西电人工智能14确定性推理part7[1]
人工智能教程习题及答案第3章习题参考解答
第三章确定性推理方法习题参考解答3.1 练习题3.1 什么是命题？请写出3个真值为T 及真值为F 的命题。
3.2 什么是谓词？什么是谓词个体及个体域？函数与谓词的区别是什么？3.3 谓词逻辑和命题逻辑的关系如何？有何异同？3.4 什么是谓词的项？什么是谓词的阶？请写出谓词的一般形式。
3.5 什么是谓词公式？什么是谓词公式的解释？设D= {1,2} ，试给出谓词公式（ x）（ y）（P（x,y） Q（x,y））的所有解释，并且对每一种解释指出该谓词公式的真值。
3.6对下列谓词公式分别指出哪些是约束变元？哪些是自由变元？并指出各量词的辖域。
（1）( x)(P(x, y) ( y)(Q(x, y) R(x, y)))（2）( z)( y)(P(z, y) Q(z, x)) R(u, v)（3）( x)(~ P( x, f (x )) ( z)(Q(x,z) ~ R(x,z)))（4）( z)(( y)(( t)(P(z, t) Q(y, t)) R(z, y))（5）( z)( y)(P(z, y) ( z)(( y)(P(z, y) Q(z, y) ( z)Q(z, y))))什么是谓词公式的永真性、永假性、可满足性、等价性及永真蕴含？3.7什么是置换？什么是合一？什么是最一般的合一？3.8判断以下公式对是否可合一；若可合一，则求出最一般的合一：3.9（1）P(a,b) ，P(x, y)（2）P(f(z),b) ，P(y, x)（3）P(f(x), y) ，P(y, f(a))（4）P(f(y), y,x) ，P(x, f(a), f(b))（5）P(x, y) ，P(y, x)什么是范式？请写出前束型范式与SKOLEM 范式的形式。
3.10什么是子句？什么是子句集？请写出求谓词公式子句集的步骤。
3.113.12谓词公式与它的子句集等值吗？在什么情况下它们才会等价？3.13 把下列谓词公式分别化为相应的子句集：(1)( z)( y)(P(z, y) Q(z, y))(2)( x)( y)(P(x, y) Q(x, y))(3)( x)( y)(P(x, y) (Q(x, y) R(x, y)))(4)( x)( y)( z)(P(x, y) Q(x, y) R(x, z))(5)( x)( y)( z)( u)( v)( w)(P(x, y,z,u,v,w) (Q(x, y, z,u, v, w) ~R(x, z, w)))3.14 判断下列子句集中哪些是不可满足的：(1)S {~ P Q,~ Q,P,~ P}(2)S {P Q,~ P Q,P ~ Q,~ P ~ Q}(3)S {P(y) Q(y), ~ P(f(x)) R(a)}(4)S {~ P(x) Q(x), ~ P(y) R(y), P(a),S(a),~ S(z) ~ R(z)}(5)S {~ P(x) ~ Q(y) ~ L(x, y), P(a), ~ R(z) L(a, z), R(b), Q(b)}(6)S {~ P(x) Q(f(x), a), ~ P(h(y)) Q(f(h(y)), a) ~ P(z)}(7)S {P(x) Q(x) R(x),~ P(y) R(y),~Q(a),~ R(b)}(8)S {P(x) Q(x),~ Q(y) R(y), ~ P(z) Q(z),~ R(u)}3.15 为什么要引入Herbrand 理论？什么是H 域？如何求子句集的H 域？3.16 什么是原子集？如何求子句集的原子集？3.17 什么是H 域解释？如何用域D 上的一个解释I 构造H 域上的解释I *呢？3.18 假设子句集S＝{P(z) ∨Q(z),R(f(t))} ，S 中不出现个体常量符号。
人工智能知识点总结
CHW:一、概论1. 人工智能是由计算机科学、控制论、信息论、神经生理学、心理学、语言学等构成。
2. 智能科学研究智能的基本理论和实现技术，是由脑科学、认知科学、人工智能等学科构成的交叉学科。
3. 认知(cognition)是和情感、动机、意志等相对的理智或认识过程。
认知科学是研究人类感知和思维信息处理过程的科学，包括从感觉的输入到复杂问题求解，从人类个体到人类社会的智能活动，以及人类智能和机器智能的性质。
思维是客观现实的反映过程，是具有意识的人脑对于客观现实的本质属性、内部规律性的自觉的、间接的和概括的反映。
智能是个体认识客观事物和运用知识解决问题的能力。
4. 人类思维的形态：感知思维、形象思维、抽象思维、灵感思维。
5. 神经网络基本特点：①以分布式方式存储信息。
②以并行方式处理信息。
③具有自组织、自学习能力。
