Дипломная работа: Экспертная система прогнозирования успеваемости студентов в ВУЗах

Шаг 3. Пробуем П 1 , подтверждается искомая цель.

Выводы по разделу 1

Формализованные экспертный систем являются одним из наглядных методов решения задачи прогнозирования результатов сдачи сессии, на основе анализа текущей успеваемости. Поэтому, построение адекватных моделей, а также разработка методов и алгоритмов, позволяющих установить соответствие между параметрами математических моделей и реальными системами, является актуальной научно-прикладной задачей

РАЗДЕЛ 2. ПОСТРОЕНИЕ ПРОДУКЦИОННОЙ МОДЕЛИ БАЗЫ ЗНАНИЙ

2.1 Обоснование метода

Для данной экспертной системы была выбрана продукционная модель построения базы знаний, потому что она являются наиболее наглядным средствами представления знаний. Она близка к логическим моделям, что позволяет организовывать на ее базе эффективные процедуры вывода, и в то же время более наглядно (чем классические логические модели) отражает знания. Продукционная модель чаще всего применяется в промышленных экспертных системах. Она привлекает разработчиков своей наглядностью, высокой модульностью, легкостью внесения дополнений и изменений и простотой логического вывода.

Модульность — отдельные продукционные правила могут быть добавлены, удалены или изменены в базу знаний независимо от других, кроме того, модульный принцип разработки (сборки) продукционных систем позволяет автоматизировать их проектирование.

Каждое продукционное правило — самостоятельный элемент знаний (локальный источник знаний), отдельные продукционные правила связаны между собой только через поток данных, которые они обрабатывают.

Простота интерпретации — «прозрачная» структура продукционных правил облегчает их смысловую интерпретацию.

Естественность — знания в виде «что делать и когда» являются естественны ми с точки зрения здравого смысла.

Недостатки продукционных систем проявляются тогда, когда число правил ста новится большим и возникают непредсказуемые побочные эффекты от изменения старого и добавления нового правила. Кроме того, затруднительна оценка целостного образа знаний, содержащихся в системе.

2.2 Математическое представление продукционной модели

Психологические исследования процессов принятия решений человеком показали, что рассуждая и принимая решения, человек использует правила продукций, или продукционные правила. В общем случае продукционное правило можно представить в следующем виде:

i: S; L; A→B; Q(2.1)

где i — индивидуальный номер продукции;

S — описание класса ситуаций, в котором данная структура может использоваться;

L — условие, при котором продукция активизируется;

А→В — ядро продукции, например: «ЕСЛИ A1, A2,,..., Ап ТО В» . Такая запись означает, что «если все условия от A1 до Аn являются истиной, то В также истина» или же «когда все условия от A1 до Аn становятся истиной, то следует выполнить действие B»;

Q — постусловие продукционного правила, описывает операции и действия (процедуры), которые необходимо выполнить после выполнения В. Например, внести изменения в данные либо в саму продукцию.

В зависимости от количества условий и действий в соответствующих перечнях различают следующие типы правил: простое – одно условие и одно действие, составное – много условий и действий, фиксирующее – много условий и одно действие, разветвляющееся – одно условие и много действий.

В общем случае под условием понимается некоторое предложение — образец, по которому осуществляют поиск в базе знаний, а под действием — действия, выполняемые при успешном исходе поиска, — это могут быть реальные действия, если система управляющая, или заключение — вывод, представляющий собой новое знание, или некоторая цель.

2.3 Структура продукционной модели представления баз знаний

Для реализации продукционной модели было проведено анкетирование, в нем было предложено оценить студентам факторы, которые влияют на их выбор. Было запущено анкету (см. приложение 2).

Поскольку работать с 22 факторами очень сложно, нужно их сократить, применяем к данным метод анализа главных компонент. Применение метода главных компонент в пакете SPSS 15.0:

1. Выбираем в меню Analyze (Анализ) Data Reduction (Сокращение объема данных) Factor... (Факторный анализ). Откроется диалоговое окно Factor Analysis (Факторный анализ)

2. Переменные a1-a15 поместим в поле тестируемых переменных и ознакомимся с возможностями, предлагаемыми различными кнопками этого диалогового меню.

3. После щелчка по кнопке Descriptive Statistics (Дескриптивные статистики) оставим вывод первичных результатов, которые включают в себя первичные относительные дисперсии простых факторов, собственные значения и процентные доли объяснённой дисперсии.

В результате мы получили такие факторы:

Фактор 1 «Объяснение и понимание материала»: