авторефераты диссертаций БЕСПЛАТНАЯ БИБЛИОТЕКА РОССИИ

КОНФЕРЕНЦИИ, КНИГИ, ПОСОБИЯ, НАУЧНЫЕ ИЗДАНИЯ

<< ГЛАВНАЯ
АГРОИНЖЕНЕРИЯ
АСТРОНОМИЯ
БЕЗОПАСНОСТЬ
БИОЛОГИЯ
ЗЕМЛЯ
ИНФОРМАТИКА
ИСКУССТВОВЕДЕНИЕ
ИСТОРИЯ
КУЛЬТУРОЛОГИЯ
МАШИНОСТРОЕНИЕ
МЕДИЦИНА
МЕТАЛЛУРГИЯ
МЕХАНИКА
ПЕДАГОГИКА
ПОЛИТИКА
ПРИБОРОСТРОЕНИЕ
ПРОДОВОЛЬСТВИЕ
ПСИХОЛОГИЯ
РАДИОТЕХНИКА
СЕЛЬСКОЕ ХОЗЯЙСТВО
СОЦИОЛОГИЯ
СТРОИТЕЛЬСТВО
ТЕХНИЧЕСКИЕ НАУКИ
ТРАНСПОРТ
ФАРМАЦЕВТИКА
ФИЗИКА
ФИЗИОЛОГИЯ
ФИЛОЛОГИЯ
ФИЛОСОФИЯ
ХИМИЯ
ЭКОНОМИКА
ЭЛЕКТРОТЕХНИКА
ЭНЕРГЕТИКА
ЮРИСПРУДЕНЦИЯ
ЯЗЫКОЗНАНИЕ
РАЗНОЕ
КОНТАКТЫ


Pages:   || 2 | 3 | 4 |
-- [ Страница 1 ] --

Министерство образования Республики Беларусь

Учреждение образования

«БЕЛОРУССКИЙ ГОСУДАРСТВЕННЫЙ УНИВЕРСИТЕТ

ИНФОРМАТИКИ И РАДИОЭЛЕКТРОНИКИ»

Сборник материалов

47-ой НАУЧНОЙ КОНФЕРЕНЦИИ

АСПИРАНТОВ, МАГИСТРАНТОВ И СТУДЕНТОВ

ИНФОРМАЦИОННЫЕ ТЕХНОЛОГИИ И

УПРАВЛЕНИЕ

25-29 апреля 2011 года

МИНСК

БГУИР 2011

Редакционная коллегия сборника Батура М.П. ректор университета, д-р техн. наук, профессор Кузнецов А.П. – проректор по научной работе, д-р техн. наук, профессор Хмыль А.А. – проректор по учебной работе и социальным вопросам, д-р техн.

наук, профессор Шилин Л.Ю. декан факультета информационных технологий и управления, докт. техн. наук, профессор – председатель комиссии по проведению конференции «Информационные технологии и управление»

Лихачевский Д.В. – начальник управления подготовки научных кадров высшей квалификации, канд. техн. наук Лукьянец С. В. – канд. техн. наук, профессор Решетилов А. Р. – д-р техн. наук, профессор Хаджинов М. К. – канд. техн. наук, доцент Муха В.С. – докт. техн. наук, проф.

Ревотюк М.П. – канд. техн. наук, проф.

Герман О.В. – канд. техн. наук, доцент Голенков В.В. – д-р техн. наук, профессор Гулякина Н.А. – канд. физ.-мат. наук, профессор Степанова М.Д. – канд. техн. наук, доцент Сердюков Р.Е. – канд. техн. наук, доцент Иванюк А.А. – д. техн. наук, доцент Синицын А.К. – д-р физ.-мат. наук, профессор Колосов С.В. – д-р физ.-мат. наук, профессор Волковец А.И. – канд. техн. наук, доцент Свито И.Л. – канд. техн. наук, доцент Курулев А.П. – канд. техн. наук, доцент Коваленко В.М. – канд. техн. наук, доцент Мікалаева Л.В. – канд. гіст. навук, дацэнт Лютава В.У. – канд. гіст. навук, дацэнт Літвіноўская Ю.І. – канд. гіст. навук, дацэнт Куракевіч Н.І. – канд. гіст. навук, дацэнт Гронский А.Д. – канд. ист. наук, доцент Павловец Ю.С. – канд ист. наук, доцент Качалов И.Л. – канд. ист. наук, доцент Щелкова Т.В. – канд. соц. наук, доцент 47-ая Научная конференция аспирантов, магистрантов и студентов БГУИР 2011 г.

ПАРАМЕТРИЧЕСКИЙ СИНТЕЗ УСТРОЙСТВ ФАЗОВОЙ СИНХРОНИЗАЦИИ УО «Белорусский государственный университет информатики и радиоэлектроники»





г. Минск, Республика Беларусь Шилин Д.Л., Бусько В.Л.

Бусько В.Л. – доцент, к.т.н.

Анализ и параметрический синтез устройств фазовой синхронизации (УФС) представляет собой сложную задачу с точки зрения математического описания, алгоритмической и программной реализации.

Предлагается универсальная математическая модель, описывающая аналоговые, импульсные и цифровые системы фазовой синхронизации. В основе математической модели неизменная часть, описывающая электрические процессы в звеньях фильтрации, коррекции, управляемом генераторе и целях обратной связи, а также набор моделей фазовых детекторов, аналого-цифровых и цифро-аналоговых преобразователей. [1] На уровне программной реализации модели, описанные блоки включаются в единую систему и позволяют моделировать переходные процессы в разрабатываемом устройстве. Также модель позволяет учитывать шумы на входе и выходе системы, производить оценку фильтрующих свойств.

Способом перебора численных значений параметров устройства и оценки времени переходного процесса автором получены многомерные области качества динамических характеристик устройства.

Размерность областей определяется как количество постоянных времени передаточной функции непрерывной линейной части системы, плюс “два” (коэффициент усиления прямого тракта устройства и коэффициент деления цели обратной связи). Аналогичным образом: способом перебора численных значений параметров устройства и оценки спектральной плотности фазовых шумов определяются многомерные области качества выходного сигнала по шумам. [2] Далее, автором предлагается провести классификацию проектируемых устройств по функциональному назначению.

В частности, предлагается выделить четыре основных класса устройств:

1. Системы, у которых единственным требованием является обеспечение заданного быстродействия. К таким системам можно отнести регуляторы скорости вращения вала двигателя, механические устройства синхронизации, стабилизаторы напряжения и тока.

2. Системы, к которым предъфявляются требования по быстродействию и, в меньшей степени, к зашумленности выходного сигнала. Это следящие системы за частотой и фазой выходного сигнала, измерители, восстановители радиосигналов, синхронизаторы потоков информации.

3. К третьему классу относятся системы, к которым предъявляются требования по шумам в выходном сигнале. К таким системам можно отнести большинство синтезаторов.

4. Системы, основным требованием к которым является отношение сигнал/шум, а также предъявляются требования по быстродействию. Быстродействие для данного класса систем – требование не основное. Такие системы – это синтезаторы, системы слежения за частотой, радиолокационные системы, преобразователи частоты.

В соответствии с проведенной классификацией автором предлагается алгоритм определения параметров разрабатываемого устройства. В зависимости от принадлежности устройства к одному из вышеперечисленных классов, в алгоритме предусмотрено ветвление и использование многомерных областей качества. Выбор параметров производится автоматически по заданным требованиям, при этом исходной областью поиска является многомерная область устойчивости “в малом”, которая определяется по линеаризованноймодели системы.



Таким образом, автором предложена автоматизированная, универсальная система параметрического синтеза устройств фазовой синхронизации.

Список литературы:

1. Д.Л.Шилин.Универсальная модель систем фазовой синхронизации.Международная конференция-форум “Информационные системы и технологии”IST 2009,Мн.: БГУИР, 16-17 ноября 2009.

2. Д.Л.Шилин. Анализ среднего времени до срыва синхронизма в импульсных системах фазовой синхронизации.Мн.: Доклады БГУИР, 2010, № 1(47), с. 26-30.

47-ая Научная конференция аспирантов, магистрантов и студентов БГУИР 2011 г.

ТЕОРИЯ РИСКА В АЗАРТНЫХ ИГРАХ УО «Белорусский государственный университет информатики и радиоэлектроники»

г. Минск, Республика Беларусь Леонов Я.С.

Гуринович А.Б.- доц., к ф-м.н.

Потребность в исследовании отдельных аспектов теории риска в азартных играх обусловлена тем, что на текущий момент так и не было создано теории, как психологической, так и математической, объясняющей привлекательность азартных игр. Разрешение этого вопроса невозможно без определения действующих критериев приемлемости риска для игрока и использования экономической теории полезности.

Азартная игра как перераспределение материальных ценностей на основе случая и риска является событием, которое всегда сопряжено с проигрышем для одной стороны и выигрышем для другой. В некоторых азартных играх, таких как покер или блэкджек, на конечный исход влияет сочетание элементов умения и случая.

Является ли участие в мероприятиях, результат которых зависит от случая, простым развлечением, разумным риском или иррациональным азартом, зависит, по-видимому, не столько от характера игры или ее ведения, сколько от мотивации и личностных особенностей её участника, умения оценить риски и сопоставить их с возможность выигрыша.

Если не считать психоаналитической теории поведения игроков, было лишь несколько попыток создать математическую теорию, которая объясняла бы поведение участников азартной игры. Был предпринят ряд попыток включить азартную игру в общую теорию риска. Бем пишет, что готовность пойти на разумный риск является ценным качеством. Мотивация достижения, говорит он, положительно коррелирует с трезвым риском, в то время как боязнь неудачи может быть связана с безрассудным или чрезмерным риском. Ноулз указывает на то, что существуют значительные трудности в определении поведения, связанного с риском, и что в ситуациях, так или иначе предполагающих риск, очень мало сходных элементов. Поэтому сложно объяснить азартное поведение, просто сказав, что оно является особой формой рискованного поведения.

