Пример готовой курсовой работы по предмету: Информационные технологии
Содержание
Введение 4
1. Теория 7
1.1. Знания как объект (основные понятия) 7
1.2. Моделирование знаний. Виды моделей. Математическое моделирование, принципы построения математической модели 8
1.2.1. Проблема приобретения и представления знаний 8
1.2.2. Математические и имитационные модели 11
1.3. Инженерия знаний. Модели знаний 12
1.4. Онтологический инжениринг. Использование антологий как инструмента моделирования знаний. 16
1.4.1. Различия между онтологиями и схемами баз данных 18
1.4.2. Структура онтологии 20
1.4.3. Правила и требования к разработке онтологии 21
1.4.4. Онтологический инжиниринг 22
1.5. Моделирование знаний в конкретной предметной области — документообороте 25
1.5.1. Современные инструменты инженерии знаний 25
1.5.2. Инструменты структуризации знаний 25
1.5.3. Представление знаний и данных в онтологиях текстовых документов 27
1.5.4. Документ как информационный объект 29
1.6. Нечеткие множества в интеллектуальных системах 33
1.6.1. Нечеткие множества 33
1.6.2. Основные понятия теории нечетких множеств 34
1.7. Нечеткие множества в моделировании знаний 35
2. Практика 46
2.1. Предметная область. Построение предметной области средствами Protégé 46
2.2. Моделирование знаний в системах искусственного интеллекта 58
2.3. Проектирование интеллектуальных информационных систем 59
2.3.1. Построение онтологий на основе текстового контента с использованием нечеткой логики 59
2.3.2. Нечеткая логика и определение нечеткого значения 60
2.3.3. Обновление нечеткого значения 63
2.3.4. Применение на примере документообороте 66
Заключение 69
Литература 70
Выдержка из текста
В настоящее время сложно назвать область деятельности человека, в которой в той или иной степени не использовались бы методы моделирования. Особенно это относится к сфере управления различными системами, где основными являются процессы принятия решений на основе получаемой информации.
Вопросы о представлении базы знаний, которые возникли в связи с развитием информационных технологий, искусственного интеллекта (ИИ), их внедрением практически во все области жизнедеятельности человека, и созданием систем, основанных на знаниях сейчас актуальны и своевременны.
Современные информационные системы должны быть направлены на решение всего комплекса задач, связанного с управлением потоком входящих необработанных данных, а именно, автоматической классификации и автоматического индексирования текстов, оперативного и адекватного распределениябольших объемов информации среди пользователей, передачи и храненияобработанных, классифицированных данных разных типов в электронных архивах с предоставлением механизмов оперативного поискаинформации по содержанию, с учетом связей между данными.
Для решения этих задач разрабатывается технология автоматического анализа текста деловых или научных документов различных областей человеческой деятельности, системы управления потоком документов, системы управления документооборотом, лингвистические системы и др.в информационных системах с ограниченной предметной областью (ПО).
Данная технология направлена, в первую очередь, на корректное добавление новых данных о знаниях, в видедокументов, в информационное пространство системы и поддерживать содержательный поиск на основе онтологий. Она позволит осуществлять настройку базы знаний информационной системы как в момент ее создания, так и в ходе ее эксплуатации.
Однако в основе всех технологий работы с документами и их обработки, которые предполагают использование человекоориентированных систем управления процессами лежит предметная область, то есть конкретная часть некоторой предметной базы знаний. Однако, существующие до последнего времени системы использовали при работе с данными знаниями онтологии, которые базируются на четких системах, алгоритмах, обычной логике. Однако человек в своей повседневной деятельности чаще всего используют нечеткие определения понятия и характеристики объектов. Поэтому сегодня при разработки информационных систем, которые базируются на базах знаний использование обычной традиционной математики и информатики уже не является актуальным. Сегодня при разработке современных интеллектуальных систем управления необходимо расширять онтологии описывающие предметные области знаний за счет математического аппарата нечеткой математики – нечетких множеств, нечеткой логики. Поэтому тема данной работы актуальна.
Предмет исследования – моделирование знаний.
Объект исследования – инструменты моделирования знаний.
Целью настоящей работы является –теория нечетких множеств, как инструмент моделирования знаний.
Задачи исследования:
1. Изучить понятия знания, моделирование знаний,
2. Проанализировать понятие «Инженерия знаний»
3. Изучить онтологии и онтологический инжиниринг.
4. Изучить вопросы, связанные с моделированием знаний в конкретной предметной области (мы выбрали «документооборот»)
5. Проанализировать состояние вопроса моделирования знаний в системах искусственного интеллекта.
6. Изучить теорию нечетких множеств и их применение в системах искусственного интеллекта.
7. Проанализировать возможность применения нечетких множеств как инструмента моделирования знаний.
8. Рассмотреть моделирование предметной области средствами Protégé
9. Выполнить моделирование предметной области средствами CmapTools
10. Проанализировать проектирование интеллектуальных систем с использованием нечеткой математики при построении модели знаний предметной области.
Список использованной литературы
1. Джексон П. Введение в экспертные системы, 3-е издание, Москва, «Вильямс», 2001 г.
2. Морозов М. Н., Курс лекций по дисциплине "Системы искусственного интеллекта", Марийский государственный технический университет, г. Йошкар-Ола, http://www.marstu.mari.ru:8101/mmlab/home/AI/index.html
3. Джордж Ф. Люггер, Искусственный интеллект. Стратегии и методы решения сложных проблем. Москва, «Вильямс», 2003 г.
