人工智能复习参考

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

***************************************************************************