我要投搞

标签云

收藏小站

爱尚经典语录、名言、句子、散文、日志、唯美图片

当前位置:管家婆六肖中特 > 非单调推理 >

定义1 智能机器

归档日期:07-04       文本归类:非单调推理      文章编辑:爱尚语录

  • 定义 1    智能机器         能够在各类环境中自主地或交互地执行各种拟人任务的机器。  • 定义 2    人工智能(学科)         人工智能(学科)是计算机科学中涉及研究、 设计和应用智能机器的一个分支。 它的近期主要目标在于研究用机器来模仿和执行人脑的某些智力功能, 并开发相关理论和技术。  • 定义 3    人工智能(能力)         人工智能(能力)是智能机器所执行的通常与人类智能有关的智能行为, 如判断、 推理、 证明、 识别、感知、 理解、 通信、 设计、 思考、 规划、 学习和问题求解等思维活动。  1、 人工智能三...

   定义 1 智能机器 能够在各类环境中自主地或交互地执行各种拟人任务的机器。 定义 2 人工智能(学科) 人工智能(学科)是计算机科学中涉及研究、 设计和应用智能机器的一个分支。 它的近期主要目标在于研究用机器来模仿和执行人脑的某些智力功能, 并开发相关理论和技术。 定义 3 人工智能(能力) 人工智能(能力)是智能机器所执行的通常与人类智能有关的智能行为, 如判断、 推理、 证明、 识别、感知、 理解、 通信、 设计、 思考、 规划、 学习和问题求解等思维活动。 1、 人工智能三大学派 符 号 主 义 (Symbolicism) , 又 称 为 逻 辑 主 义 (Logicism) 、 心 理学 派 (Psychlogism) 或 计 算 机 学 派(Computerism), 其原理主要为物理符号系统(即符号操作系统)假设和有限合理性原理。 联结主义(Connectionism), 又称为仿生学派(Bionicsism)或生理学派(Physiologism), 其原理主要为神经网络及神经网络间的连接机制与学习算法。 行为主义(Actionism), 又称进化主义(Evolutionism)或控制论学派(Cyberneticsism), 其原理为控制论及感知和行动。 2、 人工智能的模块: 感知层, 推理判断层, 情感心理层, 需求目的层, 知识学习积累层, 记忆层。 感知层, 包括自然语言理解, 图像抽象识别, 声音识别等, 用来感知和接受外界的事物信息; 推理判断层, 用来对接收到的信息进行条件的推理和判断, 我们可以把接收到的信息都看做是条件, 经过处理后,由其它层来进行反射, 这一层模拟的是联想和思考能力; 情感心理层用来模拟动物的情感和心理活动; 行为层可以执行这个软件系统载体本身所具有的一些能力, 比如这个载体是一台计算机, 那么它就能够完成一些计算机所能完成的一些功能, 比如打开浏览器浏览某个网页, 如果是其它设备, 比如是机器人, 那么就具备操作这台机器人的能力, 比如行走能力等等; 需求目 的层, 模拟生命的定律, 可以让它朝着一个方向不断的完善和发展自己, 也可以由我们给他设定一个既定的目标,让它帮助我们去做一些事情,这一层模拟的是自我的实现, 也可以理解为一个控制层; 学习层, 包括方法的学习和经验的积累, 然后是记忆层。 这几个层可以看做是几个模块, 有的关系是并行的, 有的是有层次关系, 每个模块之间可以开放一些端口给其它模块调用。 所有的模块, 都是用程序来进行模拟, 对于每一个模块来说, 如何用程序来模拟他们,这并不是一件轻松的事情。 感知层, 处于最上层, 模拟的是生物对于外界信息的感知能力, 这取决于它本身具备什么样的感知器官, 比如眼睛, 耳朵等, 这些我们可用图像或声音采集设备进行模拟, 但是有一种更简单的方法就是对文字信息的识别, 也就是自然语言理解, 个人认为自然语言理解作为一个感知层, 位于整个系统的最上层, 用来对信息的感知。 