WWW.NEW.Z-PDF.RU
БИБЛИОТЕКА  БЕСПЛАТНЫХ  МАТЕРИАЛОВ - Онлайн ресурсы
 

Pages:   || 2 |

«Деякі підходи до побудови інтелектуальних мережевих систем для навчання Гончаренко М.В., к.т.н., доц. Покровський Є.О., к.т.н., с.н.с. Савчук ...»

-- [ Страница 1 ] --

Международная научная конференция, КПИ, Киев, 2010 г. 253

УДК 004.415

Деякі підходи до побудови інтелектуальних

мережевих систем для навчання

Гончаренко М.В., к.т.н., доц. Покровський Є.О.,

к.т.н., с.н.с. Савчук О.В., к.т.н.,доц. Юрчук Л.Ю.,

Національний технічний університет України”КПІ”, м. Київ,

savchuk@acts.kiev.ua

Розглядаються деякі підходи до побудови інтелектуальних системи

для навчання на базі багатократного використання матеріалів існуючих

мережевих курсів та адаптивних освітніх систем. Пропонується випробування деяких методичних засад дистанційного навчання для підтримки стаціонарного. Розглядається один з можливих напрямів подальшого розвитку програмного забезпечення щодо підтримки навчання .

Вступ Використання здобутків інформаційних технологій у навчальному процесі дозволяє розробляти та використовувати нові педагогічні підходи та технологічні засоби для підвищення ефективності навчання .

Адаптивні мережеві навчальні системи з'явилися як альтернатива традиційному загальному підходу в освіті. Найперші адаптивні мережеві навчальні системи, що враховують індивідуальність студента, були розроблені в 1995-1996 рр. Більшість сучасних адаптивних мережевих навчальних систем засновані на технологіях, розроблених у області адаптивної гіпермедії і інтелектуальних навчальних систем .

Іншим шляхом підвищення якості навчання може стати повторне використання розміщених у спеціальних ресурсах мережі навчальних матеріалів. Цей підхід зменшує час розробки курсу і покращує його якість за рахунок доступності високоякісного учбового матеріалу .

Структури повторного використання курсів такі, як ARIADNE [1], дозволяють автору курсу шукати необхідний учбовий об'єкт в репозиторіях учбового матеріалу і включати їх в свої курси. В той же час у розробок цього підходу є принаймні три проблеми .

По-перше, сучасні структури повторного використання матеріалів припускають, що учбовий об'єкт є переміщуваним – звичайно файл, який зберігається в репозиторії і може бути повторно використаний шляхом перенесення в створюваний курс. Проте, поліпшені учбові об'єкти в сучасному мережевому навчанні є не файли, а можливості ИАИ-2010. Интеллектуальные обучающие системы (послуги), що надаються мережевим сервером. Ці дії не можуть бути просто запаковані, збережені і скопійовані як зображення, текстовий файл або навіть аплет – вони повинні бути розташовані на певному сервері .

Друга проблема пов'язана з самою ідеєю знаходження і приєднання ресурсів до матеріалу мережевого курсу під час його розробки .

Репозиторії ресурсів постійно оновлюються. Нові кращі ресурси можуть бути додані в репозиторій, якіїсь абсолютно нові репозиторії можуть стати доступними. Проте студенти не можуть використовувати ці ресурси через статичність підходу .

Третя проблема пов'язана з питанням індівідуализації знань. При ідентифікації відповідного матеріалу і його організації в межах модулів курсу викладач повинен думати про групу загалом. У студентів в групі різні інтереси, знання, основи і стиль навчання. Деякий ретельно відібраний викладачем матеріал може бути зайвим для деяких студентів і лише дезорієнтує їх .

Ситуація значно змінюється, якщо курси створюються при використанні технологій адаптивної гіпермедіа (АГ) або інтелектуальних навчальних систем (ІНС). Враховуючи індивідуальні моделі студента і учбовий матеріал, доповнений знаннями наочної області, технології АГ і ІНС можуть динамічно вибрати найбільш відповідний учбовий матеріал з бази знань і представити в потрібний час і в потрібному вигляді для кожного окремого студента, таким чином забезпечуючи якнайкраще використання кожного фрагмента учбового матеріалу .

Останнім часом більшість учбових дисциплін підкріплюються електронними засобами. Мета даної статті – описати один з можливих напрямів подальшого розвитку програмного забезпечення, призначеного для підтримки різних форм навчання.

Призначення такого програмного забезпечення:

- Стандартизувати системи зберігання учбових матеріалів;

- Створити програмне середовище для зберігання і пошуку учбових матеріалів;

- Організувати процедуру обміну учбовими матеріалами;

- Забезпечити можливість повторного використання учбових матеріалів;

- Понизити навантаження на викладачів по розробці електронних учбових матеріалів;

- Закласти основу для подальшого розвитку платформи підтримки навчання .

Международная научная конференция, КПИ, Киев, 2010 г. 255 Задачі формування структури навчального курсу Розвиваючи категорію навчального модуля ми можемо повернутися до забутих сьогодні моделей програмованого навчання, які розроблювались в 1960-70 роки. Основна ідея програмованого навчання була досить простою: навчальний матеріал курсу розбивався на невеликі блоки (мікромодулі в сучасній інтерпретації), розмір яких зв'язувався із пропонованим контрольним питанням. Один блок - одне контрольне питання. Для кожного контрольного питання передбачався набір з декількох ( 3-5) типових відповідей, з яких тільки одна відповідь була правильною і вона же дозволяла подальше просування до наступного блоку. Інші варіанти відповідей являли собою типові помилки, до кожної з яких давався додатковий роз'яснювальний коментар, після чого той, якого навчають, знову примусово вертався до основного контрольного питання, і від нього знову була потрібна єдино правильна відповідь .

Глибина роз'яснювальних розгалужень теоретично могла бути як завгодно великою і обмежуватися, насамперед, планованим часом вивчення послідовності «(мікро)модуль-тема-курс». Представляє додатковий інтерес ситуація, коли типові помилки можуть накопичуватися і аналізуватися в ході робочих "прогонів" курсу. Ми залишаємо осторонь тут додаткове, але немаловажне питання про тип відповіді того, якого навчають, - «вибірковий» (як уже сказано, з 3- 5 заздалегідь підготовлених варіантів) і «конструйований», тобто такий, що формується вільно у вигляді текстів, формул, графіків тощо .

Помітимо лише, що, на нашу думку, цілком здорові ідеї програмованого навчання у свій час зайшли в методичний безвихідь насамперед через обмеженість вибіркових форм відповіді й вузькості можливостей конструйованих форм. Сьогоднішні технологічні можливості комунікаційних засобів Інтернету (таких як, насамперед, Semаntіc WEB) дозволяють реалізувати ідею вільно-конструйованої відповіді у рамках керування процесом навчання по розгалужено-циклічному типу .

Ставлячи проблему навчання у викладеному виді, ми дійсно наближаємося до розгляду категорії "Дерево Знань", а не декларуємо її на макро-рівні. При цьому завдання розгалуження буде в загальному вигляді зводитися до зіставлення фрагментів еталонного дерева-графа ("пошукового образу" у термінах інформаційно-пошукових систем) із графом робочої відповіді на контрольне питання ("пошукового розпорядження") .

Фрагмент учбового модуля на рис.1 представлений у вигляді бінарного дерева, на який накладається граф (дерево) відповіді на ИАИ-2010. Интеллектуальные обучающие системы контрольне питання. Правильна відповідь відповідає домену D. На рис.1 показані три варіанти відповіді: повний (1) і часткові (2,3). Коефіцієнт релевантності відповіді KR може бути обчислений як відношення добутка числа дуг nor (релатем -r), що співпали (на дереві еталонуобразу), і вершин not ( термів-t) до добутку загального числа відповідних дуг і вершин. Очевидна неоднозначність обчислення коефіцієнта KR, який може мати однакові значення при різних картинах конкретного накладення. Тут логічно здійснити діагностичний пошук відсутніх елементів відповіді (дуг, вершин і логічних зв'язків між ними) по дереву, реалізовуючи відомі алгоритми "від кореня дерева" (стрілка 1), "від вершини" (стрілка 2), "від рівня" (стрілка 3). Якщо первинна локалізація відповіді-розпорядження на дереві еталону-образу здійснена достатньо строго, то стрілки-покажчики, що задають алгоритм пошуку, зводяться для домена D до вигляду: 1=4, 2=5. Здається, що до подібних процедур діагностики на семантичному дереві знань можуть бути успішно використані існуючі сучасні технології, зокрема мовні засоби побудови і аналізу семантичних Web-сайтів .

= 1 = = 1, 2 = = 3 =,, = .

Рис. 1. Фрагмент учбового модуля Використовуючи дерево знань можливо заповнити пропуск між інформаційними можливостями сучасних репозиторіїв навчальних матеріалів і своєчасною доставкою і можливостями персоналізації ІНС і АГ технологій .

Международная научная конференция, КПИ, Киев, 2010 г. 257 Дерево знань: архітектура системного рівня Дерево знань є розподіленою архітектурою для адаптивного енавчання, заснованого на повторному використанні учбової діяльності .

Воно заміщає існуючі монолітні системи управління курсом (СУПК), такі як Blackboard [2] або WEBCT [3], співтовариством зв'язаних серверів .

Архітектура має на увазі наявність як мінімум 3 видів серверів: сервер діяльності, портали навчань і сервери моделей студента (рис.2) .

Портал навчання грає роль, схожу з сучасними СУПК. Він дозволяє викладачеві створити курс і управляє роботою студента з курсом .

Відмінність від СУПК полягає в тому, що зміст навчання (дії), що використовується студентами, зберігається не на порталі, а на декількох розподілених серверах діяльності .

Сервер діяльності має практично те ж значення, що і освітній репозиторій в сенсі зберігання деякого (звичайно специфічного) змісту навчання. На відміну від репозиторіїв, необхідних для зберігання учбового матеріалу, який може бути скопійований і вставлений в курс, сервер діяльності не тільки зберігає, але і доставляє потрібний матеріал .

Портал може як запрошувати сервер діяльності про конкретний матеріал, так і підключати видалені дії, що запитуються студентом. Сервер діяльності повинен бути здатний інформувати портали про доступний матеріал і забезпечувати повну підтримку студенту, що працює з ним .

Сервер моделей студента збирає дані про виконання завдань тим, хто навчається з кожного порталу і сервера діяльності, з якими він працює. Як обмін він (сервер) надає інформацію про студента, яка може бути використана серверами адаптивної діяльності для індивідуалізації комунікацій з ним. Наявність множини адаптивної діяльності вимагає архітектуру, засновану на моделюванні користувача .

Завдяки архітектурі дерева знань, викладач при створенні курсу використовує один портал і декілька серверів діяльності. Студент працює через портал, що обслуговує конкретний курс, але звертається до декількох дій навчання, які безпосередньо управляються різними серверами. Адаптація забезпечується сервером моделей студента, який збирає дані про роботу з порталів і серверів діяльності і надає їм інтегровану інформацію про студента. Зокрема, сервер моделей студента може знаходитися на комп'ютері самого студента і підтримувати тільки одного користувача. Також він може бути розташований на комп'ютері університету і підтримувати цілий клас .

Архітектура дерева знань відкрита і еластична. Вона дозволяє наявність безлічі порталів, серверів діяльності і серверів моделей ИАИ-2010. Интеллектуальные обучающие системы студента. Її відкритість дає можливість навіть невеликим дослідницьким групам і компаніям брати участь в розвитку ринку е-навчання .

Рис. 2. Головні компоненти розподіленої архітектури дерева знань Сервер діяльності, який забезпечує деякі специфічні учбові дії, може бути відразу ж використаний в багатьох курсах, що підтримуються різними порталами. Інноваційний портал з гарним інтерфейсом може успішно змагатися з іншими, оскільки у нього є доступ до того ж набору ресурсів, що і в інших. Могутніший сервер моделей студента може успішно замінити старі сервери .

Питання розкриття ресурсів у даній версії дерева знань не розглядається. В даний час ми просто "говоримо" порталу про всі існуючі сервери діяльності. У відкритому контексті жоден з порталів не може знати про всі сервери. До того ж немає централізованої організації, яка б збирала цю інформацію. Для цього необхідний механизм "пропаганди ресурсів" для обміну інформацією (метаданими) про відомі сервери і дії між порталами .

Дерево знань: портали Архітектура дерева знань дозволяє використовувати декілька порталів, які підтримують різні освітні парадигми і підходи. На даний момент ми реалізували один портал, також названий дерево знань, направлений на підтримку заснованого на лекціях процесу навчання, який фокусується на динамічному і адаптивному виборі діяльності навчання (рис.3) .

Головні користувачі порталу – автори курсів (викладачі) і студенти .

Автори курсу відповідають за формування курсу як структурованого сховища освітньої діяльності. Модель дерева знань дозволяє автору розробити курс у вигляді дерева модулів (послідовність також підтримується, оскільки це однорівневе дерево). Хоча для всіх авторів модуль розуміє лекцію, існує свобода у визначенні великих модулів, які містять декілька лекцій, і менших за розміром модулів. Курс також може Международная научная конференция, КПИ, Киев, 2010 г. 259

–  –  –

Рис. 3. Портал: дерево знань Для відбору матеріалу в кожну секцію автор визначає для неї мету .

Визначення може бути проведено як за допомогою природної мови, так і формальної, яка відображає мету, використовуючи метадані, асоційовані з необхідними діями навчання. Під час процесу розробки курсу мета навчання використовується системою для відбору підмножин відповідних діяльності навчання з багато відомих системі репозиторіїв. Вибір може бути зроблений за допомогою формальних запитів до репозиторіїв (метаданих) або використовуючи нечіткий текстовій підбір для репозиторіїв без метаданих. З цієї відібраної підмножини діяльності автор може просто у ручну вибрати найбільш відповідні початкові і додаткові навчальні дії. Для доповнення набору діями, знайденими в репозиторіях, деякі дії може створити автор .

Описаний процес схожий на процес, що підтримується кращими засобами повторного використання курсів. Особливість моделі дерева знань та, що сформульована автором мета запам'ятовується і зберігається ИАИ-2010. Интеллектуальные обучающие системы з модулем. Коли в процесі навчання конкретний студент починає роботу з модулем, портал навчання використовує цю мету і модель студента для того, щоб адаптивно вибрати найбільш відповідний на даний момент додатковий матеріал конкретному студенту. Адаптивний поточний вибір дає можливість системі підбудуватися до непостійних і таких, що розширюються, репозиторіїв з урахуванням індивідуальних особливостей студентів .

Висновок Легко передбачати, що в майбутньому, коли репозиторії навчання будуть достатньо повними, відбір повертатиме досить велику кількість матеріалів, що відповідають діяльності навчання. У цьому контексті адаптивні гіпермедіа технології забезпечать подальшу адаптацію до індивідуального студента. Адаптивна підтримка навігації (така, як адаптивна анотація, сортування і пряме керівництво) буде використана для допомоги студенту при виборі найбільш відповідних на даний момент понять в індивідуалізованому просторі навчання. Система адаптуватиметься до рівня знань студента і індивідуальним стилям навчання .

Адаптивна презентація буде використана для адаптивного відображення вибраних понять. Система адаптуватиметься до рівня знань і мети навчання. Кінець кінцем, система також дозволить тому, хто навчається, шукати відповідний учбовий матеріал, використовуючи її власні критерії, і постійно додавати його до модуля. Це дозволить отримати динамічний і індивідуалізований простір навчання для кожного модуля курсу, де індивідуалізація забезпечується і системою, і студентом .

Література Forte,E., Forte,M.W., and Duval,E.(1996)ARIADNE:A supporting

framework for technology-based open and distance lifelong education. In:

F.Maffioli, M.Horvat and F.Reichl (eds.) Proceedings of Educating the engineer for lifelong learning. SEFI Annual Blackboard Inc. (2002) Blackboard Course Management System 5.1, Blackboard Inc. http://www.blackboard.com/ (Accessed 21 January, 2002) WEBCT (2002) WEBCT Course Management System 3.8, WEBCT, Inc., Lynnfield, MA. http://www.webct.com (Accessed 2 July,2002) Международная научная конференция, КПИ, Киев, 2010 г. 261 УДК 004.853

–  –  –

В целях повышения эффективности компьютерного обучения была разработана система сопоставляющая эталонный ответ с ответом обучаемого при использовании открытой формы представления тестового задания

–  –  –

Рис. 1 Общее представление разрабатываемой системы тестирования для тестов с открытой формой представления тестового задания Интерфейс преподавателя-эксперта позволяет вводить вопросы и эталонные ответы с возможными вариантами (если они есть) .

Введенный эталонный ответ преподаватель-эксперт разбивает на составляющие концептулы при помощи интерфейса приведенного на рисунке 2:

Рис. 2 Декомпозиция эталонного ответа На данном этапе выделяются ключевые концептулы с указанием связей между ними. Ключевые концептулы представляют собой как отдельные слова, так и словосочетания.

Окно для определения связей между ключевыми концептулами представлено на рисунке 3:

Рис. 3 Окно для редактирования связей между концептулами Международная научная конференция, КПИ, Киев, 2010 г. 263 Данное окно позволяет формировать связки типа Sp(KSp(1), KSp(2)), где KSp(1) – первая ключевая концептула, KSp(2) - вторая концептула, Sp

– вид связи .

Для каждой из концептул входящих в эталонный ответ, преподаватель-эксперт устанавливает возможные варианты значений данных концептул, с указанием коэффициента соответствия эталонной .

Приведем пример: «моменты времени» как один из возможных вариантов значений для ключевой концептулы «промежутки времени»:

Рис. 4 Окно для определения коэффициента близости между концептулами Таким образом формируется база возможных значений концептул .

Если приведенная концептула недопустима в данном контексте, то устанавливается коэффициент близости 0, причем наличие такой концептулы в ответе обучаемого может аннулировать как связку Sp(KSp(1), KSp(2)), в которую входит данная концептула, так и полностью весь ответ. На этом этапе формируется так же база недопустимых концептул .

Необходимо сказать, что блок базы возможных значений концептула и блок базы недопустимых концептул пополняется в процессе опытной эксплуатации, т.е. тогда когда обучаемые отвечают на задания. Таким образом, мы имеем дело с обучающейся экспертной системой .

Система предполагает следующие возможные связи между концептулами: «И», «ИЛИ», «СЛЕДУЕТ ЗА», «СЛЕДУЕТ ПЕРЕД», «ПРОИЗВОЛЬНАЯ». Данные виды связи между концептулами задаются в окне, приведенном на рисунке 3 .

После проведения декомпозиции эталонного ответа мы получаем его общее формализованное представление [7] .

Полученный результат записывается в блок базы данных описания эталонного ответа .

Так же интерфейс преподавателя-эксперта позволяет просматривать информационную базу данных студентов, получать доступ к результатам, полученным обучаемыми при прохождения тестовых ИАИ-2010. Интеллектуальные обучающие системы заданий, другими словами полностью следить за процессом тестирования и диагностики знаний обучаемых .

Интерфейс обучаемого:

Интерфейс обучаемого предоставляет обучаемому форму для прохождения теста представленную на рисунке 5:

Рис. 5 Форма обучаемого для ответа на тестовое задание После того как обучаемый ввел ответ на поставленный вопрос, данный ответ поступает на вход блока морфологического анализа .

Предполагается, что данный блок устраняет грамматические ошибки и устраняет «слова-паразиты». Соответствующие методы были детально разработаны еще при создании первых естественно-языковых систем [7]. После проведения морфологического анализа система передает управление блоку выделения и сопоставления ключевых концептул .

В данном блоке происходит поиск и сопоставление ключевых концептул из ответа обучаемого с концептулами эталонного ответа, с учетом семантических связей между этими концептулами, т.е .

фактически происходит поиск связок типа Sp(KSp(1), KSp(2)). В зависимости от типа представления связки Sp(KSp(1), KSp(2)), мы имеем 4 варианта поиска детально описанные в [7]. Необходимо сказать, что на каждом этапе поиска и сопоставления используется информация из блока базы данных недопустимых концептул, а так же из блока базы возможных значений концептул .

В случае когда система не может сопоставить ответ обучаемого с эталонным, обучаемому предлагается переформулировать ответ .

