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