人工智能第4章(推理技术)

合集下载

不确定性推理方法(导论)

不确定性推理方法(导论)
4. 不确定性的传递算法
(1)在每一步推理中,如何把证据及知识的不确定性 传递给结论。
(2)在多步推理中,如何把初始证据的不确定性传递 给最终结论。
5. 结论不确定性的合成
9
第4章 不确定性推理方法
4.1 不确定性推理的基本概念 4.2 可信度方法 4.3 证据理论 4.4 模糊推理方法
10
则 CF (E)=min{CF (E1), CF (E2 ),..., CF (En )} ▪ 组合证据:多个单一证据的析取
E=E1 OR E2 OR … OR En 则 CF (E)=max{ CF (E1), CF (E2 ), ,CF (En )}
17
4.2 可信度方法
4. 不确定性的传递算法
下面首先讨论不确定性推理中的基本问题,然后着 重介绍基于概率论的有关理论发展起来的不确定性 推理方法,主要介绍可信度方法、证据理论,最后 介绍目前在专家系统、信息处理、自动控制等领域 广泛应用的依据模糊理论发展起来的模糊推理方法。
2
第4章 不确定性推理方法
4.1 不确定性推理的基本概念 4.2 可信度方法 4.3 证据理论 4.4 模糊推理方法
Introduction of Artificial Intelligence
第 4 章 不确定性推理方法
教材:
王万良《人工智能导论》(第4版) 高等教育出版社,2017. 7
第4章 不确定性推理方法
现实世界中由于客观上存在的随机性、模糊性,反 映到知识以及由观察所得到的证据上来,就分别形 成了不确定性的知识及不确定性的证据。因而还必 须对不确定性知识的表示及推理进行研究。这就是 本章将要讨论的不确定性推理。
7
4.1 不确定性推理中的基本问题

人工智能教程习题及答案第4章习题参考解答

人工智能教程习题及答案第4章习题参考解答

第四章不确定性推理习题参考解答4.1 练习题4.1什么是不确定性推理?有哪几类不确定性推理方法?不确定性推理中需要解决的基本问题有哪些?4.2什么是可信度?由可信度因子CF(H,E)的定义说明它的含义。

4.3什么是信任增长度?什么是不信任增长度?根据定义说明它们的含义。

4.4当有多条证据支持一个结论时,什么情况下使用合成法求取结论的可信度?什么情况下使用更新法求取结论可信度?试说明这两种方法实际是一致的。

4.5设有如下一组推理规则:r1:IF E1THEN E2(0.6)r2:IF E2AND E3THEN E4 (0.8)r3:IF E4THEN H (0.7)r4:IF E5THEN H (0.9)且已知CF(E1)=0.5,CF(E3)=0.6,CF(E5)=0.4,结论H的初始可信度一无所知。

求CF(H)=?4.6已知:规则可信度为r1:IF E1THEN H1(0.7)r2:IF E2THEN H1(0.6)r3:IF E3THEN H1(0.4)r4:IF (H1AND E4) THEN H2(0.2)证据可信度为CF(E1)=CF(E2)=CF(E3)=CF(E4)=CF(E5)=0.5H1的初始可信度一无所知,H2的初始可信度CF0(H2)=0.3计算结论H2的可信度CF(H2)。

4.7设有三个独立的结论H1,H2,H3及两个独立的证据E1与E2,它们的先验概率和条件概率分别为P(H1)=0.4,P(H2)=0.3,P(H3)=0.394P(E1/H1)=0.5,P(E1/H2)=0.6,P(E1/H3)=0.3P(E2/H1)=0.7,P(E2/H2)=0.9,P(E2/H3)=0.1利用基本Bayes方法分别求出:方法分别求出:(1)当只有证据E1出现时,P(H1/E1),P(H2/E1),P(H3/E1)的值各为多少?这说明了什么?么?(2)当E1和E2同时出现时,P(H1/E1E2),P(H2/E1E2),P(H3/E1E2)的值各是多少?这说明了什么?明了什么?4.8在主观Bayes方法中,请说明LS与LN的意义。

