Системно-объектное классификационное моделирование концептуальных и эмпирических знаний тема диссертации и автореферата по ВАК РФ 00.00.00, кандидат наук Гуль Светлана Владимировна

• Гуль Светлана Владимировна
• кандидат наук
• 2025

Оглавление диссертации кандидат наук Гуль Светлана Владимировна

ВВЕДЕНИЕ

ГЛАВА 1 ОБЗОР И АНАЛИЗ ПРОБЛЕМ ПРЕДСТАВЛЕНИЯ ЗНАНИЙ В ИНТЕЛЛЕКТУАЛЬНЫХ ИНФОРМАЦИОННЫХ СИСТЕМАХ

1.1 Представление знаний в интеллектуальных ИС: состояние и задачи

1.2 Проблемы моделирования знаний

1.3 Недостатки существующих концептуальных классификационных моделей знаний

1.4 Постановка задачи диссертационного исследования

Выводы

ГЛАВА 2 ВЫБОР СРЕДСТВ РЕШЕНИЯ ПОСТАВЛЕННЫХ ЗАДАЧ

2.1 Особенности системно-структурного подхода

2.2 Особенности и возможности системно-объектного подхода

2.3 Исследование идей многомерного классифицирования и естественной классификации

2.4 Исследование возможностей дескрипционной логики для формализации описания трехмерной концептуальной классификационной модели и взаимосвязи ее элементов

Выводы

ГЛАВА 3 РАЗРАБОТКА МЕТОДА ПОСТРОЕНИЯ ТРЕХМЕРНОЙ МОДЕЛИ ВЗАИМОСВЯЗАННЫХ КОНЦЕПТУАЛЬНЫХ И ЭМПИРИЧЕСКИХ ЗНАНИЙ НА ОСНОВЕ СИСТЕМНО-ОБЪЕКТНОГО ПОДХОДА

3.1 Процедура системно-объектного классификационного анализа предметной области

3.2 Разработка метода и алгоритма построения трехмерной классификации

3.3 Учет эмпирических знаний с помощью системно-объектной трехмерной классификации

3.4 Формальное описание трехмерной концептуальной классификационной модели и взаимосвязей ее элементов для обеспечения вывода

3.5 Разработка методов и алгоритмов прогнозирование и управления с помощью трехмерной модели взаимосвязанных концептуальных и эмпирических знаний

Выводы

ГЛАВА 4 АПРОБАЦИЯ МЕТОДА И АЛГОРИТМА ПОСТРОЕНИЯ СИСТЕМНО-ОБЪЕКТНОЙ ТРЕХМЕРНОЙ КОНЦЕПТУАЛЬНОЙ МОДЕЛИ ЗНАНИЙ И ЕЕ

ИНСТРУМЕНТАЛЬНАЯ ПОДДЕРЖКА

4.1 Модель знаний о предметной области «Чрезвычайная ситуация»

4.2 Модель знаний о предметной области «Приборы функциональной диагностики»

4.3 Инструментальная поддержка построения и использования системно -объектной трехмерной классификации

Выводы

ВЫВОДЫ И РЕЗУЛЬТАТЫ

РЕКОМЕНДАЦИИ

ЗАКЛЮЧЕНИЕ

СПИСОК ЛИТЕРАТУРЫ

ПРИЛОЖЕНИЕ А. КЛАССИФИКАЦИЯ ЗНАНИЙ

ВВЕДЕНИЕ

Введение диссертации (часть автореферата) на тему «Системно-объектное классификационное моделирование концептуальных и эмпирических знаний»

Актуальность темы исследования.

Обзор литературы по искусственному интеллекту показывает, что одной из важнейших проблем, решаемых в рамках данного научно-практического направления, является проблема представления знаний (ПЗ) в компьютерных (информационных) системах (ИС). В настоящее время разработаны десятки способов ПЗ, однако, до конца решить задачу обеспечения осмысленной обработки представляемых знаний и их однозначной интерпретации ИС, пока, не удалось. Тем не менее в сфере интеллектуальных информационных технологий широко применяются модели и базы знаний, которые снижают расходы на подготовку персонала, проверку работоспособности и надежности разрабатываемых систем, а также уменьшают время анализа и проектирования. Для моделирования знаний используются различные методы ПЗ, среди которых продукционные системы, фреймовые системы, логические модели, семантические сети получили наибольшее распространение. Мировой опыт разработки и эксплуатации моделей и баз знаний показал их полезность и определенную эффективность, но, в то же время, выявил ряд существенных недостатков.

В связи с заданной темой исследования особый интерес представляют семантические сети, описывающие взаимосвязи между классами объектов и представляющие собой концептуальные модели предметной области (ПрО), так как под концептуализацией понимается представление предметной области через описание множества понятий (концептов) ПрО и связей между ними. При этом вполне естественно отождествлять концептуальные модели ПрО с онтологиями -видом информационных моделей, получившим широкое признание за последнее время и представляющими собой еще один способ представления знаний. В специальной литературе отмечается, например, что разработка онтологий ПрО является сложным и трудоемким процессом в первую очередь в связи с тем, что, пока, не существует очевидного способа классификации понятий реального мира и

выделения базисных понятий, а также не существует объективных способов оценки создаваемой онтологии.

Специфическим видом концептуальной модели можно считать иерархическую родовидовую классификацию. В виде подобных классификаций фиксируются знания во многих научных дисциплинах и нормативных государственных классификаторах. Очевидно, это обусловлено тем, что понятия (понятийные знания), в которых отражаются классы объектов, хранятся в памяти человека в виде иерархических классификационных структур, что давно обосновано средствами психолингвистики. Следовательно, ПЗ в компьютере в виде иерархической родовидовой классификации в большей степени соответствует человеческому мировосприятию, чем ПЗ другими способами. При этом, например, в области онтологического моделирования однозначно считается, что создание системы классификации понятий является приоритетной задачей при построении онтологий для слабо формализуемых предметных областей. В литературе подчеркивается, что онтология ПрО - это концептуальная модель реального мира и ее понятия должны отражать эту реальность, а также уточняется, что вершиной онтографа должно быть родовое понятие, которое не имеет надкласса, а нижний уровень представляют собой конкретные понятия, т.е. понятия, не имеющие видовых понятий в заданной ПрО.

