Please add field TTT to main page Remove customer address from main page … add functional …. Add field… Remove field…

Презентация:



Advertisements
Похожие презентации
Проблема Множество тривиальных задач в крупных компаниях Простые, но объемные задачи (составление шаблонов отчетов для.
Advertisements

Please add field TTT to main page Remove customer address from main page … add functional …. Add field… Remove field…
Please add field TTT to main page Remove customer address from main page … add functional …. Add field… Remove field… Please add field TTT to main page.
Теория экономических информационных систем Семантические модели данных.
Модели представления знаний. 1. Логические; 2. Продукционные; 3. Представление знаний на основе фреймов; 4. Представление знаний на основе семанти- ческих.
В. Дихтяр ИНФОРМАЦИОННЫЕ ТЕХНОЛОГИИ (для бакалавров) Российский университет дружбы народов Институт гостиничного бизнеса и туризма Раздел 1.Разработка.
Технология хранения, поиска и сортировки информации в базах данных
ОСНОВНЫЕ ПОНЯТИЯ ТЕОРИИ МОДЕЛИРОВАНИЯ Классификационные признаки моделирования Эффективность моделирования систем.
ОСНОВНЫЕ ПОНЯТИЯ ТЕОРИИ МОДЕЛИРОВАНИЯ Классификационные признаки моделирования Эффективность моделирования систем.
- Построение логических выражений - Приоритет логических операций - Алгоритм построения таблицы истинности.
От сложного – к простому. От непонятного – к понятному.
Лекция 2 по дисциплине «Искусственный интеллект и нейросетевое управление» тема: «Нечёткая логика» Мамонова Татьяна Егоровна
Декомпозиция сложных дискретных систем, формализованных в виде вероятностных МП-автоматов. квалификационная работа Выполнил: Шляпенко Д.А., гр. ИУ7-83.
Методология IDEF1X (IDEF1 Extended) – язык для семантического моделирования данных, основанных на концепции « сущность - связь ». Является расширением.
Методология научного исследования Подпорин И.Г.. 1.Научное исследование: уровни и методы 2.Этапы научного исследования 3.Структура научно-исследовательского.
9 класс Запросы являются одним из основных инструментов выборки и обработки данных в таблицах базы данных. Запросы используют для анализа, просмотра и.
MS Access Основные элементы
В. И. Дихтяр ИНФОРМАТИКА Российский университет дружбы народов Институт гостиничного бизнеса и туризма Раздел 3Моделирование объектов и процессов и его.
Text Mining. Анализ текстовой информации. Text Mining- методы анализа неструктурированного текста Обнаружение знаний в тексте Обнаружение знаний в тексте.
НазваниеОписание ОбъектПример, шаблон, наблюдение АтрибутПризнак, независимая переменная, свойство Метка класса Зависимая переменная, целевая переменная,
Транксрипт:

Please add field TTT to main page Remove customer address from main page … add functional …. Add field… Remove field… Please add field TTT to main page

MAVEN Rational Rose И т.д.

Небольшое изменение модели – генерируются заново модули и вся логика из них стирается Необходимо строгое знание нотации, причем в рамках того пакета, на котором работаешь Ограниченный список языков для сгенерированного кода

Лингвистический анализ входящего требования (СR, Requirement, bug report, и т.д.) Поиск оптимального решения в базе знаний Модификация семантической модели приложения Генерация приложения

Stanford Parser Input: Add global counters to Customer amod(counters-3, global-2) dobj(Add-1, counters-3) prep_to(Add-1, Customer-5)

Входные данные: Add customer field Surname

Содержит HOW-TOs Tutorials Знания полученные от экспертов Модели предложений Представляет из себя Формализованную семантическую модель

Выбирается произвольно список решений из Базы Знаний Среди них составляются произвольно пары и выбираются самые лучшие Среди пар производится отбор признаков обоих «родителей» и на основе их создается потомок Среди потомков случайным образом происходит произвольная модификация (мутация) Полученные алгоритмы проверяются на соответствие требованием

Импорт OWL модели Анализ цепочки ДНК с помощью алгоритма OPEN NARS Анализ измененной модели с помощью алгоритма OPEN NARS

Язык Семантические принципы Правила выводы

NAL0 – базовые правила для описания иерархий, отношений. На этом уровне заданы правила языка логики Narsese. NAL1 – индукция, дедукция, абдукция NAL2 – Дополняет вариантами наследования, включая: подобие. Позволяет произвести сравнение и аналогии NAL3 – Введенные термы могут быть объединены или же пересечены друг другом, то есть сочетание термов дают некоторую вероятность и частоту. NAL4 – Суждение над термами, которые могут выражены только через другие термы NAL5 – Работы с суждениями высшего порядка, включающие множества термов. Позволяет провести импликацию и составить эквивалентность

NAL6 – переменные термы могут быть использованы для определения других термов. При переменных термах система может выполнять гипотетического вывода на основе абстрактных символов, шаблонов и моделей. NAL7 – события имеют временной атрибут и зависят от других событий и времени их происхождения. Позволяет построить предсказание события в будущем NAL8 – Оперированием с понятием цели – совокупностью суждений и событий.

1. Добавление задач в буфер 2.Задачи добавляются в память 3.Задачи смешиваются в памяти с остальными 4.Задачи и понятия выбираются из памяти и поступают в модуль логических выводов 5. Выводы добавляются в буфер как «полученные» 6. Выдается решение

::= [ ] // задание ::= "." [ ][ ] // суждение для запоминания ::= "-->" // наследование | " " // похожесть | "--]" // свойство

********** IN: swimmer>. IN: swimmer>. %0.10;0.60% 1 OUT: swimmer>. %0.87;0.91% ********** IN: animal>. IN: bird>. 1 OUT: animal>. %1.00;0.81% ******* *********** Индукция IN: bird>. %1.00;0.99% {0 : 1} IN: white-thing>. %1.00;0.99% {0 : 2} 1 OUT: white-thing>. %1.00;0.50% {1 : 2;1}

************ IN:. IN: table>. IN: field>. IN: customer>. IN: customer>? IN: ? Результат: OUT:. %1.00;0.81% {201 : 2;4} OUT: customer>. %1.00;0.73% {1387 : 4;5}

Результаты Концепция будущего развития Микроядро Апробация на реальном процессе