1. 研究人工智能的途径与方法:结构模拟、功能模拟和行为模拟。
2. 人工智能的基本技术:推力技术、搜索技术、知识表示与知识库技术、归纳技术和联想技术。
3. 知识表示的方法:框架、语义网络。(要求:给定命题能描述出来)
4. 产生式系统正向推理的算法:
Step1:将初始事实/数据置入动态数据库
Step2:用动态数据库中的事实/数据,匹配/测试目标条件,若目标条件满足,则推理成功,结束。
Step3:用规则库中的各规则的前提匹配动态数据库中事实/数据,将匹配成功的规则组成待用规则集:
Step4:若待用规则集为空,则运行失败,退出。
Step5:将待用规则集中各规则的结论加入动态数据库,或者执行其动作,转向step2。
5. 按软件的一般开发方法——生命周期法,一个实用专家系统的开发过程通常分为认识、概念化、形式化、实现、测试五个阶段。
7. 知识获取的途径:(专家系统以知识为基础,知识分为理论知识和经验知识)
人工获取:计算机人员与领域专家合作,对有关领域知识和专家知识进行挖掘、搜集、分析、综合、整理、归纳,然后以某种表示形式存入知识库。
半自动获取:利用某种知识获取系统,采取提示、指导、问答的方式,帮助专家提取、归纳有关知识,并自动记入知识库。
自动获取:一种是系统本身具有一种机制,另一种是机器学习系统。
8. CF(H,E)的计算公式:(MB称为信任增长度,它表示因为与前提条件 E 匹配的证据的出现,使结论H为真的信任增长度.MD称为不信任增长度)
MB(H,E)=(P(H/E)-P(H))/(1-P(H)) ,若P(H/E)>P(H)
CF(H,E)= 0 ,若P(H/E)=P(H)
-MD(H,E)=-(P(H)-P(H/E))/P(H) ,若P(H/E)<P(H)
当CF(H,E)=1时,有P(H/E)=1,它说明由于E所对应证据的出现使H为真。此时,MB(H,E)=1,MD(H,E)=O。
当CF(H,E)=-1时,有P(H/E)=O,说明由于E所对应证据的出现使H为假。此时,MB(H,E)= O, MD(H,E)= 1。
当CF(H,E)=O时,有MB(H,E)=O,MD(H,E)=0。前者说明E所对应证据的出现不证实H,后者说明E所对应证据的出现不否认H。
9. 对证据的组合形式可分为“合取”与“析取”两种基本情况。当组合证据是多个单一证据的合取时,即
E=E1 AND E2 AND … AND En
时,若已知CF(E1),CF(E2),…,CF(En),则
CF(E)=min{CF(E1), CF(E2),…,CF(En)}
当组合证据是多个单一证据的析取时,即E=E1 OR E2 OR … OR En 时,若已知CF(E1),CF(E2),…,CF(En),则CF(E)=max{CF(E1),CF(E2),…,CF(E n)}
10. 结论不确定性的计算公式:CF(H)=CF(H,E)* max{ 0,CF(E)}
11. 考虑对两条知识进行合成的情况。
设有如下知识:
IF E1 THEN H (CF(H, E1 )
IF E2 THEN H (CF(H, E2 )
则结论 H 的综合可信度可分以下两步计算;
(1)分别对每条知识求出其CF(H)。即
CF1(H)= CF(H,E1)* max{O,CF(E1)}
CF2(H)= CF(H,E2)* max{0,CF(E2)}
(2)用如下公式求E1与E2对H的综合可信度
CF1(H)+CF2(H)-CF1(H)*CF2(H) ,若CF1≥0,CF2≥0
CF1(H)+CF2(H)+CF1(H)*CF2(H) ,若CF1<0,CF2<0
CF(H)= CF1(H)+CF2(H)
1-min{|CF1(H)|,|CF2(H)|} ,若CF1,CF2异号
12. 对同一前提E,若支持若干个不同的结论H1,H2,…,Hn则∑CF(Hi,E)≦1 , i=1,2,…,n
*******************不确定性推理例题********************************************
设有如下一组知识: r1:IF E1 THEN H (0.9)
r2:IF E2 THEN H (0.6)
r3:IF E3 THEN H (-0.5)
r4:IF E4 AND (E5 OR E6) THEN E1 (0.8)
已知:CF(E2)=0.8,CF(E3)=0.6,CF(E4)=0.5,
CF(E5)=0.6, CF(E6)=0.8。求:CF(H)=?
解:CF(E1)=0.8*max(0,min(0.5,max(0.6,0.8)))=0.4
CF1(H)=0.9*0.4=0.36
CF2(H)=0.6*0.8=0.48
CF3(H)=-0.5*0.6=-0.30
CF12(H)=0.36+0.48-0.36*0.48=0.67
CF123(H)=(0.67-0.3)/(1-min(0.67,0.3))=0.37/0.7=0.53
*******************************************************************************
13. 带加权因子的不确定性推理
在这种不确定性推理方法中,知识的表示形式是
IF E1(ω1) AND E2 ( ω2) AND … AND En(ωn)
THEN H CF(H,E)
其中,(ωi),i=1, 2,…,n 为加权因子,其取值范围是[0,1],该值由领域专家给出。给出ωi原则是:如果一个子条件的独立性越强,或者对结论的重要程度越高,则该子条件的加权因子就应该越大。但加权因子应该满足归一条件,即ω1 +ω2 +ω3+……+ ωn =1
**组合证据的可信度可通过计算得到:对于前提条件
E=E1(ω1) AND E2(ω2) AND …… AND En(ωn)
所对应的组合证据,其可信度由下式计算:
CF(E)= CF(E1)*ω1 +CF(E2)*ω2+……+CF(En)*ωn
如果不满足归一条件,则可信度由下式计算:
CF(E)= (CF(E1)*ω1 +CF(E2)*ω2+……+CF(En)*ωn)/(ω1+ ω2+… ωn)
按照上面的方法,可以求出加权的组合证据的可信度,有了组合证据的可信度,不确定性的更新算法为CF(H)=CF(H,E)*CF(E)
其中“*”可以是“相乘”运算,也可以是“取极小”或其他合适的运算
*****************带加权因子的不确定性推理例题******************************
设有如下知识:
r1: IF E1(0.6)AND E2(0.4) THEN E5 (0.8)
r2: IF E3(0.5)AND E4(0.3)AND E5(0.2)THEN H(0.9)
已知: CF(E1)=0.9,CF(E2)=0.8,CF(E3)=0.7,CF(E4)=0.6
求: CF(H)=?
解:CF(E1 AND E2)=0.9*0.6+0.8*0.4=0.86
CF(E5)=0.86*0.8=0.69
CF(E3 AND E4 AND E5)
=0.7*0.5+0.6*0.3+0.69*0.2=0.67
CF(H)=0.67*0.9=0.60
***************************************************************************