При этом в публикациях по вопросам представления знаний, в том числе по вопросам создания концептуальных классификационных моделей (ККМ) и онтологий, ничего не говорится о применении системного подхода и учете каких-либо системных закономерностей в представляемых знаниях. Более того подчеркивается, что пренебрежение закономерностями системного подхода снижает качество онтологических моделей. Следствием данного обстоятельства можно считать утверждение специалистов о том, что методологии структурного анализа и различные технологии инженерии знаний в общем случае не предлагают систематической процедуры или формализма, позволяющего «вывести» структуру понятий и отношений ПрО из доступных о ней данных.

С точки зрения автора это является большой проблемой, так как не гарантирует использование знаний о существенных свойствах выбранной предметной области, что, естественно, снижает эффективность метода представления знаний и соответствующей моделей знаний.

В следствии сказанного можно сформулировать следующие положения, определяющие актуальность данного исследования.

- Одной из важнейших проблем в рамках ИИ является проблема представления знаний (ПЗ) в интеллектуальных информационных системах.

- При решении задач ПЗ часто используются концептуальные классификационные модели (ККМ) предметной области (ПрО), описывающие множество понятий (концептов/классов) ПрО.

- Иерархическая родовидовая классификация (ИРК) - вид ККМ, с помощью которых фиксируются знания во многих научных дисциплинах и нормативных государственных классификаторах.

- Понятия (понятийные знания), в которых отражаются классы объектов, хранятся в памяти человека в виде ИРК, что давно обосновано средствами психолингвистики. Следовательно, ПЗ в компьютере в виде ИРК в большей степени соответствует человеческому мировосприятию, чем ПЗ другими способами.

- При этом существующие ККМ/ИРК не лишены недостатков, связанных, как это отмечается в публикациях, с пренебрежение закономерностями системного подхода при их создании, что приводит к пересечению классов или смене оснований деления классов, а самое главное к незначительному эффекту от их использования.

- Создание ККМ/ИРК является сложным и трудоемким процессом в первую очередь в связи с тем, что, пока, не существует очевидного способа классификации понятий реального мира и выделения базисных понятий, так как методологии структурного анализа и различные технологии инженерии знаний в общем случае не предлагают систематической процедуры или формализма,

позволяющего «вывести» структуру понятий и отношений ПрО из доступных о ней данных.

Представленная выше ситуация обеспечивает актуальность темы исследования, в результате которого предполагается создать способ представления знаний, использующий системный подход и обеспечивающий учет системных характеристик и отношений, что позволит скомпенсировать хотя бы некоторые недостатки существующих способов ПЗ.

При этом, в связи со сказанным выше, предлагается применить системный (системно-объектный) подход именно к иерархической родовидовой классификации как перспективной ККМ знаний.

Степень разработанности проблемы.

Исследования методов ПЗ, в том числе ККМ нашли отражение в трудах зарубежных и отечественных учёных: Баланова Л.А., Волкова Г.А., Воронин Ю.А., Гаврилова Т.А., Грибова В.В., Загорулько Ю.А., Карпов В.Э., Любищев А.А., Микони С.В., Полещук Ю.М., Проскурин А.В., Ранганатан Ш.Р., Розова С.С., Сосинская С.С., Субетто А.И., Хорошевский В.Ф., Шаров А.А., Шрейдер Ю.А., Ющенко Е.В., Enrico Motta, Gangemi A.

В результате перечисленных исследований решено множество теоретических проблем и практических задач ПЗ и ККМ.

Однако, вопросам использования системного подхода и результатов системного анализа при решении проблем и задач, названных выше, внимания по сути дела не уделяется. Только в некоторых работах высказываются рекомендации о целесообразности применения результатов системных исследований при построении ККМ.

При этом в трудах Маторина С.И., Жихарева А.Г. и Михелева В.В. разработан подход к классам как системам и к классифицированию с учетом системных отношений.

Эти работы и послужили фундаментом проведенного исследования.

Объект исследования - концептуальное классификационное моделирование знаний для интеллектуальных ИС.

Предмет исследования - системно-объектное классификационное моделирование взаимосвязанных концептуальных (понятийных) и эмпирических (опытных) знаний для интеллектуальных ИС.

Цель исследования.

Обеспечение возможности использования ККМ/ИРК для поддержки прогнозирования и управления путем разработки модели представления взаимосвязанных концептуальных (понятийных) и эмпирических (опытных) знаний в интеллектуальных ИС.

Для достижения поставленной цели сформулированы и решены следующие задачи исследования:

1. Исследование проблем представления и моделирования знаний в ИС.

2. Выбор средств решения задачи разработки модели взаимосвязанных концептуальных и эмпирических знаний.

3. Разработка процедуры системно-объектного классификационного анализа предметной области.

4. Разработка метода и алгоритма построения трехмерной концептуальной классификационной модели и ее наполнения эмпирическими знаниями на основе системно-объектного подхода.

5. Формализация трехмерной модели взаимосвязанных концептуальных и эмпирических знаний и исследование взаимосвязей ее элементов.

6. Разработка способов и алгоритмов использования системно-объектной трехмерной модели знаний для управления и прогнозирования.

7. Разработка примера построения и использования системно-объектной трехмерной модели знаний.

Методология и методы исследования.

1. Системно-объектный подход «Узел-Функция-Объект» (УФО-подход). В основе проводимого исследования лежит оригинальный системный (системно -объектный) УФО-подход. Развитием и формализацией УФО-подхода является метод и алгоритм системно-объектного анализа, именуемый для краткости УФО-анализом. Он обеспечивает представление любой системы в виде трехэлементной конструкции «Узел-Функция-Объект», т.е. в виде УФО-элемента.