Для примера покажем результат разбора (поиска) эталонного ответа:

Поток событий называется регулярным, если события следуют одно за другим через одинаковые, строго фиксированные, промежутки времени .

Ответ обучаемого: Поток событий называется регулярным, если события происходят в определенные моменты времени .

После проведения алгоритма поиска описанного выше, имеем:

Международная научная конференция, КПИ, Киев, 2010 г. 265

–  –  –

Для каждого из правил на втором этапе находятся уровни отсечения для предпосылок (с использованием операции минимума) [7].

Тогда для правила 1 имеем, рисунок 6:

Рис. 6. – Уровни отсечения предпосылок для правила 1

Для правила 2, рисунок 7:

Рис. 7. – Уровни отсечения предпосылок для правила 2 После этого находятся усечнные функции принадлежности и наконец с использованием операции max производится объединение найденных усеченных функций, что приводит к получению итогового нечткого подмножества для выходной лингвистической переменной, рисунок 8 Рис. 8. – Итоговое нечеткое подмножество Далее на основе правила нахождения центра тяжести фигуры представленной на рисунке 8 находим выходное значение искомой переменной «бал за задание». В результате была получена выходная оценка бала за ответ, равная 0,25, это означает, что обучаемый ответил на задание неудовлетворительно .

Результаты работы блока оценки выводятся в окно представленное на рисунке 9:

Рис. 9 Форма для расчета результрующей оцнки за задание Интерфейс так же позволяет корректировать соответствие числового бала лингвистической оценке .

Международная научная конференция, КПИ, Киев, 2010 г. 267

–  –  –

Заключение Апробация системы проводилась на кафедре прикладной математики национального технического университета Украины «КПИ»

по курсу «Математическое моделирование и системный анализ» .

Сравнивалась оценка выставленная преподавателем (экспертом) и системой. Для проверки степени близости двух выборок (оценки ИАИ-2010. Интеллектуальные обучающие системы преподавателя и студента), предложено воспользоваться статистическими методами. Для этого в первом случае было рассчитано среднеквадратическое отклонения, а во втором случае, для обеспечения надежности, используя коэффициент корреляции Пирсона была рассчитана мера близости двух исходных выборок. На основе рассчитанного коэффициента корреляции было установлено, что оценка полученная обучаемым за тестовое задание, стремится к оценке обучаемого полученного в результате автоматизированного тестирования .

Литература

1. Леоненко Л.Л. «Алгоритмы оценки аналогичности текстов и их применение в компьютерном тестировании. Система компьютерного тестирования Control» VII Международная конференция «Интеллектуальный анализ информации» ИАИ-2007 // Киев, 15-18 мая 2007 г.- с. 210

2. Дж.Ш.Сулейманов «Исследование базовых принципов построения семантического интерпретатора вопросно-ответных текстов на естественном языке» http://ifets.ieee.org/v4_i3/html/2.html

3. http://www.aot.ru/ Автоматическая обработка текста Теория и методика

4. http://testolog.narod.ru/Theory11.html педагогических измерений

5. Соколова Н.А., Руденко П.А. «Построение семантического интерпретатора ответов обучаемых в свободно-конструируемой форме» VII Международная конференция «Интеллектуальный анализ информации» ИАИ-2007 // Киев,15-18 мая 2007 г.- с. 289

6. Соколова Н.А., Руденко П.А. «Использование открытой формы представления тестового задания для автоматизированного контроля знаний» IV международная научно-практическая конференция «Информационные технологии и безопасность в управлении» // Луганск, 17 сентября 2007 г.- с.200

7. Соколова Н.А., Руденко П.А. «Сопоставление ответа обучаемого с эталонным при открытой форме тестирования» V МЕЖДУНАРОДНАЯ научно-практическая конференция «Информационные технологии и безопасность в управлении» // Луганск, 15 сентября 2008 г.- с. 257 Международная научная конференция, КПИ, Киев, 2010 г. 269

УДК 004.896

Автоматизація побудови дидактичної онтології на основі понятійно-тезисної моделі Титенко С. В., к.т.н., доц. Гагарін О. О., Національний технічний університет України «КПІ», м. Київ www.setlab.net Розглянуто метод побудови дидактичної онтології в навчальній системі на основі семантико-синтаксичного аналізу елементів понятійнотезисної моделі із застосуванням нечіткої логіки. Описано базові правила для визначення відношення дидактичного слідування між поняттями та подано їх математичний опис .

Вступ Задача побудови семантичної моделі предметної області навчання відіграє ключову роль у процесі створення інтелектуальної навчальної системи. Таку модель прийнято називати онтологією. Відношення дидактичного слідування, що вказує на те, що певне поняття дидактично передує іншому є ключовим семантичним зв‘язком для понять навчальної системи [1-3]. На основі такого відношення можна представити дидактичну структуру навчальних понять у вигляді спеціальної семантичної мережі, яку називатимемо дидактичною онтологією (ДО). Наявність ДО дає можливість застосовувати різноманітні технології індивідуалізації навчання, такі як адаптивна навігація, адаптація контенту тощо. Натомість, формування подібних відношень в системах дистанційного навчання за допомогою ручної роботи експерта [1] ускладнюється через значну трудомісткість і необхідність підтримки великої кількості обновлюваної навчальної інформації .

У праці [3] пропонується метод автоматичного визначення дидактичної черговості понять в прикладах програмних кодів по мові програмування С. Метод ґрунтується на послідовності лекцій і їх зв‘язку з програмними прикладами. Як зазначають автори запропонований принцип може бути застосований для інших предметних областей завдяки технологіям інформаційного пошуку .

Хоча ця ідея вбачається перспективною, конкретні приклади досі не були представлені. Крім того інформація про черговість лекцій не завжди доступна у випадку систем, метою яких є генерація навчального середовища. До таких систем, серед іншого, належать системи ИАИ-2010. Интеллектуальные обучающие системы підтримки безперервного навчання. Таким чином проблема автоматичної побудови дидактичної онтології є актуальною задачею для галузі сучасних систем навчання. У попередніх роботах [4, 5] було запропоновано понятійно-тезисну модель формалізації дидактичного тексту (ПТМ). ПТМ була застосована як засіб для генерації тестових завдань [5], а також як засіб для побудови термінологічного довідника дистанційного курсу. У даному дослідженні ставилося завдання застосувати ПТМ для автоматичної побудови дидактичної онтології .

Формально під дидактичною онтологією будемо розуміти орієнтований ациклічний граф, у якості вершин якого виступають навчальні поняття, а дуги вказують на відношення дидактичного слідування між ними. У якості вершин графу використовуються поняття, описані в понятійнотезисній базі навчального курсу, а дуги мають бути визначені на основі семантико-синтаксичного аналізу елементів ПТМ. Для аналізу елементів ПТМ і виявлення відношень дидактичного слідування між поняттями пропонується застосувати математичний апарат нечітких правил [6] .

Понятійно-тезисна модель як підґрунтя для побудови дидактичної онтології Структура, сутності і формальний опис ПТМ наведено в роботах [4, 5]. Елементи ПТМ є результатом формалізації дидактичного тексту, виконаної експертом. До ПТ-елементів належать поняття і тези, які є дидактичним вираженням знань з предметної області у формі фрагментів навчального тексту. Синтаксичний аналіз цього тексту з урахуванням семантики, закладеної в класифікації ПТ-елементів, дає можливість автоматично визначити дидактичні співвідношення між поняттями. Ідея полягає у виявленні понять, які синтаксично входять у інші поняття, або у їхні тези. На основі таких даних можна робити висновок про дидактичне слідування. У табл. 1 наведемо деякі приклади ПТ-елементів, які ілюструють подібну ситуацію (інформація з навчального курсу «Використання технології ADO в Delphi» з циклу дисциплін напрямку «Програмна інженерія») .

Таблиця 1. Фрагмент понятійно-тезисної бази по курсу «Використання технології ADO в Delphi»

Поняття Тези Інтерфейс високого рівня для роботи с OLE DB, орієнтований на використання в прикладних ADO програмах Международная научная конференция, КПИ, Киев, 2010 г. 271

–  –  –

Таким чином, у випадку, коли у тезі поняття «1» зустрічається поняття «2», то з деякою мірою впевненості можна стверджувати, що для успішного засвоєння поняття «1», потрібно спочатку засвоїти поняття «2». Ще з більшою мірою впевненості можна стверджувати, що поняття «2» дидактично передує поняттю «1», якщо поняття «1»

містить поняття «2» у своїй назві. Натомість можливі випадки, коли теза поняття «1», у якій знайдено поняття «2», має такий характер, що з дидактичної точки зору буде лише підкреслювати той факт, що із поняття «1» випливає поняття «2», а не навпаки. Такі випадки характерні тоді, коли в деякому навчальному фрагменті тексту ключовим предметом обговорення виступає саме поняття «2», а поняття «1» з‘являється в контексті як другорядне .

Аналіз елементів понятійно-тезисної моделі і побудова дидактичної онтології на основі нечітких правил Враховуючи сказане вище, а також той факт, що до одного поняття стосується у загальному випадку більше однієї тези, і цілком можлива ситуація, коли поняття проникають в тези одне одного, слід зазначити, що задача автоматичного визначення дидактичної послідовності понять на основі ПТМ носить неоднозначний характер. У зв‘язку з цим для розв‘язку задачі пропонується застосувати апарат нечітких правил на основі фактору впевненості [6] .

Базовими правилами для визначення дидактичного слідування понять будуть наступні:

ИАИ-2010. Интеллектуальные обучающие системы Правило №1. Якщо поняття «1» фігурує в назві поняття «2», то поняття «1» дидактично передує поняттю «2» з високим ступенем достовірності .

Правило №2. Якщо поняття «1» фігурує в тезі поняття «2», то поняття «1» дидактично передує поняттю «2» з деякою достовірністю .

Правило №3.Також для деяких випадків діятиме зворотне правило: якщо поняття «1» фігурує в тезі поняття «2», то поняття «2» дидактично передує поняттю «1» з деякою достовірністю .

Опишемо множини і відношення, які одержуються в результаті синтаксичного аналізу тез T і понять C. Зв'язок між тезами і поняттями, які були знайдені в цих тезах завдяки синтаксичному аналізу, задається відношенням: CinT : T 2C. Зв'язок між базовими і похідними поняттями передбачає, що назва базового поняття фігурує у назві похідного поняття. Цей зв'язок задається відношенням: CinC : C 2C .

Фактор впевненості для класу тези вказує на міру достовірності того, що поняття, знайдене в тезі такого класу буде дидактичною передумовою для поняття, якому дана теза належить.

Множина класів тез відображається на значення фактору впевненості:

TClassCF : TClass X, де X=[-1..1] При цьому, якщо TClassCF(tClassi) 0, тоді вважатимемо, що тези даного класу свідчать про те що знайдені в них поняття не передують, а дидактично слідують за поняттям, якому належить теза, із фактором впевненості |TClassCF(tClassi)| (див. базове правило №3 вище). Такі класи тез називатимемо реверсними .

Щоб далі описувати правила, будемо застосовувати предикат, що служить для опису твердження про те, що деяке поняття ck дидактично передує деякому поняття cl: concept _ before( ck, cl ) .

Таким чином базове правило №1, виражене у символьній формі, матиме наступний вигляд:

ck CinC(cl ) concept _ before(ck, cl ) CFcinc, де фактор впевненості CFcinc=0,99 .

Базове правило №2, виражене у символьній формі, матиме вигляд:

t TC(cl ) ck CinT (t ) TClassCF(TClass(t )) 0 concept _ before(ck, cl ) TClassCF(TClass(t )) Международная научная конференция, КПИ, Киев, 2010 г. 273 Тут TClassCF(TClass( t )) подає значення фактору впевненості у залежності від класу тези.

Базове правило №3, виражене у символьній формі, матиме вигляд:

t TC(cl ) ck CinT (t ) TClassCF(TClass(t )) 0 concept _ before(cl, ck ) TClassCF(TClass(t )) Набір базових класів тез ПТМ містить до 20 класів і може бути розширений для тієї чи іншої предметної області. Відповідні фактори упевненості обрані евристично з урахуванням семантико-дидактичних особливостей тез відповідних класів .

Після того, як здійснено синтаксичний аналіз ПТ-елементів і побудовано множини CinC і CinT, тобто побудовано базу фактів, необхідно підрахувати сукупний фактор впевненості для гіпотез про дидактичні відношення між парами понять. Необхідно підрахувати сукупний фактор впевненості для гіпотез на основі правил, які приводять до однакового результату з урахуванням і усуненням можливих протиріч .

Визначимо множину понять, які, ймовірно, є дидактично передуючими поняттями даного поняття.

Цю множину понять називатимемо вхідними поняттями-кандидатами даного поняття aC:

TryCtoC( a ) { c C : ( c CinC( a )) ( c CinT (t ) t TC( a ) TClassCF(TClass(t )) 0) (t TC( c ) a CinT (t ) TClassCF(TClass(t )) 0) } Після отримання вхідних понять-кандидатів наступним кроком буде підрахунок фактору впевненості гіпотези про те, що окреме вхідне поняття-кандидат cTryCtoC(a) дидактично передує даному поняттю a .

По-перше знаходимо сукупність факторів упевненості тих правил, результатом яких буде твердження before_concept(c,a), яке вказує на дидактичну послідовність понять c і a:

CFs(c, a ) {x : ( x CFcinc c CinC(a )) ( x TClassCF(t ) t TC(a ) c CinT (t ) TClassCF(TClass(t )) 0) ( x TClassCF(t ) t TC(c) a CinT (t ) TClassCF(TClass(t )) 0) } Далі для отримання сукупного фактору впевненості для before_concept(c,a) необхідно об‘єднати одержані значення CFs(c,a), для чого застосуємо послідовне попарне об‘єднання за принципом, поданим в [6]:

ИАИ-2010. Интеллектуальные обучающие системы CF CF CFi CF CFi, де CFi CFs( c, a ), і=2..n Таким чином ми отримуємо фактор впевненості для твердження before_concept(c,a), що вказує на те, що поняття c дидактично передує поняттю a з фактором впевненості CF(before_concept(c,a)). На основі цих даних будується матриця дидактичних зв‘язків між поняттями

CF_CtoC=||cf_CtoCij||, що задає відповідне відношення CtoC:

CtoC : C C .

Стовпці і рядки матриці CF_CtoC відповідають поняттям, а значення елементів – значенню фактору впевненості того, що поняття ci (рядок) дидактично передує поняттю (стовпчик) і дорівнює cj CF(before_concept(ci,cj)). Для позначення збереженого в матриці CF_CtoC фактору впевненості CF(before_concept(ci,cj)) будемо застосовувати оператор CFCtoC(ci,cj), результатом якого буде значення cf_CtoCij .

Після підрахунку CF(before_concept(c,a)) для кожного з вхідних понять-кандидатів cTryCtoC(a), необхідно підрахувати CF відношень між поняттям a і його вихідними поняттями-кандидатами:

TryCfromC( a ) { c C : ( a CinC( c)) (a CinT (t ) t TC( c) TClassCF(TClass(t )) 0) (t TC(a ) c CinT (t ) TClassCF(TClass(t )) 0) } Аналогічно знаходиться для усіх CF(before_concept(a,c)) cTryCfromC(a). Відповідним чином доповнюється матриця CF_CtoC .

Під час цих обрахунків з‘являється можливість виявлення протиріч, коли відбуватиметься одночасне виконання CFCtoC(a,c)0 і CFCtoC(c,a)0.

У такому випадку, адаптуючи формулу з [6], обчислюємо нове значення фактору впевненості:

max CFCtoC(a, c), CFCtoC(c, a ) minCFCtoC(a, c), CFCtoC(c, a ) CF 1 minCFCtoC(a, c), CFCtoC(c, a ) При цьому менше із значень CFCtoC(a,c), CFCtoC(c,a) приймається рівним 0, тоді як замість більшого з них підставляється нове значення CF .

Висновок Ключовою перевагою запропонованого методу побудови ДО є зменшення трудових витрат на встановлення дидактичних відношень між поняттями за рахунок автоматизації цього процесу. Іншою перевагою є придатність методу до застосування в різних предметних областях, що було перевірено на навчальних матеріалах у галузях Международная научная конференция, КПИ, Киев, 2010 г. 275 технічних, математичних, економічних та педагогічних наук [7]. Також до переваг слід віднести незалежність від даних про черговість лекцій, що дозволяє застосовувати дану технологію для дидактичної формалізації словників та довідників, матеріали яких впорядковуються не дидактично, а по алфавіту. Ця перевага є актуальною також у випадку формалізації набору статей з певної тематики. Подальші дослідження зосереджені на побудові методів використання ДО для генерації індивідуального навчального середовища. Результати публікуються на сайті [8] .

Література

1. Brusilovsky P. Developing adaptive educational hypermedia systems: From design models to authoring tools. In: T. Murray, S. Blessing and S .

Ainsworth (eds.): Authoring Tools for Advanced Technology Learning Environment. Dordrecht: Kluwer Academic Publishers, 2003. – P. 377-409 .

2. Weber G., Specht M. User modeling and Adaptive Navigation Support in WWW-Based Tutoring Systems. Workshop on Adaptive Systems and User Modeling on the WWW on UM97. Chia Laguna, Sardinia: Springer. – 1997 .

3. Brusilovsky P., Yudelson M., Sosnovsky S. An adaptive E-learning service for accessing interactive examples. In: J. Nall and R. Robson (eds.) Proceedings of World Conference on E-Learning, E-Learn 2004, Washington, DC, USA, November 1-5, 2004. – AACE, 2004. – P. 2556Титенко, С. В. Семантична модель знань для цілей організації контролю знань у навчальній системі / С. В. Титенко, О. О. Гагарін // Сборник трудов международной конференции «Интеллектуальный анализ информации-2006». – Київ: Просвіта, 2006. – С. 298-307 .

5. Титенко, С. В. Генерація тестових завдань у системі дистанційного навчання на основі моделі формалізації дидактичного тексту / С. В .

Титенко // Наукові вісті НТУУ "КПІ". – 2009. – № 1(63). – С. 47–57 .

6. Buchanan B. G., Shortliffe E. H. та ін. Rule-Based Expert Systems: The MYCIN Experiments of the Stanford Heuristic Programming Project .

Reading, MA: Addison-Wesley, 1984 .

7. Портал знань – Web-портал, ПЗ якого реалізує запропонований метод побудови дидактичної онтології [Електронний ресурс]. – Режим доступу : http://www.znannya.org .

8. Лабораторія СЕТ – лабораторія семантичних технологій в дистанційному навчанні. [Електронний ресурс]. – Режим доступу :

http://www.setlab.net .

ИАИ-2010. Интеллектуальные обучающие системы УДК 519.673+004.3

–  –  –

Предлагается подход к построению концептуальной модели дисциплины в виде педагогического тезауруса в системе информационного обеспечения непрерывного образования руководящих кадров. За счет семантического индексирования учебного контента, запросов к системе, а также состояния знаний обучаемого и целей обучения обеспечивается адаптивный подбор и упорядочение учебной информации .

Введение Процесс непрерывного образования специалистов требует индивидуализации и интенсификации, адаптивного подбора используемого учебного контента. Однако имеющиеся средства доступа к электронным ресурсам такие, как электронные каталоги библиотек или поисковые системы, слабо ориентированы на их использование в обучении. Они предоставляют пользователям библиографические описания и электронные документы (в т.ч. учебники), соответствующие выбранной рубрике или же введенному поисковому запросу в виде набора ключевых слов. Дальнейший отбор и упорядочение информации, необходимой для обучения решению конкретных задач, требует немалых усилий .

Для использования электронных ресурсов в самостоятельном обучении специалистов особенно необходима их систематизация по дидактическим принципам с учетом соответствия изучаемой дисциплине и информационным потребностям обучаемого на каждом этапе обучения .

Структуру знаний предметной области (ПрО) можно представить в виде концептуальной модели, описывающей изучаемые понятия и отношения (связи) между ними. Тогда обучение может рассматриваться как процесс формирования у учащегося концептуальной модели изучаемой дисциплины в результате последовательного освоения Международная научная конференция, КПИ, Киев, 2010 г. 277 взаимосвязанных понятий ПрО [1]. При этом в системе электронного обучения (СЭО) определяется степенью соответствия концептуальной модели дисциплины, заложенной в систему, исходной концептуальной модели знаний обучаемого, и результирующей модели, сформированной у него за время обучения. Следовательно, одним из главных факторов повышения эффективности обучения является правильный подбор учебного контента, осуществляемый обычно педагогами и методистами .