3、 状态空间法状态空间法三要点: ① 状态: 表示问题求解法中每一步问题状况的数据结构; ② 算符: 把问题从一种状态变换为另一种状态的手段; ③ 状态空间方法: 基于解答空间的问题表示和求解方法, 它是以状态与算符为基础来表示和求解问题的。(看 p31 的图 2.3) 4、 人工智能有哪些主要的研究领域? 解: ( 1 ) 问题求解 ( 2 ) 逻辑推理与定理证明 ( 3 ) 自 然语言理解 ( 4 ) 自 动程序设计 ( 5 ) 专家系统 ( 6 ) 机器学习 ( 7 ) 神经网络 ( 8 ) 机器人学 ( 9 ) 模式识别 ( 1 0 ) 机器视觉 ( 1 1 ) 智能控制 ( 1 2 ) 智能检索 ( 1 3 ) 智能调度与指挥 ( 1 4 ) 分布式人工智能与Ag e n t ( 1 5 ) 计算智能与进化计算 ( 1 6 ) 数据挖掘与知识发现 ( 1 7 ) 人工生命 ( 1 8 ) 系统与语言工具 5、 人工智能专家系统就是用人工智能的方法来模拟专家的特性以便使电脑可以向专家一样来解决问题,是一种具有大量专门知识与经验的智能程序系统, 它能运用某个领域一个活多个专家多年积累的经验和专门知识, 模拟领域专家求解问题时的思维过程, 以解决该领域中的各种复杂问题。 分为知识库, 规则库和控制系统三部分。 1、 专家系统的特点: (1) 启发性(2) 透明性(3) 灵活性2、 专家系统的优点: (1) 能够高效率、 准确、 周到、 迅速和不知疲倦地进行工作。 (2) 解决实际问题时不受周围环境的影响, 也不可能遗漏忘记。 (3) 能够不受时间和空间的限制, 保存、 推广珍贵和稀缺的专家知识与经验。 (4) 能促进各领域的发展, 它使各领域专家的专业知识和经验得到总结和精炼。 (5) 能汇集多领域专家的知识和经验以及他们协作解决重大问题的能力。 6、 产生式系统由 3 个基本部分组成: 规则库、 综合数据库、 控制系统7、 有关信息关联在一起所形成的信息结构成为知识。 8、 按知识的作用范围分类: 常识性知识、 领域性知识 按知识的作用及表示分类: 事实性知识、 规则性知识、 控制性知识、 元知识、 按知识的确定性分类: 确定知识、 不确定知识 按人类的思维及认识方法分类: 逻辑性知识、 形象性知识元知识: 有关知识的知识, 是知识库中的高层知识。 包括怎样使用规则、 解释规则、 校验规则、 解释程序结构等知识。 9、 框架表示法: 以框架理论为基础发展起来的一种适应性强、 概括性高、 结构化良好、 推理方式灵活、又能把陈述性知识与过程性知识相结合的知识表示方法。 框架: 是一种描述所论对象属性的数据结构。 框架‐‐‐槽‐‐‐‐侧面槽用于描述所论及对象的某一方面的属性。(I S A: 继承, 是一个; AKO : 类属, 是一种; I n s ta n c e : AKO 的逆; P a r t -o f : 部分与全体) 侧面用于描述相应属性的一个方面。 10、 机械学习又称为记忆学习, 这种学习方式直接记忆或存储环境提供的新知识, 并在以后通过对知识库的检索来直接使用这些知识, 而不再需要进行任何的计算和推导。 机器学习的主要策略 机械学习 传授学习 演绎学习 类比学习 归纳学习机器学习系统的基本模型 环境学习环节知识库执行环节11、 搜索: 根据问题的实际情况,按照一定的策略或规则,从知识库中寻找可利用的知识,从而构造出一条使问题获得解决的推理路线。 搜索分盲目搜索和启发式搜索盲目搜索: 在搜索过程中, 只按预先规定的搜索控制策略进行搜索, 而没有任何中间信息来改变这些控制策略。 启发式(信息) 搜索: 在搜索求解过程中 , 根据问题本身的特性或搜索过程中产生的一些信息来不断地改变或调整搜索的方向, 是搜索向着最有希望的方向前进, 加速问题的求解, 并找到最优解。 启发式搜索 弥补状态空间图搜索的不足, 提高搜索效率1、 盲目搜索(无信息搜索): 图搜索策略 、 宽度优先搜索、 深度优先搜索、 等代价搜索。 