При этом «Узел» - это точка пересечения входных и выходных связей (потоков) в структуре разрабатываемой системы, «Функция» - процесс преобразования входа в выход, т.е. процесс, обеспечивающий баланс «втекающих» и «вытекающих» потоков по связям данного узла, «Объект» - субстанция, реализующая данную функцию в данном узле. УФО-элементы, собранные в различные конфигурации, образуют диаграммы взаимодействия элементов, позволяющие визуализировать функциональность элементов системы более высоких уровней

2. Дескрипционная логика (ДЛ). ДЛ является языком представления знаний о предметной области в формализованном виде, используя понятия атомарный концепт и роль. Концепты описывают классы, роли - отношения между концептами, что позволяет их применить для описания понятий и их свойств. Одной из базовых дескрипционных логик является ДЛ ЛЬС. Синтаксис логики ЛЬС представлен ниже в краткой форме: {Т; 1; Л; Л^С; -С; СпВ; СиВ; ЗЯ.С; УЯ.С].

Символы Т и 1- концепты, называемые истина и ложь; Л - атомарный концепт; С, В - произвольные концепты; Я - атомарная роль. Синтаксис ДЛ описывает, какие выражения (концепты, роли, аксиомы, и др.) считаются правильно построенными в данной логике. Семантика ДЛ указывает, как интерпретировать эти выражения. В ДЛ общие знания о понятиях и их взаимосвязях выражаются с помощью утверждений общего вида - набора терминологических аксиом ТВох. С другой стороны, знания об индивидуальных объектах, их свойствах и связях с другими объектами - это набор утверждений об

отношениях и свойствах индивидов АВох. Вместе они образуют базу знаний, или онтологию К = ТВох и АВох. Существуют разные расширения базовой ДЛ.

3. Идеи многомерного классифицирования и естественной классификации.

Область исследований.

2.3.1 Системный анализ, управление и обработка информации, статистика.

П.3. Разработка критериев и моделей описания и оценки эффективности решения задач системного анализа, оптимизации, управления, принятия решений, обработки информации и искусственного интеллекта.

П.4. Разработка методов и алгоритмов решения задач системного анализа, оптимизации, управления, принятия решений, обработки информации и искусственного интеллекта.

Научная новизна

1. Способ системного классификационного анализа предметной области, основанный на системно-объектном подходе, позволяющий обеспечить учет системных отношений между классами.

2. Модель трехмерной классификации, позволяющая использовать в рамках системно-объектного подхода идеи многомерного классифицирования и естественной классификации.

3. Метод и алгоритм трехмерного концептуального классификационного моделирования, позволяющие моделировать концептуальные знания с учетом их системных характеристик и отношений.

4. Методика описания эмпирических знаний о материальных системах с помощью системно-объектной трехмерной классификации.

5. Механизм и алгоритмы вывода в системно-объектной трехмерной классификации, основанные на формализации с помощью дескрипционной логики причинно-следственных отношений между элементами модели, позволяющие решать задачи прогнозирования и управления.

Положения, выносимые на защиту:

1. Алгоритм системно-объектного классификационного анализа предметной области.

2. Модель трехмерной системно-объектной классификации.

3. Метод и алгоритм трехмерного концептуального классификационного моделирования взаимосвязанных концептуальных и эмпирических знаний.

4. Механизм и алгоритмы вывода в трехмерной системно-объектной классификации для обеспечения прогнозирования и управления.

Апробация результатов диссертационного исследования.

1. Материалы IX международной конференции «Информационно-аналитические системы и технологии». 18 марта 2022 года, Белгород. - С. 51-59

2. Материалы XXIII международной конференции им. Э.К. Алгазинова «Информатика: проблемы, методы, технологии». 15-17 февраля 2023 г. Воронеж. -С. 1020-1029.

3. Материалы X международной конференции «Информационно -аналитические системы и технологии». 28 марта 2023 года, Белгород. - С. 37-46.

4. Материалы IX международной конференции «Информационные технологии в науке, образовании и производстве» (ИТНОП-2023). 31 мая - 2 июня 2023 года, Белгород. - С. 372-376.

5. Материалы V международной научно-практической конференции «Современные тренды управления и цифровая экономика: от регионального развития к глобальному экономическому росту» (MTDE 2023). 10 августа 2023 г. Екатеринбург. - С. 152-161.

6. Материалы XI международной конференции «Информационно -аналитические системы и технологии». 26 марта 2024 года, Белгород. - С. 98-106.

7. Материалы VI международной научно-практической конференции «Современные тренды управления и цифровая экономика: от регионального развития к глобальному экономическому росту» (MTDE 2024). 14 мая 2024 г. Екатеринбург. - С. 47-56.

Теоретическая значимость работы заключается в развитии системно-объектного подхода, а также теории классификации за счет интеграции системного подхода и ККМ.

Практическая значимость работы заключается в том, что:

1. Предложенная модель трехмерной классификации позволяет создать ККМ знаний о ПрО, учитывающую системные характеристики и отношения, в том числе причинно-следственные.

2. Трехмерная ККМ знаний, связанная с описаниями конкретных материальных систем (явлений, эмпирических знаний), позволяет решать задачи прогнозирования и поддержки управления за счет прослеживания причинно -следственных связей.

Разработанные методы и алгоритмы применяются в АО «СОФТКОННЕКТ», АО «ОЭЗ «ВладМиВа», что подтверждено Актами о внедрении результатов диссертационной работы Гуль С.В.

Отмечается, что использование полученных в диссертации Гуль С.В. результатов позволило упростить работу по сбору информации и анализу автоматизируемых процессов, а также сократить время на разработку и настройку программных систем за счет применения системной модели взаимосвязанных концептуальных и эмпирических знаний. Кроме того, полученные Гуль С.В. результаты позволили повысить эффективность проектирования организационно-деловых процессов, обеспечивающих производственный цикл медицинских изделий, а также усовершенствовать ряд технологических процессов их производства, за счет применения классификации приборов функциональной диагностики.

Публикации.

По теме диссертационного исследования опубликовано 15 печатных работ (из них 4 в журналах ВАК, 1 научная работа в издании из перечня МБД ВАК).