В работе рассмотрен подход к решению указанной задачи автоматизированной систематизации контента в системе информационного обеспечения непрерывного профессионального образования руководящих кадров .

Концептуальное моделирование предметной области Для построения концептуальной модели дисциплины педагоги обычно выделяют во множестве понятий ПрО ключевые, то есть основные значимые понятия (или теги). Эти понятия используются для составления предметного указателя, поиска и структурирования информации по темам. Для формирования последовательности изучения материала также выделяют так называемые опорные понятия по каждой из тем дисциплины и указывают последовательность их изучения .

На основе сформированной таким образом концептуальной модели дисциплины создается гипертекстовый электронный образовательный ресурс (ЭОР) [2]. Все элементы ЭОР системы индексируются ключевыми понятиями, и наоборот: каждому понятию и каждой связи из концептуальной модели ставятся в соответствие некоторые элементы ЭОР. Мониторинг процесса изучения ЭОР позволяет формировать концептуальную модель знаний обучаемого, которая представляется данными об усвоенных им ключевых понятиях и их связях .

Автоматизация процесса подбора учебного контента возможна в СЭО на основе моделирования понятийной структуры изучаемой дисциплины и реализации механизмов семантического индексирования, создания и использования предметных указателей, словарей понятий ПрО, тезаурусов или онтологий. Под семантическим индексированием понимается создание формализованного описания семантики документа (в данном случае – ЭОР) в виде списка представленных в нм ключевых слов. Тезаурус – специально организованный нормативный словарь, отражающий синонимические, родо-видовые и ассоциативные отношения между понятиями и предназначенный для более совершенного и полного индексирования документов и запросов к информационной системе .

В настоящее время представление концептуализации ПрО принято описывать е онтологией. "Онтология ПрО описывает множества объектов посредством соответствующих им терминов, их определений ИАИ-2010. Интеллектуальные обучающие системы (текстов на естественном языке) и формальных аксиом, ограничивающих интерпретацию и корректное использование этих терминов" [3]. Создание онтологии требует значительных затрат труда инженеров по знаниям и специалистов в исследуемой ПрО. В то же время, при решении задач, электронного обучения важной является возможность наполнения концептуальной модели электронного учебника преподавателемнепрограммистом, что может быть обеспечено с использованием тезауруса .

Разработка концептуальной модели дисциплины Электронный образовательный ресурс представим в виде графа G, как множество вершин F, в которых содержатся элементы учебного контента (тексты, видео- и звуковые материалы, а также тесты по курсу), и связей между ними. Выделим три основных типа связей: ассоциативные, собственно гипертекстовые связи ; связи, указывающие на логическую зависимость одних элементов контента от других; связи между дидактически эквивалентными элементами. Перечисленные связи формализуются в виде бинарных отношений на множестве F. Такой электронный образовательный ресурс будем считать учебной гиперсредой .

Общепринятый подход, согласно которому гиперсреда описывается графом, в вершинах которого расположены элементы контента, а дуги представляют гипертекстовые связи, соответствует представлению гиперсреды в виде графа ассоциативного отношения G. Подход, предложенный автором в [4], дат возможность формализованно представить логическую последовательность и альтернативные способы изучения учебного контента .

Построим концептуальную модель дисциплины в виде специализированного педагогического тезауруса, отражающего понятийный состав учебных текстов, смысловые связи между понятиями и последовательность их изучения. Во множестве понятий будем выделять дескрипторы .

Дескриптор – терминологическое словосочетание или ключевое слово, которое ставится в однозначное соответствие группе синонимичных ему ключевых слов и словосочетаний, отобранных из текстов системы. Дескриптором может быть любое слово или словосочетание, самое короткое из группы или наиболее часто используемое, которое отличается от всех уже имеющихся в тезаурусе дескрипторов .

При использовании в задачах систематизации информации и информационного поиска тезаурус служит для обеспечения однозначности поисковых образов электронных ресурсов и запросов к Международная научная конференция, КПИ, Киев, 2010 г. 279 системе; поиска дескрипторов для выражения информационной потребности; избыточного индексирования документов и запросов путем дополнения их поисковых образов дескрипторами, связанными по смыслу с основными .

Пусть в гиперсреде собрана информация для изучения понятий из конечного множества CG = {c1, c2, …, cNC}. На множестве понятий определено отношение эквивалентности, которое назовм семантическим тождеством. Понятия ci и cj семантически тождественны, ci cj, если они являются синонимами в рамках рассматриваемой ПрО. Данное отношение задат разбиение множества понятий на подмножества условно синонимичных понятий .

Каждому понятию ПрО сопоставим имя понятия. В качестве имени используем дескриптор. Элементы множества дескрипторов D = {d1, d2, …, dND}, d j CG не могут находиться в отношении семантического тождества .

Определим на множестве D отношение последовательности изучения понятий: если (di, dj), то это означает, что понятие, соответствующее дескриптору di, должно быть изучено до понятия, соответствующего dj. Далее для краткости вместо "понятие, соответствующее дескриптору di" будем говорить "понятие di" .

Если понятия di и dj не связаны отношением, то будем считать, что данные понятия независимы и обозначать это как di || dj .

В системе электронного обучения методика использования дескрипторов особенно важна ввиду существования рассогласований в терминологии, обусловленных быстрым развитием многих областей знаний.

Определим структуру тезауруса CT гиперсреды как множество отдельных статей Cn:

, | C CT Cn | Cn d n, Bdn, Dn, Fn || D |, (1) T где d n D – дескриптор; Bdn = {ck | ck dn, c k CG\D} – множество понятий, обозначаемых дескриптором d n; D n = {dj | dj dn, d j D} – множество дескрипторов, которые необходимо изучить до изучения dn;

Fn = {f i | f i F} – множество ссылок на теоретические и контролирующие элементы контента f i, одним из результатов изучения которых является дескриптор dn. Таким образом, в тезаурусе для каждого понятия задаются соответствующие элементы контента из F, в которых оно упоминается .

Для перевода ключевых понятий (слов и словосочетаний), используемых при составлении запросов и формулировке целей, на дескрипторный язык ИАИ-2010. Интеллектуальные обучающие системы используется инвертированный словарь, который каждому понятию ставит в соответствие дескриптор .

Педагогическим будем называть тезаурус, предназначенный для описания как семантических, так и дидактических характеристик учебного контента, а также состояния знаний обучаемого .

Педагогический тезаурус позволит более полно индексировать не только вершины гиперсреды и запросы к ней, но также и состояние знаний обучаемого и цели обучения, обеспечивая решение дидактических задач .

Модель состояния знаний Пусть U – множество обучаемых. Состояние знаний обучаемого ul можно охарактеризовать указанием множества понятий Dui D, которые ему известны, и уровней их усвоения. Пусть 2 D – множество всех подмножеств D и существует инъективное отображение : U – 2 D, которое ставит в соответствие каждому обучаемому множество изучаемых понятий .

Концептуальным образом состояния знаний обучаемого ul U назовем такой элемент Dui множества 2D, который является образом ul при отображении : (ul) = Dui. В концептуальном образе состояния знаний используются только понятия, выбранные в качестве дескрипторов. Количество учитываемых понятий может расширяться при помощи связей тезауруса, образуя расширенный концептуальный образ в виде набора множеств синонимичных понятий. Пусть существует частичное мультиотображение : – 2CG, которое ставит в соответствие каждому понятию концептуального образа множество его синонимов из CG (2CG – множество всех подмножеств словаря ключевых понятий) .

Расширенным концептуальным образом, соответствующим некоторому произвольному концептуальному образу, будем называть такое непустое подмножество Bn множества 2CG, которое является образом при : () = {Bn | Bn CG\D}. Для любого понятия dn, которое является ключевым для элемента контента fi, и для любого обучаемого ul, если dn (ul), то Bn ((ul)), где Bn – множество синонимов понятия dn .

Каждое понятие обучающего курса может быть усвоено обучаемым на различном уровне. В качестве значений шкалы для ранжирования состояний знаний по уровням используем такую дидактическую характеристику, как диагностируемый уровень усвоения понятия [5] .

Конечное упорядоченное множество уровней усвоения представляет Международная научная конференция, КПИ, Киев, 2010 г. 281 собой шкалу порядка X = null, x1, …, xj, …, xNX NX = |X|, где если i j, то для любого xi xj i, j {1, …, NX}, null – пустой элемент, null xj для любого j .

Содержательно, если значение уровня усвоения понятия dn равно null, будем считать, что значение уровня еще неизвестно или может не учитываться .

Применение уровней усвоения обеспечивает оценку знаний обучаемого по шкале порядка. Тип значения для уровня усвоения – строка буквенно-цифровых символов. Количество уровней и их названия не влияют на логику анализа. Множество уровней формируется автором гиперсреды – преподавателем или методистом .

Планирование процесса обучения, динамически адаптивного к уровню знаний обучаемого, требует, с одной стороны, наличия в каждый момент времени актуальной информации об обучаемом – текущем состоянии знаний и о целях обучения, а с другой стороны – информации об обучающих воздействиях элементов гиперсреды, то есть стартовом состоянии знаний обучаемого, необходимом для изучения элемента контента, и об ожидаемом изменении этого состояния в процессе изучения в соответствии с содержанием этого элемента .

Для представления модели состояния знаний некоторого обучаемого, равно как и модели обучающего воздействия – знаний, излагаемых или контролируемых некоторым элементом контента, обычно используют концептуальные образы или индексы в виде списка изучаемых понятий [6]. Нами предлагается дополнить это представление и использовать дидактический образ состояния знаний обучаемого в виде множества понятий, которые известны обучаемому (использованы в элементе контента), с указанием уровней их усвоения [7] .

Зададим инъективное отображение, которое сопоставляет каждому понятию dn Dui уровень rln его усвоения обучаемым, принимающий значения из X: rln r (ul, d n ) xk, xk X. Уровни усвоения остальных понятий из D установим в null .

Дидактическим образом (ДО) состояния знаний назовм элемент ul множества XND, который является образом ul при отображении :

l (rl1, rl2,..., rlND ), | l | N D,rln X, XND – множество всех возможных комбинаций уровней усвоения ND понятий. Если обучение или контроль выполняются в несколько этапов, требуется вычислить итоговый дидактический образ состояния знаний. В случае обучения он должен содержать максимальные из имеющихся уровни усвоения для каждого понятия, а в случае контроля – минимальные .

ИАИ-2010. Интеллектуальные обучающие системы

–  –  –

начальный уровни изучения понятия dn. Условие предъявления характеризует знания, которые требуются для перехода к изучению элемента, а результат изучения – представленные в нем знания .

Далее построим формальную модель обучаемого. Пусть SA – все возможные целевые, а SB – возможные начальные/текущие дидактические образы знаний обучаемого из S. Зададим отображение : U – SB SA множества обучаемых во множество всех возможных пар начального и целевого дидактических образов знаний обучаемого. В качестве модели обучаемого ul примем элемент отображения (ul): (ul) = (b, a), причем b (rb1, rb2,..., rbN ) – текущий, a (ra1, ra2,..., raN ) – D D целевой дидактический образ знаний, а rbn и ran – текущий и целевой уровни изучения понятия dn, где b SB,a S A,ran,rbn X. Модель обучаемого данного вида характеризует множество понятий, которые необходимо изучить на соответствующем уровне для достижения целей a из SA, имея состояние знаний b из SB .

Для отбора обучающей информации необходимо определить критерии смыслового соответствия обучающего воздействия изучаемого элемента контента начальной подготовке и целям обучения. Введем функцию согласия m(k, k), фиксирующую факт увеличения уровня усвоения некоторого целевого понятия dm после изучения k: m(k, k) = 1, если rbm rom ram, rko null, ram null, и m(k, i) = 0 в противном k m

–  –  –

Заключение Предложенную модель планируется применить в системе информационного обеспечения непрерывного профессионального образования руководящих кадров органов государственного управления на базе внешних ЭОР. Программный инструментарий для создания ЭОР должен обеспечить полуавтоматическое семантическое индексирование и классификацию в соответствии с иерархией компетенций, построенных для учебных дисциплин в области теории и практики государственного управления .

Дидактический образ состояния знаний можно использовать как единый набор признаков для описания как состояния знаний обучаемого, так и знаний, представленных в гиперсреде. На основе дидактических образов далее сформируем модель обучаемого и модель обучающего воздействия. Затем сформулируем правила установления соответствия модели обучаемого и обучающего воздействия. На основе данных правил построим алгоритмы формирования дидактической базы знаний и адаптивного планирования процесса обучения .

Литература

1. Таран Т.А., Сирота С. В. Обучение понятиям в интеллектуальных обучающих системах на основе формального концептуального анализа // Искусств. интеллект. – 2002. – № 3. – С. 340–347 .

2. Шикунов С.А. Метод построения учебного гипертекста по ключевым словосочетаниям // Вопросы Интернет-образования. – 2003. – № 10. – [Электронный ресурс]. – Режим доступа:

– Дата http://center.fio.ru/vio/vio_10/cd_site/Articles/art_1_7.htm .

доступа: 15.09.2009 .

3. Клещев А.С., Артемьева И.Л. Математические модели онтологий предметных областей. Часть 1. Существующие подходы к определению понятия «онтология» // Науч.-техн. информ. Сер. 2, Информ. процессы и системы. – 2001. – № 2. – С. 20–27 .

4. Шибут М.С. Моделирование адаптивного процесса обучения с использованием гиперсреды // Информатика. – 2007. – № 4. – С. 48–58 .

5. Соловов А. В. Моделирование структуры электронных образовательных ресурсов // Информ. технологии. – 2007. – №3. – С. 43–49 .

6. Валькман Ю.Р., Валькман Р.Ю., Рыхальский А.Ю. Система «целипрограммы-содержание образования» в виртуальных образовательных средах // Искусств. интеллект. – 2002. – № 3. – С. 50–60 .

7. Шибут М.С. Моделирование состояния знаний обучаемого в адаптивной учебной гиперсреде // Перспективы систем информатики (PSI‘09): материалы Седьмой междунар. конф. памяти акад .

А.П. Ершова. – Новосибирск: "Сибир. науч. изд-во", 2009.– С. 144–149 .

ИАИ-2010. Интеллектуальные обучающие системы УДК 004.81

–  –  –

В данной работе описано применение метода вывода по прецедентам в системе управления обучением. Приведены основные этапы цикла управления и предложена реализация двух из них. В частности обоснован и формализован метод отбора на основе запросов и частичных порядков, а также описан алгоритм адаптации прецедентов, использующий поиск ассоциативных правил .

Введение Современные автоматизированные системы обучения наиболее часто реализуются на базе экспертных систем, автоматном управлении, нечетком логическом выводе, управлении на основе взаимодействия интеллектуальных агентов [1-3]. В данной работе рассматривается еще один подход, называемый выводом по прецедентам [4,5]. Он предназначен для принятия решений на основе накопленных знаний о ранее возникавших ситуациях, называемых прецедентами. Суть метода состоит в том, что при рассмотрении новой проблемы отыскиваются похожие ситуации, и выбранные адаптируются к текущему случаю. К преимуществам можно отнести возможность вывода без явного определения математических зависимостей между входными и выходными параметрами, а также самообучаемость, которая обеспечивает автоматическую адаптацию системы к обучаемому .

Цикл управления, основанный на прецедентах, состоит из следующих этапов: 1) формальная постановка проблемы; 2) отбор подходящих для текущего случая прецедентов из базы; 3) адаптация выбранного решения для текущего случая; 4) применение решения; 5) оценка применения; 6) сохранение и добавление текущего случая в базу прецедентов .

Данная работа, являясь продолжением [6], кроме формального описания системы управления обучением на основе прецедентов, предлагает методы для реализации двух этапов цикла управления. В частности обоснован и формализован отбор на основе запросов и Международная научная конференция, КПИ, Киев, 2010 г. 285 частичных порядков, а также описан алгоритм адаптации, использующий поиск ассоциативных правил .

Управление в автоматизированной системе обучения, основанной на прецедентах Описание прецедента Прецедентом будем называть описание проблемы или ситуации с подробным указанием действий, принимаемых в данной ситуации или для решения данной проблемы [5] .

Объектом управления (ОУ) является обучаемый .

Согласно [4,5] структура прецедента для адаптивного управления включает: 1) состояние ОУ до воздействия; 2) описание управляющего воздействия; 3) состояние ОУ после воздействия; 4) исход и его оценку .

В каждый момент времени, фиксированный системой обучения, ОУ характеризуется вектором Y (t ) ( xs ), где xs - предметно-зависимые и независимые признаки модели обучаемого, в том числе и текущие результаты обучения. Обозначим Y (t ), Y (t 1) - состояния объекта управления до и после сеанса обучения. Управляющее воздействие определим как U (t ) ( pk ), где pk - значения параметров системы, которые отвечают за установку уровня помощи, полноту и способ изложения материала, отображение на экране и т.д .

Для определения качества обучения выделим критерии оценивания по дисциплине Q {(krp )}, где kr p - фиксированные значения простых признаков модели обучаемого или интегральные оценки, выведенные на этих признаках. Они могут принадлежать некоторому диапазону или задаваться дискретно, если требуется обязательное знание соответствующих элементов предметной области. В действительности Q можно считать набором классов, которые покрывают все пространство возможных результатов обучения (альтернатив). Классы следует упорядочить с целью дальнейшего сравнения .

Целью обучения H на каждом этапе является один из классов, входящий в Q .

Под исходом в широком смысле будем понимать набор значений параметров вектора состояния обучаемого, соответствующий одной из альтернатив результатов обучения IP ( x ) Y (t ). В конкретном s ИАИ-2010. Интеллектуальные обучающие системы

–  –  –

соответствие со стратегией обучения. Если преследуется цель поддержки и без того высокого уровня знаний, то имеет смысл для адаптации отбирать прецеденты из текущего или более высокого класса качества обучения. Если обучаемый успешно прогрессирует, то можно выбрать диапазон классов, которые находятся в зоне ближайшего развития. Для отдельных обучаемых не исключена стратегия удержания нижней границы качества обучения .

Таким образом, целью управления является достижение оптимального поведения обучаемого, выражающегося в виде последовательности определенных классов состояний. Задача управления состоит в том, чтобы найти алгоритм (адаптивный регулятор), который обеспечит достижение цели за конечное число управляющих воздействий. В соответствие со схемой вывода по прецедентам данный алгоритм реализуется с помощью этапов отбора и адаптации (рис.1) .

Международная научная конференция, КПИ, Киев, 2010 г. 287

–  –  –

Отбор

Этап отбора включает в себя решение следующих подзадач:

идентификация признаков, поиск, вычисление меры подобия, отбор. [7] На сегодняшний день наиболее развитое направление – это методы отбора, основанные на вычислении меры сходства [4]. К более совершенным методам можно отнести вычисление целевой меры сходства, что делает поиск и отбор направленным [8]. Особый интерес вызвал альтернативный метод, основанный на фильтрации и запросах, который получил развитие в работах по рекомендующим системам [9] .

Использование специального языка запросов позволяет не только находить прецеденты, максимально соответствующие текущей ситуации, но и упорядочивать их по мере близости относительно нее. Применим этот метод в адаптивной обучающей системе .

Его преимущество состоит в том, что вместо перебора всех прецедентов, сравнения их с текущей ситуацией и вычисления меры подобия, строится упорядоченная по подобию иерархия прецедентов, которые последовательно разыскиваются в базе с помощью запросов. На верхнем уровне находится прецедент, в точности совпадающий с текущей ситуацией. На следующем – ряд прецедентов, которые отличаются от исходного единственным признаком. Причем значение этого признака располагается по соседству в упорядоченном ряду относительно точного значения. Т.о. все прецеденты второго ряда находятся на одинаковом расстоянии от текущего случая. В следующем ряду иерархии прецеденты отличаются на два значения и т.д. Метод требует, чтобы значения всех сравниваемых признаков были приведены к дискретному виду и упорядочены .

Для построения иерархии будем использовать три оператора [9] .