2、 宽度优先搜索和深度优先搜索的优缺点: 并作图(简答题) 宽度优先搜索: 这种搜索是从上到下逐层进行的, 在对下一层的任一节点进行搜索之前, 必须先搜索完上层的所有节点。 它是图搜索一般过程的特殊情况, 实际是将 OPEN 表作为“先进先出” 的队列进行操作。并能够保证在搜索树种找到一条通向目标节点的最短途径; 这颗搜索树提供了所有存在的路径(缺点: 如果没有路径存在, 那么对有限图来说, 该算法失败退出; 对于无限图来说, 则永远不会终止。) 深度优先搜索: 首先扩展最新产生的(即最深的) 节点, 深度相等的节点可以任意排序。 其中起始节点(即根节点) 的深度为 0, 任何其他节点的深度等于其父辈节点深度加上 1。 深度优先搜索可能会使搜索过程沿着无益的路径扩展下去, 造成路径太长, 即使应用了深度界限来避免该问题, 但所求得的解答路径并不一定就是最短路径。 启发式搜索: (盲目搜索的不足: 效率低, 耗费过多的计算空间与时间) (1) 启发式搜索策略: 用估价函数(evaluationfunction) 来估算节点希望程度(promise) (2) 有序搜索; (3) A*算法在搜索算法中 OPEN 表和 CLOSED 表的作用是什么? 答: OPEN 表: 用于存放已经生成, 且已用启发式函数作过估计或评价, 但尚未产生它们的后继节点的那些节点, 也称未考察节点。 CLOSED 表: 用于存放已经生成, 且已考察过的节点推理是指从已知事实出发, 运用已掌握的知识, 推导出其中蕴含的事实性结论或归纳出某些新的结论过程按照推理的逻辑基础分类 可分为演绎推理、 归纳推理和默认推理按推理时所用知识的确定性来划分, 推理可分为确定性推理、 不确定性推理。 按推理过程的单调性 分为单调推理与非单调推理推理过程不仅依赖于所用的推理方法, 同时也依赖于推理的控制策略。 控制策略包括推理方向、 搜索策略、冲突消解策略等; 而推理方法则是指在推理控制策略确定之后, 在进行具体推理时所要采取的匹配方法或不确定性传递算法等方法。 按照对推理方向的控制, 推理可分为正向推理、 反向推理、 混合推理及双向推理四种情况正向推理是一种从已知事实出发、 正向使用推理规则的推理方式, 它是一种数据(或证据) 驱动的推理方式, 又称前项链推理或自底向上推理。 反向推理是一种以某个假设目标为出发点, 反向运用推理规则的推理方式, 它是一种目标驱动的推理方式,又称反向链推理或自顶向下推理。 混合推理是把正向推理和反向推理结合起来所进行的推理。 所谓双向混合推理是指正向推理和反向推理同时进行, 使推理过程在中间的某一步骤相汇合而结束的一种推理方法。 推理过程中的冲突消解策略, 就是确定如何从多条匹配规则中选出一条规则作为启用规则, 将它用于当前的推理。 目前已有的多种冲突消解策略的基本思想都是对匹配的知识或规则进行排序, 以决定匹配规则的优先级别,优先级高的规则将作为启用规则。 什么叫冲突解决? 常用的冲突解决策略有哪些? 当有一条以上规则的条件部分和当前数据库相匹配时, 就 需要决定首先使用哪一条规则, 这称为冲突解决。 专一性排序、 规则排序、 数据排序、 规模排序和就近排序等置换是形如{t1/x1,t2/x2,,tn/xn}的一个有限集。 其中 xi 是变量, ti 是不同于 xi 的项(常量, 变量, 函数),且 xi xj(I j), i, j=1,2,,n 。 设有公式集{E1,E2,,En}和置换 , 使 E1 =E2 ==En 便称 E1, E2, , En 是可合一的 , 且 称为合一置换若 E1, E2, , En 有合一置换 , 且对 E1, E2, , En 的任一置换都存在一个置换 , 使得 = ,则称 是 E1, E2, , En 的最一般合一置换, 记为 mgu子句就是由一些文字组成的析取式 不包含任何文字的子句称为空子句, 记为 NIL 由子句构成的集合称为子句集 多数较为简单的专家系统都是以产生式表示知识的, 相应的系统称作产生式系 统。 