Contribuţii la achiziţia şi structurarea cunoştinţelor în sisteme inteligente pentru diagnoza defectelor
Diagnoza defectelor
Metoda arborilor de decizie presupune reprezentarea situaţiei
decizionale printr-un arbore, şi apoi determinarea nivelului de
importanţă a variantelor decizionale prin calculul speranţei matematice.
Considerăm următoarele mulţimi:
D – mulţimea nodurilor decizionale,
A – mulţimea nodurilor aleatoare,
C – mulţimea nodurilor consecinţă economică.
Speranţa matematică este o funcţie S : D ∪ A ∪ C → R, definită
prin:
unde pentru fiecare arc (N, X), cu N ∈ A şi X ∈ D, p(X) reprezintă
probabilitatea ataşată arcului (N, X), iar pentru un nod X ∈ D ∪ A,
Succ(X) reprezintă mulţimea succesorilor (descendenţilor direcţi) ai lui
X.
Pentru fiecare nod decizional speranţa matematică indică nivelul de
importanţă al deciziei optime din nodul N.
Un arbore de decizie poate fi utilizat drept bază de cunoştinţe pentru
un sistem expert în vederea determinării deciziei optime. Pentru aceasta
trebuie să reprezentăm arborele sub forma unei mulţimi de enunţuri
simbolice.
O altă posibilitate este să reprezentăm arborele printr-o mulţime de
fapte, astfel încât fiecare faptă să corespundă unui nod al arborelui şi
descendenţilor săi direcţi. Vom asocia descendentului direct al unui nod
decizional decizia care a condus la nodul respectiv (tipul lui se defineşte
sub forma de mai jos)
nod_decizie_succ=dn(decizie, nod_aleator)
Descendentului direct al unui nod aleator i se va asocia cazul
(situaţia) care a condus la nodul respectiv şi probabilitatea acestei situaţii
(tipul lui se defineşte mai jos)
nod_aleator_succ= cpn(caz,probabilitate,
nod_decizie_sau_consecinţa)
Concluzii: Arborii de decizie sunt folosiţi pentru a selecta cea mai
bună direcţie de acţiune în situaţiile în care apare incertitudinea.
Parametrii de complexitate şi acurateţe sunt interconectaţi: un arbore mai
29