符号智能：以知识为基础，通过推理进行问题求解。
也即所谓的传统人工智能。
计算智能：以数据为基础，通过训练建立联系，进行问题求解。
人工神经网络、遗传算法、模糊系统、进化程序设计、人工生命等都可以包括在计算智能6.符号智能与计算智能区别：符号智能就是传统人工智能，以知识为基础，通过推理求解问题；计算智能以数据为基础，通过训练建立联系，进行问题求解。
人工神经网络，遗传算法、模糊等都是计算智能。
7. 非单调推理：一个正确的公理加到理论中，反而使得所得结论变无效。
如封闭世界假设CWA，限定逻辑；定性推理：把物理系统分成子系统，对每个子系统之间的作用建立联系，通过局部因果性的行为合成获得实际物理系统的功能；不确定性推理：随机性、模糊性、不确定性。
如DS证据、模糊集、粗糙集、贝叶斯。
8. 知识、知识表示及运用知识的推理算法是人工智能的核心, 而机器学习则是关键问题。
机器学习的研究四个阶段：①无知识的学习：主要研究神经元模型和基于决策论方法的自适应和自组织系统。
②符号概念获取：给定某一类别的若干正例和反例，从中获得该类别的一般定义。
人工智能考试必备知识点
人工智能考试必备知识点第三章约束推理约束的定义：一个约束通常是指一个包含若干变量的关系表达式，满足的条件。
贪心算法：贪心法把构造可行解的工作分阶段来完成。
在各个阶段，选择那些在某些意义下是局部最优的方案，期望各阶段的局部最优的选择带来整体最优。
回溯算法：有些问题需要彻底的搜索才能解决问题，然而，彻底的搜索要以大量的运算时间为代价，对于这种情况可以通过回溯法来去掉一些分支，从而大大减少搜索的次数第四章定性推理定性推理的定义是从物理系统、生命系统的结构描述出发 , 导出行为描述 , 以便预测系统的行为并给出原因解释。
定性推理采用系统部件间的局部结构规则来解释系统行为态的变化行为只与直接相邻的部件有关第六章贝叶斯网络贝叶斯网络的定义：贝叶斯网络是表示变量间概率依赖关系的有向无环图，这里每个节点表示领域变量，表示变量间的概率依赖关系，同时对每个节点都对应着一个条件概率分布表 (CPT) 该变量与父节点之间概率依赖的数量关系。
条件概率：条件概率：我们把事件B 已经出现的条件下，事件 A 发生的概率记做为并称之为在B 出现的条件下 A 出现的条件概率，而称 P(A)为无条件概率。
贝叶斯概率：先验概率、后验概率、联合概率、全概率公式、贝叶斯公式先验概率：先验概率是指根据历史的资料或主观判断所确定的各事件发生的概率，验证实，属于检验前的概率，所以称之为先验概率后验概率：后验概率一般是指利用贝叶斯公式，结合调查等方式获取了新的附加信息，对先验概率进行修正后得到的更符合实际的概率联合概率：联合概率也叫乘法公式，是指两个任意事件的乘积的概率，或称之为交事件的概率。
贝叶斯问题的求解步骤定义随机变量、确定先验分布密度、利用贝叶斯定理计算后验分布密度、利用计算得到的厚颜分布密度对所求问题作出推断贝叶斯网络的构建为了建立贝叶斯网络，第一步，必须确定为建立模型有关的变量及其解释。
为此，需要：(1) 确定模型的目标，即确定问题相关的解释； (2) 确定与问题有关的许多可能的观测值，并确定其中值得建立模型的子集； (3) 将这些观测值组织成互不相容的而且穷尽所有状态的变量。
西安电子科技大学人工智能复习课习题
1.请选用框架法和语义网络法表示下述报道的沙尘暴灾害事件。
（虚拟新华社3月16日电）昨日，沙尘暴袭击韩国汉城，气场与高速公路被迫关闭，造成的损失不详。
此次沙尘暴起因中韩专家认为是由于中国内蒙古地区过分垦牧破坏植被所致。
（提示：分析概况用下划线标出的要点，经过概念化形成槽或节点）2. 请用归结反演的方法求解下述问题。
已知：（1）John 是贼。
（2）Paul 喜欢酒（wine ）。
（3）Paul 也喜欢奶酪（cheese ）。
（4）如果Paul 喜欢某物，那么John 也喜欢某物。
（5）如果某人是贼，而且他喜欢某物，那么他就会偷窃该物。
请回答下面的问题：John 会偷窃什么？3. MYCIN 是一个用于细菌感染性疾病诊断的专家系统，它的不确定性推理模型中采用可信度作为不确定性量度。
请简述什么是不确定性推理及不确定性推理几个关键问题，并按照MYCIN 系统的推理方法计算结论B1和B2的可信度。
已知初始证据A1,A2,A3的可信度值均为1，推理规则如下：R1: IFA1 THEN B1 (0.8) R2: IFA2 THEN B1 (0.5) R3: IF A3∧B1 THENB2 (0.8) 求CF(B1)和CF(B2)的值。