4. Андреев А.М., Березкин Д.В., Рымарь В.С., Симаков К.В. Использование технологии SemanticWeb в системе поиска несоответствий в текстах документов. //URL: http://www.inteltec.ru/publish/articles/textan/rimar_RCDL2006.shtml
5. Гладун А.Я., Рогушина Ю.В. Онтологии в корпоративных системах, Часть II // Корпоративные системы № 1 / 2006 //URL: http://www.management.com.ua/ims/ims 116.html
6. Добров Б.В., Иванов В.В., Лукашевич Н.В., Соловьев В.Д. Курс из
1. презентаций: «Онтологии и тезаурусы». //URL: http ://download.yandex.ru/class/solovyev/plan.pdf ;
7. Михаленко П. Язык онтологий в Web. //URL: http://www.osp.ru/os/2004/02/183921/
8. Мудрая О.В. , Бабич Б.В. , Пьяо С.С. , Рейсон П. , Уилсон Э. Разработка инструментария для семантической разметки текст // Труды международной конференции "Корпусная лингвистика-2006". Издательства СПбГУ и РХГА, 2006.
9. Загорулько Ю.А., Кононенко И.С., Сидорова Е.А., Костов Ю.В. Подход к интеллектуализации документооборота // Информационные технологии, 2004. № 11, С.2-11.
10. Жигалов В.А., Жигалов Д.В., Жуков А.А., Кононенко И.С., Соколова Е.Г., ТолдоваС.Ю.. Система Alex как средство для многоцелевой автоматизированной обработки текстов // Труды международного семинара Диалог’ 2002 "Компьютерная лингвистика и интеллектуальные технологии". М.: Наука, 2002. Т.2, С.192-208.
11. Кононенко И.С., Сидорова Е.А. Обработка делового письма в системе документооборота // Труды международного семинара Диалог’ 2002 по компьютерной лингвистике и ее приложениям. М.: Наука, 2002. Т.2, С. 299– 310.
12. Гершензон Л.М., Ножов И.М., Панкратов Д.В. Система извлечения и поиска структурированной информации из больших текстовых массивов СМИ. Архитектурные и лингвистические особенности. // Труды международной конференции Диалог’ 2005 "Компьютерная лингвистика и интеллектуальные технологии". М.: Наука, 2005. С. 97– 101.
13. Сидорова Е.А. Технология разработки тематических словарей на основе сочетания лингвистических и статистических методов // Труды международной конференции Диалог’ 2005 "Компьютерная лингвистика и интеллектуальные технологии". М.: Наука, 2005. С.443-449.
14. Гаврилова ТА., Хорошевский В.Ф. Базы знаний интеллектуальных систем / Учебник для вузов. – СПб, Изд-во “Питер”, 2000.
15. Гаврилова Т.А., Лещева И.А., Лещев Д.В., 2000. Использование онтологий в качестве дидактического средства // М.”Искусственный интеллект” N3. — с.34-39.
16. Гаврилова Т.А., Хорошевский В.Ф. Базы знаний интеллектуальных систем. Учебник.- СПб, Изд-во «Питер», 2001.
17. Воинов А., Гаврилова Т. А., Данцин Е. Я., 1996. Язык визуального представления знаний и его место в САКЕ-технологии // Журнал Известия РАН, Теория и системы управления, N2. — c.146-151.
18. Тельнов Ю.Ф. Интеллектуальные информационные системы. — М.: Московский государственный университет экономики, статистики и информатики, 2003. — 26 с.
19. Кравченко Ю.А. Принятие решений в информационных системах на основе нечеткого моделирования // Российская академия наук. Научный журнал. Известия КБНЦ РАН.- 2013. — № 1 (51).
- С. 21-26.
20. Курейчик В.В., Родзин С.И. О правилах представления решений в эволюционных алгоритмах // Известия ЮФУ. Технические науки. — 2010. — № 7 (108).
- С. 13-21.
21. Курейчик В.М. Особенности построения систем поддержки принятия решений // Известия ЮФУ. Технические науки. — 2012. — № 7 (132).
- С. 92-98.
22. Научная библиотека КиберЛенинка: http://cyberleninka.ru/article/n/integrirovannaya-model-predstavleniya-znaniy-na-osnove-metoda-nechetkogo-modelirovaniya#ixzz 3vWwCUBab
23. Асаки K., ВатадаД.,Иваи С. и др. Прикладные нечеткие системы/ Пер. с япон.; под ред. Тэрано T., Сугэно M. — M.: Мир, 1993. — 368 с.
24. Заде Л.А. Основы нового подхода к анализу сложных систем и процессов принятия решений// Математика сегодня: Сборник статей; пер. с англ. — M.: Знание, 1974. — C.5- 49.
25. Заде Л. Понятие лингвистической переменной и ее применение к принятию приближенных решений/ Пер. с англ. Колмогоров A.H., Новиков С.П. — M.: Мир, 1976. -165 с.
26. НовакВ., Перфильева И., МочкоржИ. Математические принципы нечеткой логики/ Пер. с англ. подред. АверкинаА.Н. — M.: ФИЗМАТЛИТ,2006. — 352 с.
27. Орловский C.A. Проблемы принятия решений при нечеткой исходной информации. — M.: Радио и связь, 1981. — 286 с.
28. Штовба С.Д. Введение в теорию нечетких множеств и нечеткую логику.
