人工智能考试复习[华理]

人工智能考试复习

题型 填空20+选择16+计算40+综合24

---

计算 命题公式

关键公式：推出关系：$A\to B⟺\neg A\vee B$

计算 谓词逻辑

关键公式：量词转换：$\neg \exists xf(x)⟺\forall x\neg f(x)$

综合 推理树

1. 路径和节点：路径值是经验，节点值是现在提供的

   1. 路径值 CF(H,E) E的前提下，H 的可能性
   2. 节点值 CF(E): 证据本身的可能性

2. 与树和和树：和树父节点在连接处有小弧线。

   1. 与树：E=and(Ei) => CF(E)=min(CF(Ei))
   2. 或树：E=or(Ei) => CF(E)=max(CF(Ei))

3. 根据路径和子节点确定性计算父节点的确定性：

   CF(H) = CF(H,E) × max { 0,CF(E)}

4. 对于结论的确定性的合成的特殊算法

   $C{F}_{1,2}(H)=\{\begin{array}{ll}C{F}_1(H)+C{F}_2(H)-乘起来& ⩾0\\ C{F}_1(H)+C{F}_2(H)+乘起来& <0\\ \frac{C{F}_1(H)+C{F}_2(H)}{1-\min (|C{F}_1(H)|,|C{F}_2(H)|)}& 异号\end{array}$

计算 贴近度三步走

贴近度：点是小中大，星是大中小，1/2（点-星+1）

1. $A\bullet B=\underset{U}{\vee }(\mu A(u_i)\wedge \mu B(u_i))$
2. $A\ast B=\underset{U}{\wedge }(\mu A(u_i)\vee \mu B(u_i))$
3. $(A,B)=\frac{1}{2}[A\bullet B-A\ast B+1]$

计算 模糊关系矩阵和推理

模糊矩阵做乘法，乘法小，加法大

模糊关系矩阵计算（⭕）：正常乘法，* 是min，+ 重载为 max

1. $\mathrm{IF}\mathrm{x}\mathrm{is}\mathrm{A}\mathrm{THEN}\mathrm{y}\mathrm{is}\mathrm{B}(\lambda )$

2. 首先计算$A$和$B$之间的模糊关系$R$=$A\circ B$

3. 如果已知证据是 $xis{A}^{\prime }$ 且$(A,A^{\prime })\ge \lambda$，则有结论 $yis{B}^{\prime }$，其中 $B^{\prime }=A^{\prime }\circ R$​

   $R_m(i,j)=({\mu }_A(u_i)\wedge {\mu }_B(v_j))\vee (1-{\mu }_A(u_i))$

   $R_a(i,j)=1\wedge (1-{\mu }_A(u_i)+{\mu }_B(v_j))$

4. 已知证据为$xis{A}^{\prime }$且$(A,A^{\prime })>\lambda$，则可由$R_m$和$R_a$计算得到$B_m^{\prime }$和$B_a^{\prime }$

   $B_m^{\prime }=A^{\prime }\circ R_m=A^{\prime }\circ [(A\times B)\bigcup (\neg A\times V)]$

   $B_a^{\prime }=A^{\prime }\circ R_a=A^{\prime }\circ [(\neg A\times V)\oplus (U\times B)]$

5. 模糊决策的三种方法：

   1. 最大隶属度法：选择隶属度最大
   2. 加权平均判决法：对每个模糊集的隶属度进行加权平均
   3. 中位数法：找到使得隶属度等于0.5的所有元素，然后计算这些元素的平均值，这个平均值就是模糊集的中心

计算 缺省理论

除了企鹅以外，大多数的鸟都会飞：$\frac{BIRD(x):M(CAN-FLY(x)\wedge \neg Penguin(x))}{CAN-FLY(x)}$

除了鹦鹉以外，一般动物都不会讲话：$\frac{ANIMAL(x):M(\neg SPEAK(x)\wedge \neg PARROT(x))}{\neg SPEAK(x)}$

计算 TMS原理

1. 每得到一个命题，就按照 序号+命题+SL(IN_List)(OUT_List)+IN/OUT来写 IN是真 OUT是假
2. 如果出现逻辑问题，就把冲突的节点放到新节点的 IN_List 里
3. 然后对IN依次取OUT，OUT依次取IN，看是否解决冲突

计算 Bayes推理

1. O和P的对应关系+ O=P/1-P P=O/O+1

2. 证据确定：$P(R|E)=\frac{LS\ast P(R)}{(LS-1)\ast P(R)+1}$ pre=lsxp/(ls-1)xp+1​

3. 证据确定不：$P(R|\neg E)=\frac{LN\ast P(R)}{(LN-1)\ast P(R)+1}$

4. 证据不确定时：$P(R|S)=P(R|E)\times P(E|S)+P(R|﹁E)\times P(﹁E|S)$​

5. 对于节点证据的传递：

   $P(R|S)=\{\begin{array}{ll}P(R|﹁E)+(P(R)-P(R|E))\times (0.2C(E|S)+1)& C(C|S)<=0\\ P(R)+(P(R|E)-P(R))\times (0.2C(E|S))& C(C|S)>0\end{array}$​