()()()(),()0,()0121212()()()()(),()0,()012121212()()12,()()0121min{|()|,|()|}12CF H CF H CF H CF H CF H CF H CF H CF H CF H CF H CF H CF H CF H CF H CF H CF H CF H CF H CF H ⎧⎪⎪⎪⎪⎪⎪⎪⎨⎪⎪⎪⎪⎪⎪⎪⎩+-⨯≥≥=++⨯<<+⨯<- 4．设A 、B 分别是论域U 、V 上的模糊集，U=V={1,2,3,4,5}, A=1/1+ 0.5/2, B=0.4/3+0.6/4+1/5并设模糊知识及模糊证据分别为：IF x is A THEN y is B x is A ’其中，A ’的模糊集为：A ’=1/1+ 0.4/2+ 0.2/3假设A 和A ’可以匹配，请利用模糊推理的方法求出该模糊知识和模糊证据能得出什么样的模糊结论。
人工智能的推理推断和决策方法
人工智能的推理推断和决策方法人工智能（Artificial Intelligence, AI）是一门研究如何使计算机能够模拟和表现人类智能的学科。
推理、推断和决策是人工智能领域中至关重要的技术之一。
本文将介绍人工智能中的推理推断和决策方法，并深入探讨它们在现实生活中的应用。
一、推理推断方法推理推断是通过已有信息和已有的推理机制从中得出新的结论或发现之间的关系。
推理推断的方法可以分为演绎推理和归纳推理。
1. 演绎推理演绎推理是根据已知的前提和逻辑规则，通过确定性推理得出结论。
它可以分为传统逻辑推理和不确定逻辑推理。
传统逻辑推理是依据逻辑学的基本规则和形式公理进行推理。
其中最著名的逻辑是命题逻辑和谓词逻辑。
命题逻辑主要用于处理简单的命题间的推理，例如当已知A为真，且A蕴含B时，可以推出B为真。
谓词逻辑则用于处理谓词与量词，更为灵活。
不确定逻辑推理是用于处理不确定性信息的推理方法，其中最常用的方法是模糊逻辑和概率逻辑。
模糊逻辑通过引入模糊概念来处理不精确或不完全的信息，如“云彩是模糊的白色”。
概率逻辑则通过将概率引入到逻辑推理中来处理不确定性，如“在下雨的情况下，道路湿滑的概率更高”。
2. 归纳推理归纳推理是通过从具体的事实或实例中总结出普遍规律来进行推理。
归纳推理的方法可以分为归纳泛化和归纳推理。
归纳泛化是从特殊情况中抽象出一般规律。
例如，我们观察到许多坏学生是在游戏时间过长后表现不佳，可以推断出游戏时间过长对学生学习的负面影响。
归纳推理则是通过观察现象、分析数据等方法得出结论。
它通过观察和经验总结概括，可能会受到样本规模、采样偏差等因素的影响。
二、决策方法决策是从多个备选方案中选择最佳方案的过程。
在人工智能领域中，决策问题经常被建模为决策树、马尔可夫决策过程、深度强化学习等形式。
1. 决策树决策树是一种树状的决策图，用于帮助决策者作出决策。
在决策树中，每个分支代表一个决策点，而每个叶节点代表一个可能的决策结果。
人工智能 第3章(确定性推理3-与或树搜索)
包括基于距离的启发式函数、基于成本的启发式函数、基于规则的启发式函数等。
节点排序和选择策略
节点排序的目的和意义
节点排序是为了在扩展节点时，按照一定的顺序选择下一个要扩展的节点，以优化搜索过程。
常用节点排序策略
包括最佳优先搜索、广度优先搜索、深度优先搜索等。最佳优先搜索根据启发式函数的值来选择最优节点； 广度优先搜索按照节点的层次顺序进行扩展；深度优先搜索则尽可能深地扩展节点。
盲目搜索方法比较与选择
• 宽度优先搜索、深度优先搜索和迭代加深搜索都是盲目搜索方法，它们在不同的场景下有不同的应用。 • 宽度优先搜索适用于问题空间较大、解存在于较浅层次的情况，因为它可以逐层遍历整个问题空间，找到最短
路径。 • 深度优先搜索适用于问题空间较小、解存在于较深层次的情况，因为它可以尽可能深地搜索树的分支，找到更
启发式信息获取途径
01
02
03
问题自身的特性
通过分析问题的性质、结 构、约束条件等，提取出 对搜索过程有指导意义的 启发式信息。
领域知识
利用领域内的经验、规则、 常识等，为搜索过程提供 有价值的启发式信息。
搜索过程中的信息
在搜索过程中，通过评估 当前状态、已搜索路径、 未搜索路径等，动态地获 取启发式信息。
04 与或树搜索优化技术
剪枝策略
01
剪枝的定义和目的
剪枝是在搜索过程中，通过某些评估标准，提前终止对某些无意义或低
效的节点的扩展，以减少搜索空间，提高搜索效率。
02 03
常用剪枝策略
包括限界剪枝、启发式剪枝、概率剪枝等。限界剪枝通过设置上下界来 限制搜索范围；启发式剪枝利用启发式函数来评估节点的重要性；概率 剪枝则根据节点的概率分布来进行剪枝。
人工智能--确定性推理 ppt课件
ppt课件
21
流程图
ppt课件
22
注意几点：