Экономическая теория полезности объясняет, каким образом субъективная ценность риска, определяемая индивидуумом, может перевешивать объективную ценность возможного результата. Готовность рискнуть в азартной игре зависит от относительного материального благополучия индивидуума, психологических факторов и надежды достичь недоступной иными путями финансовой цели.

Однако пока в анализе азарта и игрового риска не применялся ни экспертный метод, ни его комбинации с другими методами. Комбинация этого метода с расчётно-аналитическим методом позволит получить средние числовые значения и на их основе вывести зависимости риска и выигрыша.

Таким образом, определить критерии приемлемости риска и модели поведения игроков в азартных играх можно, используя расчётно-аналитический и экспертный методы. Это позволит вывести некоторые законы или правила поведения в игре в зависимости от имеющихся данных и составить приблизительные критерии приемлемости риска в азартных играх.

Также в подобных исследованиях целесообразно использовать теорию принятия решений. Эта теория — область исследования, вовлекающая понятия и методы математики, статистики, экономики, менеджмента и психологии;

изучает закономерности выбора людьми путей решения разного рода задач, а также исследует способы поиска наиболее выгодных из возможных решений.

Самими игроками, например, в холдем-покер, используются формулы для подсчёта шансов на приход лучших карт outs outs p 1 ( ) 47 где outs-Аут – это любая карта, в случае выпадения которой вы получите лучшую руку.

для определения мат.ожидания A x B x Mo M где A-количество выигрышей, x-сумма выигрыша, В-количество проигрышей, у-сумма проигрыша.

Очевидно, что в этих формулах не учитываются условные вероятности определенных событий, поэтому можно предполагать, что расчётно-аналитический и экспертный методы дадут различные оценки вероятностей, связанных с ними рисков и, соответственно, критериев приемлемости того или иного рискованного действия в игре.

Список литературы:

1. Феллер В. Введение в теорию вероятностей и её приложения Москва: Мир, 2. Математическая теория игр и её приложения Петрозаводск: КарНЦ РАН, 2010.

3. Gus Hansen Every Hand Revealed, Boston, 2009.

47-ая Научная конференция аспирантов, магистрантов и студентов БГУИР 2011 г.

База знаний интеллектуальной справочной системы по русскому языку УО «Белорусский государственный университет информатики и радиоэлектроники»

г. Минск, Республика Беларусь Мысовских Д.С, Аврамова А.И., Пылинский В.И., Пылинский В.И.

Житко В. А. – ассистент каф. ИИТ Сегодня особый интерес в области высоких технологий стали привлекать программные системы призванные заниматься обработкой и обслуживанием естественно-языковой информации. Важными в этой категории являются проблемы анализа и синтеза речевых конструкций, обработки текстов, обучения персонала, а также детских ресурсов в данной области. Для решения этих сложных задач необходимо иметь прочный базис, который заложит интеллектуальная справочная система по русскому языку.

Успех в решении прикладных задач компьютерной лингвистики зависит, прежде всего, от полноты и точности представления в памяти ЭВМ декларативных средств. Таким образом, проблема проектирования лингвистических баз знаний наиболее полно описывающих естественный язык стоит наиболее остро. На сегодняшний день необходимый уровень решения этих задач пока еще не достигнут, хотя работы в области компьютерной лингвистики ведутся во всех развитых странах мира.

Лингвистическая база знаний интеллектуальной системы по русскому включает в себя полное описание естественного языка, что может включать в себя: фонетические, графические, семантические, лексические, грамматические (морфологические и синтаксические) правила, а так же различные лингвистические словари.

Лингвистические правила, а также словари, записываются на едином специализированном языке, разработанном для описания различных лингвистических структур. Использование семантических сетей для «хранения» словарей естественных языков позволяет:

1. избавиться от избыточности данных;

2. объединять словари в одну базу знаний.

Такая база знания представляет собой отдельный компонент, который будет востребован как в различных интеллектуальных справочных системах в качестве предметной базы знаний, так и в системах по обработке естественно-языковых текстов.

В базе знаний по русскому языку можно выделить следующие направления:

лексика и фразеология - описывает словарный и фразеологический состав русского языка и закономерности его развития;

фонетика - описывает звуковой состав современного литературного русского языка и основные звуковые процессы, протекающие в языке;

орфоэпия - описывает нормы современного русского литературного произношения;

графика - описывает состав русского алфавита, соотношения между буквами и звуками. В нее так же включается орфография, описывающая основные принципы русского написания - морфологические, а так же фонетические и традиционные;

морфемика и словообразование - описывает морфологический состав слова и основные типы образования новых слов.

грамматика – включает морфология (описывает грамматические категории и грамматические формы слова) и синтаксис (описывает основные синтаксические единицы - словосочетания и предложения, виды синтаксической связи, типы предложений и их структуру);

пунктуация - описывает совокупность правил расстановки знаков препинания;

текст, признаки, характеристики и т.д.

Основной задачей интеллектуальных систем является предоставление информации пользователю по его запросу. Возможность и правильность ответа системы, в первую очередь, будет зависеть от качества спроектированной базы знаний.

Список источников:

Д.Э. Розенталь, И.Б. Голуб Русский язык / Учебное пособие 2-е изд., перераб. и доп. - М.: Рольф, 2001.

- 382 с.

Л.А. Шевченко, Н.М. Пипченко Пособие по русскому языку и литературе для поступающих в вузы - М.:

БГУ, 1975. - 320с.

Н.И. Гурский, Л.М. Филипович, А.М. Бордович Русский язык, часть 1, фонетика и морфология - М.:

Народная асвета, 1970. - 317с.

Л.С. Мормыш, Т.А. Павлюченко. Пособие-репетитор, Русский язык -Минск Р.Г. Чечет Русский язык / Учебное пособие 2-е изд., перераб. и доп. - М.: Университэцкае, 1999. - 301 с.

Горбатов В.А. Фундаментальные основы дискретной математики. Информационная математика. - М.:

Наука, Физматлит, 2000.- 544 с.

Кузнецов О.П., Адельсон-Вельский Г.М. Дискретная математика для инженеров / Учебное пособие 3-е изд., перераб. и доп. - М.: Лань, 2004 г. - 400с.

Новиков Ф.А. Дискретная математика для программистов / Учебное пособие 2-е изд., перераб. и доп. СПб.: Питер, 2003 г. - 364 с.

Математическая логика: Учеб. пособие / Л.А.Латонин, Ю.А.Макаренков, В.В.Николаева, А.А.Столяр. Под общ.ред. А.А.Столяра. - Мн.: Выш. школа, 1991. - 269с.

Open Semantic Technology for Intelligent Systems[Электронный ресурс] / Ostis Минск, 2010 http://ostis.net 47-ая Научная конференция аспирантов, магистрантов и студентов БГУИР 2011 г.

ФРАГМЕНТ БАЗЫ ЗНАНИЙ ИНТЕЛЛЕКТУАЛЬНОЙ СПРАВОЧНОЙ СИСТЕМЫ ПО ГЕОМЕТРИИ УО «Белорусский государственный университет информатики и радиоэлектроники»

г. Минск, Республика Беларусь Буров А.Е., Бобр В. А., Булова М.И., Готовская А.В., Нищеретова И.А., Соснович С.А., Харкунов Е.О.

Давыденко И. Т. - ассистент кафедры ИИТ Согласно предлагаемой методике проектирования баз знаний [1], проектирование базы знаний происходит в несколько этапов и итерационно, в ходе каждой итерации база знаний пополняется новой информацией. В качестве предметной области была выбрана Геометрия, т.к. она является статичной предметной областью, хорошо описана в различных источниках, а также имеет большие возможности представления иллюстративного материала.

В предметной области геометрии [2], [3] исследуемыми объектами являются классы геометрических фигур и пространственные отношения между ними. В интеллектуальной справочной системе по геометрии [4] каждому объекту соответствует узел семантической сети.

На первом этапе разрабатывается тестовый сборник вопросов для проектируемой предметной области.

Некоторые классы вопросов с примерами:

• Запросы основных свойств заданного объекта ••Какими свойствами обладают прямоугольные треугольники • Сколько-вопросы ••Какова (чему равна) площадь Треугольника (TA„TB„TC) •• Каково (чему равно) расстояние между точкой TA и точкой TB ••Какие классы геометрических фигур являются подклассами Класса планарных фигур (т.е.

классами, которые являются подмножествами Множества всевозможных планарных фигур) •Запросы высказываний, описывающих необходимые условия принадлежности заданному понятию ••Какие высказывания описывают необходимые условия принадлежности произвольных объектов Понятию правильного многоугольника Предметная область рассматривается как совокупность более частных предметных областей:

•Ядро геометрии - описывает основные понятия, лежащие в основе геометрии •Планиметрия - описывает теорию планарных геометрических фигур.

•Стереометрия - описывает теорию непланарных геометрических фигур •Тригонометрия - описывает тригонометрические функции и их приложения к геометрии •Аналитическая геометрия - описывает свойства геометрических фигур с точки зрения алгебры.

После построения иерархической системы частных теорий, в каждом из разделов уточняется семантическая сеть, т.е. создаются ключевые узлы классов и подклассов геометрических фигур.

После выделения ключевых узлов, строится теоретико-множественная онтология понятий. Для этого используются такие теоретико-множественные отношения, как включение, разбиение, пересечение, объединение, принадлежность и др.

Все утверждения строятся в логико-иерархическую систему утверждений на основе утверждений, входящих в их доказательство. Выделают утверждения 0-го логического уровня, или аксиомы (т.е. утверждения, не требующие доказательства), утверждения 1 -го логического уровня доказываются на основе аксиом и т.д.

Неотъемлемой частью интеллектуальной системы по геометрии является использование системы когнитивных иллюстраций [5].