Личный вклад соискателя.

Все изложенные в диссертации результаты исследования получены либо соискателем лично, либо при его непосредственном участии.

Объём и структура работы.

Диссертация состоит из введения, 4-х разделов, заключения, списка литературы, приложения. Работа изложена на 113 страницах основного текста, включающего 21 рисунок, 6 таблиц, 85 наименований источников литературы и 1 приложения.

ГЛАВА 1 ОБЗОР И АНАЛИЗ ПРОБЛЕМ ПРЕДСТАВЛЕНИЯ ЗНАНИЙ В ИНТЕЛЛЕКТУАЛЬНЫХ ИНФОРМАЦИОННЫХ СИСТЕМАХ

1.1 Представление знаний в интеллектуальных ИС: состояние и задачи

Обзор литературы по искусственному интеллекту показывает, что одной из важнейших задач, решаемых в рамках данного научно-практического направления, является задача представления знаний в компьютерных (информационных) системах (ИС) [1]. В настоящее время разработаны десятки способов представления знаний, однако, до конца решить задачу обеспечения осмысленной обработки представляемых знаний и их однозначной интерпретации программными системами, пока, не удалось. Тем не менее в сфере интеллектуальных информационных технологий широко применяются модели и базы знаний, которые уменьшают время анализа и проектирования, а также снижают расходы на подготовку персонала, проверку работоспособности и надежности разрабатываемых систем и т.д. [2 - 4].

В теории искусственного интеллекта знания - это совокупность данных (у индивидуума, общества или в интеллектуальной ИС) о мире, включающих информацию о свойствах объектов, закономерностях процессов и явлений, а также правила использования этой информации для принятия решений. Правила использования включают систему причинно-следственных связей. Главное отличие знаний от данных состоит в их активности, то есть появление в базе новых фактов или установление новых связей может стать источником изменений и принятия решений [5].

Знаниями в искусственном интеллекте принято также называть хранимую в компьютере информацию, формализованную в соответствии с определенными структурными правилами, которую компьютер может автономно использовать при решении проблем на основе логического вывода. В общепринятом смысле термин «знания» стал чрезвычайно популярным, однако этому термину сложно дать

определение, поскольку он включает в себя большей частью философские элементы. Если придерживаться буквального смысла термина, то его общие концепции понимаются с трудом, но когда речь заходит о представлении знаний в компьютере, то имеется в виду упомянутый ограниченный смысл. То есть, обработка знаний в компьютере представляет собой обработку их содержимого по правилам преобразования тех форм, с помощью которых описываются знания в программной системе [5].

Разнообразие форм и способов представления знаний почти не поддаются формализованной классификации из-за сложности формулировки признака классифицирования. Одни формы или способы представления знаний могут переводиться в другие формы или способы представления. Знания подразделяются по наукам, специализациям, направлениям исследований и т.п. Каждая наука характеризуется в первую очередь своим багажом знаний, отличающимся от совокупности знаний другой науки. Эта классификация фундаментальна и широко известна. Также хорошо известны разнообразные классификации знаний по назначению или использованию. В учебном процессе известна классификация знаний по влиянию на учащегося или по усвояемости учащимся. В компьютерных науках различают три средства представления знаний: предметное, символьное и графическое. Эти или аналогичные средства также могут обеспечивать классифицирование знаний. Признак классификации по средствам представления знаний важен и актуален для выбора технических средств обеспечения взаимодействия в системе человек-компьютер.

По мнению автора, при построении классификации знаний (при выработке принципа ее построения) необходимо исходить из роли, места, функции (функциональных свойств) знаний в природе и обществе. Знаниям, как правило, приписывается двойственная функция, с одной стороны, содержательная, связанная с отражением действительности в сознании человека, а, с другой стороны, формальная, связанная с некоторым способом их выражения (для фиксации и последующей передачи).

В соответствии с системным подходом для получения требуемой классификации объектов некоторой предметной области, обязательно необходимо учитывать два вида их свойств. Во-первых, это, так называемые, качественные свойства (различные качества) и, во-вторых, это, так называемые, граничные свойства (структура, функция, количество и т.д.) [6].

Как показано в работе [7] свойство отражения (содержательное) для знания является качественным свойством, а свойство выражения (формальное) -граничным. Таким образом, в абстрактном классе «знание» должны быть, в первую очередь, выделены класс «содержание знаний», обеспечивающий выполнение функции отражения, и класс «форма знаний», обеспечивающий функцию выражения. Тогда, в соответствии с параметричностью системной классификации [8], классификация видов формы знаний должна соответствовать классификации видов выражения этих знаний, а классификация видов содержания знаний должна соответствовать классификации видов отражений, как показано на рисунке 1.1.

Рисунок 1.1 - Базовая классификация знаний

В качестве основных видов «формы знаний» следует рассматривать виды «носителей» знаний, соответствующие выражению граничных свойств формы знаний, и виды «формы информации», соответствующие выражению качественные свойства формы знаний. В качестве основных видов «содержания

знаний» следует рассматривать «науку», обеспечивающую абстрактное словесно-логическое отражение действительности и соответствующую, таким образом, граничным свойствам содержания знаний, и «культуру», обеспечивающую в большей степени чувственное образное отражение и соответствующую, таким образом, качественным свойствам содержания знаний.

Дальнейшее классифицирование формы знаний (носителей знаний и формы информации) и содержания знаний (науки и культуры) должно осуществляться по тому же принципу путем деления каждого вида выражения знаний и каждого вида отражения знаний на граничные (абстрактные, формальные) и качественные (чувственные, содержательные) свойства (Приложение А).

Как уже было отмечено, по мнению многих исследователей представление знаний в теории и практике искусственного интеллекта является ключевой задачей. Решение этой задачи позволит, в частности, специалистам, не обученным программированию, непосредственно на естественном языке "деловой прозы" в диалоговом режиме работать с компьютерными системами, решая поставленные задачи. Это позволит существенно повысить результативность интеллектуальной творческой деятельности человека за счет использования интеллектуальных ИС.