①搜索过程产生的节点和指针构成一棵隐式定义的 状态空间树的子树，称之为搜索树
ppt课件
23
② 宽度优先搜索方法能够保证在搜索树中找到 一条通向目标节点的最短途径（所用操作符 最少）
ppt课件
24
例：八数码问题
初始状态
283
1
4
765
目标状态
123
8
初始节点
目标状态
目标节点
操作符
有向弧
ppt课件
7
解的含义：
在状态空间中，解是从初始状态到目标状态的 操作符序列
在图中，解是从初始节点到目标节点的一条路 径
ppt课件
8
必须记住哪下从些一目 点步标走还返过可回了以的走路哪径 些点
状态：(城市名) 算子：常德→益阳
益阳→常德 益阳汨罗 益阳宁乡 益阳娄底 …
是否会认为老师的教学方法需要改进？ • 你所经历的课堂，是讲座式还是讨论式？ • 教师的教鞭 • “不怕太阳晒，也不怕那风雨狂，只怕先生骂我
笨，没有学问无颜见爹娘 ……” • “太阳当空照，花儿对我笑，小鸟说早早早……”
解决实际问题的两个关键之处：
①问题的表达 状态空间法 问题归约法 谓词逻辑法
②问题的求解 搜索技术
P-1
P
P+1
P+3
ppt课件
27
空格移动规则
顺序 规则
1
左移
2
上移
3
下移
4
右移
前提条件
应用结果
P≠1,4,7 P 位置与 P-1 位置上的元素互换
P≠1,2,3
人工智能确定性推理部分参考答案
人工智能确定性推理部分参考答案(共8页)-本页仅作为预览文档封面，使用时请删除本页-确定性推理部分参考答案1 判断下列公式是否为可合一，若可合一，则求出其最一般合一。
(1) P(a, b), P(x, y)(2) P(f(x), b), P(y, z)(3) P(f(x), y), P(y, f(b))(4) P(f(y), y, x), P(x, f(a), f(b))(5) P(x, y), P(y, x)解：(1) 可合一，其最一般和一为：σ={a/x, b/y}。
(2) 可合一，其最一般和一为：σ={y/f(x), b/z}。
(3) 可合一，其最一般和一为：σ={ f(b)/y, b/x}。
(4) 不可合一。
(5) 可合一，其最一般和一为：σ={ y/x}。
2 把下列谓词公式化成子句集：(1)(∀x)(∀y)(P(x, y)∧Q(x, y))(2)(∀x)(∀y)(P(x, y)→Q(x, y))(3)(∀x)(∃y)(P(x, y)∨(Q(x, y)→R(x, y)))(4)(∀x) (∀y) (∃z)(P(x, y)→Q(x, y)∨R(x, z))解：(1) 由于(∀x)(∀y)(P(x, y)∧Q(x, y))已经是Skolem标准型，且P(x, y)∧Q(x, y)已经是合取范式，所以可直接消去全称量词、合取词，得{ P(x, y), Q(x, y)}再进行变元换名得子句集：S={ P(x, y), Q(u, v)}(2) 对谓词公式(∀x)(∀y)(P(x, y)→Q(x, y))，先消去连接词“→”得：(∀x)(∀y)(¬P(x, y)∨Q(x, y))此公式已为Skolem标准型。
再消去全称量词得子句集：S={¬P(x, y)∨Q(x, y)}(3) 对谓词公式(∀x)(∃y)(P(x, y)∨(Q(x, y)→R(x, y)))，先消去连接词“→”得：(∀x)(∃y)(P(x, y)∨(¬Q(x, y)∨R(x, y)))此公式已为前束范式。
第3章 确定性推理方法(导论5)
（3） 所以，行星系统是以太阳为中心（ P ）。
32
3.2 自然演绎推理
例3.1 已知事实： （1）凡是容易的课程小王( Wang )都喜欢； （2）C 班的课程都是容易的； （3）ds 是 C 班的一门课程。 求证：小王喜欢 ds 这门课程。
33
3.2 自然演绎推理
证明： 定义谓词： EASY ( x )：x 是容易的 LIKE ( x, y )：x 喜欢 y C ( x )：x 是 C 班的一门课程 已知事实和结论用谓词公式表示： (x) ( EASY ( x ) → LIKE ( Wang, x ) ) (x) ( C ( x ) → EASY ( x )) C ( ds ) LIKE ( Wang, ds )
（2）不确定性推理：推理时所用的知识与证据不都是确定 的，推出的结论也是不确定的。
不确定性推理
似然推理 （概率论） 近似推理或模糊推理 （模糊逻辑）
12
3.1.2 推理方式及其分类
3. 单调推理、非单调推理 （1）单调推理：随着推理向前推进及新知识的加入，推 出的结论越来越接近最终目标。 （2）非单调推理：基由于于经新典逻知辑识的的演加绎入推，理不仅没有加强已 推出的结论，反而要否定它，使推理退回到前面的某一步， 重新开始。 默认推理是非单调推理
