The) Повернення the road
Мал.6. Стани, що генеруються при синтаксичному аналізі пропозиції " The dog ran across the road "
Запис "Джон любить Мері". У мові Ргоlog воно має наступну форму.
любить (Джон, Мері)
Щоб виділити цю форму в процесі синтаксичного аналізу, граматика доповнюється наступними властивостями.
S (sem-vp sem-np) →NP (sem-np) VP (sem-vp)
NP (sem-np) → N (sem-np)
N (sem-n) → (sem-n)
VP (sem-v sem-np) → V (sem-v) NP (sem-np)
name (sem-n) →Mepi ("Mepi")
name (sem-n) → Джон ("Джон")
verb (sem-v) → любить (λу. λ. х любить (х. у))
Вказаний тут дієслівний елемент (verb) містить вираз, зване λ-числення. Воно використовується для того, щоб виконати просту операцію, яка називається λ - зведена, і спростити вираз.
Наприклад, вираз у формі ( (λ х Рх) а)
може бути зведеним до "Ра". Тому вираз λу. λ х. любить (х, у), сформульований у вигляді (λ у. λ х. любить (х, у))"мері"), зводиться до λ x. любить (х, мері), а ( (λ, х. любить (х, мері))"джон") зводиться до любить (джон, мері).
Така λ-зведена виконується в порядку зліва направо, і її метою є приведення виразу до легшого читання (або розпізнавання) форми.
У разі нашого простого прикладу можна представити порівняння властивостей як серію викликів функцій. Ліва сторона правила розглядається як функція, а права сторона виконує серію викликів інших функцій. Ці операції продовжаться рекурсивно до тих пір, поки слову не буде знайдено відповідність і не буде повернений рядок.
|
|
|
Пропозицію "Джон любить Мері" буде проаналізоване з використанням "псевдо-С" нотації і із застосуванням λ-зведенням там, де це необхідно. Врахуйте те, що деякі дужки в граматичних виразах були опущені з метою збереження простоти запису.
Виклик S з аргументом "джон любить мері"
повертає (λ х. любить (х, мері) джон) = любить (джон, мері)
S (sem-vр sem-nр)
{
NP (sem-nр) - в результаті виклику NР в кінці повертається джон
VР (sem-vр) - в результаті виклику VР повертається (λу λх. любить (х, у) мері) = (λ, х. любить (х, мері))
}
NP (sem-nр) {
N (sem-np)
}
N (sem-n) {
name (sem-n)
}
name (sem-n) { if "джон"
return sem-n= "джон" if "мері"
return sem-n= "мері"
}
VP (sem-v sem-np) {
V (sem-v) - в результаті виклику V повертається (λу. λ х. любить (х, у))
NP (sem-np) - повертається мері
}
V (sem-v) {
sem-v = (λу. λ х. любить (х, у))
Символьні зв'язки нейронних мереж
Ідея використання нейронних мереж для виконання завдань, символьних систем штучного інтелекту, що традиційно відносяться до області, апелює до інтуїції інженерів і не тільки тому, що абстрактна архітектура штучного мозку може видавати нестандартні рішення, але також і тому, що нейронні мережі мають цілий ряд інших привабливих властивостей. Нейронні мережі навчаються виконанню завдання за допомогою адаптації до пропонованих мереж. Система, заснована на навчанні, має можливість виводити знання автоматично, а також виявляти знання, які є специфічними для конкретного завдання і які важко представити у вигляді набору правил (наприклад, як їхати на велосипеді). Мережа рідко пропонує однозначну відповідь, вона зазвичай забезпечує відповідь у вигляді оцінки, але для вирішення практичних завдань оцінені відповіді виявляються більш відповідними. Нейронні мережі можуть також демонструвати плавне зниження своєї ефективності, зберігаючи здатність виконувати завдання (хоча і на гіршому рівні), якщо частина структури мережі виявляється пошкодженою. Нейронні мережі можуть іноді зберігати свою працездатність, навіть якщо якась частина архітектури мережі перестає функціонувати взагалі. Нарешті, нейронні мережі можуть бути реалізовані у вигляді масових паралельних структур, які потенційно можуть запропонувати ефективнішу продуктивність в порівнянні з машинами, що використовують послідовну архітектуру.
