-
产生式系统各部分:规则库、综合数据库、推理
-
产生式系统的工作过程:不断地从规则库中选择可用规则与综合数据库中的已知事实进行匹配,规则的每一次成功匹配都使综合数据库增加了新的内容,并朝着问题的解决方向更近了一步。
-
推理:从初始证据开始,按照某种策略不断运用知识库中的已知知识,逐步推出结论
-
演绎推理:从全称判断推导出单称判断的过程,即由一般性知识推出适合某一具体情况的结论。这是从一般到个体的推理。
-
归纳推理:从足够多的事例中归纳出一般性结论的推理过程。是从个别到一般的推理。
-
默认推理:在知识不完全的情况下假设某些条件具备所进行的推理。
-
确定性推理:推理时所用的知识与证据都是确定的,推出的结论也是确定的,其真值或者为真或者为假。
-
不确定性推理:推理时所用的知识与证据不都是确定的,推出的结论也是不确定的。
-
单调推理:随着推理向前推进及新知识的加入,推出的结论越来越接近最终目标
-
非单调推理:由于新知识的加入,不仅没有加强已推出的结论,反而要否定它,使推理退回到前面的某一步,然后重新开始。
-
如果推理过程中运用与推理有关的启发性知识,则称为启发式推理,否则称为非启发式推理。
-
冲突消解:按一定的策略从匹配成功的多个知识中挑出一个知识用于当前的推理的过程称为冲突消解。解决冲突时所用的策略称为冲突消解策略。目前已有的多种消解冲突的策略,其基本思想都是对知识进行排序。
-
冲突消解策略的分类:按规则的针对性进行排序、按已知事实的新鲜性排序、按匹配度排序、按条件个数进行排序。
-
自然演绎推理:从一组已知为真的事实出发,运用经典逻辑的推理规则推出结论的过程称为自然演绎推理。
-
归结演绎推理:
- 谓词公式化为子句集
- 谓词公式化为子句集
-
鲁滨逊归结原理:
这个即从C12逆推的过程,a一般即相同谓词中的常量为底,变量为分子。 -
归结反演:
-
不确定推理的概念:不确定性推理从不确定性的初始证据出发,通过运用不确定性知识,最终推出具有一定程度的不确定性但却是合理或者近乎合理的结论的思维过程。
-
盲目搜索:在不具有对特定问题的任何有关信息的条件下,按固定的步骤(依次或随机调用操作算子)进行的搜索。
-
启发式搜索:考虑特定问题领域可应用的知识,动态地确定调用操作算子的步骤,优先选择较适合的操作算子,尽量减少不必要的搜索,以求尽快地到达结束状态。
-
进化算法:是基于自然选择和自然遗传等生物进化机制的一种搜索算法
-
遗传算法:一类借鉴生物界自然选择和自然遗传机制的随机搜索算法,非常适用于处理传统搜索方法难以解决的复杂和非线性优化问题
-
基本遗传算法只使用选择、交叉、变异三种基本遗传算子
-
遗传算法基本思想:在求解问题时从多个解开始,然后通过一定的法则进行逐步迭代已产生新的解
-
专家系统:专家系统是一种智能计算机程序,它运用知识和推理来解决只有专家才能解决的复杂问题
-
专家系统的一般结构:完整的专家系统包括人机接口、推理机、知识库、数据库、知识获取机构和解释机构6部分
-
专家系统的核心是知识库和推理机。
(1)知识库主要用来存放领域专家提供的有关问题求解的专门知识。
(2)推理机的功能是模拟领域专家的思维过程,控制并执行对问题的求解。
(3)综合数据库又称动态数据库或黑板,主要用于存放初始事实、问题描述及系统运行过程中得到的中间结果、最终结果等信息。
(4)知识获取机构把知识转换为计算机可存储的内部形式,然后把它们存入知识库。
(5)人机接口是专家系统与领域专家、知识工程师、一般用户之间进行交互的界面,由一组程序及相应的硬件组成,用于完成输入输出工作。
(6)解释机构回答用户提出的问题,解释系统的推理过程。 -
机器学习的基本概念:机器学习使计算机能模拟人的学习行为,自动地通过学习来获取知识技能,不断改善性能,实现自我完善
-
数据挖掘的概念:从大量数据中提取隐含在其中的、人们事先不知道的但又有可能有用的信息和知识的过程
-
人工智能网络:模拟人脑神经系统的结构和功能,运用大量简单处理单元经广泛连接而组成的人工网络系统。
-
反向传播算法:反向传播算法利用了神经网络的结构进行的计算,不一次计算所有参数的梯度,而是从后往前,首先计算输出层的梯度,然后是第二个参数矩阵的梯度,接着是中间层的梯度,再然后是第一个参数矩阵的梯度,最后是输入层的梯度。计算结束以后,所要的两个参数矩阵的梯度就都有了
人工智能导论复习
最新推荐文章于 2024-01-09 10:55:40 发布