3知识推理

知识推理方法分类

按推理方向分：


正向推理（Forward Reasoning） 逆向推理(Backward Reasning) 双向推理(Bidirectional Reasoning)
精确推理（Exact Reasoning） 非精确推理（Inexact Reasoning）

按使用信息和逻辑的精确度分：
模糊逻辑

布尔逻辑：是经典逻辑或二值逻辑（真、假） 模糊逻辑：是布尔逻辑的扩展，称为非经典 逻辑或无穷值逻辑，真值为[0,1]闭区间上 的实数
模糊集合

定义：字母U代表论域空间，是由任一组对象或数 学结构形成的集合。设在论域U上给定了映射μ, μ ： U→[0,1]， μ 确定了U上的模糊子集A, μ称为A的的隶属函数, μ A(u):称为u对于A的隶属度， μ A(u)属于[0,1] 模糊集合A是一个序对集： A={(ui, μ A(ui))}, ui ∈U
双向推理算法
双向推理的算法是： 重复执行以下步骤，直到问题被解决： 1. 输入事实； 2. 调用正向推理算法，从已知事实出发演绎出部 分结果，形成结论集S； 3. 调用选择目标算法，从S中选出某个结论作为 目标G； 4. 调用逆向推理算法，确定目标G的真假性。
精确推理与非精确推理

精确推理——所用知识具有确定性，可表示
正向推理示例
交通事故示例： 谓词：

年龄（x）//表示x的年龄 中年人（x）//表示x是中年人 老练（x） //表示x很老练 细心（x） //表示x很细心 有驾驶技术（x） //表示x有驾驶技术 不出交通事故（x） //表示x不出交通事故 F1: 年龄（李先生）=43 //李先生的年龄是43 F2: 有驾驶技术（李先生）//李先生有驾驶技术
确定性理论

除了参量或事实外，每条规则也可以 被赋于CF值，规则的结论的CF值依赖 于前提和规则的确定性： ④ CF(结论)=CF(前提)*CF(规则) ／100 例如：
If A and B Then C ( CF= 50)； CF(C) = min{CF(A)，CF(B))*50／100
确定性理论
逆向推理示例
交通事故示例：

目标假设：李先生不出交通事故。 推理过程（用目标匹配规则的结论） 不出交通事故（李先生）

(R4)
老练（李先生） 细心（李先生） 有驾驶技术（李先生）√

(F2) 老练（李先生） 中年人（李先生） (R2) 细心（李先生） 中年人（李先生） (R3) 中年人（李先生） (R1,F1) 年龄（李先生）小于等于55 √ 年龄（李先生）大于等于35 √

按推理过程中的计算方式分：


知识推理

推理与知识表示方法直接相关，产生式规则 表示方法提供了最基本的推理模式。他与 框架、谓词逻辑等其他表示方法相结合，可 提供功能更强、更灵活的推理方法。
正向推理


从可用的事实出发，向前推理，用当前 的事实匹配规则的前提，产生新的结论， 直到达到目标状态终止。 这种推理方式是由数据到结论，所以也 叫数据驱动策略。推理方式如下所示：
逆向推理示例
交通事故示例： 谓词

年龄（x）//表示x的年龄 中年人（x）//表示x是中年人 老练（x） //表示x很老练 细心（x） //表示x很细心 有驾驶技术（x） //表示x有驾驶技术 不出交通事故（x） //表示x不出交通事故 F1: 年龄（李先生）=43 //李先生的年龄是43 F2: 有驾驶技术（李先生）//李先生有驾驶技术
正向推理的一般算法： 1. 扫描规则库，产生可用规则集S，这些规则左 边条件均为真，即都被问题的条件事实满足； 2. 调用解决冲突算法，从S中选出规则R； 3. 执行规则R右边的结论部分，将产生的新事实 加入事实库； 4. 若目标得证或无新的事实产生，则停止；否 则转2。
正向推理算法
采用顺序选择方法的正向推理算法： 1. 从规则集合的第一条规则开始，执行： ① 根据问题的条件证明该规则的前提是否成 功，若成功，则将该规则的结论加入事实 库。 ② 检查问题的目标是否被证明，若被证明， 则成功，停止推理。 2. 重复步骤①和②证明规则集合中的下一条规 则，直到规则集合中的所有规则被证明过。
正向推理的冲突解决策略
正向推理利用规则的前提匹配事实， 那么如果有多条规则匹配当前的事实的 情况，就必须应用某种策略决定首先应 用哪些规则，这种策略叫做冲突解决策 略。
正向推理的冲突解决策略


