Systemy informacyjne i bazy wiedzy
Feliks Kurp
rok akademicki 2002/2003
Treści programowe:
Godziny zajęć wg. planu: w. ćw. lab.
sem VIII 30 - - sem IX - - 30 1. Wykład:
Definicja systemu informacyjnego jednowartościowego. Podstawowe własności systemów jednowartościowych. Zależności między atrybutami. Systemy zredukowane. Podsystemy informacyjne. Składnia i semantyka języków zapytań jednowartościowych systemów informacyjnych. Postać normalna termów. Podstawowe estymatory języka.
Systemy informacyjne wielowartościowe. Składnia i semantyka języka systemów wielowartościowych.
Przybliżone systemy informacyjne. Składnia i semantyka języka przybliżonego systemu informacyjnego. Obliczenia przybliżone wartości termów języka dokładnego.
Treści programowe (ciąg dalszy):
Systemy informacyjne rozproszone.
Podstawowe pojęcia teorii zbiorów przybliżonych. Przybliżona klasyfikacja obiektów. Aproksymacja zbiorów i rodziny zbiorów. Klasyfikacja przybliżeń zbiorów. Redukcja atrybutów. Istotność atrybutów. Próbka zbioru. Klasyfikacja wielowartościowa. Niepełna klasyfikacja obiektów.
Przypadek wielu ekspertów. Wykorzystanie teorii zbiorów przybliżonych w opisie procesów uczenia się.
Tablice decyzyjne. Istotność atrybutów warunkowych. Akwizycja wiedzy.
Wykorzystanie atrybutowo zorientowanych zbiorów przybliżonych w bazach wiedzy.
Modele decyzyjne w lingwistycznych bazach danych.
2. Ćwiczenia laboratoryjne:
W czasie ćwiczeń laboratoryjnych studenci projektują i budują
ZASTOSOWANIA:
• Medycyna: rozpoznawanie obrazów, diagnostyka, podejmowanie decyzji (np.o operacji)
• Ekonomia: wycena przedsiębiorstwa, strategie marke- tingowe, polityka kredytowa, prognozowa- nie rozwoju
• Sterowanie: np. procesami produkcyjnymi
• Kryminalistyka
• Archeologia
• i wiele, wiele innych ...
Literatura podstawowa:
1. Zdzisław Pawlak: Systemy informacyjne Podstawy
teoretyczne, WNT, 1983
2. Adam Mrózek, Leszek Płonka: Analiza danych metodą
zbiorów przybliżonych Zastosowania w ekonomii, medycynie i sterowaniu, Akademicka Oficyna Wydawnicza PLJ, W-wa 1999
3. Alicja Wakulicz-Deja: Podstawy systemów wyszukiwania informacji Analiza metod, Akademicka Oficyna Wydawnicza PLJ, W-wa 1995
4. praca zbiorowa pod red. R. Zajdel: Kompendium informatyki medycznej, rozdział „Zbiory przybliżone”, rok wyd. 2003
Współczesne metody analizy danych
STATISTICS
Fuzzy Sets
DATA MINING
GIS Applications Froud Detection
Cellurar Automata
Rough Sets WareHouses
1 2 3
Dlaczego DATA MINING ?
• Dane lingwistyczne reprezentują tylko same siebie i nic ponadto w sensie: typu, wartości, itp.
• Wartości danych lingwistycznych są wyrażone za po- mocą języka naturalnego. Mają charakter nie ilościo- wy a jakościowy, bardzo często subiektywny.
• Mogą tworzyć ciągi uporządkowane ( wysoki, średni, niski ), lub - nie ( pogodnie, mglisto, wietrznie), nieraz wynikają z kwantyzacji danych liczbowych. W teorii zbiorów przybliżonych nie uwzględnia się
uporządkowania danych lingwistycznych.