Когнитивные иллюстрации классифицируются на статические и динамические. К статическим изображениям относится рисунки, единичные кадры анимированных роликов, анимированные ролики, в которых с течением времени конфигурация изображенных объектов остается неизменной. К динамическим изображениям относятся анимированные ролики, в которых с течением времени происходит изменение конфигурации нарисованных объектов по заранее определенному сценарию.

Список источников:

1. Проект OSTIS [Электронный ресурс]. Минск, 2011. – Режим доступа: http://ostis.net/. – Дата доступа: 11.11.2011.

2. Метельский, Н.В. Дидактика математики: Общая методика и ее проблемы / Н. В. Метельский;

- Мн. : Изд-во БГУ, 1982.

3. Столяр А.А. Зачем и как мы доказываем в математике / Столяр А.А.;

– Минск. :Изд-во «Народная асвета», 1987.

4. Давыденко, И.Т. Разработка базы знаний интеллектуальной справочной системы по геометрии / И.Т. Давыденко;

Информационные системы и технологии (IST’10): Сборник статей международной конференции-форума.

Информационные системы и технологии. IST’2010. Мн.:Вараксин, 2010. С. 462- 5. Зенкин, А.А. Когнитивная компьютерная графика/ А.А. Зенкин;

- М. : Наука, 1991.

47-ая Научная конференция аспирантов, магистрантов и студентов БГУИР 2011 г.

ПРИНЦИПЫ ПОСТРОЕНИЯ ИНТЕЛЛЕКТУАЛЬНОГО ПАКЕТА ПРОГРАММ РЕШЕНИЯ ТЕОРЕТИКО-ГРАФОВЫХ ЗАДАЧ УО «Белорусский государственный университет информатики и радиоэлектроники»

г. Минск, Республика Беларусь Былич И. А.;

Лебединский Р. А.;

Михайлов Р. И.,Шункевич Д. В.

Лазуркин Д. А. – инженер кафедры ИИТ Данная статья посвящена описанию принципов построения интеллектуальных пакетов программ для решения задач в различных предметных областях на примере интеллектуальной справочной системы по теории графов. Ключевые слова: пакет программ;

интеллектуальный решатель задач;

интеллектуальная справочная система.

Одной из современных тенденций развития прикладных интеллектуальных систем является реализация интеллектуальных справочных систем, способных отвечать на различные свободно конструируемые вопросы пользователя, а также решать задачи из соответствующей предметной области. Такие системы составляют очень важный класс систем, осуществляющих информационное обслуживание пользователя. [2] Способность системы отвечать на различные вопросы достигается за счет наличия в системе интеллектуального решателя задач. В составе решателя также можно выделить компоненты, каждый из которых позволяет системе давать ответы на определенный ряд поставленных вопросов.

Одним из таких компонентов является пакет программ, реализованных на некотором языке программирования, каждая из которых позволяет решать класс или несколько классов задач в рамках заданной предметной области. При этом приходится говорить о зависимости данного компонента решателя от предметной области, однако использование пакета программ позволяет ускорить решение системой конкретных классов задач;

в сжатые сроки обеспечить возможность системы демонстрировать решение некоторых классов задач Стоит отметить, что программы могут быть реализованы как с использованием библиотеки графодинамической ассоциативной памяти (что значительно упростит взаимодействие всей системы и сторонней программы), так и без нее.

При решении конкретной задачи выбор и запуск конкретной программы осуществляется sc-операцией find_sc_program, реализованной для этой цели на языке SCP. [1] Последовательность работы системы в данном случае выглядит следующим образом:

формулировка вопроса пользователем или другой операцией;

запуск операции find_sc_program;

попытка на основании множества семантических спецификаций программ выбрать программу, позволяющую дать ответ на поставленный вопрос;

в случае отсутствия подходящей программы система пытается ответить на вопрос другими средствами Таким образом, основным требованием к реализуемым программам пакета является наличие спецификации следующего вида:

Рисунок 1 - Пример семантической спецификации Наличие грамотно составленной спецификации позволяет однозначно определить требуемую программу в зависимости от поставленного вопроса. При этом очень важно следить за совместимостью ключевых узлов вопросах и спецификациях, соответствующих этим вопросам.

Опишем перспективы развития интеллектуального пакета программ прикладной системы по теории графов:

решение большего класса задач из области теории графов;

оптимизация реализованных программ;

Таким образом, использование интеллектуального пакета программ позволяет ускорить получение решения интересующей задачи и реализации тестовой версии решателя за счет лишения платформенной и предметной независимости.

Список источников:

1. Голенков, В.В. Представление и обработка знаний в графодинамических ассоциативных машинах / Голенков В.В. [и др.];

под ред. В.В. Голенкова – Минск, 2001.

2. Рассел С., Норвиг П. Искусственный интеллект. Современных подход / Рассел С., Норвиг П. ;

- М. : Вильямс, 2006.

47-ая Научная конференция аспирантов, магистрантов и студентов БГУИР 2011 г.

РАЗРАБОТКА ИНСТРУМЕНТАРИЯ ДЛЯ ПОСТРОЕНИЯ СЕМАНТИЧЕСКИХ WEB-САЙТОВ УО «Белорусский государственный университет информатики и радиоэлектроники»

г. Минск, Республика Беларусь Балейко М.В., Гарустович А.А. Симанёнок В.И.

Колб Д.Г.– старший преподаватель кафедры ИИТ Описываются средства разработки семантических web-сайтов, в основе которых лежит использование семантических сетей для представления знаний и платформ облачных вычислений для предоставления удаленного доступа к этим знаниям. Ключевые слова: семантическая сеть;

интернет;

интеллектуальный web-сайт;

облачные вычисления.

В настоящее время в рамках направления Semantic web существуют средства, направленные на построение web-сайтов, использующих базы знаний представленные в формате RDF или OWL[1]. Для реализации таких web-сайтов используются системы управления базами знаний (СУБЗ). Отличительной особенностью таких СУБЗ является использование механизмов проецирования модели данных RDF на реляционную модель данных. Это связано с тем, что в настоящее время реляционные СУБД имеют наилучшие показатели по производительности. Однако, как показывают практика, при современных требованиях к обработке данных и при росте объёмов данных решения на основе реляционных СУБД становятся не эффективными. Это подтверждается тем, что ведущие софтверные компании, такие как Facebook, Digg, eBay начинают использовать не реляционные СУБД[2].

Целью данной работы является разработка средств позволяющих общаться с интеллектуальной системой через интерфейс web-приложения. В основе таких средств лежит использование реализации модели памяти, в которой знания хранятся в виде семантических сетей. Основными задачами работы являлись:

разработка средств удаленного доступа к БЗ;

разработка коммуникационного протокола для обмена данными между СУБЗ и системой публикации web-сайта разработка дизайна web-сайта для представления ответов интеллектуальной системы в псевдоестественной форме.

В работе web-сайт мы рассматриваем как интеллектуальную справочную систему. Задачей такого сайта является обеспечение пользователя ответами на вопросы о некоторых сущностях предметной области, для которой создан сайт. Каждый ответ системы о некотором понятии трактуется как семантическая окрестность данного понятия, то есть выдается информация о данном понятии и связи данного понятия с другими понятиями предметной области. В зависимости от вида запроса к интеллектуальной системе, она может выдавать семантическую окрестность с различной степенью полноты. Таким образом пользователь может конкретизировать, какую информацию он хочет получить от системы в данный момент. Точность ответа системы зависит от полноты базы знаний, которая разработана для текущей версии сайта. Выдача ответов осуществляется с помощью языка SCn[3] – языка позволяющего описывать информацию в форме близкой к естественному представлению.

Общую схему работы такого web-сайта можно представить следующим образом. Пользователь обращается к некоторому удаленному ресурсу. В начальный момент пользователю отображается главная страница ресурса, на которой присутствуют меню навигационно-поисковых запросов, окно для ввода понятия предметной области. Пользователь может ввести в окно ввода понятия некоторое понятие, выбрать один из доступных ему навигационных запросов для получения информации от интеллектуальной системы о том, что известно системе о данном понятии. Запрос пользователя преобразовывается в XML-сообщение, которое передается по специальному протоколу на сервер баз знаний. Сервер баз знаний, который работает на базе REST-архитектуры преобразовывает данное сообщение в шаблон поиска на графе семантической сети. После осуществления поиска на запрос полученный ответ преобразовывается в сообщение, которое представляет собой закодированную с помощью XML-тегов семантическую сеть, и передается клиенту, запросившему данную информацию. На стороне клиента – это XML-сообщение обрабатывается специальным образом и передается системе публикации в виде набора фрагментов семантической сети. Для каждого такого фрагмента у системы публикации имеется шаблон для отображения.

Список источников:

1. Хорошевский, В.Ф. Пространства знаний в сети Интернет и Semantic Web (Часть 1) / В. Ф. Хорошевский // Искусственный интеллект и принятие решений. - 2008. - № 1. - С.80- 2. Обзор NoSql-систем [Электронный ресурс]. – 2010. - Режим доступа: http://habrahabr.ru/blogs/nosql/77909/. – Дата доступа: 27.03. 3. Открытая семантическая технология проектирования интеллектуальных систем [Электронный ресурс]. – 2010. Режим доступа: http://ostis.net. – Дата доступа: 27.03. 47-ая Научная конференция аспирантов, магистрантов и студентов БГУИР 2011 г.

БАЗА ЗНАНИЙ ИНТЕЛЛЕКТУАЛНОЙ СПРАВОЧНОЙ СИСТЕМЫ ПО ТЕОРИИ ИЗМЕРЕНИЙ УО «Белорусский государственный университет информатики и радиоэлектроники»

г. Минск, Республика Беларусь Гейхрох А. И., Гуделайть Ю. А.

Давыденко И. Т.– магистрант кафедры ИИТ Интеллектуальные справочные системы являются одним из приоритетных направлений развития прикладных интеллектуальных систем. Они способны решать задачи из выбранной предметной области и отвечать на вопросы, сформулированные пользователем.

