temperature °C

Average

12 360 48

Cold Hot


0.25µ =

Temperature = 39°C

39

0.25µ =

0.75µ =

0.75µ =

0

1 Very Fast

300 Current (mA)200 400100 500

Fast

78



Defuzzification method (Centroid)

0

1

300 Current (mA)200 400100 500

1x

2x 3x

4x 5x

2 3,u u

4 5,u u

1u

1

1

n

i ii

n

ii

x uO

u

=

=

×=∑

∑

300 0 375 0.75 425 0.75 475 0.25 600 0.25 453.1250 0.75 0.75 0.25 0.25

o × + × + × + × + ×= =

+ + + +

79



کنترل کننده فازي براي کنترل موتور کولر بر اساس دماي محیط: مثال

سیستم کنترل کننده فازي

دماي محیط جریان وروديبه موتور

)بر اساس دانش یک فرد خبره( قوانین کنترل If Temperature is Very Cold then Motor speed is Very SlowIf Temperature is Cold then Motor speed is SlowIf Temperature is Average then Motor speed is MediumIf Temperature is Hot then Motor speed is FastIf Temperature is Very Hot then Motor speed is Very Fast

39°C 453.125 mA

80



)مدلی با دو ورودي و یک خروجی(کنترل کننده فازي براي کنترل دریچه توربین بخار: مثال

سیستم کنترل کننده فازيدماي محیط

درجه توربین

)بر اساس دانش یک فرد خبره( قوانین کنترل

If Temperature is Cool AND Pressure is Weak then Throttle is N3If Temperature is Cold AND Pressure is Low then Throttle is N2If Temperature is Normal AND Pressure is Ok then Throttle is N1If Temperature is Cool AND Pressure is Strong then Throttle is P1………..

فشار

81



Fuzzification

0

1 HotCool

24

Temperature °C

Normal

12 360 48

Cold Warm

مجموعه هاي فازي مرتبط با ورودي ها و خروجی

0

1 HighWeak

140

Pressure Bar

Ok

120 160100 180

Low Strong 0

1 P1N3

30

Throttle

N1

20 4010 50

N2 Z

82



Fuzzification

0

1 HotCool

24

Temperature °C

Normal

12 360 48

Cold Warm

0

1 HighWeak

140

Pressure Bar

Ok

120 160100 180

Low Strong 0

1 P1N3

30

Throttle

N1

20 4010 50

N2 Z

If Temperature is Cold AND Pressure is Low then Throttle is N2

0.7

0.42

0.42

83



Fuzzification

0

1 HotCool

24

Temperature °C

Normal

12 360 48

Cold Warm

0

1 HighWeak

140

Pressure Bar

Ok

120 160100 180

Low Strong 0

1 P1N3

30

Throttle

N1

20 4010 50

N2 Z

If Temperature is Normal AND Pressure is Ok then Throttle is N1

0.3

0.56

0.3

84



Defuzzification

0

1

30

Throttle

N1

20 4010 50

N2

85



Defuzzification

0

1

30

Throttle

N1

20 4010 50

N2

86



Defuzzification

0

1

30

Throttle

N1

20 4010 50

N2

87

Documents

نﺎﺟﺮﯿﺳ ﺪﺣاو ﯽﻣﻼﺳا دازآ هﺎﮕﺸﻧادhajmohamadi.ir/wp-content/uploads/2015/11/ExpertSystems.pdf · هﺮﺒﺧ يﺎﻫ ﻢﺘﺴﯿﺳ. ﺎﺑ