6. R的后验几率计算方法: $O(R|S_1{S}_2..S_n)=(\sum O(Ri)/O(R))\ast O(R)$

计算 熵和最佳属性的计算

1. 信息熵公式：$E(X)=-i=1\sum np(xi)log2p(xi)$
2. 条件熵公式：$E(Y\mid X)=i=1\sum np(xi)E(Y\mid X=xi)$
3. 信息增益计算：$Gain(Y\mid X)=E(Y)-E(Y\mid X)$ 消除不确定性的多少

综合 ID3算法

1. 选择最佳特征：ID3算法从根节点开始，对每个可能的特征计算信息增益，选择信息增益最大的特征作为当前节点的分裂特征。
2. 分裂节点：使用选定的特征将数据集分成子集。每个特征的取值对应一个子节点。
3. 重复过程：对每个新产生的子节点重复上述过程，直到满足停止条件。停止条件可以是所有的数据都属于同一类别，或者没有更多的特征可以用来分裂，或者达到了预定的树的最大深度。
4. 生成决策树：最终，这个递归过程会生成一个决策树，树的每个内部节点代表一个特征，每个分支代表一个特征取值，每个叶节点代表一个类别标签。

计算 实例和假设空间

1. $实例空间={\prod }_{i=1}^n{m}_i搜索空间=1+{\prod }_{j=1}^n(m_j+1)$

计算 FIND-S

遇到没的变有的 ，遇到有的变问号

1. 首先初始化为 $<\Phi ,\Phi ,\Phi ,...\Phi >$

2. 遍历训练集，直到所有正例都至少与假设匹配一次。如果有新的正例与当前假设不匹配，更新假设以包含这个正例。

   1. 假如只有两种可能，改为 ?
   2. 有更多选择，改为 or，直到所有选择都遇到过

3. 在遍历完整个训练集后，输出最终的假设。这个假设应该与所有正例匹配，但可能与一些反例匹配。

计算 遗传算法

选择-复制-交叉-变异 交叉率算的是个体数，变异率算的是位数

• 选择（Selection）轮盘赌和锦标赛选择法

  选择操作的目的是从当前种群中选择出较优的个体，以用于后续的遗传操作。选择的依据通常是适应度（Fitness），适应度高的个体有更大的机会被选中。选择的方法有多种，如轮盘赌选择、锦标赛选择等。

  • 轮盘赌选择：

    1. 计算每个个体的适应度，选择概率（根据适应度占百分比）和累计概率（前面的概率+自己的选择概率）。
    2. 生成一个0到1之间的随机数 𝑅。
    3. 从第一个个体开始累加它们的选择概率，直到累加值大于 𝑅，选择当前累加的个体。

  • 锦标赛选择：

    1. 随机选择一定数量的个体进行比较。
    2. 从这些个体中选择适应度最高的一个。

• 复制（Replication）直接将选中的个体复制到下一代种群

  • 复制操作通常与选择操作结合使用，即直接将选中的个体复制到下一代种群中。

• 交叉（Crossover）交叉率算的是个体数

  • 交叉操作模拟生物的繁殖过程，通过交换两个个体的部分基因来产生新的个体。常见的交叉方法有单点交叉、多点交叉和均匀交叉。

  • 单点交叉：

    1. 选择一个交叉点。
    2. 交换父代两个个体在交叉点之后的基因段，产生子代个体。

• 变异（Mutation）变异率算的是位数

  • 变异操作是为了增加种群的多样性，防止算法过早收敛到局部最优解。变异通常是以一个很小的概率随机改变个体基因的值。

  • 变异操作：

    1. 对于个体的每一个基因，以一个较小的概率 𝑝𝑚pm 决定是否进行变异。
    2. 如果决定变异，则随机选择该基因的一个新的值（通常在基因的取值范围内）。

综合 感知机的实现

1. 初始化权重：首先，为每个输入分配一个随机权重（包括偏置权重），这些权重将会在训练过程中调整。

2. 激活函数：使用阶跃函数作为激活函数，数学上可以表示为：

   $f(x)=\{\begin{array}{ll}1& \text{if }{w}_0+w_1{x}_1+w_2{x}_2+...>0\\ -1& \text{otherwise}\end{array}$

3. 训练过程：通过训练数据来调整权重，直到找到能正确分类训练数据的权重配置。

   • 前向传播：对于每个训练样本，计算感知机的输出。这通常是通过将输入与权重相乘并加上偏置，然后通过激活函数来完成的。
   • 计算误差：对于每个训练样本，计算感知机输出与实际标签之间的误差。对于二分类问题，误差可以简单地表示为实际标签与预测标签之差。
   • 更新权重：如果感知机对一个样本分类错误（即误差不为零），则调整权重。权重的更新规则是：对于每个输入特征，将其权重增加（如果误差为正）或减少（如果误差为负）该特征的值乘以一个学习率（learning rate）。
     其中，𝑤𝑖 是第 𝑖 个特征的权重，𝛼 是学习率，𝑥𝑖 是第 𝑖 个特征的值。
   • 重复步骤：使用更新后的权重，对下一个训练样本进行分类，并重复步骤2到4，直到所有训练样本都被正确分类，或者达到预定的迭代次数。

4. 多分类问题：如果需要解决多分类问题，可以通过一对多（One-vs-All）的方法来扩展感知机，即为每个类别训练一个感知机，并将输入指派给得分最高的感知机所代表的类别。

‍