选择一条——只选择匹配事实的第一条规则。 顺序选择——按匹配规则的顺序执行，前面建 立的新事实可被后面的规则使用。 详细规则优先——优先选择条件部分最详细的 规则。（认为基于较多信息的规则得出的结论 是较好的）。可根据条件元素的个数和执行条 件部分的成本来决定优先度。
模糊运算
对模糊集合A、B 交 μ A∩B（U）＝min{μ A(u), μ B(u)} 并 μ A∪B（U）＝max{μ A(u), μ B(u)} 补 μ ~A（U）＝1－ μ A(u)
确定性理论



确定性理论是Shortliffe等人于1975年提出的， 它是建立在确定性因子基础上的不精确推理理 论。 确定性因子CF(Certainty Factor)表示事实或 规则的真实程度。确定性因子是0一100之间的 一个数字，100表示绝对为真，0表示绝对为假。 推理结果也不再是简单的目标匹配成功或者失 败，而是计算出目标的确定性因子。

逆向推理算法
设目标为G，逆向推理算法为：
（1）扫描事实库，找出与目标G匹配的事实F，若F存在，则成功返回。 （2）扫描规则库，找出结论与目标G匹配的规则集S （3）如果S为空：则失败返回。 （4）如果S非空且G未知，重复执行以下操作： ①调用解决冲突算法，从S中选出规则R； ②将规则R的前提部分作为子目标G′， ③若G′未知，递归调用本算法； ④若G′为真，执行R的结论部分，并且从S中删除规则R。
双向推理



正向推理的主要缺点是盲目推理，求解了许多 与总目标无关的子目标。 逆向推理的主要缺点是盲目选择目标求解了许 多可能为假的总目标， 双向推理综合利用正向推理和逆向推理的优点， 即通过正向推理帮助选择某个目标，再通过逆 向推理证明该目标。推理方式如下所示:
初始状态 目标状态 （事实条件） →←（结论假设）

当存在多条规则匹配一个假设时，可将每个 匹配规则看作支持这个假设的一个证据。为 了计算假设的确定性因子，需要组合支持该 假设的所有规则提供的CF值，称为组合证据： ⑤CF(H，Rulel&Rule2) = cl+c2 - (c1 * c2)/100
初始状态 （事实条件） → 目标状态 （结论假设）
正向推理
计算机利用正向推理求解问题时：先将事实数据 存入计算机的事实库中，将领域知识表示为规则，存 入规则库中。推理时将问题的事实与规则的前提进行 匹配。前提可能由条件或子句集合组成，如果规则前 提中的所有子句被匹配成功，则执行这条规则。将执 行后所得的新事实存入事实库中，再次寻找匹配的规 则，直至得出结论。 事实库 匹配 规则库 执行
正向推理示例
交通事故示例：

目标结论：李先生不出交通事故。 推理过程 (用规则的前提匹配事实) R1: 年龄（李先生）小于等于55 and 年龄（李先 生）大于等于35 中年人（李先生） (F1:年龄＝43) R2: 中年人（李先生） 老练（李先生） R3: 中年人（李先生） 细心（李先生） R4: 老练（李先生）and 细心（李先生）and 有驾 驶技术（李先生） 不出交通事故（李先生） （F2）
成必然的因果关系和逻辑关系，推理的结论或 是肯定的或是否定的（真、假）。