Modele matematyczne systemów informacyjnych
• oparte na teorii grafów - Sussenguth[63],
Stanfeld[72], Cardenas[73], Yang[77], Mansur[80], Gopalakrishna[80],
• oparte na tezaurusie - Turski[71], Radecki[76],
• oparte na teorii zbiorów i algebrze Boole’a – Hsiao i Harary[70], Dąbrowski i Mączyńska[74],
Cleveland[76], Lipski[77], Robertson[77].
Modele (teorie) ogólne
• model Maedy’a [81],
• model funkcyjny – Zdzisław Pawlak[76]
Model funkcyjny (zasadnicza bibliografia)
• pierwsze sformułowanie tego podejścia –
W. Marek, Z. Pawlak: Theoretical Computer Science,1, 1976
• praca prekursorska –
Codd E.F.: Comm. ACM, 13,6, 1970
• ostateczne sformułowanie teorii –
Z. Pawlak: Information systems –theoretical foundation, Information systems, 6,3, 1981
Bibliografia:
•HU X., CERCONE N., ZIARKO W., (1997) Generation of Multiple Knowledge from Databases Based on Rough Sets Theory, in
Rough Sets and Data Mining, Kluwer Academic Publishers
•LIN T. Y., (1997) Rough Sets & Data Mining, Boston, Kluwer Academic Publishers
•PAWLAK Z., (1981) Information systems – theoretical foundation, Information systems,3
•PAWLAK Z., (1982) Rough Sets, International Journal of Information and Computer Science, 11, 5, 341-356
•PAWLAK Z., (1991) Rough sets: Theoretical aspects of reasoning about data, Dordrecht, Kluwer Academic Publishers
•POLLACK S. L., HICKS H. T. Jr., HARRISON J. W., (1971) Decision tables: Theory and Practice, New York, John Wiley and Sons, Inc.
Bibliografia:
•SLOWINSKI R. (ed.), (1992) Intelligent Decision Support – Handbook of Applications and Advances of the Rough Theory, Kluwer Academic Publishers
•WEISS S. M., (1998) Predicative data mining: a practical guide, San Francisco, Morgan Kaufmann
•ZIARKO W. (ed.), (1994) Rough Sets, Fuzzy Sets and Knowledge Discovery,London, Springer-Verlang
System informacyjny:
A N
porcja [a1]
smak [a2]
słoność [a3]
łatwość smar.
[a4]
zawart.
witam.
[a5]
trwałość [a6] S1
S2
S3 S4
250g 250g 150g 500g
dobry dobry
TO dobry
dobra ZS dobra
MS
wystar duża średnia
mała
duża duża wystar
duża
mała duża duża duża Opinie konsumentów nt. jakości produktów pewnej firmy produ- kującej masło (TO - trudno ocenić, ZS- za słone, MS- mało słone)
Model funkcyjny systemu informacyjnego
X, Α, V, ρ S
gdzie
X - jest skończonym zbiorem obiektów (stanów) A - jest skończonym zbiorem atrybutów,
charakteryzujących obiekty
AV
aV
a
V A
X
ρ :
- jest skończonym zbiorem wartości atrybutów, Va jest dziedziną atrybutu a A
- jest funkcja informacji w systemie Żądamy, aby funkcja była funkcją całkowitą.
Podana definicja dotyczy tzw. systemu informacyjnego jednowartościowego.
W rzeczywistych systemach:
- niektóre atrybuty mogą przybierać wiele wartości -> systemy wielowartościowe,
- wartości pewnych atrybutów nie można określić w sposób
jednoznaczny (możemy tylko podać zbiory możliwych wartości) -> systemy przybliżone,
- zbiory obiektów są opisywane z pewnym zadanym stopniem precyzji -> systemy zmienno-precyzyjne wg. Wong, Wang i Yao, - systemy podlegają pewnej dynamice polegającej na zmianach zawartości zbiorów: obiektów, atrybutów i ich wartości -> modele dynamiczne.
Kanon teorii zbiorów przybliżonych:
W statystyce i teorii zbiorów rozmytych dane charakte- ryzuje się liczbowo. W teorii zbiorów przybliżonych - za pomocą relacji nierozróżnialności i zależności funkcyjnej między zbiorami atrybutów.
