| Русский Русский | English English |
   
Главная Текущий номер
24 | 02 | 2020
10.14489/vkit.2020.01.pp.034-047

DOI: 10.14489/vkit.2020.01.pp.034-047

Дородных Н. О., Николайчук О. А., ЮРИН А. Ю.
РАЗРАБОТКА МЕТАМОДЕЛЕЙ ДЛЯ ПОДДЕРЖКИ СИНТЕЗА НЕЧЕТКИХ БАЗ ЗНАНИЙ
(c. 34-47)

Аннотация. Рассмотрена проблема повышения эффективности разработки нечетких баз знаний. Эффективность данного процесса может быть повышена благодаря автоматизированному анализу информации, представленной, в частности, в виде концептуальных моделей, описывающих некоторую предметную область, а также автоматической кодогенарации. Генерация кодов баз знаний на основе трансформации концептуальных моделей методологически основана на применении принципов модельно-ориентированного подхода и использовании метамоделей для описания исходных форматов моделей и целевых формализмов баз данных. Представлены метамодели для описания нечетких продукций и онтологии, а также метод автоматизированного формирования метамоделей для описания исходных анализируемых форматов некоторых концептуальных моделей.

Ключевые слова:  нечеткие базы знаний; онтология; нечеткие продукции; модельно-ориентированный подход; метамоделирование; трансформация моделей; метамодель; концептуальная модель; генерация кода.

 

Dorodnykh N. O., Nikolaychuk O. A., Yurin A. Yu.
METAMODEL ENGINEERING FOR SUPPORTING FUZZY KNOWLEDGE BASE SYNTHESIS
(pp. 34-47)

Abstract. The paper is devoted to fuzzy knowledge base engineering problem. The effectiveness of this process can be improved by automated generation of source codes and analysis of data presented in different forms, in particular, in the form of conceptual models describing a certain subject domain. The knowledge base code generation is based on the transformation of conceptual models from the model-based approach and the use of metamodels. The metamodeling provides the description of the source and target formalisms of conceptual modeling and knowledge representation. We present an approach for fuzzy knowledge base engineering based on model transformations. In particular, metamodels for describing fuzzy rule-based models and fuzzy ontologies and method for automated metamodel generation are presented.

Keywords: Fuzzy knowledge bases; Ontology; Fuzzy rules; Model-driven Development; Metamodeling; Model transformation; Metamodel; Conceptual model; Code generation.

Рус

Н. О. Дородных, О. А. Николайчук, А. Ю. Юрин (Институт динамики систем и теории управления имени В. М. Матросова Сибирского отделения РАН, Иркутск, Россия) E-mail: Этот e-mail адрес защищен от спам-ботов, для его просмотра у Вас должен быть включен Javascript  

Eng

N. O. Dorodnykh, O. A. Nikolaychuk, A. Yu. Yurin (Matrosov Institute for System Dynamics and Control Theory of Siberian Branch of Russian Academy of Sciences (ISDCT SB RAS), Irkutsk, Russia) E-mail: Этот e-mail адрес защищен от спам-ботов, для его просмотра у Вас должен быть включен Javascript  

Рус

1. Гаврилова Т. А., Кудрявцев Д. В., Муромцев Д. И. Инженерия знаний. Модели и методы. СПб.: Лань, 2016. 324 с.
2. Designing Rule-based Expert Systems with the Aid of the Modeldriven Development Approach / A. Yu. Yurin et al. // Expert Systems. 2018. V. 35, No. 5. P. 1 – 23.
3. Urrea C., Henríquez G., Jamett M. Development of an Expert System to Select Materials for the Main Structure of a Transfer Crane Designed for Disabled People // Expert Systems with Applications. 2015. V. 42, No. 1. P. 691 – 697.
4. Ebrahim A. S., Garrouch A. A., Lababidi H. M. S. A Structured Approach for the Diagnosis of Formation Damage Caused by Organic Scale Deposits and Surface Active Agents, Part II: Expert system development // Journal of Petroleum Science and Engineering. 2016. V. 138. P. 245 – 252.
5. Wagner W. P. Trends in Expert System Development: A Longitudinal Content Analysis of Over Thirty Years of Expert System Case Studies // Expert Systems with Applications. 2017. V. 76. P. 85 – 96.
6. Silva A. R. Model-driven Engineering: A Survey Supported by the Unified Conceptual Model // Computer Languages, Systems & Structures. 2015. V. 43. P. 139 – 155.
7. Применение модельно-управляемого подхода для создания продукционных экспертных систем и баз знаний / М. А. Грищенко и др. // Искусственный интеллект и принятие решений. 2016. № 2. С. 16 – 29.
8. Canadas J., Palma J., Tunez S. InSCo-Gen: A MDD Tool for Web Rule-Based Applications // Web Engineering. Lecture Notes in Computer Science, Springer Berlin Heidelberg. 2009. V. 5648. P. 523 – 526.
9. MDA-Specifications. 2019. URL: http://www.omg. org/mda/specs.htm (дата обращения: 04.04.2019).
10. Mens T., Gorp P. V. A Taxonomy of Model Transformations // Electronic Notes in Theoretical Computer Science. 2006. V. 152. P. 125 – 142.
11. Dorodnykh N. O., Yurin A. Yu. A Domain-Specific Language for Transformation Models // CEUR Workshop Proceedings. Information Technologies: Algorithms, Models, Systems (ITAMS 2018). 2018. V. 2221. P. 70 – 75.
12. Заде Л. Понятие лингвистической переменной и его применение к принятию приближенных решений. М.: Мир, 1976. 166 с.
13. Дородных Н. О. Вебориентированная программная система автоматизации разработки баз знаний на основе трансформации концептуальных моделей // Открытые семантические технологии проектирования интеллектуальных систем. 2017. № 7. С. 145 – 150.
14. Дородных Н. О., Николайчук О. А, Юрин А. Ю. Подход автоматизированной разработки баз знаний на основе трансформации диаграмм Исикавы // Вестник компьютерных и информационных технологий. 2018. № 4. С. 41 – 51. doi: 10.14489/vkit.2018.04.pp.041-051
15. Дородных Н. О., Николайчук О. А., Юрин А. Ю. Применение нечетких диаграмм Исикавы для создания баз знаний // Системный анализ и информационные технологии (САИТ-2019): материалы Восьмой Междунар. конф. Иркутск–Листвянка, 8 – 14 июля 2019 г. М.: ФИЦ ИУ РАН, 2019. С. 192 – 198.

