Uncertainty and Vagueness in Knowledge Based Systems: Numerical Methods

هدف اصلی این تک نگاری ارائه چارچوبی رسمی برای نمایش و مدیریت عدم قطعیت و ابهام در زمینه هوش مصنوعی است. تاکید ویژه‌ای بر تجزیه و تحلیل کامل این پدیده‌ها و توسعه رویکردهای مدل‌سازی صحیح ریاضی دارد. فراتر از این مبانی نظری، دامنه کتاب شامل جنبه های اجرایی و ارزیابی مدل ها و سیستم های موجود نیز می شود. جاه طلبی اساسی این کتاب این است که نشان دهد ابهام و عدم قطعیت را می توان با استفاده از روش های تئوری اندازه گیری به اندازه کافی مدیریت کرد. ارائه فرمالیسم های نمایش دانش کاربردی و الگوریتم های استدلالی این ادعا را اثبات می کند که الزامات کارایی لزوماً مستلزم چشم پوشی از یک مدل سازی ریاضی سازش ناپذیر نیست. این نتایج برای ارزیابی سیستم‌های مبتنی بر روش‌های احتمالی و همچنین مفاهیم غیر استاندارد مانند عوامل قطعیت، مجموعه‌های فازی یا توابع باور استفاده می‌شوند. این کتاب به صورت مستقل در نظر گرفته شده است و به محققان و دست اندرکاران حوزه سیستم های دانش محور می پردازد. این کتاب مخصوصاً می تواند به عنوان یک کتاب درسی برای دانشجویان مقطع تحصیلات تکمیلی در زمینه هوش مصنوعی، تحقیق در عملیات و احتمالات کاربردی باشد. برای خواندن این کتاب یک پیشینه ریاضی قوی لازم است. بخش‌های اساسی مطالب موضوع دوره‌هایی بوده است که توسط اولین نویسنده برای دانشجویان علوم کامپیوتر و ریاضیات برگزار شده است که از سال 1984 در دانشگاه براونشوایگ برگزار می‌شود.

The primary aim of this monograph is to provide a formal framework for the representation and management of uncertainty and vagueness in the field of artificial intelligence. It puts particular emphasis on a thorough analysis of these phenomena and on the development of sound mathematical modeling approaches. Beyond this theoretical basis the scope of the book includes also implementational aspects and a valuation of existing models and systems. The fundamental ambition of this book is to show that vagueness and un­ certainty can be handled adequately by using measure-theoretic methods. The presentation of applicable knowledge representation formalisms and reasoning algorithms substantiates the claim that efficiency requirements do not necessar­ ily require renunciation of an uncompromising mathematical modeling. These results are used to evaluate systems based on probabilistic methods as well as on non-standard concepts such as certainty factors, fuzzy sets or belief functions. The book is intended to be self-contained and addresses researchers and practioneers in the field of knowledge based systems. It is in particular suit­ able as a textbook for graduate-level students in AI, operations research and applied probability. A solid mathematical background is necessary for reading this book. Essential parts of the material have been the subject of courses given by the first author for students of computer science and mathematics held since 1984 at the University in Braunschweig.