人工智能基础 推理

人工智能基础 推理

人工智能基础推理人工智能基础:推理人工智能(Artificial Intelligence,简称AI)是一门研究如何使计算机能够模拟和实现人类智能的学科。

其中,推理是人工智能的核心基础之一。

推理是指根据已知的事实和规则,通过逻辑推演得出新的结论或解决问题的过程。

推理在人工智能领域有着广泛的应用,如专家系统、自然语言处理、机器学习等。

在专家系统中,推理技术被用于解决特定领域的问题,通过构建知识库和规则库,利用推理引擎对用户输入的问题进行分析和求解,从而达到模拟专家决策的目的。

自然语言处理中的推理技术可以用于理解和解释自然语言中的逻辑关系,如推理出语义相似的词语、推断出上下文中隐藏的信息等。

这对于机器翻译、文本摘要等任务具有重要意义。

机器学习中的推理技术,如逻辑回归、决策树等,通过对已有数据进行学习和训练,模型能够推理出新的数据和结论。

这种推理方式在数据挖掘、图像识别等领域有着广泛的应用。

推理的实现方式有多种,其中基于规则的推理是最常见的一种。

基于规则的推理通过事先定义好的规则和逻辑关系,对输入的数据进行推演和推理。

另一种常见的推理方式是基于统计的推理,通过对大量数据的统计分析,得出概率和可能性最高的结论。

推理技术在人工智能发展过程中不断进步和完善。

传统的推理技术往往依赖人为定义的规则和逻辑,对于复杂和模糊的问题难以处理。

而近年来,随着机器学习和深度学习的发展,基于数据驱动的推理方式得到了广泛应用。

通过对大量数据的学习和训练,模型能够自动学习特征和规律,从而进行更精确的推理和判断。

然而,推理技术也存在一些挑战和限制。

首先,推理模型的准确性和可解释性是一个重要问题。

在一些需要高度精确和可解释的场景下,推理模型的结果往往难以满足要求。

其次,推理过程中可能存在歧义和不确定性,这对于模型的鲁棒性和可靠性提出了挑战。

此外,推理技术的计算复杂度较高,需要消耗大量计算资源和时间。

为了克服这些挑战,研究者们不断努力改进推理技术。

第4章 不确定性知识的表示与推理技术

第4章 不确定性知识的表示与推理技术

2014-12-16
22
4.3主观贝叶斯方法(2)
4.3.1 4.3.2 4.3.3 4.3.4 知识的不确定性表示 证据的不确定性表示 不确定性的传播23
4.3.1 知识的不确定性表示(1)
知识是用规则表示的,具体形式为:
if 或: 其中 • E 是该条知识的前提条件,它既可以是一个简单条 件, 也可以是用and 、or 把多个条件连接起来的 复条件。 • H 是结论,P(H) 是 H 的先验概率,它指出在没有任 何专门证据的情况下,结论为真的概率,其值由领 域专家根据以往的实践及经验给出。
Em )
P( E1 / H i ) P( E2 / H i )
P ( Em / H i ) P ( H i ) P ( Em / H j ) P ( H j )
(4.3.3)
P( E / H ) P( E
j 1 1 j
n
2
/ H j)


已知: P( H1 ) 0.4, P( H 2 ) 0.3, P( H 3 ) 0.3 P( E1 | H1 ) 0.5, P( E1 | H 2 ) 0.6, P( E1 | H 3 ) 0.3
2014-12-16 24
E
then
(LS, LN)
H
( P(H) )
4.3.1 知识的不确定性表示(2)
• LS 称为充分性量度,用于指出 E 对 H 的支持程度,取值范围 为 [ 0, ∞ ),其定义为:
LS = P(E|H) P(E|H)
LS 的值由领域专家给出,具体情况在下面论述。 • LN 称为必要性量度,用于指出 E 对 H 的支持程度,取值范 围为 [ 0, ∞ ),其定义为: P( E|H) 1 P(E|H) LN = P( E|H) = 1 P(E|H) LN 的值也由领域专家给出,具体情况在下面论述。 • LS, LN 相当于知识的静态强度。

人工智能课程习题与部分解答

人工智能课程习题与部分解答

《人工智能》课程习题与部分解答第1章 绪论什么是人工智能 它的研究目标是什么什么是图灵测试简述图灵测试的基本过程及其重要特征. 在人工智能的发展过程中,有哪些思想和思潮起了重要作用 在人工智能的发展过程中,有哪些思想和思潮起了重要作用人工智能的主要研究和应用领域是什么其中,哪些是新的研究热点第2章 知识表示方法什么是知识分类情况如何什么是知识表示不同的知识表示方法各有什么优缺点 人工智能对知识表示有什么要求 用谓词公式表示下列规则性知识:自然数都是大于零的整数。

任何人都会死的。

[解] 定义谓词如下:N(x): “x 是自然数”, I(x): “x 是整数”, L(x): “x 大于0”, D(x): “x 会死的”, M(x): “x 是人”,则上述知识可用谓词分别表示为: )]()()()[(x I x L x N x ∨→∀ )]()()[(x D x M x →∀用谓词公式表示下列事实性知识:小明是计算机系的学生,但他不喜欢编程。