Def
Deskryptorem nazywać będziemy parę (a,v), gdzie a A jest atrybutem, natomiast vVa - jest wartością atrybutu a ze zbioru wartości Va.
Def
Informacja o obiekcie xX dana jest przez pełny zbiór deskryptorów (a,v), tj. zbiór deskryptorów w którym
wystepują wszystkie atrybuty a A a poszczególne v są wartościami funkcji informacji (x,a). Informację o
obiekcie, zwaną tez opisem obiektu, oznaczać będziemy przez X
Def
Informacją w systemie nazywać będziemy taki pełny zbiór deskryptorów (a,v), w którym wystepują wszystkie atrybuty a A, a poszczególne vVa.
System, w którym każdej informacji odpowiada co najwyżej jeden obiekt nazywać będziemy systemem selektywnym.
Def
Przez Inf(S) oznaczać będziemy zbiór wszystkich możliwych informacji w ustalonym systemie S.
Zachodzi następująca zależność:
Każda informacja wyznacza pewien zbiór obiektów X , taki, że
A a
V
acard S
Inf
card ( ( )) ( )
X
} :
{ x X
xX
Obiekty te są w systemie S nierozróżnialne.
Def
Mówimy, że informacja jest w systemie S pusta, gdy X jest zbiorem pustym. Podobnie, gdy X =X mówimy, że informacja jest prawdziwa.
Mówimy, że dwa obiekty x,yX są w systemie S nierozróżnialne
- ze względu na atrybut a A (a-nierozróżnialne), wtedy i tylko wtedy, gdy (x,a)=(y,a),
- ze względu na zbiór atrybutów P A
(P-nierozróżnialne) wtedy i tylko wtedy, gdy
) , ( )
,
( x a y a
P a
- ze względu na cały zbiór atrybutów A
(A-nierozróżnialne), wtedy i tylko wtedy gdy x= y
Wszystkie te relacje są relacjami nierozróżnialności w produkcie kartezjańskim X2 i dzielą cały zbiór obiektów na rozłączne klasy abstrakcji (równoważności), zwane blokami elementarnymi lub składowymi atomowymi,
np.
s
Relacje nierozróżnialności oznaczać będziemy odpowiednio:
y x
~
a x y~
P x y~
SNiech i będą różnymi informacjami w systemie S.
Z każdym blokiem elementarnym związana jest jedna, i tylko jedna informacja, przy czym:
Aa a
~
~
sWłasności:
0
X
X
Inf (SX
) X
Dla każdej informacji zbiór X jest blokiem elementarnym, albo zbiorem pustym.
System informacyjny, w którym każda informacja jest niepusta nazywać będziemy kompletnym.
Niech dwa systemy informacyjne S i S’ mają ten sam zbiór obiektów.
Def
Powiemy, że oba systemy są równoważne (co
zapiszemy S ~ S’ ) wtedy i tylko wtedy, gdy generują tę samą relację równoważności na zbiorze X, tj.
~ ~
' S S
Def
Powiemy, że system S jest dokładniejszy od S’ (co zapiszemy S < S’ ) wtedy i tylko wtedy, gdy
~ ~
' S
S
Def
Jeżeli w systemie informacyjnym S usuniemy wszystkie powtarzające się wiersze (tj. zawierające tę samą
informację), to otrzymamy system
S* zwany
reprezentacją systemu
Reprezentacja systemu jest czwórką:
*
* E , Α, V, ρ
S S
gdzie: ES jest zbiorem bloków elementarnych (multizbiorem obiektów),
* jest funkcją informacji
ρ * : E
S A V
zawierającą wartości: (e,a), gdzie eES
Def
Powiemy, że atrybut b zależy od atrybutu a ( a b ) wtedy i tylko wtedy, gdy istnieje funkcja
taka, że Własność
Reprezentacja systemu jest systemem kompletnym.