Более того мощность любой интеллектуальной ИС определяется, в первую очередь, мощностью модели и базы знаний и возможностью ее пополнения [ 9]. Поэтому главной особенностью, которая отличает интеллектуальные ИС от других ИС - это то, что основной акцент делается на обработке знаний (в большей степени, чем обработке данных или информации). При этом, в настоящее время знания признаны главным ресурсом организации.

Кроме того, представление знаний — одно из наиболее сформировавшихся направлений искусственного интеллекта. Традиционно к нему относилась разработка способов, формальных языков и программных средств для отображения и описания так называемых когнитивных структур. Сегодня к представлению знаний причисляют также исследования по дескриптивной логике, логикам пространства и времени, онтологиям [10].

Обеспечить накопление и хранение знаний таким образом, чтобы ИС могли их осмысленно обрабатывать и достигать подобия человеческого восприятия и понимания знаний - основная цель всего искусственного интеллекта. Специалисты в области искусственного интеллекта используют теории представления знаний из области когнитологии. Такие известные способы представления знаний как фреймы, правила и семантические сети пришли в искусственный интеллект из теорий обработки информации человеком, хотя человеческие способы обработки информации достоверно не известны до сих пор. Однако, так как знание используется человеком для обеспечения разумного, рационального поведения, то фундаментальной целью дисциплины представления знаний является поиск таких способов представления, которые делают возможным процесс вывода новых знаний на основе имеющихся.

Под термином «представление знаний» чаще всего подразумеваются способы представления знаний, ориентированные на автоматическую обработку этих знаний компьютерами, т.е. ИС. Способы представления знаний всегда характеризуется моделями представления знаний, которые рассмотрены далее.

1.2 Проблемы моделирования знаний

Для создания модели знаний используются различные методы, среди которых продукционные системы, фреймовые системы, логические модели, семантические сети, а также онтологические модели получили наибольшее распространение. Мировой опыт разработки и эксплуатации моделей знаний показал их полезность и определенную эффективность, но, в то же время, выявил ряд существенных недостатков [11 - 15].

Список литературы диссертационного исследования кандидат наук Гуль Светлана Владимировна, 2025 год

СПИСОК ЛИТЕРАТУРЫ

1. Маторин С.И. Отечественная учебная литература по искусственному интеллекту // Искусственный интеллект и принятие решений. - 2021. - №3. - С. 106-113.

2. Гаврилова Т.А., Хорошевский В.Ф. Базы знаний интеллектуальных систем.

- СПб: Питер, 2003. - 384 с.

3. Проскурин А. В., Бузаев Д. В. Проблемы проектирования и разработки базы знаний // Актуальные проблемы авиации и космонавтики. - 2012. - Т.1. - №4.

- С. 344-346.

4. Enrico Motta. The knowledge modeling paradigm in knowledge engineering. -The Open University - Walton Hall, 2003. - 29 p.

5. Словарь «Академик» [Электронный ресурс] - Режим доступа: https://dic.academic.ru/dic.nsf/ruwiki/929994

6. Мельников Г.П. Системология и языковые аспекты кибернетики. - М.: Сов. радио, 1978. - 368 с.

7. Гуль С.В., Маторин С.И. Концептуальная классификационная модель знаний как способ совершенствования универсальной десятичной классификации // Научный результат. Информационные технологии. - 2022. - Т.7, №3. - С. 34-42.

8. Забродин В.Н. О критериях естественности классификации // Научно -техническая информация. Сер. 2. - 1981. - №8. - С. 92-112.

9. Рыбина Г.В. Основы построения интеллектуальных систем / учеб. пособие.

- М.: Финансы и статистика, 2014. - 432 c.

10. Осипов Г.С. Методы искусственного интеллекта. — М.: ФИЗМАТЛИТ, 2011. — 296 с.

11. Баланова Л.А., Ющенко Е.В. Модели представления знаний: виды, применение, достоинства и недостатки [Электронный ресурс] - Режим доступа: https://files.scienceforum.ru/pdf/2020/5e04a0ce76fcc.pdf.

12. Болотова Л.С. Системы поддержки принятия решений часть 1. [Электронный ресурс] - Режим доступа:

https://studme.org/244010/informatika/sistemy_podderzhki_prinyatiya_resheniy_chast_ 1.

13. Логунова Е.А. Обзор подходов к разрешению недостатков продукционной базы знаний системы логического вывода // Modern high technologies. - 2015. - №9. - С. 46-48.

14. Проблемы представления и моделирования знаний [Электронный ресурс] - Режим доступа: https://lektsia.com/6xc78c.html.

15. Сосинская С.С. Представление знаний в информационной системе. Методы искусственного интеллекта и представления знаний. - Старый Оскол: ТНТ. - 2015. - 216 с.

16. Кравченко Ю.А., Новиков А.А., Марков В.В. Метод создания онтологии предметной области на основе глоссария // Известия ЮФУ. Технические науки. -2015. - №6(167). - С.158-168.

17. Смирнов C.B. Онтологическое моделирование в ситуационном управлении // Онтология проектирования. - 2012. - №2. - С. 16-24.

18. Грибова В. В., Клещев А. С., Москаленко Ф. М., Тимченко В. А., Федорищев Л. А., Шалфеева Е. А. Управляемая графовыми грамматиками разработка оболочек интеллектуальных сервисов на облачной платформе IACPaaS // Программная инженерия. - 2017. - Т.8, №10. - С. 435-447.

19. Грибова В. В., Клещев А. С., Москаленко Ф. М., Тимченко В. А., Федорищев Л. А., Шалфеева Е. А. Облачная платформа IACPaaS для разработки оболочек интеллектуальных сервисов: состояние и перспективы развития // Программные продукты и системы. - 2018. - №3 (31). - С. 527-536.

20. Волкова Г.А. Создание «онтологии всего». Проблемы классификации и решения // Новые информационные технологии в автоматизированных системах. -2013. - № 16. - С. 293-300.