李晓新比他父亲长得高。

产生式系统由哪几个部分组成 它们各自的作用是什么可以从哪些角度对产生式系统进行分类 阐述各类产生式系统的特点。

简述产生式系统的优缺点。

简述框架表示的基本构成,并给出框架的一般结构 框架表示法有什么特点试构造一个描述你的卧室的框架系统。

试描述一个具体的大学教师的框架系统。

[解] 一个具体大学教师的框架系统为: 框架名:<教师-1> 类属:<大学教师>姓名:张宇 性别:男年龄:32职业:<教师>职称:副教授部门:计算机系研究方向:计算机软件与理论工作:参加时间:2000年7月工龄:当前年份-2000工资:<工资单>把下列命题用一个语义网络表示出来(1)树和草都是植物;(2)树和草都是有根有叶的;(3)水草是草,且生长在水中;(4)果树是树,且会结果;(5)苹果树是果树的一种,它结苹果。

[解]在基于语义网络的推理系统中,一般有几种推理方法,简述它们的推理过程。

人工智能的逻辑推理技术

人工智能的逻辑推理技术

人工智能的逻辑推理技术人工智能(Artificial Intelligence,简称AI)的逻辑推理技术在近年来得到了快速的发展和应用。

逻辑推理是指通过分析和判断给定的前提条件,并利用逻辑规则和规范的推理方法来得到结论的过程。

在人工智能领域,逻辑推理技术被广泛应用于问题求解、决策制定和知识推理等方面。

本文将从逻辑推理的基本原则和方法入手,介绍人工智能中的逻辑推理技术及其应用。

第一部分逻辑推理的基本原则和方法1.1 逻辑推理的基本原则逻辑推理的基本原则包括前提-结论关系、规则的可信度、逻辑范式等。

前提-结论关系要求结论必须根据前提进行推断,并且推断的过程必须符合规则和规范。

规则的可信度是指推理过程中对于规则的使用和使用的结果的可信程度。

逻辑范式是指将推理过程中的严格逻辑转化为数学形式,以便计算机进行计算和推理。

1.2 逻辑推理的方法逻辑推理的方法主要包括演绎推理和归纳推理两种。

演绎推理是指从一般到特殊的推理过程,根据已知的规则和条件来推断出结论。

归纳推理是指从特殊到一般的推理过程,根据已知的个别事实和实例推断出一般规律和结论。

第二部分人工智能中的逻辑推理技术2.1 基于规则的推理技术基于规则的推理技术是指通过描述和表示规则,利用规则的推理能力进行推理和决策。

基于规则的推理技术主要包括规则库、推理引擎和推理机制等。

规则库是存储和管理规则的系统,推理引擎是执行和控制推断过程的组件,推理机制是通过规则的匹配和应用来得到结论的方法。

基于规则的推理技术在专家系统、决策支持系统和自然语言处理等领域有着广泛的应用。

2.2 基于搜索的推理技术基于搜索的推理技术是指通过搜索和探索问题空间,找到问题的解空间,并从中选择最优解的一种推理方式。

基于搜索的推理技术主要包括深度优先搜索、广度优先搜索、A*算法和剪枝策略等。

深度优先搜索是从根节点开始,先搜索到最深的节点,然后再回溯回来,广度优先搜索是按层次来搜索节点,A*算法是综合利用启发函数和代价函数来进行搜索的。

人工智能第四章(1)

人工智能第四章(1)

无论论域是有限的还是无限的,连续的 还是离散的,扎德都用如下记号作为模 糊子集的一般表示形式:
这里的积分号不是数学中的积分,也不 是求和,只是表示论域中各元素与其隶 属度对应关系的总括,是一个记号。
19
20
1
µ B (u) ≤ µ A(u )
µ B (u ) = µ A(u )
21
22
例:设U={ u1,u2,u3 } A=0.3/ u1+0.8/ u2+0.6/ u3
31
2 普通集合上的“关系”
例3、设U={ 红桃, 红桃,方块, 方块,黑桃, 黑桃,梅花 } V={ A,2,3,4,5,6,7,8,9,10, J, Q, K } 求 U× V 解: U×V = { ( 红桃 , A) , ( 红 桃 , 2 ) , …… , (梅花, K) },共52个元素。 个元素。
例:设有模糊集: 设有模糊集: A=0.3/u1+0.7/u2+1/u3+0.6/u4+0.5/ u5 且λ分别为1,0.6,0.5,0.3,分别求其相应的 λ截集、 截集、核及支集。 核及支集。
A=0.3/u1+0.7/u2+1/u3+0.6/u4+0.5/u5
解: (1)λ截集 A1={ u3 } A0.6={ u2,u3,u4 } A0.5={ u2,u3,u4,u5 } A0.3={ u1,u2,u3,u4,u5 } (2)核、支集 KerA={ u3 } SuppA={ u1,u2,u3,u4,u5 }
模糊推理
含有模糊概念、模糊数据的语句称为模糊命题。它 的一般表示形式为: x is A 或者 x is A (CF) 其中,A是模糊概念或者模糊数,用相应的模糊集 及隶属函数刻画; x是论域上的变量,用以代表所 论述对象的属性; CF是该模糊命题的可信度,它既 可以是一个确定的数,也可以是一个模糊数或者模 糊语言值。

