知识的几种表示方式简述

知识的表示方式

模糊产生式规则

模糊规则表示为：“如果 x 是 A，那么 y 是 B”这样的形式，其中A和B都是模糊集。用于表示一些模糊的语义概念，比如”如果前方有车，则将车速减小“其中”减小“就是一个模糊概念，因为无法知道”小“具体是多少。为了描述”小“，就可以建立一个模糊集，从而将模糊的概念转换为可计算的数据。通过不同的规则可以构建一个模糊规则库，给定输入，依据规则库可以推理出输出结果。

举一个简单的例子：假设有两条模糊规则：IF x is A ,y is B ①; IF x is A1 ,y is B1②;
假设 x 属于 A这个模糊集的程度为0.7，x 属于 A这个模糊集的程度为0.1；

由于规则条件部分只有一个变量，根据规则的激活强度计算方法可得规则①的激活强度为0.7，规则①的激活强度为0.1；

假设B模糊集的中心对应的值为0.5，B1模糊集的中心对应的值为0.2；

最终计算y的输出为：$（0.7\ast 0.5+0.1\ast 0.2）/（0.7+0.1）=0.4625$

至于为什么这么算，详细内容参考相关教科书。

析取逻辑规划

在DLP中，一个程序是一组析取规则。每个规则都有一个头部和一个主体。头部是文字（即原子或其否定）的析取，主体是文字的合取。规则的解释如下：如果主体中的所有文字都为真，那么头部中的至少一个文字必须为真。
以移动机器人为例，一条简单的逻辑规划表示为：

% 如果一个物体不在目标位置，机器人可以移动到物体所在的位置，或者将物体移动到目标位置。%
move(Robot, Object) v pick(Robot, Object) :- object(Object), not at(Object, target).
。
该方法多用于逻辑编程，可能需要用到支持析取逻辑程序设计的 Prolog 解释器。

语义网络

语义网络在20世纪50年代被发明，以网络结构描绘概念（节点）和关系（边）用于表示知识。
详细说明参照：语义网络表示法

模糊Petri网

Petri网简单来说是一种可以用来描述系统的网络结构，如下图所示：

其中⚪为"place“,中文一般名为"库",可以理解为节点、状态、条件或者其他的。TBi为”transition“中文变迁，表示为事件或者操作。连接的线为有向弧，表示变迁触发的条件和变迁后状态的变化。另外还有一个”令牌“的概念，表示资源。

举个例子：假设我们有一个生产线，该生产线由三个工作站组成：工作站A、工作站B和工作站C。每个工作站都可以用Petri网中的一个库所来表示。生产线上的产品从工作站A开始，然后经过工作站B，最后到达工作站C。这个过程可以用Petri网中的变迁来表示。

在这个例子中，我们可以用Petri网来模拟生产线上的物料流动。例如，当工作站A完成一个产品的生产，它会将一个令牌（代表产品）传递给工作站B。当工作站B完成对产品的处理，它会将令牌传递给工作站C。通过这种方式，我们可以清楚地看到生产线上的物料流动情况。

对于知识的表示，可以将每个库看作是一个命题，每个变迁看作是推理过程。比如上述图中，A和B=>C。假设A与B都有令牌，则TB1就被激活，因此C就具有令牌。即A与B命题成立则推出命题C.
注：传统的petri网的令牌的真值为0或者1，模糊petri网中，令牌值可以是0到1之间的任意数，从而实现模糊真值推理

模糊认知地图

模糊认知地图用来描述概念之间的因果关系并进行因果推理，如下图所示：

图片来自论文《An expert fuzzy cognitive map for reactive navigation of mobile robots》
其中每一个圆圈表示一个概念，每一条有向线表示概念对另一个概念的影响。正负号表示正向影响或者负面影响。
比如上述图中描述了一个移动机器人导航控制中涉及的元素之间的关系。根据经验可知，TL时，应该向左转，左轮的速度会小于右轮，因此TL对LWV的影响是负面的，即表示为$-$,实际中方便运算可表示为-1。

根据专家经验或者其他的知识，我们可以初始化构建上述的认知图。然后通过迭代的方式更新每个概念的值，最终得到一个收敛的认知图。接着利用收敛的认知图和某个概念的新值进行目标概念值的推理，然后再次更新每个概念值，得到新的收敛认知图。

概念值的迭代有不同的类型，其中最经典的类型为：

${A_i}^{t+1}$表示第$t+1$时刻第$i$个概念的值，$wij$表示概念$j$到概念$i$的影响的“值”。

迭代更新完后，假设得到LWV=0.5，,L=0.5.。这时根据传感器信息得到实际的L的新值为0.8，根据最新值0.8进行所有概念节点值的更新，最终会得到一个新的收敛的认知图。由于L变大了，由于正向影响，这时LWV可能变成0.6，意味着机器人向右移动，避开左边障碍物。其中LWV可以根据比例放大为左轮的速度信号直接作用于左轮。
缺点：每次要更新很多次，认知图才会收敛