ПОСТРОЕНИЕ ЭКСПЕРТНОЙ СИСТЕМЫ С ПОМОЩЬЮ ПРОГРАММНОГО СРЕДСТВА MSEXCEL

Экспертная система (ЭС) представляет собой мощный инструмент, который позволяет оперировать технологиями искусственного интеллекта во многих неформализованных задачах [3, с. 150].

Предметной областью данной экспертной системы выступает выбор оптимального направления повышения квалификации. Повышение квалификации, представляет собой обновление теоретических и практических знаний, улучшение навыков специалистов по причине постоянно повышающихся требований к их квалификации. В целях упрощения подобной задачи была разработана экспертная система, которая позволяет специалисту на основе дисциплин осуществить выбор оптимального направления повышения квалификации.

Построение системы основывается на обучении ЭС и процессе проведения экспертизы.

Первым шагом разработки является выделение направлений повышения квалификации и дисциплин сельского хозяйства. В качестве направлений сельского хозяйства были рассмотрены: экология и природопользование, агрономия, землеустройство и кадастры.

У рассматриваемых направлений повышения квалификации существует 8 дисциплин: агрохимия, адаптивное растениеводство, органическая химия, микробиология, ландшафтоведение, реология, фотограмметрия, плодоводство.

Так как предъявляется 3 направления, то необходимо провести минимум 3 итерации для того, чтобы обучить ЭС.

Для реализации задачи было выбрано приложение – Microsoft Excel, которое входит в состав Microsoft Office.

Вторым шагом является построение матрицы ЭС, которая различает направления повышения квалификации предъявляемых ей дисциплин.

Обозначим дисциплины:

x1 - агрохимия,

x2 - адаптивное растениеводство,

x3 - органическая химия,

x4 – микробиология,

x5 - ландшафтоведение,

x6 – реология,

х7 – фотограмметрия,

х8 – плодоводство.

Предположим, что распознаванию будет подлежать 4 направления повышения квалификации, то есть размер матрицы – 8х4. Начальное состояние матрицы нулевое:

Рисунок 1. Начальное состояние матрицы

Столбцы соответствуют направлениям подготовки (А, B, C, D), строки - признакам (x1, x2, x3, x4, x5, x6…x8).

Итерация 1.

Переведем систему в режим обучения.

Предъявляем системе пример 1: направление повышения квалификации А обладает следующими признаками x1=1, x2=1, x3=0, x4=1, x5=1, x6=0, x7=0, x8=0. То есть направление повышения квалификации А – это «Экология и природопользование». Экология и природопользование изучает агрохимию (x1=1), изучает адаптивное растениеводство (x2=1), не изучает органическую химию (x3=0), изучает микробиологию (x4=1), изучает ландшафтоведение (x5=1), не изучает реологию (x6=0), не изучает фотограмметрию (х7=0), не изучает плодоводство (х8=0). Вектор (11011000) прибавляется (поощрение!) к столбцу А и вычитается (наказание!) из столбцов B и C, D. Получаем следующий вид матрицы после обучения примеру 1. Для проверки переведем систему в режим экспертизы. Предъявим ей в качестве примера Экология и природопользование (110011000). Для экспертизы умножим вектор (11011000) на матрицу. Из вектора (4, -4, -4, -4) следует выбрать направление повышения квалификации, характеризуемое максимальным числом. Это направление А, число 4. То есть предъявленный объект опознан как Экология и природопользование [1, с. 80].

Рисунок 2. Вид матрицы после 1 обучения

Итерация 2.

Переведем систему в режим обучения.

Предъявляем системе пример 2: направление повышения квалификации B обладает следующими признаками x1=1, x2=0, x3=1, x4=1, x5=0, x6=0, x7=0, x8=1. То есть направление повышения квалификации B – это «Агрономия». Агрономия изучает агрохимию (x1=1), не изучает адаптивное растениеводство (x2=0), изучает органическую химию (x3=1), изучает микробиологию (x4=1), не изучает ландшафтоведение (x5=0), не изучает реологию (x6=0), не изучает фотограмметрию (х7=0), изучает плодоводство (х8=1). Вектор (10110001) прибавляется (поощрение!) к столбцу B и вычитается (наказание!) из столбцов A и C, D. Получаем следующий вид матрицы после 2 обучения (Рисунок 3).

Для проверки переведем систему в режим экспертизы. Предъявим ей в качестве примера Экология и природопользование (110011000). Для экспертизы умножим вектор (110011000) на матрицу [6, с. 331].

Из вектора (2, -2, -6, -6) следует выбрать направление повышения квалификации, характеризуемое максимальным числом. Это направление повышения квалификации А, число 2. То есть предъявленный объект опознан как Экология и природопользование.

Предъявим ей в качестве примера Агрономия (10110001). Для экспертизы умножим вектор (10110001) на матрицу.

Из вектора (-2, 2, -6, -6) следует выбрать направление повышения квалификации, характеризуемое максимальным числом. Это направление повышения квалификации B, число 2. То есть предъявленный объект опознан как Агрономия [4, с. 270].

Система научилась распознавать классы А и B, на которых была обучена.

Рисунок 3. Вид матрицы после 2 обучения

Итерация 3.