非精确推理——所用知识可以是确定的，也
可以是不确定的。事实与规则都可能具有一定 的可信度，规则和推理逻辑是不精确的。
非精确推理



不确定性知识：一方面来自信息的不完全性，由于 知识表示和处理方法的不精确、不完善所致。另一 方面，不确定性产生于知识本身的不精确性，包括 客观事物的随机性和概念的模糊性等。 处理不确定信息的理论主要包括：概率论 (Probability Theory)、模糊逻辑(Fuzzy Logic)、 确定性理论(Certainty Theory)和Dempster— Shafer的证据理论 在智能信息系统中，除了利用确定的规则对确定的 知识进行精确推理外，更重要的是用经验知识对不 确定的知识进行不精确推理。

知识推理方法分类

按产生的新信息的数量与时间的关系：


单调推理（Monotonic Reasoning）是指推理过程中产生的新信息的 数量随时间而严格增加，且这些信息不影响原有信息的真实性。如 谓词逻辑基础上的推理。 非单调推理（Nonmonotonic Reasoning）是相对于单调推理而言， 是指推理过程中产生新信息的数量并非随时间而严格增加，这些信 息可能对原有信息产生影响，使其部分信息变成无效，使其数量减 少。例如，常识推理、默认推理 。 计算推理，主要有数值计算、智能计算和计算智能等 逻辑推理，是指使用谓词逻辑、模糊逻辑、模态逻辑、时序逻辑、 动态逻辑等来完成关于问题的求解的推理。 知识搜索，是依据知识内容和知识关联来求解问题的过程，是一种 特殊形式的人工智能推理技术。
确定性理论


为了应用确定性因子进行推理，需要定义 一些运算公式。 事实和参量可以带有确定性因子，设A和 B的确定性因子分别是CF(A)和CF(B)，则 有以下公式：
① CF(A AND B) = min{CF(A)，CF(B)} ② CF(A OR B) = max{CF(A), CF(B)} ③ CF(NOT A) = 100 — CF(A)
逆向推理


提出一个假设作为问题的目标，然后用该目标 匹配事实或规则的结论部分，如果目标匹配某 个事实，那么目标成立；否则，选择一条结论 匹配目标的规则中，将其前提作为新的子目标， 继续匹配…直到证明成功为止。 这种推理方法由目标到数据，因此也称为目标 驱动策略。推理方式如下所示:
初始状态 （事实 条件） 目标状态 ← （结论 假设）

事实

逆向推理示例
交通事故示例： 规则：（逆向规则表示法） R1、中年人（x） If 年龄（x）小于等于55 and 年龄（x）大于等于35 R2、老练（x） If 中年人（x） R3、细心（x） If 中年人（x） R4、不出交通事故（x） If 老练（x）and 细心（x）and 有驾驶技术（x）
ຫໍສະໝຸດ Baidu

事实

正向推理示例
交通事故示例： 规则：（正向规则表示）
R1、If 年龄（x）小于等于55 and 年龄（x）大于等于35 Then 中年人（x） R2、If 中年人（x）Then 老练（x） R3、If 中年人（x）Then 细心（x） R4、If 老练（x）and 细心（x）and 有驾驶技术（x） Then 不出交通事故（x）
正向推理的冲突解决策略


重要度优先——预先给各规则赋予表示 其重要程度的权值，在处理冲突规则时， 选择权值最高的规则。 最近优先法——优先选择与最近加入事 实库中的事实相匹配的规则。在这种情 况下，各数据元素被赋予时间标志。在 以实时控制为目标的事件驱动型推理中， 常使用这种策略。
正向推理算法
知识推理
——智能信息系统之三
知识推理



知识推理是指在计算机或智能机器中，利用形 式化的知识进行机器思维和求解问题的过程。 推理就是依据一定的原则从已有的事实推出结 论的过程，这个原则就是推理控制策略。 自动推理程序是指利用推理辅助解决和回答问 题的计算机程序
知识推理



研究推理方法的目的是探索人类思维活动中各种 推理形式的基本规律，研制出能辅助人类进行推 理判断和问题求解的智能化软件系统。 钱学森教授认为人类思维一般分为三类： 抽象思维－即逻辑思维、概念的概括与划分、事物 的分类与继承等； 形象思维－如类比、联想等典型方法； 灵感思维－是发生在潜意识的创造性的思维方法。 按照人类思维和智能活动的不同特征，自动推理 的研究具有不同的研究观点。