Целью работы является разработка базы знаний [5] интеллектуальной справочной системы по теории измерений, основанной на технологии проектирования интеллектуальных систем OSTIS [9].

В качестве предметной области была выбрана теория измерений [1-4], т.к. она плотно взаимодействует с различными областями знаний человека, а также предоставляет широкие возможности для иллюстрирования метрологических задач разного типа. Следует также отметить, что в настоящее время в предметной области метрологии идет процесс унификации и интеграции объектов и предметов исследования теории измерений, следовательно создание интеллектуальной справочной системы по теории измерений является важной и актуальной задачей.

В предметной области теории измерений исследуемыми объектами являются физические величины [9], системы измерения физических величин, а также отношения между ними. Исходя из этого, семантическая сеть, которая представляет собой информационную модель описываемой предметной области, включает следующие ключевые узлы, являющиеся классами объектов исследования теории измерений: физическая величина, шкала измерений, средство измерений, единица измерения, скалярная величина, векторная величина, тензорная величина, площадь, масса, время и др.

К ключевым узлам, являющимися отношениями и составляющими предмет исследования, относятся:

значение величины, измерение, погрешность, точность, округление, эталон, преобразование и др.

На первом этапе разрабатывается тестовый сборник вопросов для проектируемой предметной области, что предполагает выделение семантически полного набора вопросов, ответы на которые должны содержаться в первой версии базы знаний.

На все вопросы, входящие в указанный сборник, записываются ответы, тем самым будет формироваться первая версия базы знаний. В процессе записи ответов на вопросы на формальном графовом языке SCg (Semantic Code graphical) [6,7] выделяются ключевые узлы описываемой предметной области.

В результате данной работы была спроектирована и разработана интеллектуальная справочная система по теории измерений с использованием технологии компонентного проектирования интеллектуальных систем. В дальнейшем предполагается совершенствовать базу знаний путем добавления в нее новых видов знаний.

Список источников:

1. Суппес П., Зинес Дж. Основы теории измерений. - В сб.: Психологические измерения. - М.: Мир, 1967. С.9-110.

2. РМГ 29-99 Рекомендации по межгосударственной стандартизации. ГСИ. Метрология. Основные термины и определения. - ИПК Издательство стандартов, 2000.

3. РМГ 83 - 2007 Рекомендации по межгосударственной стандартизации. ГСИ. Шкалы измерений. Термины и определения. - ИПК Издательство стандартов, 2008.

4. И.Е.Ушаков, И.Ф.Шишкин. Прикладная метрология: Учеб. для вузов. Изд. 4-е, перераб. -СПб.:СЗТУ, 2002, - 116 с.

5. Гаврилова Т.А., Хорошевский В.Ф. Базы знаний интеллектуальных систем. Учебник / Гаврилова Т.А.. [и др.];

– СПб. :

Изд-во «Питер», 2001.

6. Голенков, В.В. Представление и обработка знаний в графодинамических ассоциативных машинах / Голенков В.В. [и др.];

под ред. В.В. Голенкова – Минск, 7. Интеллектуальные обучающие системы и виртуальные учебные организации /Голенков В.В. [и др.];

под ред. В.В.

Голенкова – Минск, 2001. – 488с 8. Власов А. Д., Мурин Б. П. Единицы физических величин в науке и технике: Справочник, —М.: Эиергоатомиздат, 1990.

—* 176 с: ил.

9. Проект OSTIS [Электронный ресурс]. – Электронные данные. – Режим доступа: http://www.ostis.net/.

47-ая Научная конференция аспирантов, магистрантов и студентов БГУИР 2011 г.

АЛГОРИТМЫ ЛОГАРИФМИЧЕСКОЙ ВРЕМЕННОЙ СЛОЖНОСТИ ДЛЯ ПОИСКА В ДЕКАРТОВОМ ДЕРЕВЕ СПЕЦИАЛЬНОГО ВИДА УО «Белорусский государственный университет информатики и радиоэлектроники»

г. Минск, Республика Беларусь Гомон С. В., Лапицкий А. В.

Ивашенко В. П., ассистент кафедры ИИТ При описании обрабатываемых данных зачастую принято использовать абстракцию типа данных. В настоящее время существует значительное количество накопленных типов данных, начиная от простых и заканчивая сложными структурами. Структуры некоторых типов удобно использовать для представления множеств однотипных элементов или элементов различных типов. Как известно множества [1] могут быть ориентированными (вектора, кортежи) и неориентированными. Для широкого представления неориентированных множеств используется любые типы данных, которые удовлетворяют спецификации абстрактного типа «множество», иные типы – в более частных случаях;

для ориентированных множеств – используются массивы, списки, двоичные деревья поиска и прочие типы данных. Для структуры данных, представляющей множество, необходимым требованием является наличие определения двух процедур – порождающей (перечисляющей) и разрешающей. Первая позволяет перебрать элементы множества (выбрать следующий элемент), вторая – установить: является ли указанный аргумент элементом множества, либо – нет. Эти процедуры, как и другие, могут различаться пространственной и временной сложностью [2]. Например, для списков [2] существует простая и эффективная реализация порождающей процедуры. Однако для них же разрешающая процедура будет работать за линейное время, что зачастую неприемлемо при обработке множеств большого размера. Более эффективным в этом плане будет применение структуры такого типа как сбалансированное двоичное дерево поиска [3], однако оно потребует больше пространства в памяти для своего хранения. Существуют типы данных, представляющие множества специальных видов – соответствия, функции, биекции, отношения: списки рёбер, ассоциативные массивы и другие.

Рассмотрим реализацию модификации такой структуры данных как декартово дерево. Назовём тип таких структур «сбалансированным декартовым деревом». Сбалансированное декартово дерево позволяет явно представить некоторую функцию [1]. Её область определения состоит из ключей, а область значений – из приоритетов. Отличие от известного декартова дерева в том, что балансировка дерева осуществляется по ключам, а в качестве приоритетов вершин сбалансированного декартова дерева сохраняются величины, вычисленные на основании заданных приоритетов ключей. В качестве принципа балансирования используется принцип дихотомии. В этом случае предполагается, что максимальное и минимальное значение из всех значений типа ключа известно (0 и S). Тогда на множестве всевозможных ключей сбалансированное декартово дерево строится следующим образом: поддеревья каждой вершины хранят ключи из своей половины множества значений ключей дерева, корнем которого является эта вершина, она же хранит ключ, значение которого ближе всего к центральному значению из множества значений ключей этого же дерева. Таким образом, высота дерева ограничена логарифмом по основанию два мощности множества значений ключей. Приоритет каждой вершины вычисляется как максимум из всех приоритетов ключей в дереве, корнем которого является эта вершина.

Следует отметить, что сбалансированное декартово дерево может быть сбалансировано и на иных принципах.

Основная задача при формировании сбалансированного декартова дерева – произвести перевычисление приоритетов для некоторых его вершин. С деревом возможны следующие действия: добавить пару, содержащую ключ и приоритет;

удалить пару по заданному ключу;

найти пару по заданному ключу;

найти минимальный ключ, приоритет которого не меньше заданного приоритета и другие. В результате были получены соответствующие алгоритмы (см. рисунок 1), которые имеют логарифмическую временную сложность. Реализованные в виде С++ шаблонов [4] алгоритмы были протестированы и применены в системе динамического распределения памяти, использующей стратегию «первый подходящий» [2]. Размер исходных кодов составил 90 КиБ. Времена выполнения по результатам тестирования работы алгоритмов в системе динамического распределения памяти представлены на рисунке 2.

r – правая граница l – левая граница m– центральное значение Рисунок 1. Алгоритм добавления и удаления узла i Рисунок 2. Зависимость времени от числа ячеек Список источников:

1. Новиков Ф. А. Дискретная математика для программистов / Ф. А. Новиков СПб: Питер, 2000. – 304 с.

2. Кнут, Д. Искусство программирования / Д. Кнут. – Пер с англ.:М.: Издательский дом «Вильямс», 2000. – 682 с. – Т. 3. Шилд, Г. Полный справочник по С++ / Г. Шилд. – Пер. с англ. — М.: Издательский дом «Вильямс», 2006. – 800 с.

47-ая Научная конференция аспирантов, магистрантов и студентов БГУИР 2011 г.

СРЕДСТВА ПОДДЕРЖКИ ПРОЕКТИРОВАНИЯ БАЗ ЗНАНИЙ ИНТЕЛЛЕКТУАЛЬНЫХ СИСТЕМ УО «Белорусский государственный университет информатики и радиоэлектроники»

г. Минск, Республика Беларусь Давыденко И. Т.

Гулякина Н. А., профессор кафедры ИИТ Одной из современных тенденций развития прикладных интеллектуальных систем является реализация интеллектуальных справочных систем, способных отвечать на различные свободно конструируемые вопросы пользователя, а также решать задачи из соответствующей предметной области. Такие системы составляют важный класс систем, осуществляющих информационное обслуживание пользователя [1], [3].

Интеллектуальные справочные системы включают в себя базу знаний, машину обработки знаний и пользовательский интерфейс.

Наиболее важный параметр базы знаний [1] — качество содержащихся знаний. Лучшие базы знаний включают самую релевантную и актуальную информацию, имеют совершенные системы поиска информации и тщательно продуманную структуру и формат знаний. Поэтому стадия концептуального анализа или структурирования знаний традиционно является «узким местом» в жизненном цикле разработки интеллектуальных систем. Из этого следует, что разработчиками баз знаний может быть ограниченный круг специалистов, что не позволяет массово разрабатывать качественные интеллектуальные системы.

Основным принципом при создании базы знания является унификация представления знаний в системе [1, 3]. Для построения баз знаний используется множество подходов, одним из подходов является технология проектирования баз знаний, основанная на технологии OSTIS [4]. Технология включает в себя методику проектирования баз знаний.