ИАИ-2010. Интеллектуальные обучающие системы Оператор AO применяется для упорядочения значений x, y одного признака относительно заданного значения. Он устанавливает новый частичный порядок по правилу: x ниже по уровню, чем y по отношению к v (обозначение, v ), тогда и только тогда, когда x располагается левее y и оба левее v в упорядоченном ряду значений признака, или x располагается правее y и оба правее v, где x, y, v значения одного признака .

x AO(, v) y ( x y v) ( x y v) Оператор CPO объединяет два частичных порядка 1 и 2 в один по правилу: если два частичных порядка 1 и 2 равнозначны между собой, то x 1 расположен ниже по уровню, чем y 2 тогда и только тогда, когда x ниже по уровню или на одном уровне с y в обоих порядках, но при этом не находится одновременно в обоих порядках на одном уровне с y .

x CPO(1, 2 ) y x 1 y x 2 y ( x 1 y x 2 y) Оператор SPO объединяет два частичных порядка 1 и 2 в один по правилу: если частичный порядок 1 имеет более высокий приоритет, чем 2, то x 1 расположен ниже по уровню, чем y 2 тогда и только тогда, когда x ниже по уровню, чем y или x совпадает с y по первому порядку и при этом ниже по уровню по второму порядку .

x SPO(1, 2 ) y x 1 y ( x 1 y x 2 y) Последовательное применение операторов AO, CPO, SPO позволяет сформировать ряд запросов, формирующих иерархическую структуру из отобранных прецедентов по степени их близости к текущей проблеме .

Адаптация Адаптация – это модификация имеющегося решения с целью его оптимизации для применения в текущей ситуации. Различают адаптацию замещения и адаптацию преобразования. Первая повторно подтверждает некоторую часть отыскиваемого решения, вторая - изменяет его структуру [10]. К известным методам адаптации, применяемым в системах вывода по прецедентам, относятся: 1) корректировка или интерполяции признаков в имеющемся решении; 2) использование Международная научная конференция, КПИ, Киев, 2010 г. 289 алгоритмов, вырабатывающих новое решение; 3) адаптация, основанная на моделях; 4) эволюционные методы [7] .

В данной работе предлагается использовать подход, применяющий ассоциативные правила. В базе прецедентов разыскиваются закономерности, связывающие входные и выходные параметры, сходные с заданными. Закономерности фиксируются в виде правил, которые изменяют набор и значения назначаемых параметров системы, определяя тем самым адаптацию замещения и преобразования .

Большинство известных алгоритмов поиска ассоциативных правил сталкиваются с проблемой алгоритмической сложности. Особенностью данной задачи является то, что правила разыскиваются не на всем массиве данных, а на специально отобранном подмножестве транзакций (прецедентов), полученном с помощью описанного ранее метода запросов и частичных порядков. Кроме того, параметры транзакций четко разделены на два подмножества – посылок и следствий .

Итак, пусть в результате отбора получен массив прецедентов (транзакций). В процессе работы алгоритма выполняется попарное сравнение полных транзакций в исходном массиве. Если пара транзакций имеет общую часть, которая включает в себя входные и выходные параметры, то из нее получим новую транзакцию, являющуюся кандидатом в правила. Если кандидат имеет заданную поддержку (допуск), он называется правилом и заносится в массив результатов .

Массив кандидатов становится исходным массивом. Над ним опять выполняется операция поиска общих частей, которые также становятся кандидатами и в соответствии с допуском переходят в правила. Правила формируются по нисходящей - от полной транзакции к отдельным признакам, и при этом по возрастающей последовательности поддержки .

Алгоритм заканчивается, когда в очередной таблице не найдется ни одного нового кандидата. Чтобы назначить параметры для обучения, нужно в таблице результатов найти для каждого признака значение с максимальным числом поддержки для содержащего его правила .

Вывод В данной работе кроме формального описания системы управления обучением на основе прецедентов, предложены методы реализации этапов отбора и адаптации. Следует отметить, что метод отбора на основе запросов и частичных порядков при значительном количестве признаков дает большое дерево. Однако, как показала практика, нет необходимости вычислять все уровни иерархии. Процесс построения ограничивается количеством прецедентов для последующей адаптации .

ИАИ-2010. Интеллектуальные обучающие системы В качестве метода адаптации и получения нового решения предлагается использовать алгоритм, основанный на поиске ассоциативных правил. Благодаря специфике задачи, пространство поиска сужается за счет перебора транзакций, вместо полного перебора признаков .

В дальнейших исследованиях планируется провести апробацию изложенных методов на практике, а также определить и проанализировать факторы, характеризующие компетентность базы прецедентов .

Литература

1. Цибульский Г.М., Герасимова Е.И., Ерошин В.В. Модели обучения автоматизированных обучающих систем // Системотехника / Сетевой электронный научный журнал – 2004. – №2 .

2. Петрушин В.А. Экспертно-обучающие системы. – Киев: Наукова думка. - 1992 .

3. Астанин С.В. Сопровождение процесса обучения на основе нечеткого моделирования // Открытое образование. – 2000. - №5 .

4. Карпов Л. Е., Юдин В. Н. Методы добычи данных при построении локальной метрики в системах вывода по прецедентам // Институт Системного Программирования РАН. –М.:Препринт. - 2006 .

5. Карпов Л. Е., Юдин В. Н. Адаптивное управление по прецедентам, основанное на классификации состояний управляемых объектов // Труды ИСП РАН. М.:ИСП РАН. - 2007 .

6. Щеголькова В.А. Схема адаптивного обучения по прецедентам // IX международная науч. Конференция им. Т.А. Таран ИАИ-2009. 19-22 мая. – Киев. -2009 .

7. Aamodt A., Plaza E. Case-Based Reasoning: Foundational Issues, Methodological Variations, and System Approaches //AI Communications. -IOS Press. -Vol. 7:1. P. 39-59 .

8. Smyth B., Keane M.T. Experiments on Adaptation-Guided Retrieval in Case-Based Design //Proceedings of the 1st International Conference on Case-Based Reasoning .

-Springer-Verlag. -1995. - P. 313-324 .

9. Bridge D., Ferguson A. An Expressive Query Language for Product Recommender Systems // Artificial Intelligence Review. –Vol.18 (3-4). - P. 269-307 .

10. Lpez de Mntaras R., McSherry D., Bridge D., Leake D., Smyth B. Retrieval, reuse, revision and retention in case-based reasoning // The Knowledge. Engineering Review. Cambridge University Press: Cambridge. -2006. -P. 215–240 .

Международная научная конференция, КПИ, Киев, 2010 г. 291

УДК 681.3: 519.95: 004.5

Информационные гранулы и методы их построения: применение при разработке интеллектуальных агентов Калуцкая А.П., к.т.н., доц. Тарасов В.Б .

Московский государственный технический университет им. Н.Э.Баумана, Москва k_a_p@rbcmail.ru,tarasov@rk9.bmstu.ru В работе рассмотрены проблемы и методы грануляции информации интеллектуальными агентами. Проведен анализ формальных подходов к грануляции, даны примеры гранулярных структур .

Введение Двумя основными характеристиками любого множества являются границы и мера. Формализация представлений о размытых границах множества и определение неаддитивных мер на множестве (квазимер), предложенные Л.Заде [1,2] – одни из самых ярких научных достижений в прикладной математике и информатике второй половины XX-го века .

В первое десятилетие XXI-го века одним из ключевых направлений информатики и искусственного интеллекта (ИИ) стало развитие общих подходов к моделированию НЕ-факторов. Этот термин, введенный в научный обиход А.С.Нариньяни (см.[3]), означает комплекс свойств реальных человеческих знаний (неточность, неполнота, некорректность, неоднозначность, нечеткость, недоопределенность и др.), которые отрицают главные характеристики классических формальных систем и слабо учитываются в традиционных жестких математических языках. В 2004 г. вышел в свет специальный выпуск журнала РАИИ «Новости искусственного интеллекта», посвященный вопросам моделирования НЕ-факторов. В нем были проанализированы различные подходы к моделированию НЕ-факторов [4], рассмотрены вопросы приобретения знаний, содержащих НЕ-факторы [5]. Там же в статье Ю.Р.Валькмана [6] был сформулирован, без преувеличения, один из основных вопросов современного ИИ: может ли система называться интеллектуальной, если она не моделирует какие-либо НЕ-факторы? Появление общей теории неопределенности Л.Заде [7], опирающейся на обобщенные ограничения, бурное развитие вычислений со словами и, особенно, гранулярных вычислений [8-10] делают очевидным ответ на этот вопрос Интеллектуальный анализ информации. ИАИ-2010. Многоагентные системы В настоящей работе проведен краткий анализ основных понятий, относящихся к гранулярным вычислениям, и предложены варианты их реализации в задачах функционирования интеллектуальных агентов .

Грануляция информации – основная способность интеллектуальных агентов Обычно определение искусственного агента сводится к выделению некоторого минимального набора его базовых характеристик (см.[11]), в число которых входят: 1) активность; 2) реактивность; 3) автономность;

4) коммуникативность; 5) интенциональность. Для интеллектуальных агентов в этот перечень добавляются такие качества как формирование мнений и представление знаний, прогнозирование ситуации, принятие решений и планирование действий. На наш взгляд,ключевым свойством интеллектуального агента необходимо считать способность грануляции информации как основной подход к работе с НЕ-факторами. Этой способностью следует наделять как физических агентов, например, интеллектуальных роботов, так и программных агентов, в частности, инфоботов .

Грануляция, т.е. разбиение целого на составные части или блоки, и их последующая интеграция, представляют собой основу повседневной обработки информации на уровне человеческого мышления. Типичные интерпретации гранул – это часть целого, подпроблема проблемы, обобщенное ограничение, информационная единица (единица знания) .

Создание информационных гранул есть построение набора объектов (точек), связанных между собой либо функционально, либо отношениями эквивалентности (неразличимости). Хорошо известным примером функциональной грануляции служит антропоморфная грануляция автономного робота на базовые мехатронные компоненты [12,13]: а) «тело» (двигательная система, обеспечивающая перемещение робота); б) «голова» или «мозг» – системы управления; в) «органы чувств» (сенсорные системы); г) «языки» (система коммуникации) .

Гранулярные (приближенные) структуры противопоставляются сингулярным (точным, одноэлементным). Классическими примерами математических гранулярных структур служат: иерархии и разбиения множеств, окрестности точек, интервалы, распределения, нечеткие множества, приближенные множества и т.д. Возможная интерпретация гранулярных структур – семейство вложенных множеств, которые соответствуют разным уровням знаний. Пусть X – универсальное множество, AX – его подмножество, а B = X \ A. Тогда грануляция множества сводится к заданию неполностью определенного множества, Международная научная конференция, КПИ, Киев, 2010 г. 293 разделенного на две области: область определенности A и область неопределенности B .

Теория вычислений, основанная на гранулярных структурах, называется гранулярными вычислениями .

О методах грануляции информации Простейший вариант грануляции информации есть разбиение универсального множества, т.е. его разделение на n непустых и неперекрывающихся подмножеств: X = A1... An, где A1... An = .

Иначе, разбиение можно определить как фактор-множество, индуцируемое отношением эквивалентности. Бинарное отношение RXX называется отношением эквивалентности E, если оно удовлетворяет условиям рефлексивности, симметричности и транзитивности. Отношение эквивалентности E разбивает исходное множество X на непересекающиеся подмножества. Это разбиение множества X называется фактор-множеством, индуцированным отношением эквивалентности E и обозначается в виде X/E ={[x]E xX}, где [x]E = {y yX; xEy} – класс эквивалентности, содержащий x .

Если какие-то объекты принадлежат к одному и тому же классу эквивалентности, то они считаются неразличимыми. Таким образом, класс эквивалентности можно рассматривать как гранулу, состоящую из неразличимых элементов. Имеется взаимнооднозначное соответствие между отношениями эквивалентности и разбиениями множества .

Отметим, что обычное разбиение, как и рассмотренное выше подмножество универсума X, определяет четкие (или жесткие) гранулы .

В общем случае для получения гибких гранул можно использовать покрытие множества. В этом случае множество разбивается на гранулы, имеющие область частичного перекрытия. При этом один и тот же элемент может одновременно входить в разные гранулы .

Построим теперь нечеткую гранулу на базе нечеткого отношения эквивалентности. Пусть R – нечеткое бинарное отношение с функцией принадлежности R: XX [0,1].

Будем называть его нечетким отношением эквивалентности E, если выполняются следующие условия:

1) R(x, x)=1,(x, x)XX (рефлексивность); 2) R(x, y)= R(y, x), (x, y), ( y,

x) XX (симметричность); 3) R(x, z) max {min (R(x,y), R(y, z)}, (x, z), (x, y), (y, z) XX (транзитивность) .

Пара APR=X, E называется нечетким пространством приближений .

Интеллектуальный анализ информации. ИАИ-2010. Многоагентные системы Определим множество -уровня (сечение) нечеткого отношения R в виде R={(x,y) R(x,y)}, (x,y)XX, 01. Нечеткое разбиение множества можно произвести путем разложения нечеткого отношения эквивалентности на -уровни .

Грануляцию информации нетрудно проводить и на базе нечетких метрик, т.е. нечетких отношений, двойственных нечетким отношениям эквивалентности. Нечеткое бинарное отношение R с функцией принадлежности R:XX[0,1] называется нечетким расстоянием (нечеткой метрикой), если оно удовлетворяет следующим условиям: 1) R(x, x) = 0, (x, x) X X (антирефлексивность); 2) R(x, y) = R(y, x), (x, y), ( y, x) X X (симметричность); 3) R(x, z) max {min (R(x, y), R(y, z)}, (x, z), (x, y), (y, z) X X (транзитивность) .

Понятие гранулы можно задать как окрестность элемента (точки) x [9]. Напомним, что на числовой оси окрестность точки – любой интервал (открытый промежуток), содержащий данную точку .

Пусть X, – нечеткое метрическое пространство. В этом случае окрестностью с центром в точке y называют множество А = { xX (x, y) }. Таким образом, каждой точке xX можно поставить в соответствие некоторое (четкое или нечеткое) подмножество, называемое окрестностью точки, а семейство таких подмножеств образует систему окрестностей. В этом ключе можно интерпретировать соотношение неопределенностей Гейзенберга как принцип гранулярности: точное измерение импульса частицы позволяет определить только «окрестность»

(гранулу) положений частицы, и наоборот .

По сути, понятия разбиения и окрестности являются примитивами языка гранулярных вычислений, где им соответствует термин «гранула»

Пожалуй, наиболее мощным понятием, связанным с гранулярными вычислениями, является понятие лингвистической переменной (ЛП) Л.Заде. В работе [14] дано его обобщенное определение как семерки LV* = L, T, X, G, M, D, H, где L – название переменной; T – терм-множество, т.е. совокупность ее лингвистических значений (словесных меток); X – универсальное (числовое) множество; G – множество синтаксических правил, с помощью которых производится расширение исходного множества Т, т.е .

генерируются новые термы t с применением слов (модификаторов) естественного или искусственного языка, G: T T*, T* – расширенное множество лингвистических значений; M – множество семантических правил, т.е.нечетких соответствий, задающих отношение полиморфизма (соответствие «один–ко–многим») между множествами T и X; отдельное семантическое правило mM ставит в соответствие каждому терму tТ Международная научная конференция, КПИ, Киев, 2010 г. 295 его смысл m(t). Помимо этих стандартных компонентов ЛП введены оператор D:LT, порождающий представительное множество термов ЛП, а также оператор преобразования, например, нормализации числовых оценок H: U U0. Здесь множество правил М и оператор D, по сути, определяют способы грануляции ЛП. В целом, использование ЛП обеспечивает построение градуированных (нечетких) гранулярных структур. Далее рассмотрим примеры представления гранулярных пространственных отношений на базе ЛП Расстояние, Направление и Размер .

Грануляция пространственной информации при моделировании среды интеллектуальным роботом Функционирование мобильного интеллектуального робота опирается на динамическую модель внешней среды, которая строится на основе базы знаний робота, информации, сообщаемой человеком (другим агентом) на ограниченном естественном языке и данных, получаемых от сенсорной системы робота. Моделирование взаимодействия робота со средой предполагает, в первую очередь, грануляцию пространственных отношений .

Так отношения для ЛП Расстояние имеют исходные значения «близко-далеко», на базе которых строятся составные значения «очень близко», «довольно далеко» и пр. Гранулярная модель ситуации имеет вид обобщенного ограничения X (a,b) is dj, где X (a,b) – расстояние между роботом а и объектом cреды b, а dj – линвистическое значение, например, «не очень близко». Эти значения описывают функциями принадлежности (распределениями возможности), которые можно получить как в результате оценки дистанции человеком, так и путем комплексирования информации от различных датчиков. Каждый терм ЛП Расстояние образует гранулу; возможность изменения размеров и центров гранул позволяет изменять степень точности описания пространственной ситуации .

Взаимная угловая ориентация объектов обычно определяется с помощью базовых направлений, связанных с системой координат наблюдателя. В самом простом случае, это впереди–сзади и справа–слева .

Их комбинация дает восемь базовых отношений для направлений и лингвистическая переменная «Направление» принимает значения fi, i=1,2,…8, где f1 – впереди, f2 – впереди и слева, f3 – слева и т.д .

Тогда взаимное положение объектов можно представить как конъюнкцию обобщенных ограничений на расстояние и ориентацию:

Интеллектуальный анализ информации. ИАИ-2010. Многоагентные системы

–  –  –

Выводы На основе изложенных в работе подходов к формированию информационных гранул и организации гранулярных вычислений как распространения обобщенных ограничений построено семейство пространственных логик для интеллектуального робота: статическая Международная научная конференция, КПИ, Киев, 2010 г. 297 пространственная логика на прямой и плоскости, а также динамическая пространственная логика .

–  –  –

1. Zadeh L.A. Fuzzy Sets// Information and Control. – 1965. – Vol.8.–P.338-353 .

2. Zadeh L. Fuzzy Sets as a Basis for a Theory of Possibility // Fuzzy Sets and Systems. – 1978. – Vol.1, №1. – P.3-28

3. Нариньяни А.С. НЕ-факторы: краткое введение// Новости искусственного интеллекта. – 2004. – №2. – С.52-63 .

4. Тарасов В.Б. НЕ-факторы: от семиотического анализа к методам формализации// Новости искусственного интеллекта. – 2004. – №2. – С.95-114 .

5. Рыбина Г.В. Приобретение знаний, содержащих НЕ-факторы// Новости искусственного интеллекта. – 2004. – №2. – С.82-94 .

6. Валькман Ю.Р. Моделирование НЕ-факторов: основа интеллектуализации компьютерных технологий// Новости искусственного интеллекта. – 2004. – №2. – С.64-81 .

7. Zadeh L.A. Toward a Generalized Theory of Uncertainty (GTU): an Outline// Information Sciences – Informatics and Computer Science. – 2005. – Vol.172, №1P.1-40 .

8. Zadeh L.A. Toward a Theory of Fuzzy Information Granulation and its Centrality in Human Reasoning and Fuzzy Logic// Fuzzy Sets and Systems. – 1997. – Vol.90. – P.111-127 .

9. Yao Y.Y Granular Computing Using Neighborhood Systems// Advances in Soft

Computing, Engineering Design and Manufacturing/ Ed. by S.K.Pal et al. – London:

Springer, 1999. – P.539-553 .

10. Bargiela A., Pedrycz W. Granular Computing: an Introduction. – Dordrecht: Kluwer Academic Publishers, 2003 .

11. Тарасов В.Б. От многоагентных систем к интеллектуальным организациям. – М.: Эдиториал УРСС, 2002 .

12. Поспелов Д.А Структура и функционирование системы моделирования интеллектуального робота// Методы и модели для управления роботами и манипуляторами.–М.: Наука,1979.–С.3-11 .

13. Тимофеев А.В. Адаптивные робототехнические комплексы. – Л.:

Машиностроение, 1988 .

14. Калуцкая А.П.,Тарасов В.Б. Теория лингвистических переменных, нечеткая логика, гранулированные и мягкие вычисления: шаги на пути к психологической математике/Математическая психология: современное состояние и перспективы. – М.: ИПРАН, 2010 .

15. Кандрашина Е.Ю.,Литвинцева Л.В.,Поспелов Д.А. Представление знаний о времени и пространстве в интеллектуальных системах. – М.: Наука, 1989 .