Eng

1. Gavrilova T. A., Kudryavtsev D. V., Muromtsev D. I. (2016). Knowledge engineering. Models and methods. Saint Petersburg: Lan'. [in Russian language]
2. Yurin A. Yu., Dorodnykh N. O., Nikolaychuk O. A., Grishenko M. A. (2018). Designing Rule-based Expert Systems with the Aid of the Model-driven Development Approach. Expert Systems, Vol. 35, (5), pp. 1 – 23.
3. Urrea C., Henríquez G., Jamett M. (2015). Development of an Expert System to Select Materials for the Main Structure of a Transfer Crane Designed for Disabled People. Expert Systems with Applications, Vol. 42, (1), pp. 691 – 697.
4. Ebrahim A. S., Garrouch A. A., Lababidi H. M. S. (2016). A Structured Approach for the Diagnosis of Formation Damage Caused by Organic Scale Deposits and Surface Active Agents, Part II: Expert system development. Journal of Petroleum Science and Engineering, Vol. 138, pp. 245 – 252.
5. Wagner W. P. (2017). Trends in Expert System Development: A Longitudinal Content Analysis of Over Thirty Years of Expert System Case Studies. Expert Systems with Applications, Vol. 76, pp. 85 – 96.
6. Silva A. R. (2015). Model-driven Engineering: A Survey Supported by the Unified Conceptual Model. Computer Languages, Systems & Structures, Vol. 43, pp. 139 – 155.
7. Grishchenko M. A., Dorodnyh N. O., Nikolaychuk O. A., Yurin A. Yu. (2016). Application of a model-driven approach to create production expert systems and knowledge bases. Iskusstvenniy intellekt i prinyatie resheniy, (2), pp. 16 – 29. [in Russian language]
8. Canadas J., Palma J., Tunez S. (2009). InSCo-Gen: A MDD Tool for Web Rule-Based Applications. Web Engineering. Lecture Notes in Computer Science, Springer Berlin Heidelberg, Vol. 5648, pp. 523 – 526.
9. MDA-Specifications. (2019). Available at: http://www.omg. org/mda/specs.htm (Accessed: 04.04.2019).
10. Mens T., Gorp P. V. (2006). A Taxonomy of Model Transformations. Electronic Notes in Theoretical Computer Science, Vol. 152, pp. 125 – 142.
11. Dorodnykh N. O., Yurin A. Yu. (2018). A Domain-Specific Language for Transformation Models. CEUR Work-shop Proceedings. Information Technologies: Algorithms, Models, Systems (ITAMS 2018), Vol. 2221, pp. 70 – 75.
12. Zade L. (1976). The concept of a linguistic variable and its application to making approximate decisions. Moscow: Mir. [in Russian language]
13. Dorodnyh N. O. (2017). Web-based software system for automating the development of knowledge bases based on the transformation of conceptual models. Otkrytye semanticheskie tekhnologii proektirovaniya intellektual'nyh sistem, (7), pp. 145 – 150. [in Russian language]
14. Dorodnyh N. O., Nikolaychuk O. A., Yurin A. Yu. (2018). An automated knowledge base development approach based on transformation of Ishikawa diagrams. Vestnik komp'yuternyh i informatsionnyh tekhnologiy, (4), pp. 41 – 51. [in Russian language] DOI: 10.14489/vkit.2018.04.pp.041-051
15. Dorodnyh N. O., Nikolaychuk O. A., Yurin A. Yu. (2019). Using fuzzy Ishikawa diagrams to create knowledge bases. System analysis and information technology (SAIT-2019): materials of the Eighth International Conference Irkutsk – Listvyanka, pp. 192 – 198. Moscow: FITs IU RAN. [in Russian language]

Рус

Статью можно приобрести в электронном виде (PDF формат).

Стоимость статьи 350 руб. (в том числе НДС 18%). После оформления заказа, в течение нескольких дней, на указанный вами e-mail придут счет и квитанция для оплаты в банке.

После поступления денег на счет издательства, вам будет выслан электронный вариант статьи.

Для заказа скопируйте doi статьи:

10.14489/vkit.2020.01.pp.034-047

и заполните  форму 

Отправляя форму вы даете согласие на обработку персональных данных.

.

 

Eng

This article  is available in electronic format (PDF).

The cost of a single article is 350 rubles. (including VAT 18%). After you place an order within a few days, you will receive following documents to your specified e-mail: account on payment and receipt to pay in the bank.

After depositing your payment on our bank account we send you file of the article by e-mail.

To order articles please copy the article doi:

10.14489/vkit.2020.01.pp.034-047

and fill out the  form  

 

.

 

 

 
Поиск
Баннер
Баннер
Журнал КОНТРОЛЬ. ДИАГНОСТИКА
Баннер
Баннер
Баннер
Баннер
Rambler's Top100 Яндекс цитирования