Данная методика включает в себя следующие этапы:

Разработка 1-й версии тестового сборника вопросов – предполагает выделение семантически полного набора вопросов, ответы на которые должны содержаться в стартовой версии базы знаний. Поэтому разработчик базы знаний должен выделить вопросы в соответствии с их типологией.

Запись в SСg-коде [2] ответов на все тестовые вопросы. Тестирование стартовой версии базы знаний на основе сборника тестовых вопросов и базового набора тестовых операций. Стартовая версия базы знаний включает минимальный, но функционально полный набор хранимых знаний. Такая версия базы знаний предполагает возможность вывода пользователю ответов на те вопросы, которые включены в тестовый сборник вопросов.

Выделение достаточно полного набора основных объектов, входящих в состав проектируемой базы знаний.

Разработка исходного текста базы знаний на SСn-коде [4]. Данная форма представления является промежуточной между представлением на естественном языке и формальном, и в дальнейшем данная она будет использоваться как исходные данные для автоматической трансляции конструкций в формальное представление.

Анализ и уточнение распределения всех вводимых понятий по их логическим уровням. Распределение понятий по логическим уровням основывается на определении понятий, т.е. тех ключевых понятиях, на основе которых оно определяется.

Логико-дидактическая структуризация базы знаний: декомпозиция и упорядочение выделенных разделов.

При коллективном проектировании базы знаний возникает ряд проблем: согласование ключевых узлов базы знаний, управление задачами, проверка выполненных задач, выделение приоритетных задач и сопровождение базы знаний в дальнейшем. Для решения этих проблем необходимо использовать менеджмент проектирования баз знаний.

Один из путей – использование систем автоматизированного менеджмента проектов (BugTracker). Данные системы позволяют эффективно поддерживать процесс проектирования баз знаний, однако, для повышения эффективности разработки семантически структурированных баз знаний необходимо интегрировать систему менеджмента с разрабатываемой базой знаний.

Список источников:

1. Гаврилова Т.А., Хорошевский В.Ф. Базы знаний интеллектуальных систем. Учебник / Гаврилова Т.А.. [и др.];

– СПб. :

Изд-во «Питер», 2001.

2. Голенков, В.В. Представление и обработка знаний в графодинамических ассоциативных машинах / Голенков В.В. [и др.];

под ред. В.В. Голенкова – Минск, 2001.

3. Нильсон Н. Принципы искусственного интеллекта. Н. Нильсон;

– М. : «Радио и связь», 1985.

4. Проект OSTIS [Электронный ресурс]. Минск, 2010. – Режим доступа: http://ostis.net/. – Дата доступа: 11.11. 47-ая Научная конференция аспирантов, магистрантов и студентов БГУИР 2011 г.

СЕМАНТИЧЕСКАЯ ТЕХНОЛОГИЯ ПРОЕКТИРОВАНИЯ ЕЯ-ИНТЕРФЕЙСОВ ИНТЕЛЛЕКТУАЛЬНЫХ СИСТЕМ УО «Белорусский государственный университет информатики и радиоэлектроники»

г. Минск, Республика Беларусь Житко В. А.

Голенков В. В., зав. каф. ИИТ В связи с динамичным развитием и распространением компьютерных систем возникает необходимость в снижении расходов на подготовку новых пользователей. Привлекательно, в этом случае, выглядит использование привычного для пользователя языка для организации его диалога с компьютерной системой.

Такая возможность реализуется средствами естественно-языкового пользовательского интерфейса, обладающего рядом преимуществ: минимальной подготовкой пользователя необходимой для работы с системой, простотой и высокой скоростью задания произвольных запросов к пользовательскому интерфейсу и высоким уровнем модели предметной области. Использование речевого синтеза позволит снизить нагрузку на пользователя, а также выполнять действия под руководством интеллектуальной системы, например решение задачи на построение геометрических чертежей.

Целью данной работы является создание семантической технологии компонентного проектирования естественно-языковых интерфейсов интеллектуальных вопросно-ответных систем. Такая технология основывается на семантической технологии компонентного проектирования пользовательских интерфейсов [OSTIS, 2010], разрабатываемой в рамках открытого проекта OSTIS. Таким образом, пользовательский естественно-языковой интерфейс будет представлять собой набор взаимодействующих между собой модулей.

Такие модули мы будем называть компоненты, т.е. компоненты интеллектуальной собственности. Все модули располагаются в библиотеке совместимых компонентов. Такая библиотека осуществляет хранение компонентов, предоставляет разработчику доступ к информации о хранимых компонентах, а также средства поиска нужных компонентов.

Семантическая технология компонентного проектирования естественно-языковых интерфейсов вопросно ответных систем предоставляет единую основу для анализа естественно-языковых текстов, начиная с ввода текста, морфологического, лексического, семантического анализа и генерации текста. Так же, позволяет устанавливать отношения между эквивалентными лингвистическими конструкциями и структурой внутренней памяти системы.

Библиотека совместимых ip-компонентов естественно-языкового пользовательского интерфейса позволяет разработчику проектировать естественно-языковой интерфейс посредством компоновки уже готовых компонентов, включая лингвистические базы знаний, трансляторы и элементы пользовательского интерфейса.

Ip-компонент системы синтеза речи по тексту позволяет пользователю слышать ответ от системы на поставленный вопрос, а не просто читать его с экрана компьютера. Это делает естественно-языковый интерфейс еще более естественным для пользователя.

Возможность интеграции сторонних разработок и проектов в качестве внешних ip-компонентов позволяет производить интеграцию различных подходов и методов в рамках одного проекта, что позволяет использовать их лучшие стороны.

Список источников:

1. [Апресян, 1995] Апресян, Ю. Д. Избранные труды, том I. Лексическая семантика / Ю. Д. Апресян – Москва: Школа «Языки русской культуры», 1995.

2. [Апресян, 1995] Апресян, Ю. Д. Избранные труды, том II. Интегральное описание языка и системная лексикография / Ю. Д. Апресян – Москва: Школа «Языки русской культуры», 1995.

3. [Апресян, 1989] Апресян, Ю. Д. Лингвистическое обеспечение системы ЭТАП-2 / Ю. Д. Апресян [и др.] – Москва:

Наука, 4. [OSTIS, 2010] Open Semantic Technology for Intelligent Systems. [Электронный ресурс]. – 2010. - Режим доступа:

http://www.ostis.net/. – Дата доступа: 30.11. 5. [Белнап, 1981] Белнап, Н. Логика вопросов и ответов / Н. Белнап, С. Стил. - М., 1981.

6. [Хорошевский, 2008] Хорошевский, В.Ф. Пространства знаний в сети Интернет и Semantic Web (Часть 1) / В. Ф.

Хорошевский // Искусственный интеллект и принятие решений. - 2008. - № 1. - С.80-97.

7. [Карпов, 1992] Карпов В.А. Язык как система / Минск.: Выш. шк., 1991.

8. [Кречетова, 1999] Кречетова, Т.В. Формальный аппарат лингвистических описаний для систем понимания текста на естественном языке / Т.В. Кречетова // сборник трудов 12 Международной научной конференции, Новгород, 1999 / Новгород. гос. ун-т. – Новгород, 9. [Кустова, 2005] Кустова, Г.И. Семантическая разметка лексики в Национальном корпусе русского языка: принципы, проблемы, перспективы / Г.И. Кустова, О.Н. Ляшевская, Е.В. Падучева, Е.В. Рахилина // Национальный корпус русского языка: 2003-2005. Результаты и перспективы. – Москва, 2005.

10. [Мельчук, 1974] Мельчук, И.А. Опыт теории лингвистических моделей «Смысл-Текст». Семантика, Синтаксис / И.А.

Мельчук. – Москва, 11. [Попов, 1982] Попов, Э.В. Общение с ЭВМ на естественном языке / Э.В. Попов. – Москва: Наука, 1982.

12. [Шенк, 1987] Шенк, Р. Обработка концептуальной информации: пер. с англ. / Р. Шенк. – Москва: Мир,1987.

47-ая Научная конференция аспирантов, магистрантов и студентов БГУИР 2011 г.

БАЗА ЗНАНИЙ ИНТЕЛЛЕКТУАЛЬНОЙ СПРАВОЧНОЙ СИСТЕМЫ ПО ЛОГИКЕ УО «Белорусский государственный университет информатики и радиоэлектроники»

г. Минск, Республика Беларусь Супрун А. А., Заливако С. С., Старцев С. С., Шункевич Д. В.

Голенков В. В., д.т.н., профессор кафедры ИИТ Аннотация – Эта статья посвящена описанию разработки базы знаний прикладной интеллектуальной справочной системы по логике. Описаны основные компоненты системы, ее текущее состояние, а также перспективы ее дальнейшего развития. Ключевые слова: логика;

база знаний;

OSTIS;

интеллектуальная справочная система.

Одним из ведущих направлений в искусственном интеллекте является разработка систем, основанных на знаниях. Это направление связано с разработкой моделей представления знаний, созданием баз знаний, образующих ядро интеллектуальной справочной системы[2].

В данной статье рассматривается интеллектуальная справочная системы по логике.

Логика является такой предметной областью, знания из которой могут быть использованы в различных прикладных интеллектуальных системах. Практически любая интеллектуальная справочная система использует процесс решения задач, интеллектуализация которого невозможна без механизмов логического вывода. Этот факт, в свою очередь, обусловливает использование базы знаний по логике в качестве машины объяснения для интеллектуального решателя задач[3].

Данная интеллектуальная справочная система проектируется в рамках открытого проекта OSTIS Logic, который осуществляется в соответствии с открытой семантической технологией проектирования интеллектуальных систем[4].

Выделим основные компоненты интеллектуальной справочной системы по логике:

база знаний;

машина интеллектуального поиска;

интеллектуальный решатель задач;

интеллектуальный пользовательский интерфейс.