Интеллектуальный анализ информации. ИАИ-2010. Многоагентные системы УДК 65.011.56

–  –  –

В работе приведен обзор основных направлений имитационного моделирования и введены важные понятия агентно-ориентированной парадигмы. Также описаны возможности использования агентов для имитационного моделирования розничных продаж и сферы применения данного подхода .

Введение Моделирование розничных продаж – это мощный инструмент для исследования коммерческих рынков во времени. Возможные приложения подобных моделей включают, но не ограничиваются теоретическими экспериментами, прикладным прогнозированием продаж, а также построением бизнес-тренажеров для обучения будущих управленцев .

Поскольку розничные продажи являются сложными нелинейными процессами со множеством внутренних причинных связей и случайных переменных, то к ним неприменимы аналитические методы. Для данного рода процессов необходимо использовать имитационное моделирование .

Существует три основных вида имитационного моделирования:

агентное, дискретно-событийное и системная динамика. Поскольку коммерческие рынки являются децентрализованными системами, динамика которых определяется не глобальными правилами и законами, а индивидуальностью участников рынка, то наиболее удобным инструментом для моделирования розничных продаж являются мультиагентные системы .

В данной работе рассматриваются теоретические основы мультиагентых технологий, а также предложен возможный подход к имитационному моделированию розничных продаж .

Международная научная конференция, КПИ, Киев, 2010 г. 299 Теоретические основы мультиагентного моделирования Для дальнейшего рассмотрения проблемы, прежде всего необходимо ввести понятие «агента». Существует большое количество определений данного понятия различной точности и строгости. Наиболее корректным на наш взгляд является нижеследующее [1] .

Агент – это программно или аппаратно реализованная система, обладающая следующими свойствами:

автономность – способность функционировать без прямого вмешательства человека или компьютерных средств и при этом осуществлять самоконтроль над своими действиями и внутренними состояниями;

общественное поведение – способность взаимодействия с другими агентами, а также людьми, с помощью сообщений, построенных на основе языков коммуникации;

реактивность – способность воспринимать состояние среды (физического мира, пользователя, совокупности других агентов или сразу всеx компонентов внешней среды);

целенаправленная активность – способность агентов не просто реагировать на стимулы, поступающие из среды, но и осуществлять целенаправленное поведение, проявляя инициативу .

В теоретических исследованиях используют множество признаков классификации агентов, однако из соображений практического применения особо стоит выделить классификацию агентов по интеллектуальному признаку. Так, различают когнитивных и реактивных агентов .

Когнитивные агенты обладают богатым представлением внешней среды за счет наличия базы знаний и механизма решения. Они имеют ярко выраженную индивидуальность и автономность и характеризуются развитым целесообразным поведением. В единую сеть имеет смысл объединять небольшое количество когнитивных агентов, что порождает высокоинтеллектуальную, но слабоадаптивную систему .

Реактивные агенты, имеют довольно бедное внутреннее представление внешней среды либо не имеют его вовсе. Они обладают очень ограниченным диапазоном предвидения, но способны быстрее реагировать на изменения окружающей среды. Системы, построенные на основе реактивных агентов, обычно задействуют большое число зависимых единиц, в результате взаимодействия которых начинает функционировать так называемый интеллект роя [2] .

Для моделирования розничных продаж имеет смысл использовать мультиагентную систему, построенную на основе большого количества Интеллектуальный анализ информации. ИАИ-2010. Многоагентные системы реактивных агентов, которые выступят на «рынке» в роли продавцов и покупателей. Сформированный на их основе интеллект роя будет рыночным механизмом координации, известным в экономической теории как «невидимая рука рынка». В основе данного подхода лежит усовершенствованная диффузная модель Ф.Басса [3] .

Моделирование розничных продаж с помощью агентов Как уже говорилось выше, покупателей и продавцов на рынке предлагается моделировать с помощью реактивных агентов. Это возможно, поскольку алгоритм функционирования и тех и других относительно прост .

Розничный дистрибьютор в процессе торговли выполняет ограниченный набор операций, как то: рассылка рекламы потенциальным покупателям, получение заявок на покупку товара, получение оплаты и подтверждение покупки, если товар есть в наличии .

Все перечисленные операции отображены на блок-схеме функционирования агента-продавца (рис. 1) .

Поведенческая схема покупателей несколько сложнее, поскольку содержит точки принятия решений на основе цен на товар, количества рекламы и собственной лояльности поставщикам в прошлом. Каждый покупатель должен собрать всю поступившую от продавцов рекламу, принять принципиальное решение о приобретении товара, выбрать из собственных соображений наиболее привлекательного поставщика и уведомить его о принятом решении .

В случае подтверждения заказа, покупатель становится пользователем товара и на время пользования исключается из списка потенциальных покупателей. При этом растет лояльность покупателя и в будущем он с большей вероятностью купит товар именно у данного дистрибьютора. Кроме того, пользователь товара дает совет любому другому потенциальному покупателю приобрести товар именно у данного продавца .

В случае отклонения заказа, потенциальный покупатель теряет интерес к покупке товара на данном этапе и уменьшает свою лояльность поставщику, не оправдавшему его ожидания. Принцип обработки агентом-покупателем предложений агентов-продавцов отражен на блоксхеме (рис. 2) .

Описанная выше схема функционирования рынка с одним товаром естественным образом обобщается для произвольного количества товаров .

Международная научная конференция, КПИ, Киев, 2010 г. 301 Рис.1. Блок-схема функционирования агента-продавца Интеллектуальный анализ информации. ИАИ-2010. Многоагентные системы

–  –  –

Все параметры функционирования рынка, такие как: цены на товары, количество рекламы дистрибьюторов, вероятности покупки товара под влиянием рекламы и под влиянием совета и другие гибко настраиваются в зависимости от требований экспериментатора к рынку в целом, что позволяет моделировать продажу любых товаров и произвольные состояния рынка от регулярных до кризисных .

К выбору средства создания мультиагентной системы необходим комплексный подход. Были предъявлены следующие требования к программной среде: наличие богатого функционала, детальной Международная научная конференция, КПИ, Киев, 2010 г. 303 программной документации и бесплатной лицензии, а также кроссплатформенность, поддержка международных стандартов в области мультиагентных систем, возможность использования совместно с языками высокого уровня и отсутствие ограничений предметной области. Программная среда Java Agent Development Framework (JADE) [4, 5] наиболее полно соответствовала указанным требованиям .

Выводы Описанный в работе подход к имитационному моделированию розничных продаж с использованием мультиагентных технологий был реализован программно в среде JADE. Была проведена серия экспериментов на базе созданной модели. Полученные результаты позволяют сделать вывод о практической применимости предложенного подхода .

В дальнейшем возможно совершенствование данной модели за счет повышения интеллектуальности агентов и введения новых факторов .

Авторами предполагается использовать данную модель розничных продаж как часть системы имитационного моделирования бизнеспроцессов для проведения тренингов для будущих управленцев .

Литература

1. Тарасов В.Б. От многоагентных систем к интеллектуальным организациям: философия, психология, информатика. – Москва:

Эдиториал УРЕС, 2002. – 352 с .

2. Bonabeau E., Meyer Ch. Swarm Intelligence: A whole new way to think about business. – Harvard Business Review, May 2001. – pp. 106-114 .

3. Bass Frank M. A New Product Growth for Model Consumer Durables. – Management Science Vol. 15, No. 5, January 1969. – pp. 215-227 .

4. Сайт разработчиков среды JADE [Электронный ресурс]. – Режим доступа: http://jade.tilab.com/

5. Bellifemine F., Caire G., Greenwood D. Developing multi-agent systems with JADE. – Chichester, UK: Wiley, 2007 .

6. Муцаковская Е.В. Имитационное моделирование бизнес-процессов в фармацевтике. // Сборник тезисов САИТ, XI международная научнотехническая конференция УНК ИПСА НТУУ "КПИ", 2009, - с. 534 .

7. Валькман Ю.Р., Муцаковская Е.В. Об одном подходе к построению системы имитационного моделирования бизнес-процессов. // Моделювання та інформаційні технології. Збірник наукових праць .

Випуск 53, 2009, - с. 54-61 .

Интеллектуальный анализ информации. ИАИ-2010. Многоагентные системы УДК 681.3: 519.95: 004.5 Методы и модели алгебраической логики в анализе взаимоотношений и переговоров агентов в многоагентных системах к.т.н., доц. Тарасов В.Б., Московский государственный технический университет им. Н.Э.Баумана, Москва, tarasov@rk9.bmstu.ru В работе показана ключевая роль переговоров между агентами в многоагентных системах, проанализированы основные подходы к переговорам. С целью построения формальных моделей переговоров и взаимоотношений между агентами сделан обзор идей и направлений алгебраической логики. Выделены и исследованы основные типы взаимоотношений между агентами, которые представлены с помощью знаковых орграфов и нечетких знаковых орграфов. Их дальнейшая формализация опирается на введенные в работе решетки взаимности и контраста. Построены базовые семантики переговоров, предложены их расширения на основе бирешеток .

Введение Инициатором и руководителем первых международных научных конференций «Интеллектуальный анализ информации» была Татьяна Архиповна Таран – д.т.н., профессор, известный ученый в области искусственного интеллекта, ведущий специалист по моделированию когнитивных конфликтов и анализу рефлексивных процессов. О вкладе Т.А.Таран в развитие ИИ достаточно подробно написано в статье О.П.Кузнецова [1], опубликованной в журнале «Искусственный интеллект и принятие решений». В дополнение к этому здесь хотелось бы отметить, что перу Т.А.Таран принадлежат немало важных работ, прямо или косвенно относящихся к теории агентов и многоагентных систем. Например, в статье [2] ею рассмотрена проблема разрешения конфликтов в многоагентных системах на основе аргументации, а в работе [3] и др. проанализированы вопросы рефлексивного поведения и управления агентом. Также были построены логико-алгебраические модели для представления качественных знаний агентов, предложены схемы формализации рассуждений на базе аргументации, разработаны модели поведения и процедуры поддержки принятия решений в конфликтных ситуациях. При этом Т.А.Таран активно использовала подходы алгебраической логики, в частности, ею построена логика Международная научная конференция, КПИ, Киев, 2010 г. 305 норм, опирающаяся на декартово произведение оппозиционных шкал, которое образует булеву решетку L=L1...Ln=2n, где n количество шкал. Наконец, ею предложено описание эталонных классов ситуаций на основе нечетких переменных .

Следует отметить, что алгебраические модели конфликтов у Татьяны Архиповны сводились к рассмотрению булевых решеток и алгебр, хотя, конечно, ей были известны и небулевы алгебры (см.[4]). В настоящей работе взаимоотношения и переговоры между агентами представлены с помощью булевых и небулевых логических решеток, биупорядоченных множеств и бирешеток. Наша прикладная область – модели диалогов и переговоров – тесно соприкасается с проблематикой исследований Т.А.Таран .

Коммуникация агентов: от споров к переговорам Одной из ключевых областей поддержки принятия совместных решений в многоагентных системах (МАС) являются переговоры между агентами. С одной стороны, переговоры представляют собой основной вид коммуникации агентов, предполагающий обмен мнениями с целью сближения их интересов и выработки соглашений. Они выступают как ключевой механизм самоорганизации МАС и координации действий отдельных агентов, обеспечивающий динамическое распределение и перераспределение ресурсов на оппозиционной (биполярной) шкале «цели и интересы индивидуальных агентов – требования МАС как коллективного агента». С другой стороны, переговоры можно понимать как особый тип когнитивного конфликта, в котором агенты должны отстаивать свои интересы и ценности. При этом переговоры чаще всего развертываются в виде диалогов между агентами [5,6] .

В теории переговоров выделяют дистрибутивные и интегративные переговоры [7], опирающихся на жесткий и мягкий подходы [8] соответственно (табл.1) .

В первом случае цель агента, связанная с достижением победы в переговорах, реализуется на основе конкурентной стратегии, когда стремление достичь превосходства, отстаивание своей позиции, утаивание информации преобладают над взаимоотношениями и конструктивным диалогом, Во взаимодействиях агентов-участников переговоров преобладают жесткие требования друг к другу и жаркие дебаты. Здесь каждый агент стремится получить как можно больше в ущерб другому агенту (принцип «нулевой суммы», «раздел общего пирога») .

Интеллектуальный анализ информации. ИАИ-2010. Многоагентные системы Переговоры, основанные на симбиозе потребностей агентов, обмене мнениями и достижении взаимопонимания, называют интегративными .

Здесь агенты воспринимают друг друга как союзников (партнеров), имеющих совместимые цели, и все их обсуждения направлены на достижение взаимовыгодных соглашений (беспроигрышный подход – философия «побеждает каждый»). Синергетический принцип «все в выигрыше» предполагает, что все агенты должны иметь пользу от процесса переговоров, который позволяет получить более удачные исходы, чем традиционный подход «победитель получает все».

При этом переговоры всегда предполагают комбинацию двух факторов:

собственных интересов и зависимости от партнера .

–  –  –

Один из наиболее интересных методов переговоров был предложен в рамках так называемого Гарвардского проекта по переговорам [8]. Его ключевой идеей является представление переговоров как гибридных процессов, в которых присутствуют и соперничество, и сотрудничество .

В ходе переговоров взаимодействующие агенты создают некоторую комбинацию индивидуальных мнений и общих интересов. В этом плане разработаны варианты сочетания дистрибутивного и интегративного подходов, а также предложена новая методология «принципиальных переговоров» (Principled Negotiations), строящихся на базе принципов, которые вырабатываются в процессе взаимодействия агентов [8] .

Международная научная конференция, КПИ, Киев, 2010 г. 307 Переговоры на базе принципов состоят из следующих четырех шагов: 1) смягчение проблем и установление партнерских отношений между агентами-участниками переговоров; 2) фокусировка внимания на интересах, а не позициях; 3) обмен мнениями и генерация эффективного множества согласованных альтернатив; 4) получение результата (соглашения), с опорой на некоторый объективный стандарт (или прецедент) .

Итак, существуют разные подходы к анализу и моделированию переговоров, но практически все они включает три главных элемента:

а) предмет (тема) переговоров; б) процесс переговоров; в) поведение агентов. Предмет переговоров соответствует тому, что обсуждают агенты: сюда входят такие понятия как тема, мотивы, мнения, позиции и интересы сторон, а также характер достигнутого в конце соглашения .

Процессуальный аспект переговоров характеризует то, как агенты ведут переговоры: прежде всего, он предполагает определение ролей агентов в переговорах (например, организаторы, участники переговоров, их сторонники и противники, посредники, арбитры) и взаимосвязей между ролями. Сюда же включается описание контекста переговоров, анализ стратегий и тактик, используемых агентами, уточнение процедурных вопросов, последовательности этапов переговоров. Поведение агентов в процессе переговоров опирается на взаимоотношения между ними, стили общения, протоколы коммуникации. В связи с этим опишем основные типы взаимоотношений между агентами в переговорах, используя ориентированные знаковые графы и трехзначную семантику отношений (положительные, нейтральные и отрицательные отношения) .

Предварительно изложим основы алгебраической логики как общего подхода к моделированию взаимоотношений, диалогов и переговоров между агентами .

Об алгебраической логике и ее применении при моделировании взаимоотношений и переговоров Алгебраической логикой называется научная область, связанная с использованием алгебраических методов и структур в логике. Сама идея решения логических проблем путем перевода их на язык алгебры, восходит к трудам Т. Гоббса, В.Г. Лейбница, Б. Паскаля. Этот подход стал плодотворно применяться еще в XIX-м веке, начиная с работ Дж. Буля по алгебре классической логики и работ Дж. де Моргана, Ч.С. Пирса, Э. Шредера и др. по алгебре отношений. Сегодня термин «алгебраическая логика» используется, по крайней мере, в двух смыслах: 1) классическом (булева алгебра логики) и 2) современном Интеллектуальный анализ информации. ИАИ-2010. Многоагентные системы (абстрактная алгебраическая логика). В последнем случае, различные алгебраические структуры (чаще всего, ограниченные решетки) рассматриваются как интерпретации определенных логик .

«Отцом-основателем» абстрактной алгебраической логики является выдающийся польско-американский ученый А.Тарский – автор теоретико-множественной теории моделей, соавтор известной алгебры Линденбаума-Тарского, а также аппарата логических матриц ТарскогоЛукасевича. В 1940-м году им была написана работа «Об исчислении отношений», которую считают началом абстрактной алгебраической логики. Существенный вклад в развитие абстрактной алгебраической логики внесли и другие представители польской логической школы, в первую очередь, Х. Расева, Е. Лось, Т. Вуйцицкий. Основоположником алгебраической логики в СССР является крупнейший математик А.И. Мальцев, создавший в 1960-е годы теорию алгебраических систем .

В дальнейшем это направление развивалось в трудах В.А. Смирнова, А.С. Карпенко, В.К. Финна и др .

Сегодня область абстрактной алгебраической логики охватывает изучение связей между абстрактными алгебрами и логиками, построение различных способов алгебраизации дедуктивных систем .

При этом центр тяжести исследований постепенно смещается от алгебраизации отдельных логик, к изучению многообразий алгебр, которые соотносятся с различными классами логических систем, чьи представители удовлетворяют некоторым общим логическим свойствам [9,10]. Здесь особое внимание уделяется поиску общих принципов и процедур установления соответствий между классами алгебр и логик, вопросам развития металогических концепций и подходов универсальной логики. В целом, современная алгебраическая логика рассматривает логические исчисления на языке универсальной алгебры .

В данной работе изучение взаимоотношений и переговоров ведется на основе конечных логических решеток, произведений решеток, биупорядоченных множеств и бирешеток. Использование нечетких лингвистических описаний взаимоотношений и отказ от жесткого разбиения классов отношений приводят к необходимости перехода от булевых решеток к решеткам де Моргана и решеткам Клини. В качестве базовых структур для изучения взаимоотношений между агентами предлагаются решетки взаимности и контраста, а в основу моделирования переговоров положена решетка согласия [6].Модели взаимоотношений между агентами Международная научная конференция, КПИ, Киев, 2010 г. 309 Для дальнейшего рассмотрения проблемы следует проанализировать возможные виды взаимоотношений агентов в начале переговоров и варианты их изменения. Главными характеристиками отношений в переговорах являются [5]: направленность, взаимность, знак, сила, динамичность, адаптивность, избирательность .

Во-первых, отношения в процессе переговоров всегда имеют определенную направленность, что позволяет выражать их с помощью ориентированных графов .

Во-вторых, сам термин «взаимоотношение» означает взаимность связей между агентами. Это означает, что минимальное описание отношений между агентами в переговорах представляет собой биграф, т.е. мультиграф, каждые две вершины которого соединены парой дуг – выходящей и входящей соответственно) .

В-третьих, отношениям между агентами обычно приписывают знаки плюс или минус, т.е. они носят положительное или отрицательное значение, приобретая характер симпатии или антипатии, притяжения или отталкивания, кооперации или конкуренции, содействия или противодействия, сотрудничества или конфликта, координации или субординации, и т.п. Так содействие агентов друг другу означает их взаимопомощь, когда действия одних агентов помогают действиям других. Согласование индивидуальных действий выступает как необходимое условие формирования коллективной деятельности агентов. Содействие перерастает в кооперацию при наличии общей цели, взаимной адаптации агентов и совместном использовании ресурсов. Напротив, в случае противодействия агенты мешают друг другу, препятствуют достижению индивидуальных целей каждого .

В-четвертых, взаимоотношения между агентами в процессе переговоров обычно не сводятся к простому дихотомическому случаю («связь присутствует» или «связь отсутствует»), а характеризуются некоторой переменной силой (интенсивностью). Например, «агент ai, сильно зависит от агента aj» или «агент ai мало симпатизирует агенту ak». Как правило, каждый агент одновременно, но с разной интенсивностью взаимодействует с несколькими другими агентами .

В-пятых, взаимоотношения между агентами в переговорах динамичны. В зависимости от ситуации может изменяться их интенсивность и направленность, происходить эскалация (дезэскалация) сотрудничества или конфликта. Например, сближение целей и достижение компромисса в процессе переговоров может привести к Интеллектуальный анализ информации. ИАИ-2010. Многоагентные системы смене знака отношений между агентами – переходу от противодействия к содействию .