14
3.1 推理的基本概念
3.1.1 推理的定义 3.1.2 推理方式及其分类 3.1.3 推理的方向 3.1.4 冲突消解策略
15
3.1.3 推理的方向
正向推理
逆向推理
推
(反 向 推 理 )
理
方
向
混合推理
双向推理
数据库 知识库
专家
推理机
用户
人工智能在智能推理中的应用
未来发展趋势： 多模态融合、自 适应推理、可解 释性等
应用前景：医疗、 金融、教育等领 域
总结与展望
总结人工智能在智能推理中的应用
人工智能在智能推理中的应用概述 人工智能在智能推理中的具体应用案例 人工智能在智能推理中的优势与局限性 未来发展趋势与展望
展望未来智能推理技术的发展方向
深度学习与神经网络技术的进 一步发展
人工智能与机器学习的融合发展
人工智能与机器学习在智能推 理中的互补作用
机器学习在智能推理中的优势 与局限性
人工智能与机器学习融合发展 的趋势和挑战
未来智能推理领域的发展前景 与展望
智能推理技术的挑战与机遇
挑战：数据规模、 算法复杂度、计 算资源等
机遇：深度学习、 自然语言处理、 计算机视觉等技 术的发展
人添加工副智标能题 在智能推 理中的应用
汇报人：
目录
PART One
添加目录标题
PART Three
人工智能在智能推 理中的应用
PART Five
智能推理的未来发 展
PART Two
智能推理的定义和 发展
PART Four
智能推理的应用案 例
PART Six
总结与展望
单击添加章节标题
智能推理的定义和 发展
目标跟踪：对视 频中的目标进行 实时跟踪和预测
图像生成：生成 具有高度真实感 的图像和视频
三维重建：通过 多个视角的图像 重建三维场景
智能推理的应用案 例
智能客服
智能客服的定义 和功能
智能客服在智能 推理中的应用
智能客服的案例 分析
智能客服的未来 发展趋势
智能推荐系统
定义：根据用户的历史行为和偏好，推荐相关内容或产品 应用场景：电商、音乐、视频等 推荐算法：协同过滤、内容过滤、混合过滤等 优势：提高用户体验，增加用户黏性，促进消费转化
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。
人工智能导论 第3章 确定性推理方法(导论) [兼容模式]
![人工智能导论 第3章 确定性推理方法(导论) [兼容模式]](https://img.taocdn.com/s3/m/459b6ef6336c1eb91b375d99.png)
①足球运动员的身体都是强壮的;
（大前提）
②高波是一名足球运动员；
（小前提）
③所以，高波的身体是强壮的。 （结 论）
9
3.1.2推理方式及其分类
1.演绎推理、归纳推理、默认推理 (2)归纳推理(inductive reasoning):个别一一般
完全归纳推理(必然性推理) 不完全归纳推理(非必然性推理)
■逆向推理需要解决的问题： ♦如何判断一个假设是否是证据？
___ ♦当导出假设的知识有多条时，如何确定先选哪一条？ ♦ 一条知识的运用条件一般都有多个，当其中的一个经 验证成立后，如何自动地换为对另一个的验证？
♦ ......
选择初 -_逆向推理：目的性强，利于向用户提供解释，但 始目标时具有盲目性，比正向推理复杂。
22
3.1.3推理的方向
3.混合推理
.正向推理：盲目、效率低。
■逆向推理：若提出的假设目标不符合实际，会降低效
率C
■正反向混合推理：
1 （ ） 先正向后逆向：先进行正向推理，帮助选择某个目标，
即从已知事实演绎出部分结果，然后再用逆向推理证实该目标
2 或提高其可信度；
（ ） 先逆向后正向：先假设一个目标进行逆向推理，然后
■实现正向推理需要解决的问题： .确定索知识库。 .冲突消解策略。
■正向推理简单，易实现，但目的性不强，效率低。
19
3.1.3推理的方向
2.逆向推理
.逆向推理（目标驱动推理）：以某个假设目标作为出 发点。 -基本思想：
选定一个假设目标。 寻找支持该假设的证据，若所需的证据都能找到，则 原假设成立；若无论如何都找不到所需要的证据，说明 原假设不成立的；为此需要另作新的假设。 ■主要优点：不必使用与目标无关的知识，目的性强， 同时它还有利于向用户提供解释。
人工智能推理技术
• （1）专一性排序(条件部分更具体的规则) • （2）规则排序(规则编排顺序) • （3）数据排序(所有条件按优先级次序编排起来) • （4）就近排序(最近使用的规则优先) • （5）上下文限制(在某种上下文条件下) • （6）按匹配度排序(计算这两个模式的相似程度) • （7）按条件个数排序(条件少的优先)