21. Загорулько Ю.А., Боровикова О.И., Загорулько Г.Б. Применение паттернов онтологического проектирования при разработке онтологий научных предметных областей // Сборник трудов XIX-й Международной конференции «Аналитика и управление данными в областях с интенсивным использованием данных» (DAMDID/ RCDL'2017). Москва: ФИЦ ИУ РАН. - 2017. - С. 331-339.

22. Платонов А.В., Полещук Е.А. Методы автоматического построения онтологий // Программные продукты и системы / Software & Systems. - 201б. - № 2(114). - C. 47-52.

23. Gangemi, A. Ontology Design Patterns for Semantic Web Content. In: Gil, Y., Motta, E., Benjamins, V.R., Musen, M.A. (eds) // The Semantic Web - ISWC 2005. LNCS, 3729. Berlin, Heidelberg: Springer. - 2005. - pp. 2б2-27б.

24. Ontology Engineering with Ontology Design Patterns: Foundations and Applications (Studies on the Semantic Web). Hitzler, P., Gangemi, A., Janowicz, K., Krisnadhi, A., Presutti, V. (eds), IOS Press/AKA. - 201б. - Р. 388.

25 Микони C3. О качестве онтологических моделей // Онтология проектирования. - 2017. - Т.7, №3(25). - C. 347-3б0.

26. Cмирнов C3. Онтологический анализ предметных областей моделирования // Известия Cамарского научного центра РАН. - 2001. - Т.З. №1. -C. 62-70.

27. Хофман И. Активная память. Экспериментальные исследования и теории человеческой памяти: Пер. с нем. - М.: Прогресс, 1986. - 312с.

28. Бова В.В., ^авченко Д.Ю., Лещанов Д.В., Новиков А.А. ^мпьютерная онтология: задачи и методология построения // Информатика, вычислительная техника и инженерное образование. - 2014. - № 4 (19). - C. 1-11.

29. ^рпов В.Э., ^рпова И.П. K вопросу о принципах классификации систем // Информационные технологии. - 2002. - №2. - C. 35-38.

30. Бокий Г.Б. Роль классификационной системы в процессе получения новых научных знаний // Проблемы системных исследований. - Новосибирск: НГУ, 1985. - C. 45-б3.

31. Cубетто А.И. Метаклассификация как наука о механизмах и законах классифицирования. - ОПб.: Исследовательский центр проблем качества подготовки специалистов, 1994. - 254 с.

32. Гулакова T.K., ^зьмич Р.И. Поиск закономерностей в задаче классификации // Материалы VI Всероссийской научно-практической конференции «Актуальные проблемы авиации и космонавтики»: в 2 т. Т. 1.

Технические науки. - Красноярск: Сибирский государственный аэрокосмический университет, 2010. - С. 317-318.

33. Масич И.С., Краева Е.М., Кузьмич Р.И., Гулакова Т.К. Сравнительный анализ методов классификации данных на практических задачах прогнозирования и диагностики // Научно-технический журнал: «Системы управления и информационные технологии». - 2011. - №1(43). - С. 20-25.

34. Кондаков Н.И. Логический словарь-справочник. - М.: Наука, 1975. - 720

с.

35. Полищук Ю.М., Хон В.Б. Теория автоматизированных банков информации. - М.: Высшая школа, 1989. - 184 с.

36. Бреховских С.М. Основы функциональной системологии материальных объектов. - М.: Наука, 1989. - 192 с.

37. Теория систем и системный анализ: учебник. А.Г. Жихарев, О.А. Зимовец, М.Ф. Тубольцев, А.А. Кондратенко; под ред. С.И. Маторина. - Москва: КНОРУС, 2021. - 456 с.

38. Родионов М.Г. Структурно-функциональный и системный анализ как инструменты организационного проектирования // Вестник Сибирского института бизнеса и информационных технологий. - 2013. - № 2(6). - С. 40-47.

39. Процессный подход. [Электронный ресурс] - Режим доступа: http://www.kpms.ru/General_info/ Process_approach.htm

40. Маторин С.И., Жихарев А.Г. Учет общесистемных закономерностей при системно-объектном моделировании организационных знаний // Искусственный интеллект и принятие решений. - 2018. - №3. - С. 115-126.

41. Маторин С. И., Жихарев А. Г., Михелев В.В. Учет общесистемных закономерностей при концептуальном моделировании понятийных знаний // Искусственный интеллект и принятие решений. - 2019. - №3. - С. 12-23.

42. Ackoff R.L. General system theory and systems research: Contrasting conceptions of system science // In Proceedings of the Second Systems Symposium at Case Institute of Technology. - New York; London: Wiley, 1964. - P. 51-60.

43. ГОСТ 7.74-96: Система стандартов по информации, библиотечному и издательскому делу. Информационно-поисковые языки. Термины и определения. -М.: ИПК Издательство стандартов, 1997. - 35 с.

44. Белов В.В., Коричнева Ю.Л. Многомерная АВС-классификация. Критерии качества и канонические алгоритмы // Бизнес -информатика. - 2012. -№1(19). - С. 9-16.

45. Моргунов Е.П., Моргунова О.Н. Многомерная классификация сложных объектов на основе оценки их эффективности // Вестник университетского комплекса. Сибирский государственный аэрокосмический университет имени академика М.Ф. Решетнева. - 2003. - № 14. С. - 222.

46. НОУ ИНТУИТ. Проектирование информационных систем. Информационное обеспечение ИС. [Электронный ресурс] - Режим доступа: https://intuit.ru/studies/courses/2195/55/lecture/1634

47. Методы многомерной классификации. [Электронный ресурс] - Режим доступа: https://studfQe.net/preview/4287753/page:17/

48. Многоаспектное классифицирование технических объектов. [Электронный ресурс] - Режим доступа: https://new.fips.ru/elektronnye-servisy/klassifikatory/mezhdunarodnaya-patentnaya-klassifikatsiya/ix-mnozhestvennoe-klassifitsirovanie-gibridnye-sistemy.php#s1

49. Тютюнников Н.Н. Одноаспектная и многоаспектная классификация словарей // Язык и культура (Новосибирск). - 2015. - № 17. - С. 14-19.