人工智能导论 第4章 不确定性推理方法(导论)42-76

人工智能导论 第4章 不确定性推理方法(导论)42-76
0.5 0.3
64
4.4.4 模糊关系与模糊关系的合成
2. 模糊关系的合成
▪ 解:
0.5 0.6 0.3
S
Qo
R
0.7 0
1
0.4 0.8 0.2
1 0
o
0.2 0.8
0.9 0.5
1 0.4 0.3
(0.50.2)(0.6 0.8)(0.30.5)
(0.70.2)(0.4 0.8) (10.5)
AB
ABLeabharlann AB584.4.3 模糊集合的运算
▪ 例4.5 设论域U x1, x2 , x3 , x4 , x5 ,A 及 B 是论域上 的两个模糊集合,已知:
A 0.2 x1 0.4 x 2 0.9 x 3 0.5 x5 B 0.1 x1 0.7 x 3 1.0 x 4 0.3 x5
66
4.4.5 模糊推理
2. 对 IF A THEN B 类型的模糊规则的推理
▪若已知输入为 A,则输出为 B ;若现在已知输入为 A',
则输出 B ' 用合成规则求取 B ' A 'oR
其中模糊关系R: R ( x, y) min[ A ( x), B ( y)]
▪ 控制规则库的N 条规则有N 个模糊关系: R1 , R 2 ,
B B (b1), B (b2
61
4.4.4 模糊关系与模糊关系的合成
1. 模糊关系
▪ 例4.7 已知输入的模糊集合A和输出的模糊集合B:
A 1.0 / a1 0.8 / a2 0.5 / a3 0.2 / a4 0.0 / a5
B 0.7 / b1 1.0 / b2 0.6 / b3 0.0 /b4 ▪ 求A到B的模糊关系R。

人工智能及其应用第六版第四章非经典推理课后答案

人工智能及其应用第六版第四章非经典推理课后答案

人工智能及其应用第六版第四章非经典推理课后答案1、恒星也是运动的,位置也是不断变化的。

[判断题] *对(正确答案)错2、在阳光的照射下,植物吸收空气中的二氧化碳和水分,在绿色叶片中制造生存所需的养料,并释放出氧气。

[判断题] *对(正确答案)错3、冥王星属于( )。

[单选题] *A.行星B.小行星C.矮行星(正确答案)4、古人“钻木取火”的过程中,能量转化关系是()。

[单选题] *A.机械能转化为动能B.动能转化为化学能C.动能转化为热能和光能(正确答案)5、人有各种各样的情绪,有时候我们会开心,有时候我们会难过,甚至愤怒,我们情绪的变化与化学变化无关。

[判断题] *对错(正确答案)6、在种子发芽实验中,下列做法正确的是()。

[单选题] *A.每天观察一次(正确答案)B.只需要观察有水的那组种子有没有发芽C.多天的实验中,第一天加一次水就够了7、下列三幅图中的电磁铁是用相同规格的铁芯、导线、电池制作而成的,其中电磁铁磁性最强的是()。

[单选题] *A.B.(正确答案)C.8、海面上常有十级以上的大风形成,所以海岛上一般不会生长的植物是()。

[单选题] *A.高大的水杉树(正确答案)B.崖壁的苔藓C.低矮的灌木9、用蜡烛给白砂糖加热时,要用蜡烛火焰的哪部分加热( ) [单选题] *A.内焰B.外焰(正确答案)C.焰心10、动物和植物都是由细胞构成的,微生物不是由细胞构成的。