Проектирование каждого из компонентов данной системы осуществляется в соответствии с задачно ориентированной методологией, которая включает в себя следующие этапы (для базы знаний):

тестовый сборник вопросов;

классификация тестового сборника вопросов;

формальная запись ответов на тестовые вопросы;

выделение понятий и отношений выбранной предметной области;

формирование онтологии предметной области;

запись исходных текстов базы знаний на SCn;

тестирование и верификация базы знаний.

Интеллектуальная справочная система по логике может быть использована в двух основных аспектах:

в качестве обучающей системы по логике;

в качестве help-системы в рамках технологии проектирования интеллектуальных решателей задач.


В данный момент разрабатывается фрагмент базы знаний, описывающий специальный язык для представления логических формул SCL (Semantic Code Logic)[1].

Основными направлениями развития данного открытого проекта являются:

пополнение базы знаний:

o описание логики высказываний;

o описание логики предикатов первого порядка;

o описание многозначных логик;

o описание модальных логик;

o описание темпоральных логик;

o описание логик с умолчаниями;

o и другие;

реализация поисковых операций;

реализация интеллектуального решателя задач;

реализация интеллектуального пользовательского интерфейса.

Необходимо отметить, что интеллектуальная справочная система по логике является гибкой и легко интегрируемой, поскольку все закономерности любой предметной области описываются каким-то видом логики[3].

Список источников:

1. Голенков, В.В. Представление и обработка знаний в графодинамических ассоциативных машинах / Голенков В.В. [и др.];

под ред. В.В. Голенкова – Минск, 2001.

2. Гаврилова Т.А., Хорошевский В.Ф. Базы знанsий интеллектуальных систем / Т.А. Гаврилова, В.Ф. Хорошевский.- СПб «Питер», 3. Заливако С.С. Семантическая технология проектирования интеллектуальных решателей задач / Заливако С.С. [и др.] Материалы международной научно-технической конференции «Открытые семантические технологии проектирования интеллектуальных систем». – Минск БГУИР, 4. Проект OSTIS [Электронный ресурс]. Минск, 2011. – Режим доступа: http://ostis.net/. – Дата доступа: 11.03. 47-ая Научная конференция аспирантов, магистрантов и студентов БГУИР 2011 г.

ИНТЕЛЛЕКТУАЛЬНЫЙ РЕШАТЕЛЬ ЗАДАЧ ПО ГЕОМЕТРИИ УО «Белорусский государственный университет информатики и радиоэлектроники»

г. Минск, Республика Беларусь Заливако С. С., Старцев С. С., Шункевич Д. В.

Голенков В. В., д.т.н., профессор кафедры ИИТ Аннотация – Эта статья посвящена описанию разработки интеллектуального решателя задач прикладной справочной системы по геометрии. Описана технология проектирования интеллектуальных решателей задач и текущее состояние решателя задач системы по геометрии. Ключевые слова: логический вывод;

интеллектуальный решатель задач;

интеллектуальная справочная система.

Одной из современных тенденций развития прикладных интеллектуальных систем является реализация интеллектуальных справочных систем, способных отвечать на различные свободно конструируемые вопросы пользователя, а также решать задачи из соответствующей предметной области. Такие системы составляют очень важный класс систем, осуществляющих информационное обслуживание пользователя. [4] В данной статье рассматривается часть данной интеллектуальной справочной системы по геометрии [2] – интеллектуальный решатель задач по геометрии. Данная подсистема обеспечивает решение задач из различных разделов геометрии. В данный момент реализован механизм решения задач на вычисление, который обеспечивается путем поиска в глубину по имеющейся базе знаний.

Открытая семантическая технология проектирования интеллектуальных решателей задач является частью проекта OSTIS [5]. Опишем этапы проектирования решателя для описанной выше системы по геометрии:

составление тестового сборника задач;

классификация составленного сборника;

проектирование системы операций, реализующих решения выделенных классов задач;

реализация операций на специальном языке, предназначенном для обработки семантических сетей SCP (semantic code programming)[1];

тестирование реализованных операций.

В данный момент библиотека операций интеллектуального решателя задач по геометрии насчитывает порядка 15 операций[3].

Решение задач в данной прикладной системе по геометрии обеспечивается путем использования дедуктивного прямого логического вывода. Поскольку геометрия является статичной предметной областью, то нет необходимости использовать неклассические логики для представления формальной теории. В связи с этим все аксиомы и теоремы представлены в виде утверждений логики предикатов первого порядка, представленных на специальном языке представления логических формул SCL (semantic code logic) [1].

Благодаря многоагентной модели интеллектуального решателя операции, предназначенные для решения некоторого класса задач, взаимодействуют между собой через память системы посредством генерации конструкций, являющихся условиями инициирования для другой операции. При таком подходе становится возможным обеспечить гибкость и расширяемость решателя путем добавления или удаления из его состава некоторого набора операций[3].

Особенностью данного решателя задач является так же его предметная независимость, т.к. операции, используемые системой по геометрии в состоянии решать задачи из других предметных областей, например области физики. Эта возможность обеспечивается за счет того, что логический вывод осуществляется только на знании о формулах логики предикатов первого порядка, описывающих конкретную предметную область.

Опишем перспективы развития интеллектуального решателя задач прикладной системы по геометрии:

решение большего класса задач из области геометрии;

возможность относительно неподготовленному человеку создать интеллектуальный решатель задач по интересующей его предметной области, используя компоненты из системы по геометрии;

оптимизация реализованных операций.

Таким образом, решатель задач позволяет пользователю прикладной системы по геометрии получить решение интересующей его задачи, а так же получить объяснение выводов, сделанных системой.

Список источников:

1. Голенков, В.В. Представление и обработка знаний в графодинамических ассоциативных машинах / Голенков В.В. [и др.];

под ред. В.В. Голенкова – Минск, 2001.

2. Давыденко И.Т. Интеллектуальная справочная система по геометрии / Давыденко И.Т. [и др.] Материалы международной научно-технической конференции «Открытые семантические технологии проектирования интеллектуальных систем». – Минск БГУИР, 3. Заливако С.С. Семантическая технология проектирования интеллектуальных решателей задач / Заливако С.С. [и др.] Материалы международной научно-технической конференции «Открытые семантические технологии проектирования интеллектуальных систем». – Минск БГУИР, 4. Рассел С., Норвиг П. Искусственный интеллект. Современных подход / Рассел С., Норвиг П. ;

- М. : Вильямс, 2006.

5. Проект OSTIS [Электронный ресурс]. Минск, 2011. – Режим доступа: http://ostis.net/. – Дата доступа: 11.03.2011.

47-ая Научная конференция аспирантов, магистрантов и студентов БГУИР 2011 г.

База знаний интеллектуальной справочной системы по Республике Беларусь УО «Белорусский государственный университет информатики и радиоэлектроники»

г. Минск, Республика Беларусь Абраменков Д.Н., Зарембо Д.Н., Пищиков О.И.

Самодумкин С. А., старший преподаватель кафедры ИИТ Аннотация — В работе приводится описание интеллектуальной справочной системы по Республике Беларусь, спроектированной на основе открытой семантической технологии компонентного проектирования интеллектуальных систем.Ключевые слова: интеллектуальная система, база знаний, геоинформационные системы Целью работы является разработка интеллектуальной справочной системы по Республике Беларусь, основанной на технологии проектирования интеллектуальных систем OSTIS [8].

На текущий момент разрабатывается первая версия системы в виде гипертекста, структурированного семантически, в среде MediaWiki на SСn-коде [5].

В качестве предметной области была выбрана Республика Беларусь, т.к. она является важной предметной областью для большего количества людей, плотно взаимодействует с различными областями знаний человека, а также предоставляет широкие возможности для изучения Республики Беларусь [1]. Стоит отметить что такая система будет интересна широкому кругу пользователей, т.к. будет представлять информацию, полезную как для научной деятельности так и для бытовых целей, а так же будет помогать в обучении.

В предметной области Республика Беларусь исследуемыми объектами являются реальные объекты местности и условные объекты местности, отношения между ними и их характеристики. Исходя из этого, семантическая сеть, которая представляет собой информационную модель описываемой предметной области, включает следующие ключевые узлы, являющиеся классами объектов исследования и отношениями: реальный объект местности, условный объект местности, объекты карты, объекты флоры, объекты фауны и др.

За основу был взять общегосударственный классификатор Республики Беларусь [7].

На первом этапе согласно технологии проектирования баз знаний разрабатывался тестовый сборник вопросов. Все выделенные вопросы были разбиты на классы.

Примеры вопросов:

Какие населенные пункты в РБ имеют численность населения более 10 000 жителей?

Какие реки протекают по территории РБ?

Есть ли на территории РБ национальные парки?

На следующем этапе разработки на все вопросы, входящие в тестовый сборник, были записаны ответы.

Среди ключевых узлов, входящих в базу знаний были выделены следующие: населенный пункт, город, поселок, река, озеро, водоем, почва, собственное название*, площадь, население*, глубина*, ширина*, скорость течения*, относительная высота и т.д.

Для каждого ключевого узла было сформировано описание его семантической окрестности, что представляет собой описание связей между понятиями в базе знаний.

В результате данной работы была спроектирована и разработана интеллектуальная база знаний интеллектуальной справочной системы по Республике Беларусь с использованием технологии компонентного проектирования интеллектуальных систем. В дальнейшем предполагается совершенствовать базу знаний путем ее расширения и добавления в нее новых видов знаний.

Список источников:

1. Майкл Н. ДеМерс. Географические информационные системы. Основы. Государственный Университет Нью-Мексико.

2. Н.В. Коновалова, Е.Г. Капралов Введение в ГИС. Научное пособие. 2-е издание. Москва, 1997.


3. Южанинов В.С.Картография с основами топографии. Издательство «Высшаяшкола», 2001.

4. Гаврилова Т.А., Хорошевский В.Ф. Базы знаний интеллектуальных систем. Учебник / Гаврилова Т.А.. [и др.];

– СПб. :

Изд-во «Питер», 2001.

