ПРИНЦИП ПРЕДЕЛЬНЫХ ОБОБЩЕНИЙ: методология, задачи ...

197
описания {τ/T 0 } может быть построена, в частности, полная синдромная
модель знаний с помощью алгоритма 5.2, что и доказывает предложение.
Пусть {S} – произвольная синдромная модель знаний, тогда, используя
отображение s/µ s , соответствующую предельную модель знаний можно
определить так
∀{S}, {S * } {S} = ∪ S ∈ {S} {S * } S . (5.9)
Модель знаний {S * } {S} назовем сопряженной предельной моделью для {S}.
На процедурном уровне операция (5.9) реализуется с помощью алгоритма
5.1. Справедливо следующее предложение.
Предложение 5.6. Для любой синдромной модели знаний существует
единственная сопряженная предельная модель знаний на .
Предельная синдромная модель знаний, образуется путем объединения
сопряженных множеств («облаков») предельных синдромов,
соответствующих синдромам исходной модели. Так как сопряженные
множества отдельных синдромов определяются единственным образом, то
их объединение также единственно.
Приведем алгоритм построения сопряженной предельной синдромной
модели знаний ({S} Full,{τ/T} ) * , который основан на предварительном
построении полной синдромной модели знаний {S} Full в рамках
фиксированного описания базы прецедентов Ω({τ/T}).
Алгоритм 5.3
Вход: Описание {τ/T}, контекст K = < Ω, {G(τ)}>.
Выход: ({S} Full,{τ/T} ) * .
LKB ({τ/T}, K)
begin
({S} Full ) * := ∅;
{S} Full := KB (Ω({τ/T});
for S ∈ {S} Full do begin
{S * } S := LimS (S, K);
({S} Full ) * := ({S} Full ) * ∪ {S * } S end;
return (({S} Full ) * )
end.
Синдромная модель знаний минимальна, если из нее нельзя удалить ни
один синдром без потери полноты охвата прецедентов из Ω({τ/T 0 }). В
рамках описания базы прецедентов Ω({τ/T}) может существовать
множество минимальных синдромных моделей знаний, содержащих разное
количество синдромов. Следовательно, в рамках описания Ω({τ/T})
существуют абсолютно минимальные синдромные модели знаний