[单选题] *A.对B.错(正确答案)11、根据中国营养学会建议的儿童热能供给量可知,正在读五年级的妙妙(11岁)每天应摄入()能量。

[单选题] *A. 1700千卡B. 2200千卡(正确答案)C. 2700千卡12、下列说法正确的是( ) 。

[单选题] *A.种子只有在土壤里才能发芽B.种子发芽一定要有阳光C.种子发芽必须要有水(正确答案)13、圆柱形和球形的器具装水后也有放大功能。

( ) [单选题]对(正确答案)错14、下面关于飞机能够飞起来的原理,说法有误的是()。

04-2第四章 推理技术-谓词逻辑

04-2第四章 推理技术-谓词逻辑

第4章 推理技术
解 释(语义)
语言的解释是在某个论域(domain)中定义非逻辑 符号。语句的语义是在解释下定义出语言L的真假值。 I是L的一个解释,且在I中为真,则记为 I ⊨ ,称作I满足 ,或者I 是的一个模型。 类似地,给定一个语句和一个语句 ,如果对 每个解释I ,有I ⊨ 蕴含I ⊨ ,换言之,如果I 是 的一个模型则I也是的一个模型,则记为 ⊨ ,我 们称为的一个逻辑结果。
推理、证明等问题的学科就叫做数理逻辑。也叫做符号逻
辑。 20世纪30年代,数理逻辑广泛发展,成为数学和计算 机科学基础。
8
第4章 推理技术
逻辑系统
一个逻辑系统是定义语言和它的含义的方法。
逻辑系统中的一个逻辑理论是该逻辑的语言的一个语句集合,它包括: • 逻辑符号集合:在所有该逻辑的逻辑理论中均出现的符号;
逻辑学与计算机科学
• 逻辑学:研究思维规律的科学 • 计算机科学:模拟人脑行为和功能(思维)的科学 • 思维:大脑、逻辑、语言、计算机 • 逻辑是知识表示和推理的重要形式和工具
第4章 推理技术
逻辑的历史
• Aristotle——逻辑学 • Leibnitz——数理逻辑: 逻辑+数学 • Gottlob Frege (1848-1925)——一阶谓词演算系统 逻辑是探索、阐述和确立有效推理原则的学科,最早 由古希腊学者亚里士多德创建的。用数学的方法研究关于
1、在一条街上,有5座房子,喷了5种颜色; 2、每个房里住着不同国籍的人; 3、每个人喝不同的饮料,抽不同品牌的香烟,养不同的 宠物。
问题是:谁养鱼?
第4章 推理技术
爱因斯坦的世界难题(2)
条件是:
1、英国人住红色房子; 2、瑞典人养狗; 3、丹麦人喝茶; 4、绿色房子在白色房子左面; 5、绿色房子主人喝咖啡; 6、抽PallMall香烟的人养鸟; 7、黄色房子主人抽Dunhill香烟;

人工智能概论第4章-知识表示和专家系统(邹杨洋)-人工智能概论-肖汉光-清华大学出版社

人工智能概论第4章-知识表示和专家系统(邹杨洋)-人工智能概论-肖汉光-清华大学出版社
5
命题逻辑
➢ 常用的联结词
(否定)对任意命题A,A表示对A的否定 (合取)复合命题AB表示“A与B” (析取)复合命题AB表示“A或B” (蕴含)复合命题AB表示“如果A,则B” (等价)复合命题AB表示“A当且仅当B”
➢ 联结词的真值表
A
B
A
AB
AB
AB
T
T
F
T
T
T
T
F
F
F
T
F
F
T
T
F
个体常项:具体的事务,用a, b, c表示 个体变项:抽象的事物,用x, y, z表示 个体域(论域)——个体变项的取值范围
有限个体域,如 {a, b, c}, {1, 2} 无限个体域,如 N, Z, R 全总个体域——由宇宙间一切事物组成
9
谓词逻辑
➢ 谓词填式
定义:将个体词从命题语句中抽出后剩下的部分,例如 在命题“π是无理数”中,“…是无理数”是谓词填式 在命题“小王与小李同岁”中,“…与…同岁”是谓词填式
14
产生式表示法
➢ 基于规则的产生式表示 表现形式为::若下雨则打伞: IF rain THEN umbrella
➢ 不确定性规则的产生式表示 表现形式为:IF P THEN Q (置信度)
例:若下雨则打伞的可能性是百分之五十: IF rain THEN umbrella (0.5)
T
T
F
F
T
F
F
T
AB
T
F
F
T
6
命题逻辑
➢ 逻辑等值式
定义和表示:取真值相同的两个命题为等值式,用符号 或 ≡ 表示 如PQ与PQ取真值的情形相同,记为 AB ≡ AB