Дадим формальное описание этих характеристик. Остановимся на взаимоотношениях между парами агентов (ai, aj), i, j =1,...,n. Здесь обратным отношением к отношению R(ai,aj) называется отношение R(aj,ai). Будем обозначать положительное отношение агента ai к агенту aj через R+(ai,aj), а отрицательное отношение агента ai к агенту aj – через R(ai,aj). Аналогично имеем R+(aj,ai) или R(aj,ai) соответственно .

Промежуточный случай нейтрального отношения одного агента к другому обозначим как R0(ai,aj) .

Будем строить формальные отношения между агентами на основе логического принципа тривалентности: R = R + R R 0, т.е. любые отношения либо положительны, либо отрицательны, либо нейтральны (безразличны). В качестве естественных моделей, описывающих типы взаимоотношений, служат оппозиционные (биполярные) шкалы (рис.1) .

Cледуя Д.А.Поспелову [11], будем анализировать разные состояния биполярной шкалы: нормальное (рис.1а) и деформированное (рис.1б) .

Рис.1. Примеры состояний оппозиционных шкал:

а) нормальное; б) деформированное Из рис.1 видно, что этим состояниям отвечают различные виды операций отрицания. Построим расщепленную операцию отрицания (табл.2). для трехзначных логик на оппозиционных шкалах. Здесь операция консервативна (сохраняет свойства отрицания в обычной двузначной логике), является зеркальным отображением относительно неподвижной точки 0 и представляет собой аналог отрицания в трехзначной логике Лукасевича. В свою очередь, левое l и правое r циклические отрицания неконсервативны и аналогичны отрицаниям Поста в трехзначной логике (рис.2) .

–  –  –

е) контрастное взаимодействие Рис.3. Виды взаимоотношений между агентами в процессе переговоров Рассматривать случай взаимного безразличия агентов здесь не имеет смысла. В результате имеем представление взаимоотношений восемью знаковыми биграфами. В случае совпадения знаков в биграфе имеем Интеллектуальный анализ информации. ИАИ-2010. Многоагентные системы симметричные отношения между агентами, а в противном случае – несимметричные .

Случай а) соответствует отношениям содействия, сотрудничества, координации агентов, а случай б) отражает ситуации противодействия, соперничества, конфликта. Как содействие, так и противодействие может быть не только двунаправленным, но и однонаправленным (вырожденные случаи в и г).Здесь один из агентов нейтрален к другому, т.е. один из знаков в биграфе 0, и биграф сводится к обычному орграфу .

Наконец, когда знаки в биграфе являются противоположными, имеем противоречие: один агент содействует другому, а тот активно ему противодействует .

В общем случае, следует говорить о степени содействия или противодействия агента другому агенту, откуда видна целесообразность применения при анализе взаимоотношений нечетких знаковых графов;

примеры таких графов приведены на рис.4 (w1 w2) .

а) степень взаимности б) степень контрастности Рис.4. Примеры представления силы взаимных и контрастных отношений Пусть L1 и L2 –две решетки. По Г. Биркгофу, декартово произведение L1 L2 этих решеток определяется как множество всех пар (x, y), где x L1, yL2, упорядоченное по следующему правилу (x1, y1) (x2, y2) тогда и только тогда, когда x1 x2 в L1, и y1 y2 в L2. Будем определять точную нижнюю грань и точную верхнюю грань покоординатно: (x1, y1) (x2, y2) = (x1 x2, y1 y2), (x1, y1) (x2, y2) = (x1 x2, y1 y2). В результате имеем новую решетку L=L1L2. Здесь важным частным случаем (при L1=L2) являются степени решеток Ln и, в частности, квадратные степени решеток L2 .

Таким образом, логике взаимоотношений двух агентов соответствует декартово произведение двух трехзначных решеток {+, 0, } (рис.5) .

Полученную ограниченную решетку M9 с наибольшим элементом (+,+) и наименьшим элементом (, ) будем называть решеткой взаимности, а двойственную ей решетку, получаемую поворотом исходной по часовой стрелке на 90 решеткой контраста K9 .

Международная научная конференция, КПИ, Киев, 2010 г. 313

–  –  –

Дадим теперь определение бирешетки взаимоотношений между агентами, опираясь на понятие биупорядоченного множества и определение бирешетки по М. Гинзбергу [14]. Биупорядоченным множеством (БУМ) называется структура вида

–  –  –

где X=L2–непустое множество, а 1 и 2 – два отношения порядка .

Далее на основе выражения (1) задается структура, называемая предбирешеткой. Предбирешетка – это такое множество с двумя отношениями порядка, где каждое отношение порождает свои собственные операции пересечения и объединения. При этом X,1 и X,2 являются полными решетками .

Для бирешетки оба отношения порядка должны быть некоторым образом связаны между собой. Сам М. Гинзберг определяет эту связь c помощью специальной операции, называемой им отрицанием [12]. Эта операция, будучи обобщением отрицания Белнапа, по смыслу есть гибридная операция «полуотрицания-полуутверждения» [13] .

Определение 1. Бирешеткой взаимоотношений между агентами называется четверка BLIR = X, m, k,, (2) где X – непустое множество, содержащее, по крайней мере, два элемента, m и k – два различных отношения порядка (а именно, порядок взаимности и порядок контраста), а – унарная операция, которая удовлетворяет свойствам: 1) если x k y, то x – y; 2) если x m y, то x m y; 3) (x) = x .

Следуя М. Фиттингу, введем отдельные обозначения для четырех бирешеточных операций пересечения и объединения. Будем обозначать через и решеточные операции, которые соответствуют порядку взаимности m, а через и – решеточные операции, которые соответствуют порядку контраста k). Тогда BLIR можно представить в Интеллектуальный анализ информации. ИАИ-2010. Многоагентные системы виде алгебры с двумя различными операциями пересечения и объединения соответственно .

BLIR = X,,,,,. (2*) Примеры двойных диаграмм Хассе для бирешеток взаимоотношений между агентами – минимальнозначной 4 (нейтральные отношения отсутствуют) и 9 – приведены на рис.6 .

Рис.6. Двойные диаграммы Хассе для бирешеток 4 и 9 .

Базовая модель переговоров между агентами Определим минимальнозначную семантику переговоров как произведение двузначных семантик двух агентов а1 и a2 – участников переговоров. Будем представлять исходные множества значений истинности как примитивные решетки: Va1={T1,F1} для первого агента;

Va2={T2,F2} для второго агента. Построим новую четырехэлементную решетку V1V2. В случае интегративных (или конструктивных) переговоров, направленных на выработку соглашения между агентами, отношение порядка на V1V2. можно понимать как порядок cогласия С .

Тогда определим элементы решетки V1V2 на основе различных вариантов достижения соглашений. Будем интерпретировать (Т 1,T2) = T, (Т1,F2)=I, (F1,T2)=E, (F1,F2)=F соответственно как: «согласованную истину» (истина для обоих агентов–соглашение между ними достигнуто в результате согласования их мнений); «внутреннюю истину» (истина для первого агента – соглашение на основе мнения первого агента);

«внешнюю истину» (истина для второго агента – соглашение на основе мнения второго агента), «согласованную ложь» (ложь для обоих агентов

– соглашение невозможно или взаимный отказ от согласования мнений). Иными словами, элементы Т и F можно понимать как точки согласия агентов, а элементы E и F – как точки противоречия .

Итак, будем обозначать минимальное множество значений истинности в решетке V1V2 как V4={(T1,T2),(T1,F2),(F1,T2),(F1,F2)}= {T,I,E,F}. Тогда семантику логики переговоров можно отобразить Международная научная конференция, КПИ, Киев, 2010 г. 315 графически в виде базовой решетки переговоров С4, представленной следующей диаграммой Хассе (рис.7) .

Рис.7. Построение диаграммы Хассе для диалогической решетки Из рис.7 видно, что (F1,F2)С(T1,F2)С(Т1,T2), т.е. согласованная (коллективная) истина для двух агентов предпочтительнее внутренней (индивидуальной) истины первого агента, а та, в свою очередь, предпочтительнее ситуации отказа от согласования истины. В логике С 4 выделенным значением является (Т1,T2) = T .

Запишем логическую матрицу для четырехзначной логики С4 в виде

–  –  –

В свою очередь, повернув решетку C4 по часовой стрелке на 90, получим решетку спора D4. Соответственно, можно построить бирешетку переговоров, аналогичную бирешетке 4 на рис.6 .

Выводы В работе построены логико-алгебраические модели отношений и переговоров между агентами. В дальнейшем планируется расширение предложенных моделей на случай бирешеток [0,1]2 .

Литература

1. Кузнецов О.П. О вкладе Т.А.Таран в развитие искусственного интеллекта// Искусственный интеллект и принятие решений. – 2008.– №2. – С.46-66 .

2. Таран Т.А. О разрешении конфликтов в многоагентных системах на основе аргументации// Искусственный интеллект (Доценк, Украина). – 1997. – №1-2 .

– С.36-50 .

3. Таран Т.А. Булевы модели рефлексивного управления в ситуации выбора// Автоматика и телемеханика. – 2001. – №10. – С.103-117 .

4. Таран Т.А. Основы дискретной математики.–Киев: Просвiта, 2003 .

5. Тарасов В.Б. От многоагентных систем к интеллектуальным организациям:

философия, психология, информатика. – Москва: Эдиториал УРCС, 2002 .

6. Тарасов В.Б. От монологических к диалогическим подходам в искусственном интеллекте // Интегрированные модели и мягкие вычисления в искусственном интеллекте. Сборник трудов V-й Международной научно-практической конференции (Коломна, 28-30 мая 2009 г.). – М.: Физматлит, 2009 – Т.1. – С.149-162 .

7. Спэнгл М.Л., Айзенхарт М.У. Переговоры. Решение проблем в разном контексте. – Харьков: Изд-во Гуманитарный центр, 2009 .

8. Фишер Р., Юри У. Путь к согласию, или Переговоры без поражения: Пер. с англ. – М.: Наука, 1990 .

9. Наjek P. Meta-Mathematics of Fuzzy Logic. – Dordrecht: Kluver Academic Publishers, 1998 .

10. Карпенко А.С. Логика на рубеже тысячелетий// Логические исследования .

Вып.7. – М.: Наука, 2000. – С.8-60 .

11. Поспелов Д.А. «Серые» и/или «черно-белые»// Прикладная эргономика .

Специальный выпуск «Рефлексивные процессы». – 1994. – №1. – С.29-33 .

12. Ginsberg M. Multivalued Logics: a Unified Approach to Reasoning in AI// Computer Intelligence. – 1988. – Vol.4. – P.256-316 .

13. Тарасов В.Б. Гибридные операции на бирешетках// Интегрированные модели и мягкие вычисления в искусственном интеллекте. Сборник трудов III-го Международного научно-практического семинара (Коломна, 15-17 мая 2005 г.). – М.: Физматлит, 2005. – С.63-68 .

Международная научная конференция, КПИ, Киев, 2010 г. 317 УДК 004.032.26:004.056.5

–  –  –

Запропоновано використовувати нейрон-мережеву апроксимацію характеристик систем управління інформаційною безпекою для моделювання інтелектуальних агентів. Побудовано модель інтелектуального агента на базі адаптивних модулів .

Вступ В силу постійного розширення та розвитку сучасних мереж статична структура розподілення інформації між обмеженою кількістю елементів мереж постійно порушується. Фактично, в умовах відсутності жорсткої структури форматів розміщення даних та їх динамічного оновлення, користувачі мереж вже не можуть повністю контролювати стан інформаційних ресурсів мережі. Тому виникає питання про передачу певних функції управління інформацією інтелектуальним системам.[1] Необхідною складовою подібних систем є організація захисту інформації. При автоматизації та інтелектуалізації сучасних процесів захисту інформації пропонується використовувати технології інтелектуальних агентів[2], зокрема в системах управління інформаційною безпекою. Адаптивні інтелектуальні агенти можна розглядати як моделі навчання з підкріпленням [3]. При цьому ситуації та(або) дії задаються відповідними векторами S та А. Характеристики системи управління, при такому підході, доцільно представити за допомогою параметричних апроксимаційних функцій, таких як штучні нейроні мережі, а навчання проводити шляхом інтерактивної оптимізації параметрів .

Виклад основоного матеріалу .

Основною особливістю інтелектуальних систем управління інформаційною безпекою є активна взаємодія на рівні обміну інформацією із використанням мережевих технологій й стандартних Интеллектуальный анализ информации. ИАИ-2010. Многоагентные системы інтерфейсів. Інтелектуальні агенти повинні взаємодіяти к з іншими агентами так і з користувачем. З точки зору останнього, агенти це автономні програмні модулі, які можуть оперативно аналізувати дані та адаптуватись до умов, які змінюються, а також проводять обмін інформацією з іншими програмними агентами .

При такому підході, агент повинен формувати порядок дій, функціонувати відповідно до цього порядку, виходячи з поточного стану системи. При цьому агент може розглядається як сукупність нейромережевих адаптивних модулів, а на перший план виходить задача навчання інтелектуального агенту .

При проектуванні інтелектуальних агентів в системах управління інформаційною безпекою на базі адаптивних модулів можна виокремити дві базові складові:

модуль контролю якості (МК) роботи системи управління модуль формування (МФ) управляючого впливу Побудуємо модель інтелектуального агента з використанням нейронмережевої апроксимації характеристик систем управління (рис.1) .

Будемо вважати, що модуль контролю та модуль формування є нейронними мережами, а саме багатошаровими персперонами, з вагами синапсів WC та WA, відповідно. Такі персперони використовуються наприклад, в методі розповсюдження помилки [4] .

(t)

–  –  –

В момент часу t МФ по вектору вхідної ситуації S(t) визначає вектор дії A(t). На вхід модулю контролю якості подаються два вектори: S(t) та A(t). За таким складовим вхідним вектором модуль Международная научная конференция, КПИ, Киев, 2010 г. 319 контролю якості робить оцінку якості Q(t) = Q(S(t), A(t)) дії A(t) в поточної ситуації S(t). Дія A(t) виконується, інтелектуальний агент отримує стимул r(t). Надалі виконується перехід до наступного моменту часу t+1. Усі операції повторюються, в тому числі й оцінка значення Q(t+1).

Після цього, для моменту t визначається помилка часової різниці:

–  –  –

де, 1 та 2 – параметри швидкості навчання. Похідні за вагами синапсів gradWC та gradWA в (2) и (3), а також Q(t)/Ak(t) в (2) розраховуються як похідні складних функцій, аналогічно тому як це виконується в методі зворотного розповсюдження помилки[4]. При навчанні похідні Q(t)/Ak(t), які обчислюються в нейронної мережі модулю контролю якості роботи системи управління, використовуються при налагодженні ваг модулю формування управляючого впливу. У формулі (3) враховано те що, необхідно брати похідні та сумувати за всіма компонентами вектора A(t). Сенс зміни ваг синопсів за формулами (2), (3) полягає в тому, що ваги модуля контролю якості роботи системи управління та модуля формування управляючого впливу змінюються таким чином, щоб зменшити помилку при оцінюванні сумарного стимулу, тобто навчанні модулю контролю якості, та збільшити значення стимулу в подібної, близької ситуації, тобто навчання модуля формування управляючого впливу .

Висновок .

Наданий час, актуальною є задача дослідження механізмів пам‘яті окремого нейрону та нейронної мережі в цілому. Традиційно при моделюванні нейронних мереж використовується теорія Хебба: вага синапсу змінюється, якщо одночасно активні передсинаптичний та постсинаптичний нейрони, що дозволяє будувати моделі навчання нейронних мереж. Але, є доцільним продовжити дослідження реальних механізмів пам‘яті та їх використання в комп‘ютерних та математичних Интеллектуальный анализ информации. ИАИ-2010. Многоагентные системы моделях. При цьому необхідні дослідження на границі та поєднанні інформатики, біології та когнітивных наук .

Література .

Трегубенко І.Б. Концепція інтелектуального управління в складних 1 .

розподілених системах. [Текст] : материалы IХ міжнародної наукової конференції ім.Т.А.Таран „Інтелектуальний аналіз інформації ІАІ-2009 (Киів, 19-22 травня 2009р.) ред.кол.:С.В.Сирота (гол.ред.) и др. – К. : ПРОСВІТА, 2009. - 464 с.:ил - С. 391-393

2. Трегубенко І.Б. Технології інтелектуальних агентів в системах інформаційної безпеки. [Текст] : материалы IV всеукр. науково-практичної інт.-конф. „Наука і життя: українські тенденції, інтеграція у світову наукову думку частина 2, 26-28 травня 2008 г. Київ/оргкомітет : Е.Е.Амурський – Київ : Меганом, 2008 .

– 72 с .

3. Sutton R., Barto A. Reinforcement Learning: An Introduction. Cambridge: MIT Press,

1998. See also: http://www.cs.ualberta.ca/~sutton/book/the-book.html

4. Rumelhart D.E., Hinton G.E., Williams R.G. Learning representation by backpropagating error.. [Текст] Nature. 1986. 323(6088). 533-536 .

Международная научная конференция, КПИ, Киев, 2010 г. 321

УДК 004.89: 004.4

Метод поиска базового узла дерева словообразовательного синтеза для экспертной обучающей системы к.т.н., доц. Вороной С.М., к.т.н. Егошина А.А .

Государственный университет информатики и искусственного интеллекта, г. Донецк postmaster@iai.donetsk.ua Работа посвящена решению задачи поиска базового узла словообразовательного дерева. Предложенный подход основывается на методе поиска в ширину. Для выбора активной вершины анализируются элементы массива категорий узла словообразовательного дерева, соответствующие части речи базового слова. Данный метод учитывает семантическую близость узлов-потомков к узлу-родителю и лексикограмматические отношения, что позволяет сократить время поиска базового узла словообразовательного дерева .

Введение Формализация естественного языка приобретает значительную актуальность в связи с развитием глобальных вычислительных сетей и формированием больших объемов распределенных данных, представленных в виде текстовой информации. Существует значительное количество систем, исполняющих такие задачи, как компьютерная обработка больших массивов естественно-языковых текстов, естественноязыковое общение системы с пользователем, создание больших банков информации на основе естественного языка, разработка языка посредников в многоязыковой информационной среде. Увеличение вычислительных возможностей ЭВМ сделало возможным использование сложных лингвистических алгоритмов для больших объемов данных .

Как известно, языку присущи три основные характеристики: словарный запас, грамматическая и звуковая система. Словарный запас, представляющий собой сложную лексико-семантическую систему, не является статичным, а постоянно изменяется и пополняется новыми словами. Именно словообразование выступает в роли основного способа пополнения словарного запаса новыми словами и словосочетаниями. В связи с этим словообразовательный компонент является неотъемлемой частью современных интеллектуальных информационно-поисковых, ИАИ-2010. Обработка естественного языка диалоговых и обучающих систем, средств машинного перевода и автореферирования, модулей проверки правописания, в которых используется анализ естественно-языковых текстов [1] .

Работы [2, 3] посвящены исследованию зависимости семантики производного слова от ситуации, определяемой рядом формальных, семантических и грамматических свойств мотивирующего слова. На основании данной зависимости разработана формализация семантики словообразовательных формантов с помощью базисных лексических функций и предложено решение задачи словообразовательного синтеза на основе применения семантических свойств формантов. Работа [4] посвящена разработке логической структуры словообразовательной базы знаний и формальной модели узлов дерева словообразования для экспертной обучающей системы .

На основании предложенных в [2-4] моделей в данной работе рассматривается решение задачи поиска базового узла словообразовательного дерева. Под базовым узлом понимается узел словообразовательного дерева, который соответствует начальному (производящему) слову, заданному пользователем экспертной обучающей системы .

Основные этапы словообразовательного синтеза Задача словообразовательного синтеза может быть представлена в виде последовательности следующих этапов .

1) Морфологический анализ начального (производящего )слова. На данном этапе по алгоритму, предложенному авторами в работе [5], проводится разбиение исходного слова на составляющие его морфемы с последующим определением его грамматических характеристик, основной из которых является часть речи .

2) В словообразовательной базе знаний, представляющей собой лес (Forest,) деревьями (trees) которого являются словообразовательные гнезда, выполняется поиск дерева (tree_cur), корень которого соответствует корню исходного слова, выделенного на этапе морфологического анализа .