|
|
|
Символьні системи мають свої переваги. Засобом комунікації є символи, і в процесі комунікації відбувається передача великого об'єму знань. Наприклад, якщо комусь скажуть, що він загине, якщо торкнеться рейок, по яких йдуть поїзди метро, то, за рідкісним виключенням, людина серйозно віднесеться до такого попередження. Знання, виражене у вигляді правил, може зберегти життя в ситуаціях, які раніше не були випробувані на практиці. Пілот літака, що ненавмисно вводить літак в штопор, стикається з ситуацією, що несе загрозу життю, і хоча практика виходу з штопора може допомогти справитися з ситуацією досвідченому пілотові, молодому пілотові може допомогти знання відповідних правил. Знання, що повідомляється в символьній формі, може також прискорити навчання. Важким етапом підготовки будь-якого пілота є навчання посадки літака. Добрий інструктор може запропонувати емпіричні правила, здатні допомогти пілотові-новачкові і може повторити або підкоригувати інструкції, виявивши неправильне або погане їх виконання.
|
|
|
Отже, і символьна парадигма, і парадигма нейронних мереж мають свої переваги з погляду побудови інтелектуальних систем. Тому недивним є той факт, що проводилося (і проводиться сьогодні) немало досліджень, присвячених можливості налагодження зв'язків між традиційним або символьним штучним інтелектом і нейронними мережами. Ці зв'язки дуже різноманітні, але головним питанням для багатьох прихильників нейронних мереж є, мабуть, питання про те, чи можуть бути створені нейронні мережі, здатні вирішувати когнітивні завдання найвищого рівня, якими є, наприклад, розуміння мови і планування.
|
|
|
Перші додатки нейронних мереж, що послідували за відродженням інтересу до нейронних мереж в 1980-х роках, стосувалися проблем розпізнавання, що відносяться до низького рівня, і виконували, по суті, побудову відображення безлічі початкових даних в безліч відповідних відповідей. А оскільки велися жваві дискусії відносно нейронних мереж як когнітивних моделей, недивно і те, що деякі філософи і когнітивні психологи почали цікавитися можливостями мереж першої генерації. Було з'ясовано, що частина критичних зауважень була заснована на незнанні того, як добитися від нейронної мережі необхідної якості виконання завдання. Слід відмітити, що критичні питання все ще чекають своїх відповідей, але ми сподіваємося, що з цим не буде проблем у міру розширення наших знань в області нейронних мереж.
Трьома характерними особливостями, що відповідають за успіх символьної парадигми, є композиційні структури, сенситивна обробка структур і узагальнення. Всі ці три властивості виявляються тісно пов'язаними.
Композиційні структури можуть бути визначені як ієрархічні структури, в яких вся структура складається з окремих частин. Типовим прикладом таких структур є дерева, а також спадкові і агреговані моделі, які використовують інженери. Композиція структур є основою будь-якої форми розробки конструкцій: при спробах рішення будь-якої складної задачі таке завдання зазвичай розбивається на частини. Ми вже бачили в розділі 5, що композиційний аналіз грає велику роль в системах розуміння мови. Структура виразів пропозиції представлялася у вигляді ієрархії його частин, і семантичний аналіз припускав, що сенс всієї пропозиції може бути знайдений як комбінація змісту частин.
Трансформація (P /\ Q) в його логічний еквівалент ( P \/ Q) є прикладом операції, яка сенситивно залежить від структури. Якщо Р і Q замінити на Rі S, то операція залишається достовірною, оскільки: (R /\ S) трансформується в логічний еквівалент ( R \/ S). Дана операція може бути також представлена у вигляді складніших виразів, оскільки весь вираз може бути розбитий на частини. Наприклад, ( (Рv R) /\ Q) все одно має форму: (A/\ Q), тому йото логічним еквівалентом є ( (Рv R) /\ Q).