Zależności między atrybutami
V V
a bb
f
a: ))
( (
)
( b f
ab xa
x
Własność
)
( a b ~ ~
b a
Def
Powiemy, że atrybuty a i b są niezależne jeżeli nie zachodzi ani ani
Przykłady zależności funkcyjnych w rzeczywistych systemach informacyjnych:
nr_tlf nr_kodu_pocztowego w książce telefonicznej nazw_wykł, dzień_tyg, godz, sala wykład
~
~
a b ~ ~
a b
Def
Powiemy, że atrybuty a i b są równoważne w systemie (a b), jeżeli zachodzi
~ ~
b a
Def
Powiemy, że atrybut a zależy od zbioru atrybutów BA (B a ) wtedy i tylko wtedy, gdy istnieje funkcja
taka, że
)) (
,.
..
), (
( )
(
Ba x 1 x nx
a f b b
Własność
)
( B a ~ ~
a B
V V
V
b bn aa
B
x x
f :
1. ..
Analogicznie możemy mówić o zależności a B oraz B C. Wtedy należy rozważać układy funkcji
f
abic
Wszystkim tym zależnościom funkcyjnym odpowiadają równoważne zawierania miedzy odpowiednimi klasami równoważności na zbiorach atrybutów stojących po lewej i prawej stronie operatora .
Algorytm badania zależności funkcyjnej między dwoma dowolnymi zbiorami atrybutów BA oraz CA:
Zależność B C nie zachodzi, jeśli w tabeli funkcji informacyjnej (x,a) istnieją dwa wiersze o takich samych wartościach atrybutów b1, ... , bnB lecz różnych wartościach atrybutów c1, ... , cmC, w przeciwnym przy- padku - zalezność funkcyjna zachodzi.
Def
Powiemy, że zbiór atrybutów BA jest minimalny w systemie S wtedy i tylko wtedy, gdy dla każdego B’ B jest
~ ~
' B
B
Systemy zredukowane
Def
Zbiór atrybutów B A jest zależny w systemie S wtedy i tylko wtedy, gdy istnieje taki zbiór atrybutów B’ B, że
~
~
B' B
Własność
Jeżeli zbiór atrybutów B A jest zależny w systemie S, to istnieje taki podzbiór B’ B, że
Def
Zbiór atrybutów A jest wyprowadzalny w systemie S ze zbioru atrybutów B wtedy i tylko wtedy, gdy
~ ~
B A
Własność
Jeżeli zbiór atrybutów B A jest minimalny w systemie S, to dla każdego atrybutu a A\B jest B a.
a
B
B
B
a
\ '
Własność
Jeżeli B A oraz zbiór atrybutów A jest wyprowadzalny ze zbioru B, to istnieje taki podzbiór A A\B.
Własność
Jeżeli zbiór atrybutów A jest minimalny w systemie S, to A nie jest wyprowadzalny z żadnego podzbioru właściwego A.
Def
Zbiór atrybutów B A nazywamy reduktem zbioru
atrybutów A wtedy i tylko wtedy, gdy oraz nie
istnieje właściwy podzbiór B’ B, taki że
Redukt systemu
~
~
B A
~
~
Def
Odpowiedni system S’=<X,B,V’,’> , gdzie oraz
nazywamy systemem zredukowanym z żadnego podzbioru właściwego A.
BV
aV
a
' ρ :' X B V '
Własności
• Każdy system informacyjny może mieć więcej niż jeden redukt,
• Dla każdego systemu informacyjnego istnieje zredukowany system informacyjny jemu równoważny,
Dalsze własności
• Jeżeli system informacyjny jest kompletny, to jest także zredukowany. Odwrotna zależność nie zachodzi.
• Jeżeli system informacyjny jest zredukowany, to wszystkie jego atrybuty są parami niezależne. Odwrotna zależność nie zachodzi.