3) В найденном на предыдущем шаге tree_cur выполняется поиск узла (node_cur), соответствующего ключевому слову. В результате выделяется поддерево (subtree_cur), корнем которого является ключевое слово .

4) В subtree_cur проводится поиск пути к узлу дерева, семантика которого соответствует заданной F0. Необходимо определить именно путь, представляющий собой цепочку правил, соответствующих законам Международная научная конференция, КПИ, Киев, 2010 г. 323 словообразования, которые необходимо выполнить для построения слова заданной семантики .

Так как корни (узлы) деревьев представляют собой структуру, содержащую код производящей основы узла, часть речи слова, образующегося в узле и функцию, задающую способ словообразования, с помощью которого образуется узел, то вначале выполняется поиск кода радикала (исходного корня), выделенного на этапе морфологического анализа, в словаре корней .

В связи с тем, что trees упорядочены в порядке возрастания кодов их корней, то поиск дерева (tree_cur), корень которого соответствует корню исходного слова, не является сложной задачей и выполняется методом бинарного поиска .

–  –  –

где N(Aj+1ik(i)) – число потомков узла Aj+1ik, обладающих i-тым свойством;

Nk(Aj+1ik) – количество свойств узла Aj+1ik .

Если форманты Хj={xij} (префиксы, суффиксы) совпадают с соответствующими типами аффиксов, которые были получены в результате морфологического анализа исходного слова, то данный узел считается начальным (Node_subtree) и выделяется поддерево, состоящее из его потомков:

(Хj= Хс)Node_subtree:=Ajik (3) Если же множество Хj содержит не все аффиксы исходного слова и не содержит других формантов, то выдвигается гипотеза о вхождении недостающих аффиксов в производящую основу U(R):

(Хj Хс)^(Хj c Хс) (Хc є U(R)) (4) Выполняется проверка производящей основы на наличие искомых аффиксов .

Идея поиска в ширину состоит в том, чтобы посещать узлы в порядке их удаленности от некоторого заранее выбранного или указанного стартового узла А0, U(R) которого соответствует корню исходного слова С. Вначале посещается сам узел А0, затем все узлы, смежные с А0, то есть находящиеся от него на расстоянии 1, затем вершины, находящиеся от А0 на расстоянии 2, и т.д .

Рассмотрим метод поиска в ширину с заданной стартовой вершиной А0. Вначале все вершины помечаются как новые. Первой посещается вершина А0, она становится единственной открытой вершиной. В дальнейшем каждый очередной шаг начинается с выбора некоторой открытой вершины Ajik. Эта вершина становится активной. Модификация метода поиска в ширину заключается в процедуре выбора активной вершины.

Просматривается массив категорий К вершины А0:

анализируется элементы массива {km}, соответствующие части речи исходного слова С. Если существуют элементы, удовлетворяющие условию {km}=1, то вначале в качестве активных рассматриваются узлы, соответствующие данным элементам-категориям. Если таких элементов в массиве категорий К нет, то в множестве узлов-потомков А0 выполняется поиск возможного родителя С. Для поиска возможного родителя выполняется анализ аффиксов исходного слова .

Например, пусть С соответствует слово граненый, находящееся на второй ступени словообразовательного дерева с корнем А0 грань. Для поиска возможного родителя, находящегося на первой ступени и являющегося потомком А0, выполним анализ аффикса –ен- .

Прилагательные с суффиксом –ен- мотивируются беспрефиксальными глаголами несовершенного вида. То есть возможным родителем слова Международная научная конференция, КПИ, Киев, 2010 г. 325 граненый будет глагол, обладающий перечисленными свойствами .

Аналогично выполняем поиск в массиве категорий К узла А0 элементов, отвечающий за наличие указанных свойств. Если существуют такие элементы, то в качестве активных рассматриваются соответствующие им узлы-потомки А0 .

Далее исследуются ребра, инцидентные активной вершине. Если такое ребро соединяет вершину Ajik с новой вершиной Aji+1k, то вершина Aji+1k посещается и превращается в открытую. Когда все ребра, инцидентные активной вершине, исследованы, она перестает быть активной и становится закрытой. После этого выбирается новая активная вершина, и описанные действия повторяются. Процесс заканчивается, когда множество открытых вершин становится пустым .

Основная особенность данного метода поиска, отличающая его от других способов обхода дерева, состоит в том, что в качестве активной вершины выбирается та из открытых, которая была посещена раньше других.

Именно этим обеспечивается главное свойство поиска в ширину:

чем ближе вершина к старту, тем раньше она будет посещена .

Заключение В словообразовательном словаре Тихонова порядок размещения производных слов на каждом ярусе словообразовательного гнезда учитывает их семантическую близость к производящему слову, а также лексико-грамматические и словообразовательные отношения .

Реализация сетевой словообразовательной базы на основе указанных свойств словаря и применение предложенного метода поиска базового узла позволяет ускорить процесс словообразовательного синтеза .

Рассматриваемый в работе подход используется в разработанной авторами экспертной обучающей системе словообразованию русского языка .

ИАИ-2010. Обработка естественного языка Литература

1. Панова М.В. Словообразование современного русского литературного языка .

М.: Наука, 1968. – 413 с .

2. Вороной С.М., Егошина А.А. Формализация словообразовательного синтеза на основе семантических свойств формантов – VIII международная конференция «Интеллектуальный анализ информации ИАИ-2008».: Киев, 14-17 мая 2008 г.:

Сб. тр./Рос.ассоц.искусств.интеллекта и др.; Под ред. Т.А. Таран.-К.:Просвіта, 2008. – 334 с.: ил .

3. Вороной С.М., Егошина А.А. Формализация семантических единиц при словообразовательном синтезе. – IX международная конференция «Интеллектуальный анализ информации ИАИ-2009».: Киев, 14-17 мая 2009 г.:

Сб. тр./Рос.ассоц.искусств.интеллекта и др.; Под ред. Т.А. Таран.-К.:Просвіта, 2009. – 334 с.: ил .

4. Вороной С.М., Егошина А.А. Словообразовательная база знаний экспертной обучающей системы // Искуственный интеллект. – 2009. – № 1. С. 31-37 .

5. Вороной С.М., Егошина А.А. Определение грамматических характеристик словоформы методом графов // Искусственный интеллект. – 2008. – № 1. – С.80Международная научная конференция, КПИ, Киев, 2010 г. 327 УДК 007:159.955: 004.838.3: 519.816 Теория подобия конечных последовательностей и задачи автоматической проверки орфографии к.ф-м. н., доц. Леоненко Л.Л .

Одесская национальная академия связи им. А.С. Попова, г. Одесса Leonid.Leonenko@gmail.com Рассмотрены возможности теории подобия конечных последовательностей применительно к задаче проверки орфографии текстов различных этнических языков. На примерах показано, что данная теория предоставляет новые, сравнительно с существующими методами, средства адекватной проверки орфографии .

Введение Автоматическая проверка орфографии является традиционной функцией, поддерживаемой различными текстовыми процессорами .

Существуют различные методы, позволяющие выполнять такую проверку (см., напр., [1], [2], [3]). В данной работе иллюстрируются возможности, предоставляемые в этом плане теорией подобия конечных последовательностей (ТПКП) [4]. Не ставя здесь задачу точных оценок эффективности ТПКП в данной области, я покажу на примерах (слов русского и английского языков), что многие виды искажений слов, «трудные» для традиционных методов, успешно распознаются ТПКП .

Очерк ТПКП Пусть задано некоторое множество M0 объектов, которые будем называть «объектами нулевого уровня», и пусть на M0 определено некоторое бинарное рефлексивное отношение, которое назовем «отношением подобия (сходства)». Если два объекта a0 и b0 принадлежат M0, то может быть либо a0b0 (a0 сходно с b0), либо (a0b0) .

Пусть a1 и b1 – объекты «1-го уровня», «построенные из» объектов, принадлежащих M0, в одном из следующих двух смыслов:

1) «построен из» означает «является множеством вхождений» (в смысле, что a1={a0, b0} и b1={a0, a0, b0} являются различными объектами 1го уровня, но при этом {a0, b0}={b0, a0} );

2) «построен из» означает «является последовательностью вхождений»

(т.е. a1={a0, b0} отличается от b1={b0, a0} ) .

ИАИ-2010. Обработка естественного языка Вводятся два понятия «подобия объектов 1-го уровня»: 1) подобие в широком смысле: объекты a1 и b1 подобны, если число их подобных субобъектов достаточно велико; 2) подобие в узком смысле: a1 и b1 подобны, если длиннейшая подпоследовательность их подобных суб-объектов, сохраняющая порядок следования этих суб-объектов в составе как a1, так и b1, достаточно длинна .

Аналогично для любого n1 вводятся «объекты n-го уровня», с теми же двумя смыслами понятия «построен из объектов n–1-го уровня» .

Важный пример, удовлетворяющий условиям сформулированной «иерархии объектов»: M0 – алфавит некоторого языка; объекты 1-го уровня

– слова этого языка; объекты второго уровня – предложения; третьего – тексты .

Постулируем конечность M0 и конечность любого объекта произвольного уровня (представляющего собой множество или последовательность). Определим численную меру для каждого из двух видов подобия (сходства). Именно, если a и b – два объекта одного и того же ненулевого уровня, то Fw(a,b) = dw(a,b)/max(|a|,|b|) Fs(a,b) = ds(a,b)/max(|a|,|b|) где dw(a,b)– число сходных суб-объектов у a и b; ds(a,b) – длина длиннейшей подпоследовательности сходных суб-объектов в a и b; |a| – длина (число суб-объектов) объекта a .

Например, пусть M0 – множество букв латинского алфавита с обычным отношением тождества в качестве, и пусть a=analogy, а b=analogia .

Очевидно, что при этом Fw(a,b)= Fs(a,b)= 6/8=0.75. Если же переставить в b два символа, взяв b=naalogia, получим снова Fw(a,b)= 0.75, но Fs(a,b)= 5/8=0.625 .

Наконец, выберем некоторые положительные числа Ln (n=1,2,...), и постулируем, что два объекта a и b уровня n «подобны», если их мера подобия Fw(a,b) (либо Fs(a,b) ) больше, чем Ln. Имея это новое понятие подобия (сходства) мы можем применить вышеприведенные определения функций Fw и Fs к объектам уровня n+1, etc .

Можно показать, что каждая из функций 1–Fw и 1–Fs задает метрическое пространство на множестве объектов заданного уровня .

В [4] формулируются алгоритмы вычисления вышеуказанных мер Fw и Fs, и доказывается их сходимость .

Примем теперь, что суб-объектам в составе a можно приписывать различные веса. Вес любого суб-объекта отражает его «существенность»

для a сравнительно с другими суб-объектами из a. Например, если слово английского языка analogy выступает в качестве a, то можно счесть его Международная научная конференция, КПИ, Киев, 2010 г. 329 начало anal более важным, чем окончание; и приписать вес 2 каждой букве в anal и вес 1 всем остальным буквам .

Можно сформулировать соответствующие точные понятия «подобия»

для объектов со взвешенными подобъектами [5]. При вычислении степеней подобия «взвешенных» объектов возникают существенно новые, по сравнению с невзвешенным случаем, факторы. Ведь мы можем взвесить все суб-объекты объекта a, но лишены такой возможности по отношению к тем суб-объектам объекта b, которые отсутствуют в a. Поэтому для функций, оценивающих сходство a и b, вводится параметр «ожидаемого веса» элементов b, не входящих в a .

Итак, вводятся две «асимметричные меры» оценки сходства Gw(a,b,L) и Gs(a,b,L), базирующиеся на приписывании весов суб-объектам объекта a .

Индексы w и s обозначают широкий или узкий смысл подобия – так же, как для функций Fw и Fs. Параметр L – это действительное число, отражающее «ожидаемую важность» тех суб-объектов объекта b, которые отсутствуют в a (и поэтому не могут быть «прямо» взвешены) .

Меры Gk(a,b,L) (k{w,s}) обладают рядом свойств, которых «естественно ожидать» от функций оценки сходства, а именно:

1) Если L1L2, то Gk(a,b,L2) Gk(a,b,L1);

2) 0 Gk(a,b,L) 1 для любых a,b,L;

3) Если L0 и Gw(a,b,L)=1, то объект b является перестановкой тех суб-объектов объекта a, которые имеют ненулевые веса;

4) Если L0 и Gs(a,b,L)=1, то объект b совпадает с a с точностью до некоторых суб-объектов a, имеющих нулевые веса;

5) Gs(a,b,L) Gw(a,b,L) для любых a,b,L .

Алгоритмы для вычисления мер взвешенного и невзвешенного подобия значительно отличаются друг от друга. Во взвешенном случае мы не можем, как ранее, оценить узкое (учитывающее порядок) подобие, используя длину длиннейшей подпоследовательности общих (подобных) суб-элементов a и b. Здесь необходима не самая длинная подпоследовательность, а та, у которой максимален вес. Хотя последняя может быть найдена посредством полного перебора всех общих подпоследовательностей, это неприемлемо ввиду сложностных ограничений .

В [5] предложены алгоритмы, вычисляющие степени взвешенного подобия за полиномиальное время. Они достаточно быстро вычисляют сходство «длинных» текстов .

ИАИ-2010. Обработка естественного языка В [6] вводятся численные меры сходства («аналогичности») объектов, предполагающие их более «тонкую» структуру, чем просто линейный порядок суб-объектов. Для простоты рассмотрим «объекты»= «тексты», и будем считать, что в тексте по каким-либо основаниям выделяются особые группы имен (например, в русском языке это могут быть группа подлежащего и группа сказуемого в предложении, etc.). Принимается следующий «принцип связности» для групп: слова, образующие группу, обычно соседствуют в тексте; и перестановки слов внутри групп «разрушают» структуру текста в меньшей степени, чем чередование слов, принадлежащих разным группам (сравн. [7]) .

Предложены численные меры аналогичности, которые могут применяться к произвольным текстам, удовлетворяющим принципу связности, независимо от способа выделения групп имен в тексте .

Пусть даны два текста A и B; и для A задано множество групп имен {Gi} i[1,n].

Говоря неформально, для оценки близости A и B проверяются следующие основные условия:

1) имеют ли A и B сходный лексический состав;

2) в какой степени группы имен текста B, соответствующие группам {Gi} из A, «засорены» чужеродными именами .

Аналогично понятию «группы имен в тексте» можно ввести понятие «группы символов в слове» (например, группы букв, относящихся к корню слова в этнических языках, etc.). Численные меры, оценивающие условие 2, базируются на специальном понятии расстояния между символами a и b из группы Gi в слове W. Алгоритмы, вычисляющие указанные меры, имеют полиномиальную сложность .

Применение ТПКП к проверке орфографии Традиционной схемой действий при автоматической проверке орфографии является сравнение текущего слова W* проверяемого текста со словарем, и – при отсутствии W* в словаре, – поиск слов, «похожих» на W*. При этом используется та или иная мера близости слов, например, расстояние Левенштейна-Дамерау, различные способы поиска, etc. (см., напр., [3]). В случае нахождения слова W с высокой степенью близости к W*, текстовый процессор (скажем, Microsoft Word) предлагает пользователю заменить W* на W (или сам выполняет такую замену) .

В некоторых случаях искажение слова W оказывается «трудным» для распознания (применяемая мера близости оценивает W* и W как «мало»

сходные). Например, слово «очепатка» распознается редактором Microsoft Word 2003 в качестве искажения слова «опечатка», но слово «очепятка»

– нет (близость слов «опечатка» и «очепятка» меньше заданного порога Международная научная конференция, КПИ, Киев, 2010 г. 331

–  –  –

Представим, что «порог сходства», то есть уровень, на котором слово b считается «возможным искажением слова a», задан равным 0.700. Тогда, Международная научная конференция, КПИ, Киев, 2010 г. 333 если сходство вычисляется с использованием меры Fs(a,b), слова и preparation будут сочтены protection, portion искажениями proportion. Но если компьютер использует меру Gs(a,b,L), он сочтет все слова в таблице, кроме 4-х последних, неприемлемыми в качестве «искажений» a. Порог сходства в этом случае можно поднять до 0.810. Это показывает преимущества взвешенных мер .

Заключение Алгоритмы сравнения текстов, базирующиеся на ТПКП, показали свою эффективность в оценивании «открытых» ответов при компьютерном тестировании знаний [8]. Примеры, рассмотренные выше, свидетельствуют в пользу возможности применения этих алгоритмов (в сочетании с «традиционными» методами) в области автоматической проверки орфографии .

Литература

1. Большаков И.А. Проблемы автоматической коррекции текстов на флективных языках // Итоги науки и техники. Теор. вер. Мат. стат. Теор. киберн. Т. 28, 1988 .

с. 111139 .

2. Mays E., Damerau F.J., Mercer R.L. Context based spelling correction // Information Processing & Management. Vol.27. Issue 5. 1991. p.517522 .

3. Бойцов Л.М. Обзорный ресурс, посвящнный проблеме поиска по сходству // http://itman.narod.ru

4. Леоненко Л.Л., Поддубный Г.В. Теория подобия конечных последовательностей и ее приложения к распознаванию образов // Автоматика и телемеханика .

1996. №8. с.119–131 .

5. Leonenko L. Analogical inferences in computer assisted knowledge testing systems // 6-th Multi-Conference on Systemics, Cybernetics and Informatics. Proceedings .

2002. XVIII. P. 371–376 .

6. Леоненко Л. Л. Алгоритмы оценки аналогичности текстов и их применение в компьютерном тестировании // Сб. трудов VII международной конф .

"Интеллектуальный анализ информации". К.: Просвіта, 2007, с. 210–220 .

7. Гладкий А.В. Математические методы изучения естественных языков // Труды МИАН им. В.А.Стеклова. 1973. Том 133. с. 95 – 108 .

8. Баранов В. Ю. Комп‘ютерне тестування з інформатики: підсумки педагогічного експерименту в Одеській національній академії зв‘язку // Теорія та методика навчання математики, фізики, інформатики. Вип. 4. Т. 3 – Кр.Ріг.: НМетАУ,

2004. с. 6 12 .

ИАИ-2010. Обработка естественного языка УДК 004.62 Мовні універсалії .

Окреслення семантики морфем Т-R, S-T та STR у науково-технічних європеїзмах проф., д.т.н. Мачуський Є.А., н.с, Плахутіна Л.Л Національний технічний університет України «КПІ», м. Київ sivera@ukr.net, vermut@ukr.net Розроблено методику виділення ключових морфем науково-технічних європеїзмів і визначено семантику найчастіше вживаних морфів латинських текстів. На основі проведеного аналізу морфи зведено у групи, що дає можливість чіткіше окреслити значення науково-технічних термінів, широко вживаних в українській та російській науково-технічній літературі .

Вступ Метою роботи є створення складових інтерактивної системи інтелектуалізації автоматизованого перекладу науково-технічних текстів з урахуванням семантики термінологічних морфем. Розроблено методику виділення ключових морфем науково-технічних європеїзмів і практично визначено семантику найчастіше вживаних морфів латинських текстів. На основі проведеного аналізу морфи зведено у групи, що дає можливість чіткіше окреслити значення науково-технічних термінів, широко вживаних в українській та російській науково-технічній літературі, і цілеспрямовано створювати нові терміни у різних галузях народного господарства. На основі окреслення семантики основних префіксів і коренів європеїзмів складено матриці термінотвору, які дозволяють формалізувати обробку термінів, а також рейтингувати синонімічні ряди в процесах автоматизованого перекладу .

Визначення семантики морфів Спочатку нагадаємо декілька коротких означень: Морфема – мінімальний знак, в якому за визначеною фонетичною формою закріплено визначений зміст. Морф - текстовий представник морфеми. Аломорф варіант морфа [1]. Визначення семантики морфем – складне завдання, що потребує глибокої інтуіції дослідника, а результат завжди має імовірнісний характер, який з математичного погляду можна вважати нечіткою Международная научная конференция, КПИ, Киев, 2010 г. 335 множиною. Тим не менш, залучення до аналізу великого масиву слів, смислове значення яких не викликає сумнівів, дозволяє з великою вірогідністю окреслювати семантику морфем та їх текстових представників – морфів та аломорфів. До речі, віднесення морфів та аломорфів до конкретної морфеми також завжди має імовірнісний характер, як майже все у реальному житті. Ця публікація є першою у започаткованій серії статей, присвячених окресленню семантики морфем індоєвропейських мов. Розглядаються аломорфи TAR, TER, TIR, TOR, TUR, TRA, TRE,TRI, TRO, TRU (латиницею); ТАР, ТЕР, ТЄР, ТИР, ТІР, ТОР, ТУР, ТЮР, ТЯР, ТРА, ТРЕ, ТРЄ, ТРИ, ТРІ, ТРО, ТРУ, ТРЮ, ТРЯ (українська абетка), імовірні відповідники типів D(т)-R та S(т)-R, а також аломорфи S-Т(д) та S-Т(д)-R .

