Язык логики предикатов в системах обработки информации в базах знаний / Predicate logic in information processing systems in knowledge bases

Болотова Е.Е. / Bolotova, E.E.
Московский государственный технический университет им. Н.Э. Баумана / Bauman Moscow State Technical University
Бутенко Ю.И. / Butenko, Yu.I.
Московский государственный технический университет им. Н.Э. Баумана / Bauman Moscow State Technical University
Сидняев Н.И. / Sidnyaev, N.I.
Московский государственный технический университет им. Н.Э. Баумана / Bauman Moscow State Technical University
Выпуск в базе РИНЦ
Болотова Е.Е., Бутенко Ю.И., Сидняев Н.И. Язык логики предикатов в системах обработки информации в базах знаний // Физические основы приборостроения. 2020. Т. 9. № 2(36). С. 37–47. DOI: 10.25210/jfop-2002-037047
Bolotova, E.E., Butenko, Yu.I., Sidnyaev, N.I. Predicate logic in information processing systems in knowledge bases // Physical Bases of Instrumentation. 2020. Vol. 9. No. 2(36). P. 37–47. DOI: 10.25210/jfop-2002-037047


Аннотация: В статье раскрыты основные принципы построения интеллектуальных систем по инженерии знаний. Представлены исследования по искусственному интеллекту с использованием нейросистем и методов представления знаний в экспертных системах. Обсуждены логика предикатов, синтаксис и семантика языка предикатов, правила выводов в логике предикатов, а также способы представления информации в компьютерных системах на различных этапах решения проблемы, модели решения и классификации проблем. Рассмотрены основные структуры систем обработки знаний и языков представления знаний. Разработана структурно-функциональная схема интеллектуальной системы для нейрокомпьютерной реализации конструктивных оперативно-советующих экспертных систем. Показано, что ядром любой интеллектуальной системы является база знаний, которая описывает определенную предметную область. Постулируется, что выбор правильной модели знания в экспертных системах играет важное значение, и в большинстве случаев становится основой выбора подхода к решению той или иной задачи.
Abstract: The article reveals the basic principles of building intelligent systems for knowledge engineering. Research on artificial intelligence using neurosystems and methods of knowledge representation in expert systems is presented. The logic of predicates, syntax and semantics of predicate language, rules of inference in predicate logic, as well as ways of presenting information in computer systems at various stages of problem solving, models of solving and classification of problems are discussed. The basic structures of knowledge processing systems and knowledge representation languages are considered. The structural and functional scheme of the intellectual system for the neurocomputer implementation of constructive operational-advising expert systems is developed. It is shown that the core of any intellectual system is a knowledge base that describes a specific subject area. It is postulated that the choice of the correct model of knowledge in expert systems plays an important role, and in most cases becomes the basis for choosing an approach to solving a particular problem.
Ключевые слова: логика предикатов, язык, экспертные системы, структуры, знания, database, predicate logic, language, expert systems, structures, логика предикатов


Литература / References
  1. Гаврилова Г. А., Хорошевский В. Ф. Базы знаний интеллектуальных систем. СПб.: Питер. 2000. 384 с.
  2. Джаррантано Д., Райли Г. Экспертные системы: принципы разработки и программирование. 4-е изд.: Пер. с англ. М.: Вильямс, 2007. 1152 с.: ил. Парал. тит. англ. ISBN: 978-5-8459-1156-8.
  3. Helbig, H. Knowledge Representation and the Semantics of Natural Language/ Springer. Berlin, Heidelberg, New York. 2006. P. 655. ISBN: 978-3-540-24461-5.
  4. Сидняев Н. И. Нейросети и нейроматематика: учебное пособие/ Н.И. Сидняев, П.В. Храпов: под ред. Н.И. Сидняева. М.: Издательство МГТУ им. Н.Э. Баумана. 2016. 83 с.
  5. Сидняев Н. И., Бутенко Ю. И., Болотова Е. Е. Экспертная система продукционного типа для создания базы знаний о конструкциях летательных аппаратов // Аэрокосмическое приборостроение. 2019. № 6. С. 38-52. DOI: 10.25791/Aviakosmos.06.2019.676
  6. Крисилов В. А., Побережник С. М., Тарасенко Р. А. Сравнительный анализ моделей представления знаний в интеллектуальных системах // Тр. Одес. политехн. ун-та., Одесса. 1998. №. 2. С. 45-49.
  7. Дошина А. Д. Экспертная система. Классификация. Обзор существующих экспертных систем // Молодой ученый. 2016. № 21. С. 756-758.
  8. Логунова Е. А. Обзор подходов к разрешению недостатков продукционной базы знаний системы логического вывода // Современные наукоемкие технологии. 2015. № 9. С. 46-48.
  9. Елисеев Д. В. Модель представления знаний при создании адаптивной информационной системы // Наука и образование: научное издание МГТУ им. Н.Э. Баумана. 2010. № 03. С. 1-6.
  10. Белоус Е. С., Кудинов В. А., Желнин М. Э. Современные модели представления знаний в обучающих системах // Ученые записки. Электронный научный журнал Курского государственного университета. 2010. № 1 (13). С. 9-14.
  11. Хабаров С. П. Интеллектуальные информационные системы. PROLOG-язык разработки интеллектуальных и экспертных систем: учеб. пособ. // СПб.: СПбГЛТУ. 2013. C.138.
  12. Братко И. Алгоритмы искусственного интеллекта на языке PROLOG, 3-е издание.: Пер. с англ. М.: Издательский дом «Вильяме». 2004. 640 с. ISBN: 5-8459-0664-4
  13. Гаврилова Т. А., Кудрявцев Д. В., Муромцев Д. И. Инженерия знаний. Модели и методы. М.: «Лань», 2016. 324 с. ISBN: 978-5-8114-2128-2
  14. Хрусталев Е. Ю. Логико-лингвистические модели наукоемкого производственного комплекса как разновидность интеллектуальных информационных систем // Экономический анализ: теория и практика. 2014. № 11 (363). С. 11-22.
  15. Овчиева Ю. А. Семантическая сеть — перспективная платформа для системы управления знаниями // Вестник ГУУ. 2015. № 3. С. 14-16.
  16. Соколова О. В. Категория фрейма в когнитивной лингвистике // Вестник АГТУ. 2007. № 1. С. 236-239.
  17. Вашталова Ю. С. Место признака в структуре фреймовых моделей представления знания // Вестник СПбГУ: Язык и литература. 2007. № 1 (ч. 2). С. 232-237.
  18. Минский М. Фреймы для представления знаний. М.: Энергия, 1979. 152 с.
  19. Bruynooghe, M. et al. Predicate Logic as a Modeling Language: Modeling and Solving Some Machine Learning and Data Mining Problems with IDP3 // Theory and Practice of Logic Programming. 2015. Т. 15. No. 6. P. 783-817. DOI: https://doi.org/10.1017/s147106841400009x