Podsystemy informacyjne
Def
System S’=<X’,A’,V’,’> jest podsystem systemu S (co będziemy zapisywać ogólnie S’<S), gdy X’ X, A’ A, oraz
ρ ' |
X 'A'Jeżeli w tablicy funkcji (x,a) systemu S usuniemy pewne wiersze i/lub kolumny, to tak powstały system informacyjny S’ będzie podsystemem S.
Def
Jeżeli S’<S oraz X=X’ to powiemy, że S’ jest podsystemem S z ograniczonymi atrybutami, co
zapiszemy lub
S S
'
X 'S ' S |
X 'Def
Jeżeli S’<S oraz A=A’ to powiemy, że S’ jest podsystemem S z ograniczonymi obiektami, co
zapiszemy lub
S S
'
A'S ' S |
A'Własności (przykładowe)
• Jeżeli to
• Jeżeli to
• Jeżeli S’ jest dowolnym podsystemem S, oraz system S jest zredukowany, to również S’ jest zredukowany
• Jeżeli oraz system S jest kompletny, to S’ nie
musi być kompletny.
S S '
X '
S
S '
A'~ ~
' S S
~ '
~
'X
S S
S
S '
X 'Dalsze przykładowe własności
• Jeżeli gdzie Y X oraz B A, to istnieją systemy oraz takie, że
przy czym systemy S1 i S1 sa jedyne.
' S |
,S
Y B1
S |
S
YS
2 S |
B| ' |
2
1
S
S S
Y B
S
iSystemy rozproszone (sieciowe) Systemy rozproszone to systemy:
• fizycznie rozproszone,
• z rozproszonymi użytkownikami lokalnymi.
Założenia:
• istnieją jedynie zbiory elementarne w poszczególnych
systemach ,są one lokalnie tworzone i modyfikowane,
• nie istnieje system centralny, ale możemy mówić o języku centralnym L s systemu , lubi A
| S
i S
i
X
S S
i
|
gdzie: jest k-tym termem składowym termu t obciętym do atrybutów sytemu Si ,
n jest ilością termów składowych, m – ilością systemów.
Systemy lokalne mogą być wielostopniowe, bądź 1. Język centralny zdekomponowany atrybutowo
Jeżeli użytkownik języka zada pytanie, w którym znajdują się atrybuty spoza Ai ,wówczas musi być ono traktowane jako centralne, a odpowiedzią będzie
n k m
i
i A k
t
i S 1 1t
S) | (
) (
L
i S
i A k
t|
Znajdując odpowiedź musimy „zajrzeć” do każdego systemu lokalnego, chociaż może okazać się, że w niektórych z nich
Oczywiście, jeżeli pytanie nie zawiera atrybutów z jakiegoś języka lokalnego , wówczas o czym
wiadomo już na poziomie języka centralnego.
n k m
i
k
t
i S 1 1t
S) (
) (
L
i S
0
kt
1
i A|
kt
2. Język centralny zdekomponowany obiektowo
Tutaj można sobie pozwolić na doprowadzenie termu t do postaci normalnej w każdym języku , również
centralnym (mimo różnych znaczeń termów prostych), a odpowiedzią będzie
L
i S
Systemy wielowartościowe
Własności dekompozycji obiektowej:
• system centralny może być pomyślany jako wielostop- niowy, lub hierarchiczny. Nie zmienia to zasadniczej metody pozyskiwania odpowiedzi.
• każdy z użytkowników lokalnych może zadawać pytania centralne pod warunkiem, że poszczególne Vi = V.
Def
Deskryptorem wielowartościowym nazywać
będziemy parę (a,U), gdzie a A jest tzw. atrybutem wielowartościowym, natomiast UVa jest zbiorem wartości atrybutu a z całego zbioru Va.
Przykład atrybutu wielowartościowego : język ze zbiorem wartości Vjęzyk = {an, fr, pl}.
Def
Systemem wielowartościowym nazywać będziemy system informacyjny zawierający atrybuty
wielowartościowe.
Przykład deskryptora wielowartościowego : (język = an, pl).
