Eset alapú tudásreprezentáció

assert (L lift lent van) (?K konténer lent van) retract (?f1)

Megjegyzés:

A megoldásnál nem törődtünk azzal, hogyan ürülnek, illetve telnek meg a konténerek. A lift megérkezésekor az adatbázist a szabályoktól függetlenül módosítja egy külső jel, aminek hatására az „L lift mozog” átvált „L lift áll” állapotra.

7.2.4. Eset alapú tudásreprezentáció

Az eset több verzióban ismert, az itt közölt probléma és megoldás forrása [23].

Adott egy esetbázis, ami a várható vizsgaeredményt adja meg a következő jellemző és érték reprezentáció esetén:

szorgalom: nagy(1), közepes(2), kicsi(3)

képesség: kiváló(1), jó(2), közepes(3), rossz(4)

pillanatnyi állapot: remek(1), jó(2), elmegy(3), rossz(4) megjelenés: elegáns(1), rendezett(2), szedett-vedett(3) Esetbázis:

Milyen értékelést hoz ki ez a szakértő rendszer a közepes szorgalmú, rossz képességű, remek állapotú, szedett-vedett megjelenésű hallgató esetén, ha a távolságban a szorgalom és a képesség 2-szeres súllyal szerepel, és a Manhattan távolságnak megfelelő súlyozott értéket számítjuk?

Megoldás:

Mivel a keresett eset az esetbázisban jelenleg nem szerepel, az abban szereplő

„legközelebbi” esethez tartozó következtetést választjuk az új eset mellé. Végezzük el a távolságok kiszámítását!

T1 = 2⋅(2–1)+2⋅(4–2)+(1–1)+(3–2) = 7 T2 = 2⋅(2–2)+2⋅(4–1)+abs(1–2)+(3–1) = 9 T3 = 2⋅(2–1)+2⋅(4–3)+abs(1–2)+(3–1) = 7 T4 = 2⋅(2–2)+2⋅(4–2)+(2–2)+(3–2) = 5

T5 = 2⋅abs(2–3)+2⋅(4–1)+abs(1–2)+(3–3) = 9 T6 = 2⋅abs(2–3)+2⋅(4–3)+(1–1)+(3–1) = 6 T7 = 2⋅abs(2–3)+2⋅(4-4)+(1–1)+(3–2) = 3 T8 = 2⋅(2–2)+2⋅(4–3)+abs(1-4)+(3–3) = 5

A legkisebb távolságra az adott távolság definíció alapján a 7. eset van, tehát a közepes szorgalmú, rossz képességű, remek állapotú, szedett-vedett megjelenésű hallgató vizsgaeredménye bukás.

Megjegyzés:

Az eset alapú reprezentáció egyik előnyös tulajdonsága a bővíthetőség, ami a tanulás lehetőségét teremti meg. Ahhoz, hogy a korábban nem szereplő esetekhez is adjon a szakértő rendszer következtetést a fenti példákban is egy legközelebbi esetet, egy

„legközelebbi szomszédot” kerestünk. Az induktív tanulási módszerek egy esete a legközelebbi szomszéd, amelyre a fenti megoldások mutatnak példát, hiszen az ily módon besorolt új esetekkel bővül az esetbázis, és ezek az esetek a megoldás szerint egy hasonlósági osztályba kerülnek (hasonlósági alapon történő, azaz induktív tanulás).

7.2.5. Döntési fa

Adott a következő döntési fa. Fogalmazza meg a döntési fában ábrázolt tapasztalatokat a logikai reprezentációnak megfelelő mondatokkal!

Megoldás:

Legegyszerűbben minden a döntési fa tövétől a döntéshez vezető útvonalon található értékeket ÉS kapcsolattal fölírva kapjuk a megoldást:

Ha az edzettség kicsi, akkor nem nyer.

Ha az edzettség közepes és tehetséges és szerencsés, akkor nyer.

Ha az edzettség közepes és tehetséges és nem szerencsés, akkor nem nyer.

Ha az edzettség közepes és nem tehetséges, akkor nem nyer.

Ha az edzettség nagy és tehetséges, akkor nyer.

Ha az edzettség nagy és nem tehetséges, akkor nem nyer.