5. Голенков, В.В. Представление и обработка знаний в графодинамических ассоциативных машинах / Голенков В.В. [и др.];

под ред. В.В. Голенкова – Минск, 6. Интеллектуальные обучающие системы и виртуальные учебные организации /Голенков В.В. [и др.];

под ред. В.В.

Голенкова – Минск, 2001. – 488с 7. Общегосударственный классификатор РБ 012- 8. Проект OSTIS [Электронный ресурс]. – Электронные данные. – Режим доступа: http://www.ostis.net/.

47-ая Научная конференция аспирантов, магистрантов и студентов БГУИР 2011 г.

БАЗА ЗНАНИЙ ИНТЕЛЛЕКТУАЛЬНОЙ СПРАВОЧНОЙ СИСТЕМЫ ПО ТЕОРИИ ГРАФОВ УО ИИТ «Белорусского государственного университета информатики и радиоэлектроники»

г. Минск, Республика Беларусь Конофальский З. П., Попцов А. А.

Лазуркин Д. А., ассистент кафедры ИИТ Одним из ведущих направлений в искусственном интеллекте является разработка систем, основанных на знаниях. Это направление связано с разработкой моделей представления знаний и созданием баз знаний, образующих ядро интеллектуальной справочной системы (ИСС) [1].

ИСС по теории графов проектируется в рамках открытого проекта OSTIS Graph`s Theory, который осуществляется в соответствии с открытой семантической технологией проектирования интеллектуальных систем OSTIS [2]. Предметная область теории графов имеет большое значение для развития технологии OSTIS в целом, т.к. основной способ представления знаний в данной технологии – семантическая сеть, для обработки которой необходимы теоретико-графовые формализмы и алгоритмы.

Основными компонентами ИСС по теории графов являются:

база знаний;

машина интеллектуального поиска;

интеллектуальный решатель задач;

интеллектуальный пользовательский интерфейс.

В данной статье рассматривается одна из составных частей ИСС по теории графов, а именно база знаний. Проектирование базы знаний осуществляется в соответствии с задачно-ориентированной методологией OSTIS, которая включает в себя следующие этапы:

создание тестового сборника вопросов;

классификация тестового сборника вопросов;

формальная запись ответов на тестовые вопросы;

выделение понятий и отношений выбранной предметной области;

формирование онтологии предметной области;

запись исходных текстов базы знаний на SCn;

тестирование и верификация базы знаний.

В процессе проектирования базы знаний были выделены следующие ее разделы:

Понятие и классификация графовых структур, отношения на графовых структурах;

Деревья и их классификация;

Маршруты и их классификация;

Морфизмы графовых структур;

Транспортная сеть;

Пометки графовых структур.

Работа по каждому из разделов связана не только с формализацией понятий (относительных и абсолютных), но и с формализацией логических утверждений и алгоритмов из теории графов. Основным литературным источником по теории графов был выбран [3].

Краеугольным понятием базы знаний по теории графов является понятие графовой структуры. Это понятие необходимо для определения и классификации многообразия типов графов. На данный момент в базе знаний на основе него определены понятия гиперграфа, псевдографа, мультиграфа и классического графа. В перспективе развития планируется использовать это понятия для определения графов неклассического вида, в которых ребрами (дугами) могут быть связаны не только вершины, но и другие ребра (дуги).

Отличием предметной области теории графов от других предметных областей является наличие в ней сильной алгоритмической составляющей. Поэтому база знаний по теории графов будет содержать не только декларативные, но и процедурные знания.

Так как рассматриваемая база знаний создается по технологии OSTIS, то при ее разработке используются следующие компоненты баз знаний:

база знаний по теории множеств и отношений;

база знаний по теории числовых систем и моделей.

Разрабатываемая база знаний по теории графов может быть использована в трех основных направлениях:

в качестве базы знаний для обучающей системы по теории графов;

в качестве компонента в любой другой базе знаний;

в качестве базы знаний интеллектуального пакета программ решения теоретико-графовых задач.

Последнее направление использования нами позиционируется как основное.

Список источников:

1. Гаврилова Т.А., Базы знаний интеллектуальных систем / Т.А. Гаврилова, В.Ф. Хорошевский.- СПб «Питер», 2. Проект OSTIS [Электронный ресурс]. Минск, 2011. – Режим доступа: http://ostis.net/. – Дата доступа: 11.03. 3. Емеличев. В.А. Лекции по теории графов / Емеличев. В.А., Мельников О.И., Саранов В.И., Тышкевич Р.И. – Наука, 47-ая Научная конференция аспирантов, магистрантов и студентов БГУИР 2011 г.

ПРИМЕНЕНИЕ АППАРАТА ИСКУССТВЕННЫХ НЕЙРОННЫХ СЕТЕЙ ДЛЯ ОПТИМИЗАЦИИ ИНФОРМАЦИОННО-ПОИСКОВЫХ ОПЕРАЦИЙ В ИНТЕЛЛЕКТУАЛЬНЫХ СПРАВОЧНЫХ СИСТЕМАХ УО ИИТ «Белорусского государственного университета информатики и радиоэлектроники»

г. Минск, Республика Беларусь Кучинская И. И.

Гулякина Н. А., профессор, к.т.н., доцент Ключевые слова: база знаний;

искусственная нейронная сеть;

интеллектуальная справочная система;

нейронная сеть Кохонена;

семантическая сеть.

Интеллектуальная справочная система (ИСС), разработанная на основе комплексной открытой технологии проектирования интеллектуальных систем OSTIS [1] включает в себя:

базу знаний выбранной предметной области;

поисковую машину обработки знаний ИСС;

интеллектуальный решатель задач ИСС;

пользовательский интерфейс ИСС.

Особенность такой ИСС заключается в том, что информация, операции и интерфейс представляются в виде семантической сети [3].

Основной задачей ИСС является предоставление информации пользователю по его запросу. Поэтому одним из главных компонентов, определяющих функциональные возможности ИСС, является поисковая машина обработки знаний, которая состоит из информационно-поисковых и навигационных операций [3].

В настоящий момент остается до конца нерешенной задача оптимизации поисковых операций и, как следствие, сокращение времени поиска информации в БЗ ИСС. Для решения проблем оперативности и адекватности навигационно-поисковых операций предлагается использовать нейросетевой подход.

Кластеризация. Кластеризация или естественная классификация это процесс объединение в группы объектов, обладающих схожими признаками. В отличие от обычной классификации, где количество групп объектов фиксировано и заранее определено набором идеалов, в нашем случае ни группы и ни их количество заранее не определены и формируются в процессе работы исходя из определённой меры близости объектов.

Существует несколько основных методов разбиения множества объектов на группы. Одним из них является нейронная сеть Кохонена [4].

Нейронная сеть Кохонена. Самоорганизующаяся карта признаков Кохонена (СОК) - соревновательная нейронная сеть с алгоритмом обучения "без учителя", в которой нейроны конкурируют друг с другом за право наилучшим образом сочетаться с входным вектором и побеждает нейрон, чей вектор весов ближе всего к входному вектору сигналов. Веса победившего нейрона и его соседей подстраиваются с учетом входного вектора. В процессе самоорганизации СОК Кохонена конфигурирует нейроны в соответствии с топологическим представлением исходных данных [2].

Рис.1. Сеть Кохонена: входной слой (серый) - передает сигналы на все выходные нейроны слой Кохонена (коричневый) – соревновательный Нейросетевой подход к поиску информации в ИСС. На первом этапе семантическая сеть (результат поиска информации по базе знаний ИСС) определенным образом разбивается на подсети, каждая их которых рассматривается как возможный вариант решения (ответ на вопрос пользователя). На втором этапе каждая подсеть кодируется матрицей, а с помощью нейронной сети Кохонена множество перебираемых вариантов разбивается на классы и для каждого из них рассчитываются оценки. Это позволяет манипулировать целыми классами возможных решений и, таким образом, существенно сократить время выполнения поисковых операции.

Список источников:

1. OSTIS // Open Semantic Technology for Intelligent Systems [Электронный ресурс] – 2011. - Режим доступа: http://ostis.net/ 2. T. Kohonen. Self-Organizing Maps, Springer Series in Information Sciences, vol. 30, Springer, Heidelberg, 1995.

3. Голенков, В.В. Представление и обработка знаний в графодинамических ассоциативных машинах / Голенков В.В. [и др.];

под ред. В.В. Голенкова. – Минск, 2001. – 412с.

4. Головко, В.А. Нейроинтеллект: теория и применение. Книга 1, 2: Организация и обучение нейронных сетей с прямыми и обратными связями / В.А. Головко. – БрестИзд.БПИ, 1999. – 264с.

47-ая Научная конференция аспирантов, магистрантов и студентов БГУИР 2011 г.

СИСТЕМА БАЗОВЫХ ОПЕРАЦИЙ НАД ПРОСТРАНСТВЕННЫМИ ОБЪЕКТАМИ, ПРЕДСТАВЛЕННЫМИ В БАЗЕ ЗНАНИЙ ИНТЕЛЛЕКТУАЛЬНОЙ СИСТЕМЫ УО ИИТ «Белорусского государственного университета информатики и радиоэлектроники»

г. Минск, Республика Беларусь Махина А. И.

Самодумкин С. А.,ст. преподаватель кафедры ИИТ В индустрии разработки геоинформационных систем (ГИС) в настоящее время обозначилась потребность в их интеллектуализации, т.е. решение задач традиционно относящихся к геоинформатике с применением методов искусственного интеллекта, и в первую очередь – интеллектуального поиска. Существующие инструментальные ГИС [1], являющиеся средством разработки прикладных ГИС, задачи интеллектуального поиска не решают по ряду причин. Во-первых, практически все они построены на внутренних (закрытых) форматах представления пространственных данных, а обменные открытые форматы служат лишь средством обмена картографическими данными между различными инструментальными ГИС. Во-вторых, тематические данные сопоставлены с конкретными пространственными объектами и нет дополнительной возможности установления связей и отношений между такими данными. В третьих, реализация прикладных задач геоинформатики осуществляется на внутренних языках программирования, тем самым упрощая лишь доступ к пространственным данным, а карта служит только средством визуализации.