Абстракція узагальнених виразів теж є природною частиною символьної парадигми. Аргументи у виразі любить (одушевлений, об'єкт) допускають будь-яку комбінацію об'єктів, відповідних для даного відношення. Це дозволяє системі демонструвати регулярну поведінку. Якщо система регулярна, вона повинна допускати семантичне (і синтаксичне) узагальнення. Регулярна система, яка розуміє "джон любить мері", зрозуміє також і "мері любить джона".
Висновок
В області традиційного штучного інтелекту значні зусилля витрачаються на дослідження уявлень. Ключовим компонентом будь-якої інтелектуальної системи є здатність адаптуватися до змін середовища, тобто здатність навчатися. Традиційні системи штучного інтелекту для представлення знань використовують символьні структури, так що обчислення можуть розглядатися як послідовність операцій, вживаних до цих структур в процесі пошуку рішення. Нижче перераховані деякі ключові моменти, на які спирається традиційний штучний інтелект.
Знання представляються в явному вигляді.
Структурні компоненти можуть об'єднуватися для того, щоб будувати ще складніші структури. Це означає, що великі структури можуть бути скомпонованими з малих структур, і, навпаки, великі структури можуть бути розділені на менші.
Символьні уявлення дозволяють узагальнений і абстрактний опис знань.
Вправи
1. Покажіть, що вираз ( (P=>Q) /\ R) =>S буде проаналізовано як допустиме відповідно до граматики, представленої в табл. 2.
2. Використовуючи таблицю істинності, покажіть, що ( (Р \/ R) /\ Q) еквівалентно ( (Р v R) v Q).
3. В таблиці показаний приклад використання продукційної системи для доказу мети при наступних правилах і за умови, що: Т, W і Р є ІСТИНА.
| Цикл | Робоча пам'ять | Множина суперечностей | Вибране правило |
| 0 | Т, W, Р | 3,4 | 3 |
| 1 | Т, W, Р, Q | 3,4 | 4 |
| 2 | Т, W, Р, Q, S | 2, 3,4 | 2 |
| 3 | Т,W, Р, Q, S, R | 1,2,3,4 | 1 |
| 4 | Т,W, Р,Q, S, R мета | 1,2,3,4 | Зупинка |
Р /\ Q /\ R => мета
S=>R
T/\W=>Q
T=>S
Використовуйте правила виведення логіки висловів, щоб довести мету.
4.
S → NP VP|NPV
NP→D AP|D N|NP PP
PP→ P NP
VP→VNP|V PP
AP→A AP|A N
Використовуючи цю граматику, побудуйте дерево синтаксичного аналізу для:
(а)"The little dog barked" (маленький собака загавкав);
(б)"The horse jumped over the fence" (кінь перестрибнув через огорожу).
5. Випишіть стани пошуку, що генеруються в ході синтаксичного аналізу пропозицій з вправи 4.
6. Як потрібно змінити граматику з вправи 4, щоб пропозиція "John found the book" (Джон знайшов книгу) виявилася допустимою?
7. Є база даних Prolog:
Я частина (закрилок, крило) частина (елерон, крило) частина (крило, літак)
Перефразовуйте наступні питання і покажіть, як Prolog відповість на них.
(а) частина (закрилок. крило).
(б) частина (крило, X).
(в) частина (Х, крило).
8. Припустимо, що до коду Prolog з вправи 7 додається частина
(Х. Y): - частина (Z, Y), частина (X, Z)
(а) Як програма відповість на частину (закрилок, літак)? Трасуйте відповідний процес порівняння.
(б) Чи не бачите ви яких-небудь потенційних проблем, які можуть виникнути з вказаним вище правилом?
Література
1. Роберт Каллан - "Основные концепции нейронных сетей". “Вильямс", 2003. - 288с.
Дата добавления: 2019-09-02; просмотров: 144; Мы поможем в написании вашей работы! |
Мы поможем в написании ваших работ!