ПРИНЦИПЫ ИДЕНТИФИКАЦИИ СТАТУСА ИСТИННОСТИ ОБЪЕКТОВ

Abstract

В статье рассматривается проблема формирования и анализа данных относительно технологии интеллектуального анализа данных (Data Mining) и искусственного интеллекта на основе логики предикатов, с учётом семантических правил интерпретации и вывода, когда под семантикой языка логики предикатов понимают такие правила модификации её выражений, которые позволяют определять соответствия их элементам свойств объектов проблемной области. Последние могут быть сформированы в хранилищах данных и модифицированы в оптимальные структуры на основе принятых в искусственном интеллекте этапов преобразования данных в знания с целью обеспечения эффективности исследований, в том числе и с учетом средств нечеткой лингвистической логики. При этом слабый учет структуры некоторых простых высказываний оказывает непосредственное влияние на целесообразность использования логики предикатов, когда истинность заключения непосредственно связано с логическими структурами. Следует иметь в виду, что интеллект часто оперирует такими выражениями как: очень малая, малая, средняя, большая, очень большая и т.д. относительно характеристики истинности, что свидетельствует об их эквивалентности значениям соответствующей лингвистической переменной в ситуациях не достаточного понимания истинности или ложности и целесообразности восприятия истинности в аспекте лингвистической переменной истинности[1-4]. Известно, что это приводит к нечеткой лингвистической логике, которая составляет основу приближенных рассуждений, формализуемых композиционными правилами вывода, как обобщения традиционного modus ponens в контексте импликации с пропозициональных переменных на fuzzy множества. В теории нечетких множеств процесс отображения нечетких посылок в определенные, как правило, нечеткие следствия называются приближенными рассуждениями, составляющими основу интеллекта относительно оценки и принятия решений в условиях неопределенности, что традиционно реализуется в качественных терминах отличных от интеллекта компьютерной системы. Если в традиционной логике импликация воспринимается как логическая связка относительно пропозициональных переменных, то в рассуждениях понимается как fuzzy множества, или fuzzy предикаты с учетом соответствующего обобщения понятия импликации на fuzzy множества, реализованного высказыванием если А, то В, иначе С, в контексте частного случая высказывания если А, то В. В то же время следует обратить внимание на традиционное задание терм- множеств относительно малым числом лингвистических термов с возможностью определения однозначного соответствия элементам их семантической характеристики. Поскольку на это число какие-либо ограничения не накладываются, исследования лингвистических термов в совокупности с семантикой следует производить алгоритмически вместо традиционного просмотра, что приводит к восприятию лингвистической переменной как структурированной. В общем случае синтаксические и семантические правила представляются алгоритмическими ресурсами в контексте связи со структурированной лингвистической переменной [5-8]. Исходя из этого под структурированной лингвистической переменной понимают алгоритмическое представление как ее терм-множества, так и функцию однозначного соответствия его элементов семантическим характеристикам, что позволяет говорить о том, что связанные с подобными структурами синтаксические и семантические правила ориентированы на генерацию элементов базового множества определенных смысловых содержаний. Следует иметь в виду, что если синтаксис понимается в аспекте создания альтернативных термов лингвистической переменной, то семантика рассматривается как процесс модификации указанных термов на основе разработки соответствующего fuzzy множества, определяющего его семантическую особенность. Ключевые слова: Data Mining, искусственный интеллект, n-местные предикаты, статус истинности, функция принадлежности.