A fenti szabályok összevonhatók, ha az azonos következtetésre vezető jellemzőket vagy kapcsolattal összevonjuk:

Ha az edzettség kicsi, vagy az edzettség közepes és tehetséges és nem szerencsés, vagy az edzettség közepes és nem tehetséges, vagy az edzettség nagy és nem tehetséges, akkor nem nyer.

Ha az edzettség közepes és tehetséges és szerencsés, vagy az edzettség nagy és tehetséges, akkor nyer.

8. KÖSZÖNETNYILVÁNÍTÁS

Jelen jegyzet elkészítésében sokan támogatták a szerzőt.

Elsőnek szeretnék köszönetet mondani Toshinori Munakata Professor Emeritus (Computer and Information Science Department, Cleveland State University) aki távolról, gyakorlatilag ismeretlenül segítette a jegyzet elkészültét.

A szerző köszönetet mond továbbá Dr. Daragó Lászlónak és Szalontai Eszternek (Semmelweis Egyetem) az érzékelésről átvett anyagokért és Tarr Zsuzsának (Panem Kft.) a rendelkezésre bocsájtott könyvekért.

Végül, de nem utolsósorban szeretnénk megköszönni valamennyi szerzőnek, akik az irodalomjegyzékben szerepelnek, hogy hozzájárultak a jegyzet elkészüléséhez. A jegyzet elektronikus formában is elkészül, ezért kérem, amennyiben véletlenül valaki nem szándékosan, kimaradt a források megjelöléséből értesítsen, hogy a figyelmetlenségemet pótolhassam.

Köszönettel Husi Géza

9. IRODALOMJEGYZÉK

1. Dr. ESTEFÁNNÉ–dr. VARGA Magdolna–Dr. DÁVID Mária–Dr. HATVANI Andrea–Dr.

HÉJJA-NAGY Katalin–TASKÓ Tünde: Pszichológia elméleti alapok.

http://www.ektf.hu/hefoppalyazat/pszielmal/index.html letöltve 2012. decem-ber 1.

2. Magyar Értelmező Kéziszótár. Budapest: Akadémiai Kiadó, 1992, p. 596.

3. Stuart J. RUSSEL–Peter NORVIG: Mesterséges intelligencia modern megközelítésben.

Budapest: Panem Könyvkiadó Kft., 2000.

4. Mezőgazdaságban alkalmazható… Gyenge Balázs.

interm.gtk.gau.hu/miau/16/balazs2.doc

5. http://hu.wikipedia.org/wiki/Szak%C3%A9rt%C5%91iőrendszer 6. http://www.scitech.mtesz.hu/10kiraly/kiralyő5.htm

7. https://miau.gau.hu/mediawiki/index.php/Szak%C3%A9rt%C5%91iőrendszer 8. http://szochalo.hu/hireink/article/100412/3218/

9. http://www.mek.iif.hu/porta/szint/tarsad/konyvtar/informat/azinform/html/

inftars.html

10. HATNYI Pál: A mesterséges intelligencia. iNaplo.hu irodalom + internet + napló. 1999 óta szerkeszti: Fodor János.

11. HUSI Géza: Mechatronikai problémák megoldásának mérnökinformatikai támogatása.

Habilitációs értekezés. Debreceni Egyetem Informatika doktori iskola, 2011.

12. CSITE László: Stabil mintákon alapuló értékpapír-árfolyam előrejelző-rendszer fejlesztése. Szegedi Tudományegyetem Természettudományi Kar Számítógépes Algoritmusok és Mesterséges Intelligencia Tanszék, 2004.

13. Dave ANDERSON–George MCNEILL: Artificial neural networks technology (A DACS State-of-the-Art Report). Data & Analysis Center for Software, Rome Laboratory, 2003.

14. İkbal ESKI–Selçuk ERKAYA–Şahin YILDIRIM–Géza HUSI: Vibration Analysis of Food Industries Mixing Systems for Long life Using Neural Networks.

10.1109/AIM.2011.6027144 This paper appears in: Advanced Intelligent Mechatronics (AIM), 2011 IEEE/ASME International Conference 2011, Budapest.

15. YILDIRIM, Ş.–UZMAY, İ.: Kinematic Analysis of Cranes Using Neural Networks. 16 th IAARC/IFAC/IEEE Int. Symposium on Automation and Robotics in Construction, September 22–24 (1999) „in press”.