Предъявляем системе пример 3: направление повышения квалификации C обладает следующими признаками x1=0, x2=1, x3=0, x4=1, x5=1, x6=0, x7=1, x8=0. То есть направление повышения квалификации C – это «Землеустройство и кадастры». Вектор (01011010) прибавляется (поощрение!) к столбцу C и вычитается (наказание!) из столбцов A и B, D. Получаем следующий вид матрицы после 3 обучения [2, с. 244].

Рисунок 4. Вид матрицы после 3 обучения

Рисунок 5. Результаты экспертизы

Для проверки переведем систему в режим экспертизы. Предъявим ей в качестве примера Экология и природопользование (11011000). Для экспертизы умножим вектор (11011000) на матрицу. Из вектора (-1, -5, -3, -9) следует выбрать направление повышения квалификации, характеризуемое максимальным числом. Это направление повышения квалификации А, число -1. То есть предъявленный объект опознан как Экология и природопользование. Предъявим ей в качестве примера Агрономия (10110001). Для экспертизы умножим вектор (10110001) на матрицу. Из вектора (-3, 1, -5, -7) следует выбрать направление повышения квалификации, характеризуемое максимальным числом. Это направление повышения квалификации B, число 1. То есть предъявленный объект опознан как Агрономия. Предъявим ей в качестве примера Землеустройство и кадастры (01011010). Для экспертизы умножим вектор (01011010) на матрицу. Из вектора (-2, -6, 0, -8) следует выбрать направление повышения квалификации, характеризуемое максимальным числом. Это направление повышения квалификации C, число 0. То есть предъявленный объект опознан как Землеустройство и кадастры. В последующих итерациях алгоритм обучения системы основывается по аналогии с предыдущими распознаваниями направлений повышения квалификации [5, с. 267].

Итерация 4.

Предъявляем системе пример 4: класс D обладает следующими признаками x1=0, x2=0, x3=1, x4=1, x5=0, x6=1, x7=0, x8=0. То есть класс D – это «Продукты питания животного происхождения».

Рисунок 6. Вид матрицы после 4 обучения

Рисунок 7. Вид матрицы после 4 обучения

На рисунках 6,7 показано, что система распознает направления повышения квалификации A, B, C, D. Таким образом можно сделать вывод, что система обучена [9, с. 336].

После четырёх итерации обучения система устойчиво опознает каждое из предъявляемых ей направлений повышения квалификации. Таким образом, можно сделать ряд выводов.

Во-первых, ЭС позволяет произвести выбор оптимального направления повышения квалификации по заданным дисциплинам, и результаты полностью соответствуют ожидаемым [7, с. 320].

Во-вторых, анализируя полученную матрицу обученной экспертной системы, можно сделать вывод о похожести ряда представленных дисциплин, то есть направлений повышения квалификации.

В-третьих, можно выделить наиболее значимые дисциплины для выбора оптимального направления повышения квалификации, а также дисциплины, которые будут являться не существенными, например, дисциплины, присутствующие у большинства направлений повышения квалификации [8, с. 400].

В-четвертых, полученную экспертную систему можно использовать для выбора оптимального направления повышения квалификации и в условиях неопределенности, например, в случае если некоторые дисциплины освоены не полностью или для специалиста являются не значимыми, то значения дисциплины можно установить равным 0,5. В этом случае экспертиза затрудняется, так как расстояние между примерами уменьшается, но различие можно установить по оставшимся точным значениям других дисциплин.

Использованные источники:

  1. Зайцева Т.В. Научные аспекты современных исследований / Т.В. Зайцева, О.П. Пусная, Е.Ю. Шуваева // Сборник научных работ VIII Международной научной конференции Евразийского Научного Объединения — М.: ЕНО, 2015. — 80 с.
  2. Зайцева Т.В. Актуальные направления фундаментальных и прикладных исследований Материалы VI международной научно-практической конференции / Т.В. Зайцева, Е.Ю. Шуваева, О.П. Пусная, С.В. Игрунова, Н.П. Путивцева, Е.А. Зайцева, Е.В. Нестерова // НИЦ «Академический» — North Charleston, USA, 2015. — 244 с.
  3. Литвинов А.Л. Серия «Информационные системы и технологии» / А.Л. Литвинов, Т.В. Зайцева, С.В. Игрунова, Н.П. Путивцева, О. П. Пусная // Орел: Известия ОрелГТУ, 2010. — №6 (62) — 150 с.
  4. Баженов Р.И. О применении современных технологий в разработке интеллектуальных систем / Р.И. Баженов, Д.К. Лопатин // Курск: Журнал научных публикаций аспирантов и докторантов, 2014. — № 3 (93) — 270 с.
  5. Гаскаров Д. Б. Интеллектуальные информационные системы / Д. Б. Гаскаров // М: Высшая школа, 2003. — 267 с.
  6. Заботина Н.Н. Проектирование информационных систем: Учебное пособие / Н.Н. Заботина // М: НИЦ Инфра-М, 2016. — 331 с.
  7. Коваленко В.В. Проектирование информационных систем: Учебное пособие / В.В. Коваленко // М: Форум: НИЦ ИНФРА-М, 2018. — 320 с.
  8. Голицына О.Л. Базы данных: Учебное пособие / О.Л. Голицына, Н.В. Максимов, И.И. Попов — 2-e изд., испр. и доп. М: Форум: ИНФРА-М, 2009. — 400 с.
  9. Шустова Л.И. Базы данных: учебник / Л.И. Шустова, О.В. Тараканов // М: НИЦ ИНФРА-М, 2016. —336 с.
b