《人工智能》 课后习题答案

《人工智能》 课后习题答案
盘子,所以共有 种可能。即问题的状态规模为 。
2.14 解答:
(1)定义谓词 G(x,y):x 比 y 大,个体有张三(zhang)、李四(li),将这些个体带入谓词中,
得到 G(zhang,li)和 G(zhang,li),根据语义用逻辑连接词将它们联结起来就得到表示上
述知识的谓词公式:G(zhang,li)
第二章 知识表达技术
2.1 解答: (1)状态空间(State Space)是利用状态变量和操作符号,表示系统或问题的有关知识的
符号体系,状态空间是一个四元组(S,O,S0,G): S—状态集合;O—操作算子集合;S0—初始状态,S0S;G—目的状 态 ,GS,(G 可若干 具
体状态,也可满足某些性质的路径信息描述) 从 S0 结点到 G 结点的路径被称为求解路径。 状态空间一解是一有限操作算子序列,它使初始状态转换为目标状态:
2.5 解答:符号微积分基本公式为
b a
f (x)
F(b) F(a) F(x) |ba
用产生式表示为:If f(x) and (a,b) Then F(b)-F(a)
2.6 解答:题中描述的情况用谓词形式可表达如下: DOG(X) X 是狗 SOUND(X) X 会吠叫 BIT(X,Y) X 咬 Y ANIMAL(X) X 是动物
Marry(A,B)
(Male(A)∧Female(B))∨(Male(B)∧Female(A))
(3) 定义谓词 Honest(x):x 是诚实的,Lying(x):x 会说谎。个体有张三(zhang),将这些
个体带入谓词中,得到 Honest(x)、 Lying(x)、Lying(zhang)、 Honest(zhang),根
为了方便表示规则集,引入以下几个函数: first(L):取表的第一个元素,对于空表,first 得到一个很大的大于 N 的数值。 tail(L):取表除了第一个元素以外,其余元素组成的表。 cons(x, L):将 x 加入到表 L 的最前面。 规则集: r1: IF (A, B, C) and (first(A) < first(B)) THEN (tail(A), cons(first(A), B), C) r2: IF (A, B, C) and (first(A) < first(C)) THEN (tail(A), B, cons(first(A), C)) r3: IF (A, B, C) and (first(B) < first(C)) THEN (A, tail(B), cons(first(B), C)) r4: IF (A, B, C) and (first(B) < first(A)) THEN (cons(first(B), A), tail(B), C) r5: IF (A, B, C) and (first(C) < first(A)) THEN (cons(first(C), A), B, tail(C)) r6: IF (A, B, C) and (first(C) < first(B)) THEN (A, cons(first(C), B), tail(C)) (3)初始状态:((1,2,...,N),(),()) (4)结束状态:((),(),(1,2,...,N)) 问题的状态规模:每一个盘子都有三种选择:在 A 上、或者在 B 上、或者在 C 上,共 N 个

人工智能导论 第4章 不确定性推理方法(导论) 1-41

人工智能导论 第4章 不确定性推理方法(导论) 1-41
④ 度量的确定应当是直观的,同时应有相应的理论依据。
7
4.1 不确定性推理中的基本问题
2. 不确定性匹配算法及阈值的选择
不确定性匹配算法:用来计算匹配双方相似程度的算 法。
阈值:用来指出相似的“限度”。
3. 组合证据不确定性的算法:
最大最小方法、Hamacher方法、概率方法、 有界方法、Einstein方法等。
则 CF (E)=min{CF (E1),CF (E2 ),...,CF (En )} 组合证据:多个单一证据的析取
E=E1 OR E2 OR … OR En 则 CF (=max{CF (E1),CF (E2 ),,CF (En )}
17
4.2 可信度方法
4. 不确定性的传递算法
C-F模型中的不确定性推理:从不确定的初始证据出发, 通过运用相关的不确定性知识,最终推出结论并求出结 论的可信度值。结论 H 的可信度由下式计算: CF (H ) =CF (H , E)× max{0,CF (E)}
5
4.1 不确定性推理中的基本问题
不确定性的表示与量度 不确定性匹配算法及阈值的选择 组合证据不确定性的算法 不确定性的传递算法 结论不确定性的合成
6
4.1 不确定性推理中的基本问题
1. 不确定性的表示与量度
(1)知识不确定性的表示 (2)证据不确定性的表示在—专—家证系据统的中动知态识的强不度确定性一般
是由领域专家给出的,通常是一个
(3)不确定性的量度 数值用—户—在知求识解的问静题态时强提度供的初始
证据。 在推理中用前面推出的结论作 ① 能充分表达相应知识及证据不确定性的程度。 为当前推理的证据。 ② 度量范围的指定便于领域专家及用户对不确定性的估计。
  1. 1、下载文档前请自行甄别文档内容的完整性,平台不提供额外的编辑、内容补充、找答案等附加服务。
  2. 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
  3. 3、如文档侵犯您的权益,请联系客服反馈,我们会尽快为您处理(人工客服工作时间:9:00-18:30)。
(x) (y)( ($z)(A(x,z)∧A(y,z)) ($u)B(x,y,u))
=(x) (y)( ~(($z)(A(x,z)∧A(y,z)))∨($u)B(x,y,u))
=(x) (y)( (z)(~A(x,z)∨~A(y,z) )∨($u)B(x,y,u)) =(x) (y)( (z)(~A(x,z)∨~A(y,z) )∨B(x,y,f(x,y))
基本的出发点:要证明一个命题 为真都可以通过证明其否命题为 假来得到 将多样的推理规则简化为一个— 消解
鲁滨逊
什么叫消解
析取联接词,类似“或”
PQ
﹁P R 亲本子句
QR
消解式
消解式是亲本子 句的逻辑结论
消解只能在仅含否定和析取联接词的公式(子句) 间进行 必须先把公式化成规范的形式(范式,子句集)
( $ x)Q(x) ( $ y)Q(y) Skolemnizing),两种情况:
存在量词不在全称量词的辖域内 —— 用新的个 体常量替换受存在量词约束的变元 存在量词在全称量词的辖域内 Skolem函数,即具体化函数
( x ) P ( x ) ( $ y ) Q ( y ) ( x ) P( x ) Q ( a ) ( x 1 )( x 2 )...( x n )( $ y ) P ( x 1, x 2 ,..., x n , y ) ( x 1)( x 2 )...( x n ) P ( x 1, x 2 ,..., x n , f ( x 1, x 2 ,..., x n ))
什么叫消解
例 1:
小王说他下午或者去图书馆或者在家休息 小王没去图书馆 R—小王下午去图书馆 S—小王下午在家休息
RS 例 2: ﹁R