Ключ до семантики морфа Т-R, як виявилося, лежить майже на поверхні – у великій кількості загальнонаукових термінологізмів, точніше

– у їх префіксних морфемах. Морф Т-R міститься у таких префіксах латинської та пов‘язаних з нею мов: CONTRA, EXTRA, INTER, INTRO, RETRO, TRANS, ULTRA. Семантика цих префіксів загальновідома: EXTRA – із середини, IN-TRO – у середину, IN-TER – у середині (поміж, серед), CON-TRA - разом на одну серцевину, RE-TRO – назад до серцевини, TRA-NS – крізь серцевину, UL-TRA – поза серцевиною (рис.1) .

Рис. 1 Рис. 2 Cмислове значення морфа TR у наведених прикладах однозначне – серцевина, нутро – ну-TRО. Принагідно зазначимо, що українські слова серед, середина, серце, серцевина, містять аломорфи S(т)-R морфа T-R .

Серце – TER це!

Визначивши семантику морфа T-R, проаналізуємо європеїзми [2, 3], які містять цей морф, не зупиняючись на розгляді слів з переліченими префіксами, як такими, що однозначно несуть наведену семантику:

екстерн, екстернат, екстериторіальність, екстериторіальний, екстер‘єр, екстирпатор (пристрій, що вириває з коренем), екстирпація, ИАИ-2010. Обработка естественного языка екстравагантний, екстравазат (кров, що витекла назовні), екстрагування, екстрадиція, екстракт, екстрактивний, екстрактор, екстраекція (висмикування), екстраординарний, екстраполяція, екстремізм, екстреміст, екстремум, екстрений, екстроспективний, ексцентриситет (поза цен-тром), ексцентрик, ексцентричний, інтервал, інтервент, інтервенція, інтервокальний, інтерв‘ю, інтердикт, інтерім (поміж тим, у середині), інтеримарний, інтеркурентний (той, що біжить посеред), інтерліньяж (серед рядків), інтерлюдія (серед гри), інтермедія, інтермеццо, інтернат, інтернаціоналізація, інтернування, інтерполювати, інтерполяція, інтерпелювати, інтерпеляція, інтерпретація, інтерпретувати, інтерференція, інтерцесія, інтер‘єр, інтрига, інтриган, інтродукція, інтронізація, інтроспекція, контрабанда, контрабандист, контрабас, контрагент, контрадикторний, контрадикція, контракт, контрактант, контральто, контрамарка, контрапункт, контрапунктисти, контрарний, контраст, контратака, контрафагот, контрафакція, контрбаланс, контрибуція, контрманевр, контрмарш, контроверза, контролер, контролювати, контроль, контрольний, контрреформація, контрфорс, контур, концентрат, концентраційний, концентрація, концентрований, концентрувати, ретроград, ретроспекція, транзит, транс, транскрипція, трансляція, транспарант, трансплантація, транспонування, транспорт, транспортер, транспортир, трансформатор, траншея, ультрамарин, ультрамікроскоп, ультрафіолетовий .

Менш очевидною виглядає семантика кореневих (рис.2), а не префіксних морфів, але окреслене значення (середина, внутрішній простір) і там проявляється досить виразно:

ТАРАН (грец.) - пристрій для проникнення всередину ТАРАНТУЛ (іт.) - павук (що ховається у норі) ТАРТАР (грец.) - внутрішнє (підземне) царство, пекло ТЕРАПІЯ (гр.) – по внутрішніх хворобах ТЕРМІН (лат.) – обмеження внутрішнього простору ТЕРМІТИ (лат.) - комахи-нутроїди ТЕРМО (гр.) - внутрішній рух ТЕРАСА (фр.) - земельний насип ТЕРИТОРІЯ (лат.)- земний простір ТЕРОР (лат.) - допікання до нутра ТИР (фр.) - закрите (просторово обмежене) приміщення ТИРАЖ (фр.)- видане назовні із простору ТОРНАДО (ісп.) - (трубка повітряна) ТОРПЕДА (лат.) - (від ТАРАН) ТОРФ (нім.від араб.)- внутріземне паливо Международная научная конференция, КПИ, Киев, 2010 г. 337 ТОРШЕР (фр.) - скручений смолоскип ТРАВМА (гр.) - пошкодження внутрішнє ТРАДИЦІЯ (лат.) - передавати із середини ТРАЄКТОРІЯ (лат.) - прокинуте усередині ТРАКТАТ (лат.) - витяг із середини ТРАЛ (англ.) - сітка з внутрішнім мішком ТРАМВАЙ (англ.) - внутрішній шлях ТРАМПЛІН (фр.) - пристрій для виходу у простір ТРАНЗИТ (лат.) - крізь середину ТРАП (гол.) - сходи у нутро ТРАСА (нім.) - внутрішній шлях ТРАФАРЕТ (іт.) - проносити крізь ТРЕСТ (англ.) - замкнене обєднання ТРИВІАЛЬНИЙ (лат.) – який бачать навскрізь ТРИ - число 3 (найпростіша фігура - багатокутник з внутрішнім простором) ТРОЛЕЙБУС (англ.)- БУС для шляху, що прокладений у середині ТРОН (гр.) - центральне крісло ТРОПІК (гр.) - центральна паралель ТРОТУАР (фр.) - внутрішній шлях ТРОФЕЙ (фр.) - майно, отримане з простору супротивника ТРУПА (нім.) - замкнена група ТРЮМ (гол.) - внутрішній відсік корабля ТРЮМО (фр.) - заглиблення внутрі стіни TEREBRO (лат.) - свердлити TERGEO, TERSI, TERSUM - обтирати TERO, TRIVI, TRITUN - терти, обточувати TERMINO, TERMINUS - обмежувати внутрішній простір TERRA - простір, терени, край, земля THRONUS - трон TORQUEO, TORSI, TORTUM, TORMENTUM, TORTUS - крутіння TORPEO, TORPESCO - торопіти, ціпеніти внутрішньо TRAHO, TRAXI, TRACTUM - витягати, діяти у середині, витяг TRADO, TRADIDI, TRADITUN - передача із середини TRADUCO – переведення крізь .

Аналогічно розглянемо морф S-T (рис.3). Із аналізу сукупності слів з цим морфом маємо зробити висновок, що узагальнена семантика морфа S-T – перебувати у нерухомому стані у визначеному місці (стояти, сидіти, інші слова, тощо) (рис.4) ИАИ-2010. Обработка естественного языка

–  –  –

Висновок Попередній аналіз словників європейських мов показує, що переважну частину слів утворюють близько 20 префіксів, 10 суфіксів і 150 кореневих морфів. Ємність такого словника 20х10х150 = 30000 слів .

Семантика кореневих морфів збігається майже у всіх європейських мовах. Суттєво відрізняється лише фонетична форма префіксних та суфіксних морфем у мовах сходу і заходу Європи. Ще більш очевидним стає такий висновок, якщо всі слова записувати лише латиницею, або кирилицею. Чим не аргумент для порозуміння європейської спільноти?

Література

1. Языкознание. Большой энциклопедический словарь /Гл.ред. В.Н.Ярцева. – 2-е изд. – М.: Большая российская энциклопедия, 1998. – 685 с.: ил .

2. Cловарь иностранных слов и выражений /Авт.- сост. Н.В.Трус, Т.Г.Шубина. – Мн.: Литература, 1997. – 576 с .

3. Дворецкий И.Х. Латинско-русский словарь. 6-е изд., стереотип. М.: Рус.яз. 2000 .

– 846 с .

Международная научная конференция, КПИ, Киев, 2010 г. 339

УДК 004.934.2

Анализ речевых сигналов с учетом просодических характеристик Шарий Т.В .

Донецкий национальный университет, Донецк tsphere@mail.ru Рассматривается вопрос параметризации речевых сигналов .

Предложена методика взвешивания сегментов речевого сигнала в зависимости от их просодических признаков: частоты основного тона, энергии и длительности. Данный подход позволяет подчеркнуть наиболее важные для восприятия участки речи и уменьшить влияние трудно различимых участков на этапе постобработки речевого сигнала .



Pages:   || 2 |
Похожие работы:

«СБОРНИК ДОКЛАДОВ И КАТАЛОГ КОНФЕРЕНЦИИ ЧЕТВЕРТАЯ МЕЖОТРАСЛЕВАЯ КОНФЕРЕНЦИЯ "АНТИКОРРОЗИОННАЯ ЗАЩИТА-2013" 27 марта 2013 г., Москва, ГК ИЗМАЙЛОВО Сборник докладов и каталог IV Межотраслевой конференции...»

«Приоритеты мировой науки: эксперимент и научная дискуссия Материалы X международной научной конференции Северный Чарльстон, Южная Каролина, США 17-18 февраля 2016 года Часть 2. Общественные и гуманитарные науки The priorities of the world science: experiments and scientific debate Proceedings of the X In...»

«Управление образования Администрации города Нижний Тагил Муниципальное бюджетное учреждение "Информационно-методический центр"ФОРМИРОВАНИЕ ЗДОРОВЬЕСБЕРЕГАЮЩЕЙ И ЗДОРОВЬЕФОРМИРУЮЩЕЙ СРЕДЫ В СОВРЕМЕННОМ ОБРАЗОВАТЕЛЬНОМ УЧРЕЖДЕНИИ Городская научно-практическая конференция Нижний Тагил 2013 год УДК 373. 1 ББК 51....»

«A/CONF.206/6 page 4 Глава 1 Всемирная конференция по уменьшению бедствий состоялась в Кобе, префектура Ниого, Япония, 18-22 января 2005 года в соответствии с резолюцией 58/214 Генеральной Ассамблеи от 23 декабря 2003 года. За этот период Конференция приняла три...»

«Международная конференция труда 91-я сессия 2003 год Доклад VII (2А) Повышение надежности идентификации моряков Международное бюро труда Женева Международная конференция труда 91-я сессия 2...»

«XVIe Congrs de la Confrence des Cours constitutionnelles europennes XVIth Congress of the Conference of European Constitutional Courts XVI. Kongress der Konferenz der Europischen Verfassungsgerichte XVI Конгресс Конференции европейских конс...»

«БУРЯТСКАЯ РЕСПУБЛИКАНСКАЯ ОРГАНИЗАЦИЯ ВЭП Практическое пособие председателю первичной профсоюзной организации Основы организационной работы первичной организации Основы, необходимые для каждого председателя. С чего начать? После отчетно-выборного собрания (Конференции),...»

«Министерство образования и науки Российской Федерации ФГАОУ ВПО "УрФУ имени первого Президента России Б.Н.Ельцина" МАТЕРИАЛЫ XI МЕЖДУНАРОДНОЙ НАУЧНО-МЕТОДИЧЕСКОЙ КОНФЕРЕНЦИИ "НОВЫЕ ОБРАЗОВАТЕЛЬНЫЕ ТЕХНОЛОГИИ В ВУЗЕ" (НОТВ-2014) (18-20 февраля 2014 г.) Сборник тезисов докладов НОТВ-2014 Электронное текстовое издание М...»

«Оглавление Введение Омега смертельных ересей Отступление среди Адвентистов Седьмого Дня было предсказано.4 Другие утверждения об отступлении Альфа отступления Омега отступления Библейская конференция 19...»

«Иркутский государственный университет путей сообщения (ИрГУПС) Восточно-Сибирская железная дорога – филиал ОАО "РЖД" Иркутский научный центр СО РАН Забайкальский институт железнодорожного транспорта (филиал ИрГУПС) Красноярский институт железнодорожного транспорта (филиал ИрГУПС) Улан-...»

«ПЕРВЫЙ ДЕНЬ РАБОТЫ КОНФЕРЕНЦИИ – 7 апреля, ЧЕТВЕРГ 10.00 – 13.50 Аудитория Б1-01 ПЛЕНАРНОЕ ЗАСЕДАНИЕ 9.00 – 9.50 Регистрация участников, пр. Свободный 79/10 Модератор: Еремин Сергей Васильевич – министр транспорта Красноярского края Вступительное слово: Ваганов Евгений Александрович – ректор Сибирског...»

«CAC/COSP/IRG/I/3/1/Add.19 Организация Объединенных Наций * Конференция государств – Distr.: General участников Конвенции 6 March 2015 Russian Организации Объединенных Original: English Наций против коррупции Группа по обзору хода...»

«МИНИСТЕРСТВО ОБРАЗОВАНИЯ И НАУКИ РЕСПУБЛИКИ КАЗАХСТАН АЛМАТИНСКИЙ ТЕХНОЛОГИЧЕСКИЙ УНИВЕРСИТЕТ ИНФОРМАЦИОННОЕ ПИСЬМО Уважаемые коллеги! Приглашаем Вас принять участие в работе Международной научнопрактичес...»

«VII " – ", 19-20 2011 ORGANIZED BY: Russian Direct Selling Association www.rdsa.ru International Confederation of Consumers’ Societies www.konfop.ru UNDER THE SUPPORT OF: World Federation of Direct Selling Associations www.wfdsa.org Asia-Paci c Econom...»

«Международный союз электросвязи ОТЧЕТ О РАЗВИТИИ ВСЕМИРНОЙ ЭЛЕКТРОСВЯЗИ Показатели доступа для информационного общества РЕЗЮМЕ 2003 год Международный союз электросвязи Отчет МСЭ о р...»

«ЧИКАГСКАЯ КОНВЕНЦИЯ Чикагская Конвенция вступила в силу в апреле 1947 года, когда 30 государств из 52 членов Чикагской Конференции ратифицировали это соглашение и прислали документы в США, где хранятся ратифицированные документы всех стран членов ИКАО. В Чикагскую Конвенцию входят:1.1.Преамбула. Вводная часть...»

«Объединнный институт ядерных исследований Институт философии РАН Московская духовная академия НАУКА ФИЛОСОФИЯ РЕЛИГИЯ Наука, технология, человек Восьмая международная конференция 2 октября 1997 г., Дубна, Россия Дубна, 1997 Организационный комитет Сопредседатели: А.И.Осипов, МДА, В.Н.Первушин, ОИЯИ Члены оргкомитета: Т.Б.Ива...»

«МИНИСТЕРСТВО ОБРАЗОВАНИЯ И НАУКИ РОССИЙСКОЙ ФЕДЕРАЦИИ ФЕДЕРАЛЬНОЕ БЮДЖЕТНОЕ ГОСУДАРСТВЕННОЕ ОБРАЗОВАТЕЛЬНОЕ УЧРЕЖДЕНИЕ ВЫСШЕГО ПРОФЕССИОНАЛЬНОГО ОБРАЗОВАНИЯ "САМАРСКИЙ ГОСУДАРСТВЕННЫЙ УНИВЕРСИТЕТ" XLV НАУЧНАЯ КОНФЕРЕНЦИЯ СТУДЕНТОВ 2–6 апреля 2014 года, Самара, Россия Тезисы докладов Часть III Самара Издательств...»

«В этом сборнике собраны тезисы, статьи, доклады, полученные в процессе подготовки очередной конференции "Проблемы озеленения крупных городов". В этом году состоится XVII-ая конференция, среди участ...»

«Научно-Инновационный Центр НАУЧНОЕ ТВОРЧЕСТВО XXI ВЕКА Сборник статей (по итогам V Международной научно-практической конференции) Том 3 Красноярск, 2012 УДК 50(075.8) ББК 20 Н34 Н...»

«Министерство образования и науки Российской Федерации Федеральное государственное бюджетное образовательное учреждение высшего профессионального образования "Забайкальский государственный университет" Забайкальское региональное отделение Всероссийской общественной организации "Русское географическое общество" ПРОГРАММА LVI Р...»

«СБОРНИК ВОСПИТАНИЕ, НАУЧНЫХ ТРУДОВ ПО МАТЕРИАЛАМ ОБУЧЕНИЕ, КОНФЕРЕНЦИИ ОБРАЗОВАНИЕ: ОТ ТЕОРИИ К ПРАКТИКЕ I Международная научно-практическая конференция НАУЧНАЯ ОБЩЕСТВЕННАЯ ОРГАНИЗАЦИЯ ПРОФЕССИОНАЛЬНАЯ НАУКА Воспитание, обучение, образование: от теории к практике Сборник научных трудов по материала...»

«Назарова Гульнара Ильсуровна, Низамиева Лилия Рафхатовна ИСПОЛЬЗОВАНИЕ ИНФОРМАЦИОННЫХ ТЕХНОЛОГИЙ ПРИ ФОРМИРОВАНИИ УМЕНИЙ ИНОЯЗЫЧНОЙ ДИАЛОГИЧЕСКОЙ РЕЧИ Данная статья посвящена дидактико-методическим аспектам использования видеоконференции как одной из форм современных информационных технологий для развития умений инояз...»

«БИОРАЗНООБРАЗИЕ. БИОКОНСЕРВАЦИЯ. БИОМОНИТОРИНГ. Сборник материалов Международной научно-практической конференции Министерство образования и науки Российской Федерации Федеральное государственное бюджетное об...»

«РОССИЙСКАЯ АКАДЕМИЯ НАУК ИНСТИТУТ ПРОБЛЕМ УПРАВЛЕНИЯ ИМ. В. А. ТРАПЕЗНИКОВА Международная научно-практическая Мультиконференция "Управление большими системами – 2009" ТЕОРИЯ АКТИВНЫХ СИСТЕМ – 2009 ТРУДЫ МЕЖДУНАРОДНОЙ НАУЧНО-ПРАКТИЧЕСКОЙ КО...»

«КАТАЛОГ КОНФЕРЕНЦИИ ООО "ИНТЕХЭКО" Каталог участников Восьмой Международной конференции "ПЫЛЕГАЗООЧИСТКА-2015" технологии очистки газов и воздуха www.intecheco.ru от пыли, золы, диоксида серы, окислов азота, ПАУ и других вредных веществ, электрофильтры, рукавные фильтры, скрубберы,...»

«КОНФЕРЕНЦИЯ ОРГАНИЗАЦИИ ОБЪЕДИНЕННЫХ НАЦИЙ ПО ТОРГОВЛЕ И РАЗВИТИЮ Добровольный экспертный обзор политики в области конкуренции: Армения Резюме Доклад секретариата ЮНКТАД ОРГАНИЗАЦИЯ ОБЪЕДИНЕННЫХ НАЦИЙ Нью-Йорк и Женева, 2010 год Примечание Проводимый ЮНКТАД добровольный экспертный обзор законодательства и поли...»

«^ р я о л о г щ МАТЕРИАЛЫ V МЕЖДУНАРОДНОЙ НАУЧНО-ПРАКТИЧЕСКОЙ КОНФЕРЕНЦИИ "ТЕХНОЛОГИИ ОЧИСТКИ ВОДЫ", посвященной 120-летию ОАО "АУРАТ" Кисловодск СОДЕРЖАНИЕ ПРЕДИСЛОВИЕ 6 С. В. Гетманцев. ОАО "АУРАТ": 120 лет на службе России 9 В.А. Лысоеу В.А. Михайлов. Кафедре "Водоснабжение и водоо...»

«№2, апрель 2014 год Тема номера: Современный взляд на мужское бесплодие Международный Конференция образовательный курс Урологу на заметку IX конгресс "Мужское здоровье" XII Образовательный курс...»

«1 Выступление Директора "Назарбаев Центра" К.Саудабаева на международной конференции в Осло 4-5 марта 2013 года "Гуманитарные последствия применения ядерного оружия" Уважаемый господин Председатель, Уважаемые коллеги, Разреш...»

















 
2018 www.new.z-pdf.ru - «Библиотека бесплатных материалов - онлайн ресурсы»

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 2-3 рабочих дней удалим его.