• （2）不确定性推理(不精确推理)。在人类知识中， 有相当一部分属于人们的主观判断，是不精确的和 含糊的。由这些知识归纳出来的推理规则往往是不 确定的。基于这种不确定的推理规则进行推理，形 成的结论也是不确定的，这种推理称为不确定推理。 (在专家系统中主要使用的方法)。
3、单调推理、非单调推理
• 如果按推理过程中推出的结论是否单调增加，或 者说推出的结论是否越来越接近最终目标来划分， 推理又可分为单调推理与非单调推理。
（2）把否定号“”移到每个谓词的前面,可变为
（x）{（y）（z）[P（x，y，z）] （u）Q（x，u）}
（3）引入skolem函数消去存在量词。消去存在量词后，为
（x）{（y） [P（x，y，f（x，y））] （u）Q（x，u）}
（4）将公式化为前束式，并略去全称量词,可变为
P（x，y，f（x，y）） Q（x，u）
1)、命题逻辑的情况
• 应用规则的匹配过程比较简单。设已知事实的与 或形表达式为：（（PQ）R）（S （TU））
精选人工智能不确定性推理课件
“失之毫厘，差之千里”。初始条件的 微小的差别能引起结果的巨大的差异。
6
复杂网络: Internet
❖具有小世界效应和无尺度特性
7
不确定性
➢人类认知过程的不确定性 ✓感知的不确定性
✓记忆的不确定性 ✓思维的不确定性
17
不确定性的表示与量度
知识不确定性的表示 在确立其表示方法时,有两个直接相关的因素需 要考虑: 1) 要能根据领域问题的特征把其不确定性比较 准确地描述出来,满足问题求解的需要; 2) 要便于推理过程中对不确定性的推算. 证据不确定性的表示 在推理中,有两种来源不同的证据: 1) 一种是用户在求解问题时提供的初始证据; 2) 另一种是在推理中用前面推出的结论作为当
CF(E1∨E2, E ' ) = max[CF(E1, E ' ), CF(E2, E ' )] 当两条规则支持同一结论H时，可表示为
30
不确定性的组合
当组合证据是多个单一证据的合取时,即: E = E1 and E2 and … and En 若已知 CF(E1), CF(E2),…, CF(En),则 CF(E) = min {CF(E1), CF(E2),…, CF(En) }
(3) 不确定性推理中所推得的结论是否有效，也取决于其 信度是否达到阈值。
(4)不确定性推理还要求有一套关于信度的计算方法，包括 “与”关系的信度计算、 “或”关系的信度计算、“非”关系 的信度计算和推理结果信度的计算等等。
22
不确定性推理模型
不确定性推理模型没有一个统一的模型，种类不计其数， 其中比较著名的有：
人工智能 逻辑推理
人工智能逻辑推理
人工智能的逻辑推理是指利用计算机和相关技术模拟人脑进行推理的过程。
它是人工智能领域的重要研究方向之一。
逻辑推理是指根据已知的前提和一些逻辑规则，通过推理思维得出合乎逻辑的结论。
人工智能中的逻辑推理主要分为两种类型：基于谓词逻辑的推理和基于不确定性的推理。
基于谓词逻辑的推理使用谓词逻辑（即一阶逻辑）来描述事物之间的关系。
它通过使用一组推理规则来推断新的命题，从而得到新的结论。
在这种推理方法中，推理过程是可靠的，但是计算复杂度较高。
基于不确定性的推理则是在推理过程中允许存在不确定性和不完全信息的情况下进行的推理。
它常用于处理有模糊、不确定或不完整信息的情况下的推理。
这种推理方法适用于许多现实生活中的问题，如决策支持和专家系统等。
为了实现逻辑推理，人工智能领域的研究人员使用了一系列技术和方法。
其中包括逻辑编程、推理引擎、知识表示和推理规则等。
逻辑编程是一种用逻辑语言编写程序的方法，它能够实现基于逻辑的推理。
推理引擎是一个计算机程序，能够根据预定义的逻辑规则自动推理，并生成推理结果。
知识表示是将事物的知识和关系进行形式化的表示方法，以便计算机能够理解和处理。
推理规则则是根据逻辑规则去做推理的基本规则。
逻辑推理在人工智能领域具有广泛的应用，如自然语言处理、
机器学习、专家系统等。
通过逻辑推理，人工智能系统可以根据已有的知识和规则进行推理，并得出新的结论，从而实现更高级的智能行为。
920090-人工智能导论(第4版)-第3章 确定性推理方法(导论)
3.1.1 推理的定义
已知事实
推理： （ 证 据 ） 某 种 策 略
知识
结论
数据库 知识库
专家
推理机
病人
医疗专家系统
知识 专家的经验、医学常识
初始 证据
病人的症状、化验结果
证据
中间结论
7
3.1 推理的基本概念
3.1.1 推理的定义 3.1.2 推理方式及其分类 3.1.3 推理的方向 3.1.4 冲突消解策略
2
第3章 确确定定性性推推理理方方法法
知识 知识 推理
智 能 ?!