16. PHAM, D. T.–YILDIRIM, Ş.: Control of the trajectory of a planar robot using recurrent hybrid networks. Int. Journal of Machine Tools & Manufacture: Design, Research and

17. YILDIRIM, Şahi–HUSI Géza–GERGELY Eugen Ioan: Position control of a four-legged walking robot with neural network. Journal of Computer Science and Control System vol 2., Nr2, Oradea, 2009. 134–139 ISSN1844-6043

18. Sahin YILDIRIM–HUSI Géza: Artifical neural network applications in engineering problems. Editura Universitatii din Oradea, ISBN 978-606–10-0252-8

19. Sahin YILDIRIM–Menderes KALKAT–Ibrahim UZMAY–Géza HUSI: Force analysis of bearings on cranes using a proposed recurrent hybrid neural network. Budowa Maszyn I Zarzadzanie produkcija, ISN1733–1919 9/2008. 125–134

20. KALMÁR Tünde–HUSI Géza–YILDIRIM, Şahin–KALMÁR Ferenc: Neural network predictor for thermal comfort conditions. Journal of Computer Science and Control System vol 2., Nr2, Oradea, 2009. 97–103 ISSN1844-6043

21. Alison CAWSEY: Mesterséges intelligencia alapismeretek. Budapest: Panem Könyvkiadó Kft., 2002.

22. NAGY Gábor: Megoldáskereső módszerek szakdolgozat. Debreceni Egyetem IK 2008, témavezető: Dr. Halász Gábor.

23. Dr. SZALAY Tibor: A mesterséges intelligencia alapjai példatár. GDF 2009.

24. Dr. BOGNÁR Katalin: Tudásalapú rendszerek és technológiák. 2010 http://www.inf.unideb.hu/~bognar/mestint4/mestint_konyv.pdf

25. E. G. MALLACH (1994): Understanding decision support system and expert systems.

New York: Irwin, Inc.

26. SÁNTÁNÉ TÓTH E. (2000): Tudásalapú technológia, szakértő rendszerek.

Dunaújvárosi Főiskola Kiadói Hivatala.

27. SMITH, B. C. (1982): Reflection and Semantics in a Procedural Language, Ph.D.

Thesis and Tech. Report MIT/LCS/TR–272, MIT, Cambridge, MA.

28. PÁNTYA Róbert: Mesterséges intelligencia elemekkel támogatott programozás oktatása. Doktori értekezés. Eötvös Loránd Tudományegyetem Informatika Doktori Iskola, 2011, témavezető Dr. Zsakó László.

29. KÖMLŐDI Ferenc: Ágensalapú technológiák. 2009 http://www.nhit-it3.hu/images/tagandpublish/Files/it3–2–1–12-u.pdf

30. POKORÁDI László: Fuzzy halmazelméleti módszerek alkalmazása a műszaki menedzsmentben. Műszaki Tudomány az Észak-kelet Magyarországi Régióban 2012 ISBN 978-963-7064–28-9

31. http://www.rit.bme.hu/letoltheto/szamszim/F_4/Fuz_bel.html 2012. október 3.

32. Dr. SZECSŐ Gusztáv: Egy kis SCADA ismertetés. Megjelent: 2010. június 15. kedd, 10:16 http://www.elektro-net.hu/cikk-archivum/721-egy-kis-scada-ismertetes

33. SZALONTAI Eszter (SE): Érzékelés. (Mesterséges Intelligencia Almanach http://mialmanach.mit.bme.hu/ 2012. december 1.)

34. KRAUTH Péter: Számítógépes szövegelemzés. 3. kötet: az Égen-Földön informatika Az információs társadalom technológiai távlatai c. könyvből ISBN 978-963–2790–24-4 2008.

35. R. C. ARKIN (1998): Behavior-Based Robotics. MIT, 1998, USA ISBN 0–262-01165-4 36. DUDÁS, László: Alkalmazott mesterséges intelligencia. Miskolci Egyetem, Alkalmazott

Informatikai Tanszék, 2011.

37. Toshinori MUNAKATA: Fundamentals of the New Artificial Intelligence. ISBN: 978–1-84628-838-8. London: Springer-Verlag, Limited 2008.

38. RUSSELL, Stuart–NORVIG, Peter: Mesterséges intelligencia modern megközelítésben.

Második, átdolgozott, bővített kiadás. Budapest: Panem Kft., 2005.

In document Mesterséges intelligencia alkalmazása (Pldal 93-97)