С другой стороны, известные технологии проектирования интеллектуальных систем используют картографические материалы, как правило, в виде растрового изображения, т.е. отсутствует возможность рассматривать карту как совокупность географических объектов с заданными топологическими и предметно ориентированными (в зависимости от типа карты) отношениями. Таким образом важным является выделение информации, которую можно получить путем анализа карты и выявления различных отношений между объектами карты. В результате реализации системы была решена задача по восполнению базы знаний топологическими отношениями между географическими объектами. Были выделены следующие отношения:

"включение", "примыкание", "пересечение", "граничить". Такая информация существенно расширила базу знаний геоинформационной системы. Структуры для хранения отношений приведены на рис. 1.

База знаний формируется путем интеграции различного рода знаний. На вход системе подается цифровая карта в открытом обменном формате. С помощью реализованных нами средств она разбирается и записывается в структуры в графодинамическую память на унифицированном языке кодирования семантических сетей [2]. На следующем этапе получения БЗ добавляются знания, полученные в результате анализа картографической информации и выявления топологических отношений между объектами карты (рис. 2).

Фрагмент полученных, при анализе карты, новых знаний приведен на рис. 3. Также в системе добавлен формализованный классификатор, который позволяет определить место объекта с карты в дереве классификации [3].

На следующем этапе были разработаны операции, которые используя информацию, записанную в БЗ, способны получить новые знания, не известные ранее системе. В частности была реализована операция поиска маршрута между двумя объектами, например поиска водного маршрута между населенными пунктами. Данная операция на основе полученных знаний при анализе карты, генерирует новые.

Рис. 1 Пример формальной записи структур для хранения топологических отношений Рис. 2 Интеграция баз знаний Рис. 3 Пример формальной записи информации Список источников:

1. Абламейко, С. В. Географические информационные системы. Создание цифровых карт / С. В. Абламейко, Г. П.

Апарин, А. Н. Крючков. Минск : Ин-т техн. кибернетики НАН Беларуси, 2000.

2. Голенков, В.В. Представление и обработка знаний в графодинамических ассоциативных машинах /В. В.

Голенков[и др.] – Мн. : БГУИР, 2001.

3. Цифровые карты местности. Топографическая информация, отображаемая на топографических картах и планах городов / ОКРБ 012-2007.

47-ая Научная конференция аспирантов, магистрантов и студентов БГУИР 2011 г.

ИНТЕЛЛЕКТУАЛЬНАЯ ИНФОРМАЦИОННО-ПОИСКОВАЯ СИСТЕМА ПО РУССКОМУ ЯЗЫКУ УО ИИТ «Белорусского государственного университета информатики и радиоэлектроники»

г. Минск, Республика Беларусь Нечипуренко Д.И., Русецкий К.В., Скиба Е.В., Снигурова И.В.

Житко В. А., ассистент каф. ИИТ В настоящее время особый интерес в области информационных технологий стали представлять программные продукты и средства призванные заниматься обработкой и обслуживанием естественно-языковой информации. Важными в этой категории являются проблемы анализа и синтеза речевых конструкций, обработки текстов, обучения персонала, а также детских ресурсов в данной области. Для решения этих сложных задач необходимо иметь прочный базис, который заложит интеллектуальная справочная система по русскому языку.

Основной задачей интеллектуальных систем является предоставление информации пользователю по его запросу. Основными средствами, при этом, являются операции навигации и поиска по семантическим сетям.

Главной особенностью таких средств является то, что они могут использовать различные подходы для поиска нужной информации (подход с поиском по шаблону или интеллектуальным поиском, нейросетевой подход, эволюционные алгоритмы и др.), но при этом должны быть интегрированы в одну систему и использовать один источник данных.

В интеллектуальных системах информация представляется в виде семантической сети, что позволяет оперировать не только фактографической информацией, но и осуществлять навигацию по установленным отношениям в рамках предметной области прикладной вопросно-ответной системы. Отметим также важность интеллектуальных вопросно-ответных, т.к. они составляют основу интеллектуальных систем.

Основной целью данной работы является разработка машины обработки знаний для наделения интеллектуальной справочной системы по русскому языку возможностью генерировать знания, в явном виде не содержащихся в БЗ. Данную цель можно разбить на следующие подцели:

Задачно-ориентированная спецификация МОЗ ИСС Разработка алгоритмов решения специфицированных задач Реализация разработанных алгоритмов Верификация и отладка МОЗ Список источников:

1. Д.Э. Розенталь, И.Б. Голуб Русский язык / Учебное пособие 2-е изд., перераб. и доп. - М.: Рольф, 2001. - 382 с.

2. Л.А. Шевченко, Н.М. Пипченко Пособие по русскому языку и литературе для поступающих в вузы - М.: БГУ, 1975. 320с.

3. Н.И. Гурский, Л.М. Филипович, А.М. Бордович Русский язык, часть 1, фонетика и морфология - М.: Народная асвета, 1970. - 317с.

4. Л.С. Мормыш, Т.А. Павлюченко. Пособие-репетитор, Русский язык -Минск 5. Р.Г. Чечет Русский язык / Учебное пособие 2-е изд., перераб. и доп. - М.: Университэцкае, 1999. - 301 с.

6. Горбатов В.А. Фундаментальные основы дискретной математики. Информационная математика. - М.: Наука, Физматлит, 2000.- 544 с.

7. Кузнецов О.П., Адельсон-Вельский Г.М. Дискретная математика для инженеров / Учебное пособие 3-е изд., перераб. и доп. - М.: Лань, 2004 г. - 400с.

8. Новиков Ф.А. Дискретная математика для программистов / Учебное пособие 2-е изд., перераб. и доп. - СПб.: Питер, 2003 г. - 364 с.

9. Харари Ф. Теория графов. Пер. с англ. 3-е изд. - М.: КомКнига, 2006. - 296с.

10. Математическая логика: Учеб. пособие / Л.А.Латонин, Ю.А.Макаренков, В.В.Николаева, А.А.Столяр. Под общ.ред.

А.А.Столяра. - Мн.: Выш. школа, 1991. - 269с.

11. Open Semantic Technology for Intelligent Systems[Электронный ресурс] / Ostis Минск, 2010 http://ostis.net 12. Кафедральный аналог "ostis.net"[Электронный ресурс] / Минск, 2010 http://iit.bsuir.by/mediawiki 47-ая Научная конференция аспирантов, магистрантов и студентов БГУИР 2011 г.

КОМПЛЕКС ПРОГРАММНЫХ СРЕДСТВ ДЛЯ РАБОТЫ С КАРТОГРАФИЧЕСКОЙ ИНФОРМАЦИЕЙ В ИНТЕЛЛЕКТУАЛЬНЫХ СИСТЕМАХ УО ИИТ «Белорусского государственного университета информатики и радиоэлектроники»

г. Минск, Республика Беларусь Сорока С. И.

Самодумкин С. А.,ст. преподаватель кафедры ИИТ В индустрии разработки геоинформационных систем (ГИС) в настоящее время обозначилась потребность в их интеллектуализации, т.е. решение задач традиционно относящихся к геоинформатике с применением методов искусственного интеллекта, и в первую очередь – интеллектуального поиска. Существующие инструментальные ГИС [1], являющиеся средством разработки прикладных ГИС, задачи интеллектуального поиска не решают по ряду причин.

Поэтому целью разработки является комплекс программных средств для работы с картографической информацией в интеллектуальных справочных системах (ИСС).

В соответствии с общей концепцией компонентного проектирования ИСС выделяются 3 составляющие интеллектуальной системы: база знаний (БЗ), машина обработки знаний (МОЗ) и интерфейс.

База знаний формируется путем интеграции различного рода знаний. На вход системе подается цифровая карта в открытом обменном формате. С помощью реализованных нами средств она разбирается и записывается в структуры памяти. Также в системе добавлен формализованный классификатор, который позволяет определить место объекта с карты в дереве классификации. Классификатор интеллектуальной системы [2] состоит из двух частей: непосредственно самого дерева классификации и перечня признаков объектов, определенных для данной группы объектов. Примеры классификатора см. на рис. 1.

В итоге интеграции классификатора и знаний, полученных из карты, образуются структуры, приведенные на рис. 2, которые и записываются в графодинамическую память на унифицированном языке кодирования семантических сетей [3].

На следующем этапе получения БЗ добавляются знания, полученные в результате анализа картографической информации и выявления топологических отношений между объектами карты (рис. 3).

База знаний может быть дополнена информацией из других БЗ и даже других предметных областей. Для этого необходимо решить задачу «синонимии» (одни и те же объекты БЗ должны иметь одинаковые идентификаторы).

Сочетая полученую нами БЗ с МОЗ по предметной области и картографическим интерфейсом, получаем интеллектуальную геоинформационную справочную систему. Пример такой системы нами был получен в результате разработки. Пример интерфейса этой системы приведен на рис. 4.

Рисунок 1 Пример формальной записи из классификатора Рисунок 3 Интеграция баз знаний Рисунок 2 Пример формальной записи информации Рисунок 4 Пример картографического интерфейса ИСС Список источников:

1. Абламейко, С. В. Географические информационные системы. Создание цифровых карт / С. В. Абламейко, Г. П.

Апарин, А. Н. Крючков. Минск : Ин-т техн. кибернетики НАН Беларуси, 2000.



Pages:   || 2 | 3 | 4 |
 



Похожие работы:





 
© 2013 www.libed.ru - «Бесплатная библиотека научно-практических конференций»

Материалы этого сайта размещены для ознакомления, все права принадлежат их авторам.
Если Вы не согласны с тем, что Ваш материал размещён на этом сайте, пожалуйста, напишите нам, мы в течении 1-2 рабочих дней удалим его.