S
﹁ P→Q P Q ﹁P
如果今天不下雨,我就去你家 今天没有下雨
含变量的消解
例:苏格拉底论断
凡人都会死. x (Man (x) Mortal (x)) 苏格拉底是人. Man (Socrates) 如何得到结论:苏格拉底会死. Mortal(Socrates)
斯科伦函数 w = g ( x )
⑤ 化成前束范式
⑥ 化成前束合取范式 分配律: P∨(Q∧R) = (P∨Q)∧(P∨R)
注:使用分配律两次
⑦ 消去全称量词或者前束
⑧ 消去合取符号,得到子句
⑨ 变量改名,使得变量不相同,得到子句集
消解式的定义
命题逻辑的消解式
设C1与C2是子句集中的任意两个子句,如果C1中的文字L1与 C2中的文字L2互补,那么从C1和C2中分别消去L1和L2,并将 两个子句中余下的部分析取,构成一个新子句C12,则称这一 过程为消解,称C12为C1和C2的消解式,C1,C2为C12的亲 本子句 例:子句 C1=P∨C1' C2=~P∨C2' 消解式 C12=C1'∨C2'
= (x) (y) (z)(~A(x,z)∨~A(y,z) ∨B(x,y,f(x,y)))
子句
例3:
((x)P(x)∨($y)Q(y)) (x)R(x)
=~((x)P(x)∨($y)Q(y)) ∨ (x)R(x)
=(~(x)P(x)∧~($y)Q(y)) ∨ (x)R(x) =( ($x)(~P(x))∧(y)(~Q(y))) ∨ (x)R(x)