Model funkcyjny systemu wielowartościowego
X, Α, V, ρ S
} 0 { )
(
: X A V
ρ P
- jest funkcja informacji w systemieWszystkie relacje równoważności systemu jednowartościowego, oraz związki między nimi, zachowują się w systemie wielowartościowym, jeśli każdy podzbiór traktować będziemy jak pojedynczą wartość.
oraz
a X
x
V a
x
ρ
) , (
Informacja o obiekcie
) (
:
ax X
x
V A
ρ P
a
V
aV
'
Każdy atrybut a przyjmuje w systemie wielowartościowym
1
2
card(Va )
wartości, a nie card(Va) wartości.System wielowartościowy pozwala na zadawanie o wiele więcej interesujących pytań.
Weźmy deskryptor
(język=an,fr)
Możemy pytać o osoby, które znają:
A. jednocześnie an,fr i nic ponadto, B. co najmniej te dwa języki i może pl, C. albo an, albo fr i żaden inny,
D. jeden z tych dwóch języków i może inne.
Składnia języka wielowartościowego Termy buduje się z symboli:
• stałych 0 i 1,
• deskryptorów wielowartościowych (a,U), U Va , (w szczególności (a,v), v Va ),
• symboli operacji:
~ . C C C
Każdy zbiór obiektów dający się wyrazić za pomocą sumy pewnej ilości bloków elementarnych nazywamy A-opisywalnym.
Niech X N będzie zbiorem nieopisywalnym w systemie. Wtedy
s N s X
N
A ~ :
A~
nazywać będziemy A-dolna aproksymacją zbioru X w systemie, lub obszarem pozytywnym.
Natomiast
: 0
~ N s N s
~ N
A
AA-górną aproksymacją zbioru X, różnicę
N A ~
\
obszarem negatywnym zbioru X.
Niech A = { a1, a2 } a1
a2
X N
blok elementarny
dolna aproksymacja
górna aproksymacja obszar negatywny
Niech F = { X1, X2, . . . , Xn } będzie podziałem zbioru obiektów na n rozłącznych podzbiorów.
Definicje, odpowiednio P-dolnej i P-górnej aproksyma- cji podziału, przedstawiają się następująco
P X P X P X
n
F
P ~
, ...
~ ,
~ ,
~
2
1) (
) ( )
(
~ ) (
~
~
card N
F Pos
N card
X P card
F P X
i P
i
nazywać będziemy P-jakością aproksymacji.
Estymator aproksymacji rodziny zbiorów F (podziału)
P X P X P X
n
F
P ~
, ...
~ ,
~ ,
~
2
1Natomiast
Zeleżności między zbiorami atrybutów
P-dokładnością aproksymacji rodziny zbiorów F.
F X
i F
X
i P
i
i
X P card
X P card
~ ) (
~ ) (
~
Definicja: Powiemy, że zbiór atrybutów B zależy w stopniu k od zbioru atrybutów P wtedy i tylko wtedy, gdy
P
kB k
P~( B
*)
gdzie B* jest rodziną klas abstrakcji
s
Własność 0 k 1
Pojęcie częściowej zależności między zbiorami atrybutów pozwala wyznaczać:
• redukty i redukty względne zbioru atrybutów
• atrybuty nieusuwalne i zbędne w systemie
• rdzeń i rdzenie względne systemu.
Ponadto:
• budować tablice decyzyjne
• oceniać istotność atrybutów warunkowych
Tablica decyzyjna jest zbiorem reguł decyzyjnych
postaci
V d
cc V
dV
cd
lc
kV
dl V
ckc
,.
..
, THEN
,.
. ,.