自然演绎 推理
经典逻辑推理 （确定性推理）
推
理
不确定性推理
归结演绎 推理
与 /或 形 演绎推理
3
第3章 确定性推理方法
3.1 推理的基本概念 3.2 自然演绎推理 3.3 谓词公式化为子句集的方法 3.4 鲁宾逊归结原理 3.5 归结反演 3.6 应用归结反演求解问题
22
3.1.3 推理的方向
3. 混合推理
正向推理: 盲目、效率低。 ▪ 逆向推理: 若提出的假设目标不符合实际，会降低效率。 ▪ 正反向混合推理： （1）先正向后逆向：先进行正向推理，帮助选择某个目标，
即从已知事实演绎出部分结果，然后再用逆向推理证实该目标 或提高其可信度；
（2）先逆向后正向：先假设一个目标进行逆向推理，然后再
36
第3章 确定性推理方法
3.1 推理的基本概念 3.2 自然演绎推理 3.3 谓词公式化为子句集的方法 3.4 鲁宾逊归结原理 3.5 归结反演 3.6 应用归结反演求解问题
归 结 演 绎 推 理
37
归结演绎推理
反证法： P Q ，当且仅当 P Q F ， 即 Q为 P 的逻辑结论，当且仅当 P Q 是不可
人工智能2-第2章-确定性知识系统
换了了的信息 (2) 伯恩斯坦（Bernstein）：知识由特定领域的描述、关系和过程组成 (3) 海海叶斯-罗斯（Heyes-Roth）：知识=事实+信念+启发式
2
2.1.1 确定性知识表示概述
2.ᬰ 识᧣ 类Ṟ (1/2)
适应性，对高高效算法的支支持程度
可组织性与可维护性：
可组织性是指可以按某种方方式把知识组织成某种知识结构。
可维护性是指要便便于对知识的增、删、改等操作
可理理解性与可实现性：
可理理解性是指知识应易易读、易易懂、易易获取等
可实现性是指知识的表示要便便于计算机上实现
5
2.1.1 确定性知识表示概述
3 ᬰ 识ᶡ ᙎ ᧣ 概၃ Ẹ ፖ (2/2)
例例如，一一位计算机维修员，从书本知识，到通过大大量量实例例积累经验，是一一 种归纳推理理方方式。运用用这些一一般性知识知识去维修计算机的过程则是演绎推 理理。
12
2.1.2 确定性知识推理理概述
3.ᱣ ሑ ໓ ᩧ ᯘ ᅊ ࿔ ᐠ 类
推理理的控制策略略是指如何使用用领域知识使推理理过程尽快达到目目标的策略略。它 可分为推理理策略略和搜索策略略。
完全归纳推理理
是指在进行行行归纳时需要考察相应事物的全部对象，并根据这些对象是否都具
有某种属性，推出该类事物是否具有此属性。如，计算机质量量检验。
不不完全归纳推理理
是指在进行行行归纳时只考察了了相应事物的部分对象，就得出了了关于该事物的结
论。例例如，计算机，随机抽查。
枚举归纳推理理
是指在进行行行归纳时，如果已知某类事物的有限可数个具体事物都具有某种
《人工智能》测试题答案[参考]
![《人工智能》测试题答案[参考]](https://img.taocdn.com/s3/m/49787031a4e9856a561252d380eb6294dd88220c.png)
测试题——人工智能原理一、填空题1.人工智能作为一门学科，它研究的对象是______，而研究的近期目标是____________ _______；远期目标是___________________。
2.人工智能应用的主要领域有_________，_________，_________，_________，_______和__________。
3.知识表示的方法主要有_________，_________，_________，_________和________。
4.产生式系统由三个部分所组成，即___________，___________和___________。
5.用归结反演方法进行定理证明时，可采取的归结策略有___________、___________、_________、_________、_________和_________。
6.宽度优先搜索对应的数据结构是___________________；深度优先搜索是________________。
7.不确定知识处理的基本方法有__________、__________、__________和__________。
8.AI研究的主要途径有三大学派，它们是________学派、________学派和________学派。
9.专家系统的瓶颈是________________________；它来自于两个阶段，第一阶段是，第二阶段是。
10.确定因子法中函数MB是描述________________________、而函数MD是描述________________________。
11.人工智能研究的主要领域有_________、_________、_________、_________、_______和__________。
12.一阶谓词逻辑可以使用的连接词有______、_______、_______和_______。
13.基于规则的演绎系统主要有________、_________和_________。
- 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、"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、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)。
✓ 已知：A,B,C三人中有人从不说真话，也有人从不说假 话。某人向这三人分别提出同一个问题：谁是说谎者？ A答：“B和C都是说谎者”； B答：“A和C都是说谎者”； C答：“A和B中至少有一个是说谎者”。
✓ 问：求谁是老实人，谁是说谎者？ ✓ 解：首先定义谓词