Artificial Intelligence (AI)
第4章 推理技术
4.1 消解原理
推理是如何进行的?
推理过程多种多样 例 1:
如果今天不下雨,我就去你家 今天没有下雨
例 2:
小王说他下午或者去图书馆或者在家休息 小王没去图书馆
计算机如何选择?
消解原理(归结原理)
美国数学家鲁滨逊 提出消解原理(1965年)
“快乐的人过着激动人心的生活”
(∀z) (Happy(z)→Exciting(z))
目标“李明过着激动人心的生活”的否定
~Exciting(Liming)
消解反演示例—“激动人心的生活”问题
将上述谓词公式转化为子句集如下: (1) Poor(x)∨~Smart(x)∨Happy(x) (2) ~Read(y)∨Smart(y) (3) Read(Liming) (4) ~Poor(Liming) (5) ~Happy(z)∨Exciting(z) (6) ~Exciting(Liming) (结论的否定)
F2的前束合取范式和子句集: ($x)(C(x)∧O(x)) = (C(a)∧O(a)) 子句集={ C(a), O(a) }
~L 的前束范式和子句集: ~($x)(O(x)∧R(x))
= (x)(~O(x)∨~R(x))
子句集={~O(x)∨~R(x)}
构成子句集(注意改名) { ~C(x)∨W(x), ~C(y)∨R(y),
例:求Skolem函数(斯柯伦范式)
$x y z $u v $w A(x,y,z,u,v,w)
(用a替代x,删除$x)
= y z $u v $w A(a,y,z,u,v,w) (用f(y,z)代替u,删除$u) = y z v $w A(a,y,z, f(y,z),v,w) (用h(y,z,v)代替w,删除$w) = y z v A(a,y,z, f(y,z),v,h(y,z,v))
L: ($x)(O(x)∧R(x)) 试证:L是F1,F2的逻辑结果,即F1∧F2L
证明:
利用消解原理来构造F1∧F2∧~L的一个反演
首先分别求出F1,F2和 ~L 的子句集
F1的前束合取范式与子句集: (x)(C(x)(W(x)∧R(x)) = (x)(~C(x)∨(W(x)∧R(x)) = (x)((~C(x)∨W(x) )∧(~C(x)∨R(x))) 子句集={ ~C(x)∨W(x) , ~C(x)∨R(x) }(未改名)
~Happy(z)∨Exciting(z)
消解原理的局限性
消解原理推进了用逻辑方法进行机器证明的研究,使得 自动定理证明领域发生了质的变化。 但是
要求把逻辑公式转化为某种范式,丧失了其固有的逻辑 蕴含语义y)(~Q(y))) ∨ (z)R(z) (改名)
=( ($x)(~P(x))∧(y)(~Q(y))) ∨ (z)R(z) = ( (~P(a))∧(y)(~Q(y))) ∨ (z)R(z) (消去存在量词) = (y) (z)(( ~P(a)∧ ~Q(y)) ∨ R(z) ) (化成前束范式)
{P(x), P(a)}的最一般的合一者为 {a/x} c’1= Q(x) c’2= R(y)
则c1, c2的消解式为 c=Q(a)∨R(y)
怎么利用消解原理进行证明?
消解反演 通俗的说就是“反证法”
要证命题A恒为真,等价于证﹁A恒为假
证明过程
否定结论R,得﹁R ; 把﹁R添加到已知前提集合F中去; 把新产生的集合{ ﹁R ,F}化成范式; 应用消解原理,不断求消解式,直到得到一个表示矛 盾的空子句
一阶谓词逻辑的消解式
设C1与C2是两个没有相同变元的子句,L1和L2分别是C1和C2 中的文字,若σ是L1和~L2的最一般合一者,则称 C12=(C1σ - {L1σ})∪(C2σ - {L2σ}) 为C1和C2的二元消解式,L1和L2为消解式上的文字
例:
设c1 = P(x) ∨ Q(x), c2 = ~P(a) ∨ R(y)
5) 化为前束形式 把全称量词提到最外层 前束形:= (前缀) {母式} ↑ ↑
全称量词串 无量词公式
6) 把母式化为合取范式 7) 消去全称量词 8) 消去连词符号∧,写成子句集 9) 变量分离标准化 改变变量名称,使一个变量符号不出现在一个 以上的子句中
例1: (x)A(x) ($x)B(x)

φ
⑥⑦
消解反演示例—“激动人心的生活”问题
假设:所有不贫穷并且聪明的人都是快乐的,那 些看书的人是聪明的。李明能看书且不贫穷,快 乐的人过着激动人心的生活。 求证:李明过着激动人心的生活。 解:先定义谓词: Poor(x) x是贫穷的 Smart(x) x是聪明的 Happy(x) x是快乐的 Read(x) x能看书 Exciting(x) x过着激动人心的生活
仔细分析量词的辖域
= ~(x)A(x)∨($x)B(x) (消去“蕴含”)
= ($x) (~A(x))∨($x)B(x) (“非”直接作用谓词符号)
= ($ x) (~A(x) ) ∨ ($z) B(z) (改名)
= ~A(a)∨B(b) (消去存在量词)
子句集= { ~A(a)∨B(b) }
例 2:
(1)子句定义 任何文字的析取式称为子句 不包含任何文字的子句称为空子句(空子句是永假的) 由子句构成的集合称为子句集 例:{P(x)∨Q(x) , ~P(x,f(x))∨Q(x,g(x)) }
(2)谓词演算公式化为子句式 任何一个谓词演算公式可以化为一个子句集合 步骤: 1) 消去蕴涵符号 用~A∨B代换A→B 2) 把非号~移入内层
要完成消解还面临几个问题
“”和“ ”必须消去
Man (x) Mortal (x) Man (x) Mortal “”怎么办?
化为子句集 置换与合一
如果能消去“”,Man (x) 和Man (Socrates)也不能构成互补对,形式不一样, 怎么办?
化子句集
相关概念
文字:原子公式及其否定统称为文字 子句集
~ (P Q) = ~ P ~ Q ~ (P Q) = ~ P ~ Q ~ ( x)P = ( $x) ~ P ~ ($ x)P = ( x) ~ P
3)对变量标准化 改变变量名,使不同的变量不同名
( x)P(x) ( x)P(x) 4)消去存在量词(具体化
1. 2.
从父子句求消解式的若干例子
相关文档
最新文档