50. Орлов А.И. Математические методы теории классификации // Научный журнал КубГАУ. - 2014. - №95(01). - С. 1-37. [Электронный ресурс] - Режим доступа: (http://ej.kubagro.ru/2014/01/pdf/23.pdf)

51. Кожара В.Л. Феномен естественной классификации // Новые идеи в научной классификации. Т. 5. — Екатеринбург: УрО РАН, 2010. — С. 117—143.

52. Туральчук К.А. Метод естественной системной классификации: дис. ... канд. техн. наук. - СПб. - 2020.

53. Соловьева Е.А., Ельчанинов Д.Б., Маторин С.И. Применение теории категорий к исследованию и моделированию естественной классификации // Научно-техническая информация. Сер.2. - 1999. - №3. - С. 1-7.

54. Маторин С.И., Михелев В.В. Системно-объектный детерминантный анализ. Построение таксономии предметной области // Искусственный интеллект и принятие решений. - 2021. - №1. - С. 15-24.

55. Baader, F. The Description Logic Handbook: Theory, Implementation, and Applications / F. Baader [and other]. - Cambridge University Press, 2003. - 576 p.

56. Schmidt-Schauss M., Smolka G. Attributive concept descriptions with complements // Artificial Intelligence. Elsevier Science Publishing Company, Inc. -1991. - № 48(1). - P. 1-26.

57. Маторин С. И., Михелев В.В. Анализ роли и структуры информационных (концептуальных) систем // Научно-техническая информация. Сер. 2. - 2020. - №4.

- С. 10-17.

58. Розова С.С. Классификационная проблема современной науки. -Новосибирск: Наука, 1986. - 224 с.

59. Воронин Ю.А. Введение в теорию классификаций. - Новосибирск: СО АН СССР, 1982. - 194 с.

60. Шрейдер Ю.А., Шаров А.А. Системы и модели. - М.: Радио и связь, 1982.

- 152 с.

61. Любищев А.А. Проблемы систематики // Проблемы эволюции. Т.1. -Новосибирск: Наука, 1968. - С. 7-29.

62. Дорофеюк А.А. Алгоритмы автоматической классификации: Обзор // Автоматика и телемеханика. - 1971. - №12. - С. 78-113.

63. Шрейдер Ю.А. Математическая модель теории классификации // Научно-техническая информация. Сер. 2. - 1968. - №10. - С. 7-14.

64. Мейен С.В., Шрейдер Ю.А. Методологические аспекты теории классификации // Вопросы философии. - 1976. - №12. - С. 67-79.

65. Митрофанова С.С. Естественная классификационная система как явление культуры // Проблемы системных исследований. - Новосибирск: НГУ, 1985. - С. 31-44.

66. Маторин С.И., Гуль С.В. Системно-объектное классификационное моделирование сложных предметных областей // Экономика. Информатика. - 2023.

- № 50(1). - С. 152-161.

67. Маторин С.И., Гуль С.В. Модель системно-объектной трехмерной базы знаний // Искусственный интеллект и принятие решений. - 2023. - № 2. - С. 95-109.

68. Маторин С.И., Гуль С.В., Щербинина Н.В. Трехмерное системно -объектное классифицирование для прогнозирования и поддержки управления // Научно-техническая информация. Серия 2. - 2023. № - 12. - С. 1-13.

69. Игрунова С.В., Мединцева С.В. Разработка модели икт-компетенций для управления подготовкой специалистов // Вестник Национального технического университета Харьковский политехнический институт. Серия: Информатика и моделирование. - 2007. - № 39. - С. 89-96.

70. Гуль С.В., Маторин С.И. Проблемы концептуального классификационного моделирования // Материалы IX международной конференции «Информационно-аналитические системы и технологии». - 18 марта 2022 года, Белгород. - С. 51-59.

71. Маторин С.И., Гуль С.В. Системно-объектный классификационный анализ предметной области // Научный результат. Информационные технологии. -2023. - Т.8, №4. - С. 78-86.

72. Кондаков Н.И., Горский Д.П. Логический словарь. - М.: Наука, 1975. -

656 с.

73. Маторин С.И., Михелев В.В. Системно-объектный подход к детерминантному анализу сложных систем. Искусственный интеллект и принятие решений. - 2020. - № 2. - С. 86-93.

74. Маторин С.И., Михелев В.В. Системно-объектный детерминантный анализ. Построение генетической и партитивной классификаций предметной области // Искусственный интеллект и принятие решений. - 2022. - №1. - С. 26-34.

75. Гуль С.В., Маторин С.И. Формализация модели трехмерной базы знаний // Материалы IX международной конференции «Информационные технологии в науке, образовании и производстве» (ИТНОП-2023). 31 мая - 2 июня 2023 года. -Белгород. - С. 372-376.

76. Постановление Правительства РФ № 304 от 21.05.2007г. «О классификации чрезвычайных ситуаций природного и техногенного характера».

77. Булыга Д. Н. Понятие и виды чрезвычайных ситуаций: проблемы классификации // Научный лидер. - 2021. - №16 (18). [Электронный ресурс] -Режим доступа: https://scilead.ru/article/444-ponyatie-i-vidi-chrezvichajnikh-situatsij-prob

78. Чежегов В.М. Классификация чрезвычайных ситуаций: законодательство и определения // Интернаука: электрон. научн. журн. - 2022. - №21(244). [Электронный ресурс] - Режим доступа: https://internauka.org/journal/science/internauka/244

79. ГОСТ Р 22.0.02-2016: Безопасность в чрезвычайных ситуациях. Термины и определения. - М.: Стандартинформ, 2016 - 12 с.

80. Энциклопедия Fireman.club. Чрезвычайная ситуация. [Электронный ресурс] - Режим доступа: https://fireman.club/enciklopediya-pozharnoj-bezopasnosti/ch/.