, IF
1
2 1
1
2 1
Zastosowanie teorii zbiorów przybliżonych do analizy danych umożliwia:
• ścisłe operowanie pojęciami nieprecyzyjnymi
• znajdowanie zależności funkcyjnych miedzy nimi
• eliminację zbędnych danych
• generowanie reguł decyzyjnych
BADANIA WŁASNE
Dynamikę systemu opisano za pomocą skończonego zbioru wyrażeń di = coni, gdzie poszczególne di są identyfikatorami opisu dynamiki, a poszczególne coni wyrażeniami odpowiednio je definiującymi. Każde z tych wyrażeń jest konkatenacją:
• identyfikatorów stanów Si N,
• identyfikatorami opisów dynamiki di D,
• wywołań funkcji:
- alternatywy: alt( 1, 1, . . . , 1,), - opcjonalności: opc( ),
Przykładowy zbiór opisów zachowań firmy produkującej masło
D = { d0 = = S1 d1, d1 =alt(S3 , S2 S3, d2)
d2 = opt(itr(S1 S3) opt(S4) }
gdzie jet wyróżnionym opisem początkowym, pozwa- lającym określić przynajmniej jednoelementowy zbiór stanów początkowych systemu.
Pomysł takiego opisu dynamiki oparłem na formaliźmie reguł Chomsky’ego, powszechnie używanych do formalnego opisu składni języka za pomocą tzw. gramatyk generacyjnych.
CHOMSKY N., (1965) Aspects of the theory of syntax, Cambrodge
A
B
S1 S2 S3
S1 S3 S4
S3
Diagram przejść stanów dla przykładowego zbioru opisów zachowań firmy produkującej masło
Pytanie: Co może stanowić podstawę wyboru kolej- nego stanu ze zbioru stanów dopuszczalnych w danym położeniu układu, jeśli są one, z
punktu widzenia opisu dynamiki, nieroz- różnialne ?
Odpowiedź: Wiedza zawarta w zbiorze stanów !,
Jeśli bowiem potrafimy oszacować istotność poszczególnych atrybutów decyzyjnych i
ograniczyć ich ilość, to łatwiej będzie dokonać wyboru.
Jak to zrobić ? Dla danego zbioru stanów dopuszczal- nych Pi N obliczyć wszystkie współczynniki ki(Aj) częściowej zależności funkcyjnej dla wszystkich podziałów zbioru atrybutów na Aj i jego dopełnienie N\Aj. Użytkownik, podej- mujący decyzję, otrzymuje od systemu zbiór stanów dopuszczalnych wraz z wartościami tych atrybutów, dla których wartość ki(Aj) jest równa 1, lub bardzo bliska 1.
Wprowadziłem pojęcie jakości wyboru, jako mierzaln- ego kryterium wyboru. Jest to pewna funkcja (g, Pi) dopuszczalnej dolnej granicy g dla współczynnika
ki g,1 oraz podzbioru stanów Pi N.
Możliwości uczenia się układu Motto:
Każdy układ rzeczywisty, obdarzony inteligencją, żyje dążąc do pewnego celu, osiągając po drodze cele częściowe. Doświadczenie (wiedza) zdobyta do osiągnięcia celów częściowych jest zwykle dobrze zapamiętywana.
Są dwie takie sytuacje, w których proponowany model układu będzie zależał od otoczenia:
• dostarczenie nowych stanów, opisujących rzeczywi- stość, które musi zaakceptować i które w określony sposób wpłyną na jakość wyboru w całym zbiorze stanów, deprecjonując inne stany (do usunięcia).
• wybór kolejnego stanu ze zbioru stanów dopuszczal- nych i przejście układu do kolejnego położenia z
nowym zbiorem stanów dopuszczalnych Pi+1, co spowoduje zmianę jakości wyboru w całym zbiorze stanów. Może to być podstawą do usunięcia stanów, które w tej nowej sytuacji wybitnie pogarszają jakość wyboru w całym zbiorze stanów.
Może to stanowić element uczenia się systemu, który w ten sposób dążyłby samoistnie do poprawy swej jakości
„zapominając” o stanach, które nie są dla niego „życiowo ważne”.
Póki co za „życiowo ważne” uznajemy „łatwość wyboru”
kolejnego stanu ze zbioru stanów dopuszczalnych.