T(x)：表示x说真话
西电人工智能14确定性推理part7[1]
西电人工智能14确绎推理
用归结反演求取问题的答案
把已知前提用谓词公式表示如下： 如果A说的是真话，则有：
T(C)∨T(A)∨T(B) 如果 A说的是假话，则有：
¬T(C)∨¬T(A)∨¬T(B) 对B和C说的话作相同的处理，可得：
T(B)→¬T(A)∧¬T(C) ¬T(B)→T(A)∨T(C) T(C)→¬T(A)∨¬T(B) ¬T(C)→T(A)∧T(B)
•C是老实人
• ¬T(A)∨T(C)
T(A)∨T(C)
• T(C)
• T(C)
西电人工智能14确定性推理part7[1]
用归结反演求取问题的答案
下面证明A不是老实人，结论的否定为： ¬T(A) 将结论的否定¬(¬T(A)) 加入并入前提子句集S中， 应用归结原理对新的子句集进行归结：
T(A)
•得证。A不是 是老实人 •同理可证B不 是老实人
西电人工智能14确定性推理part7[1]
用归结反演求取问题的答案
把目标的否定化成子句式，并用下面的重言式代替： ¬T(x)∨T(x)
把此重言式加入前提子句集S，得到一个新子句集，
对这个新的子句集，应用归结原理求出其证明树。
•¬T(x)∨T(x) •¬T(A)∨¬T(B)
T(B)∨T(C)
•{C/x}
该目标否定子句和此目标否定子句的否定之间再进行析取所得到 的子句），用这些重言式代替相应的目标否定子句式，并把这些 重言式加入到前提子句集中，得到一个新的子句集； ✓ (4) 对这个新的子句集，应用归结原理求出其证明树，这时证明树 的根子句不为空，称这个证明树为修改的证明树； ✓ (5) 用修改证明树的根子句作为回答语句，则答案就在此根子句中。
西电人工智能14确定性推理part7[1]
用归结反演求取问题的答案
v 例1：
✓ 已知：“张和李是同班同学，如果x和y是同班同学，则x的 教室也是y的教室，现在张在302教室上课。”
✓ 问：“现在李在哪个教室上课？” ✓ 解：首先定义谓词
C(x, y)：x和y是同班同学 At(x, u)：x在u教室上课。 把已知前提用谓词公式表示如下： C(zhang, li) (∀x) (∀y) (∀u) (C(x, y)∧At(x, u)→At(y,u)) At(zhang, 302)
•{li/y,v/u} •At(li,v)∨﹁ C(x, li)∨﹁At(x, v) •{Zhang/x}
•C(zhang, li)
•﹁ At(zhang,v)∨At(li, v)
•At(zhang, 302)
•{302/v} •At(li, 302)
西电人工智能14确定性推理part7[1]
用归结反演求取问题的答案
西电人工智能14确定性推理part7[1]
用归结反演求取问题的答案
把上述公式化成子句集，得到前提子句集S： ¬T(A)∨¬T(B) ¬T(A)∨¬T(C) T(C)∨T(A)∨T(B) ¬T(B)∨¬T(C) ¬T(C)∨¬T(A)∨¬T(B) T(A)∨T(C) T(B)∨T(C)
先求谁是老实人，结论的否定为： ¬(∃x)T(x)
把此重言式加入前提子句集中，得到一个新的子句集， 对这个新的子句集，应用归结原理求出其证明树。
西电人工智能14确定性推理part7[1]
用归结反演求取问题的答案
✓ 求解过程如下图所示。该证明树的根子句就是所求的答案， 即“李明在302教室”。
•﹁At(li,v)∨At(li,v)
•﹁C(x, y)∨﹁At(x, u)∨At(y, u)
•¬T(A)∨¬T(B)
T(B)∨T(C)
• ¬T(A)∨T(C)
¬T(A)∨¬T(
C)
• ¬T(A)
• NIL
西电人工智能14确定性推理part7[1]
归结演绎推理
v 归结演绎推理的优点：
✓ 简单，便于在计算机上实现。
v 归结演绎推理的不足：
✓ 必须把逻辑公式化成子句集。 ✓ 不便于阅读与理解：¬P(x)∨Q(x)没有P(x)→Q(x)直观。 ✓ 可能丢失控制信息，如下列逻辑公式：
西电人工智能14确定性推理part7[1]
用归结反演求取问题的答案
把目标的否定用谓词公式表示如下： ﹁(∃v)At(li, v)
把上述公式化为子句集： C(zhang, li) ﹁C(x, y)∨﹁At(x, u)∨At(y, u) At(zhang, 302)
把目标的否定化成子句式，并用下面的重言式代替： ﹁At(li,v) ∨At(li,v)
(¬A∧¬B)→C ¬A→(B∨C) (¬A∧¬C)→B ¬B→(A∨C) (¬C∧¬B)→A ¬C→(B∨A) 化成子句后都是: A∨B∨C
西电人工智能14确定性推理part7[1]
内容提要
•第三章：确定性推理
•1.推理的基本概念 •2.搜索策略 •3.自然演绎推理 •4.归结演绎推理 •5.基于规则的演绎推理
西电人工智能14确定性推理part7[1]
用归结反演求取问题的答案
v 归结原理出了可用于定理证明外，还可用来求取问题答案， 其思想与定理证明相似。其一般步骤为：
✓ (1) 把问题的已知条件用谓词公式表示出来，并化为子句集； ✓ (2) 把问题的目标的否定用谓词公式表示出来，并化为子句集； ✓ (3) 对目标否定子句集中的每个子句，构造该子句的重言式（即把
西电人工智能14确定性 推理part7[1]
2020/12/7
西电人工智能14确定性推理part7[1]
内容提要
•第三章：确定性推理
•1.推理的基本概念 •2.搜索策略 •3.自然演绎推理 •4.归结演绎推理 •5.基于规则的演绎推理
西电人工智能14确定性推理part7[1]
归结演绎推理
v 归结演绎推理 ✓子句集及其化简 ✓鲁滨逊归结原理 ✓归结反演推理的归结策略 ✓用归结反演求取问题的答案