81. Фролова М.С. Современные способы классификации медицинских изделий // Вопросы современной науки и практики. Ун-т им. В.И. Вернадского. -2013. - № 1(45). - С. 26-35.

82. Канюков В.Н., Тайгузин Р.Ш. Медицинское диагностическое оборудование. - Оренбург: ОГУ, 2010. - 112с.

83. Ишманов М.Ю., Попов С.А., Попович С.А. и др. Медицинская аппаратура. Полный справочник. - Москва: Научная книга, 2008. - 720с.

84. Ранганатан Ш.Р. Классификация двоеточием. Основная классификация: пер. с англ. / под. ред. Т.С. Гомолицкой. - Москва: ГПНТБ СССР, 1970. - 422с.

85. Смирнов С.В. Онтологический анализ предметных областей моделирования // Известия Самарского научного центра РАН - 2001. - Т.3, №1 -С. 62-70.

ПРИЛОЖЕНИЕ А. КЛАССИФИКАЦИЯ ЗНАНИЙ

классификация знаний по содержанию

Рассмотрим классификацию содержания знаний по видам отражения, представленную на рисунке А. 1.

В связи с наличием двух видов отражения - словесно-логического и образного - все содержание знаний делится на «науку», как знания, обеспечивающие собственно словесно-логическое отражение действительности, и «КУЛЬТУРУ», как знания, обеспечивающие преимущественно образное, чувственное отражение этой действительности.

В зависимости от степени абстрактности словесно-логического отражения науку следует разделить на «теоретическую», как науку, обеспечивающую большую степень абстрактности (формальности), и «ЭМПИРИЧЕСКУЮ» -имеющую большую конкретность (содержательность) отражения. В зависимости от степени рефлексивности образного отражения, соответствующей степени абстрактности словесно-логического отражения, культуру следует разделить на «искусство», обеспечивающее отражение с большей степенью рефлексии, и «религию», обеспечивающую отражение с меньшей степенью рефлексии.

Далее аналогично, теоретическую науку в зависимости от обеспечиваемой степени абстрактности отражения следует разделить на «ЛОГИКО-МАТЕМАТИЧЕСКУЮ» (логические исчисления, различные сугубо математические дисциплины и т.д.), как науку, обеспечивающую чисто формальное отражение, и «ПРЕДМЕТНО-ТЕОРЕТИЧЕСКУЮ» (теоретическая физика, космология и т.д.) -обеспечивающую формально-содержательное отражение. Эмпирическую науку следует разделить на науку «ТЕХНИЧЕСКУЮ», являющуюся более абстрактной и «ЕСТЕСТВЕННУЮ» - являющуюся более конкретной. По тому же принципу техническую науку следует разделить на «собственно техническую» (более формальную, например, радиоэлектроника) и «ИНФОРМАЦИОННУЮ» (менее формальную, например, искусственный интеллект), а естественную науку - на

более формализованную «ПРИРОДНУЮ» науку (о природе: физика; химия; физическая география; биология, зоология и т.д.) и менее формализованную «СОЦИАЛЬНО-ГУМАНИТАРНУЮ» (общественные науки, в частности экономическая география; история; языкознание; психология, педагогика и т.д.).

В соответствии со степенью рефлексивности искусство следует разделить на «словесно-речевое» (литература; театр; эстрада и т.д.), связанное с левополушарной фиксацией результатов отражения, и «МУЗЫКАЛЬНО-ИЗОБРАЗИТЕЛЬНОЕ», связанное с правополушарной фиксацией отражения.

Религию, по тому же принципу, на религию «ФИЛОСОФСКУЮ», которая включает в себя развитые философские системы, обеспечивающие более сильную рефлексию (например, дао), и «теологическую», представляющую собой верования, обходящиеся более слабой степенью рефлексии или вообще без таковой (например, христианство).

Таким образом, содержание знания можно упорядочить по единому принципу и расположить все области знаний последовательно от самых абстрактных формализованных логико-математических научных дисциплин до совершенно чувственных и нерефлексивных религиозных верований.

Рисунок А.1 - Классификация содержания знаний по видам отражения

классификация знаний по форме

Рассмотрим классификацию формы знаний по видам выражения знаний, представленную на рисунке А.2.

В связи с выделением граничных и качественных свойств в рамках функциональной способности знаний выражаться в некоторой форме, форма знаний разделена на «НОСИТЕЛЕЙ» знаний, выражающих граничные свойства формы знаний, и «ФОРМУ ИНФОРМАЦИИ», выражающую качественные свойства формы знаний.

В зависимости от жесткости (материальности) выражаемых граничных свойств следует разделить носителей на «вещественных», обладающих более жесткими материальными граничными свойствами, и на «ПОЛЕВЫХ», обладающих менее жесткими энергетическими граничными свойствами. Последние объединяют «РЕАЛЬНЫХ» фиксированных носителей (дискеты, диски, флешки и т.д.) и «ВИРТУАЛЬНЫХ» распределенных (например, адрес www). В зависимости от степени формальности выражаемых качественных свойств форму информации следует разделить на «СПОСОБ», как вид формы информации, соответствующий выражению структурных (граничных, формальных) свойств знаний (в рамках данного класса будут различаться знаковые и не знаковые способы выражения информации и, в первую очередь, такие понятия как: «языковый» и «аудиовизуальный»), и «стиль», как вид формы информации, обеспечивающий выражение стилистических (менее формальных, качественных) характеристик знаний (в рамках данного класса будут различаться «ФОРМАЛЬНЫЕ» и «СОДЕРЖАТЕЛЬНЫЕ» стили).

В рамках вещественных (материальных) носителей следует рассматривать - «ПРЕДМЕТЫ» (искусственные изделия, в том числе документы, как более формальные) и - «ОБЪЕКТЫ» (естественные неорганические и органические, как менее формальные). В рамках языкового способа выражения информации следует рассматривать «искусственно языковые» способы, как более формальные, и «естественно языковые», как менее формальные более содержательные.

Материальных Энергетических Структурных Стилистических

Рисунок А.2 - Классификация формы знаний по видам выражения