产生式系统, 由知识库和推理机两部分组成, 其中知识库由规则库和数据库组成。 规则库是产生式规则的集合,数据库是事实的集合。 规则库是某领域知识(规则) 的存储器, 规则是以产生式表示的, 规则集蕴涵着将问题从初始状态转换解状态的那些变换规则, 规则库是专家系统的核心。 规则可表成与或树形式, 基于数据库中事实对这与或树的求值过程就是推理。 数据库存放输入的事实、 外部数据库输入的事实以及中间结果 (事实) 和最后结果的工作区。 推理机是一个程序, 控制协调规则库与数据的运行, 包含了 推理方式和控制策略例 1 设已知: (1)能阅读者是识字的; (2)海豚不识字; (3)有些海豚是很聪明的。 试证明: 有些聪明者并不能阅读。 证 首先, 定义如下谓词: R(x): x 能阅读。 L(x): x 识字。 I(x): x 是聪明的。 D(x): x 是海豚。 然后把上述各语句翻译为谓词公式: (1) x(R(x)L(x))(2) x(D(x) ﹁ L(x)) 已知条件(3) x(D(x)I(x))(4) x(I(x)﹁R(x)) 需证结论 求题设与结论否定的子句集, 得(1)﹁ R(x)L(x) (2)﹁ D(y) ﹁ L(y) (3)D(a) (4)I(a) (5)﹁ I(z)R(z)归结得: (6) R(a) (5), (4), {a/z} (7) L(a) (6), (1), {a/x} (8) ﹁ D(a) (7),(2),{a/y} (9)NIL (8),(3)例 2 求子句集 S={T(x)Q(z),R(f(y))}的 H 域。 解 此例中没有个体常量, 任意指定一个常量 a 作为个体常量; 只有一个函数 f(y), 有: H0={a}H1={a,f(a)} H2={a,f(a),f(f(a))}H={a,f(a),f(f(a)),f(f(f(a))),} 已知 CF(E)与 CF(H,E), 求 CF(H)? CF(H)=CF(H,E) × max{0,CF(E)} 当 CF(E) < 0 时, CF(H)=0 当 CF(E) =1 时, CF(H)=CF(H,E) 已知 CF(E1),CF(E2),CF(H,E1)与 CF(H,E2), 求 CF(H)? 1. 分别计算每一条知识的结论可信度 CF1(H)=CF(H,E1) × max{0,CF(E1)} CF2(H)=CF(H,E2) × max{0,CF(E2)}2. 求出综合可信度 CF1,2(H)a. 如 CF1(H) 0 且 CF2(H) 0, CF1,2(H)=CF1(H)+CF2(H)‐CF1(H) × CF2(H)b. 如 CF1(H)<0 且 CF2(H)< 0 CF1,2(H)=CF1(H)+CF2(H)+CF1(H) ×CF2(H)c. 如 CF1(H)与 CF2(H)异号, 则用下式更新: 5. 设有如下一组规则: R1:IFE1THENE2(0.6) R2:IFE2ANDE3THENE4(0.8) R3:IFE4THENH(0.7) R4:IFE5THENH(0.9) 且已知CF(E1)=0.5;CF(E3)=0.6;CF(E5)=0.4, 对结论H的初始可信度一无所知, 求CF(H)。 解: CF(E2)=0.5*0.6=0.3;CF(E4)=0.8*min(0.3,0.6)=0.8*0.3=0.24; CF(H)1=0.24*0.7=0.168,CF(H)2=0.4*0.9=0.36 CF(H)=CF(H)1+CF(H)2‐CF(H)1*CF(H)2=0.168+0.36‐0.168*0.36=0.46752 121 , 212()()()1m in { () , () }C FHC FHC FHC FHC FH

本文链接:http://meghanmbiro.com/feidandiaotuili/695.html