第6章 基于产生式规则的机器推理
基于产生式规则的推理
基于产生式规则 的机器推理
产生式规则的界定及内容
例如： （1）天下雨，地上湿。（“原因—结果”结构） （2）如果把冰加热到零摄氏度以上，冰就会融化为水。 （“条件—结论”结构） （3）“夜来风雨声，花落知多少。”（事实及其进展 结构） （4）若能找到一根合适的杠杆，就能撬起那座大山。 （前提—操作） （5）“才饮长江水，又食武昌鱼，”（事实及其进展 结构） （6）刚才开机了，意味着发出了捕获目标图像的信号。 （情况—行为）
产生式规则的界定及内容
产生式规则其实就是产生式系统的主体，是产生 式系统知识表示的核心。故人们常把产生式表示直接 称为产生式规则，或简称规则。这里所说的“规则” ， 是指人们思维判断中的一种固定逻辑结构关系。一般 产生式的结构可表示为自然语言形式，事实上，在自 然语言表达中，人们广泛使用的各种“原因—-结果”， “条件—结论”，“前提—操作”，“事实—进展”， “情况—行为”等结构，都可归结为产生式的知识表 达形式。
正向推理算法：
步1 将初始事实/数据置入动态数据库。 步2 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。 步3 用规则库中各规则的前提匹配动态数据库中的 事实/数据, 将匹配成功的规则组成待用规则集。 步4 若待用规则集为空, 则运行失败, 退出。 步5 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, 转步2。
数字孪生技术与工程实践 第6章 数字孪生的智能化应用
引言
数字孪生技术与工程实践
在SIGGRAPH 2021 上，英伟达（Nvidia）公司通过一部纪录片自曝：在2021年4月举办的 “英伟达 GTC（图形技术大会）发布会”内藏玄机，他们构建了一个英伟达首席执行官兼创始 人黄仁勋（老黄）的“数字孪生体”，出现在视频发布会的部分环节中。
知识推理
数字孪生技术与工程实践
推理一般是指这样一个过程，通过对事物进行分解、分析，再进行综合，然后做出决策，这个 过程往往是从事实开始，运用已经掌握的知识，找出其中隐含的事实或总结出新的知识。
在智能系统中，推理通常是由一组程序来实现的，一般把这一组用来控制计算机实现推理的程 序称为推理机。
推理方法是解决在推理的过程中推理前提和推理结论的逻辑关系问题，包括确定性的以及不确 定性的传递问题。
数字孪生技术与工程实践
6.2 模型和数据双驱动的优化
模型驱动和数据驱动的方法
数字孪生技术与工程实践
模型（或者说知识）驱动方法与数据驱动方法是指导工程人员研究工程系统的两大方法论。数据驱动方 法与模型驱动方法本质上都源于对人类知识的总结和扩展，都具有一定的数学理论基础。
数据驱动方法（Data-driven Method）能够将数据样本转化为经验模型（Experience-based Model），
基于数字孪生的智能化应用，可以从模型和数据相结合的优化入手来考虑。传统的基于模型的 或者说基于知识的优化，在面向复杂大系统或者巨系统的情况，可能会遇到效率不高、难以实 现等问题；而单纯基于数据的优化，在工业、建筑业等已经拥有大量机理模型和物理、化学等 演变规律知识的学科与行业中，往往事倍功半，容易在数据中迷失方向。数字孪生的优势，在 于基于模型和知识，结合实际系统中采集的数据，融合后进行优化，充分发挥模型和数据各自 的优势。
推理技术-产生式系统
总结与练习
1 人工智能概述 AI的概念、目标、发展、学派、研究、应用 2 知识的表示 知识的概念、属性、分类、表示（麦卡赛问题） 语义网络、框架表示：结构性知识表示方法 推理方式：继承和匹配 3 产生式系统 概念、工作原理、控制策略、具体事例
复习
人工智能的概念和目标是什么？ 什么是图灵实验？ 有哪些AI学派（或研究途径）及各自特点是什么？ 什么是知识和知识的表示？ 什么是语义网络和框架理论？主要特点是什么？ 语义网络中成员关系（Member）和实例关系（ISA）区别是什么？ 产生式系统的三个基本组成部分是什么? 正向推理和反向推理的各自特点是什么？ 请设计用于电梯控制的产生式系统？（设有3部电梯，1-20楼运行，随时 可知道每部电梯的位置和状态） 目标：1 平均等待时间短；2 最长等待时间短； 3 节能高效 4 其他
反向推理
反向推理算法
Step1 : 将初始事实置入动态数据库, 目标条件置入目标链; Step2: 若目标链为空, 则推理成功, 结束.
Step3: 取出目标链中第一个目标, 用动态数据库中的事实与 其匹配, 若匹配成功, To Step2;
Step4 : 用规则集中的各规则的结论同目标匹配, 成功则将第 一个匹配成功且未用过的规则的前提作为新目标, 取 代父目标加入到目标链, To Step3; Step5 : 若目标是初始目标, 则推理失败, 退出.
反向推理
规则的一般形式: P1 --> P2 ; P3
P2 -->
反向推理 : 反向使用规则的推理过程.
从目标状态(目标条件)到初始状态(初始事实/数 据)的与或图解搜索过程. 又称目标驱动, 自顶向 下,后向, 反向连推理.
AI导论教学大纲-人工智能导论-廉师友-清华大学出版社
人工智能导论课程教学大纲廉师友编写清华大学出版社（2020）说明为了方便各位任课老师的教学，本书作者结合自己多年来给计算机专业讲授人工智能课程的教学大纲和这部《人工智能导论》新教材的内容以及该课程的基本要求，制定了这一新的教学大纲，供各位老师参考。
从内容来看，这个大纲与这部新教材是一致的，其课时应该说已达到这门课程的上限。
各位老师可根据各自院校的实际情况对该大纲的教学内容进行取舍，并确定相应的课时，以制定适合各自教学任务的教学大纲。
希望这份资料对各位任课老师的教学能有所裨益和帮助！当然，若发现其中有不妥或错误之处也请指正！作者2020年3月《人工智能导论》课程教学大纲课程编号：英文课名：Introduction to Artificial Intelligence适用专业：人工智能、计算机、自动化和电子信息类专业（考试）学时：90 学分：课程类别：专业课课程性质：必修课/必选课一、课程性质和目的《人工智能导论》为人工智能、计算机、自动化和电子信息类专业的一门必修或必选课程，其目的是使学生理解人工智能的基本原理，初步学习和掌握人工智能的基本技术，为进一步学习人工智能后续专业课程或从事人工智能的研发奠定基础，指引方向。
二、课程内容第1章人工智能概述基本内容和要求：1．理解人工智能的概念、目标和研究策略；2．理解人工智能的研究内容与方法；3．了解人工智能的分支领域；4．了解人工智能的应用与发展概况。
第2章人工智能程序设计语言基本内容和要求：1．了解人工智能程序设计语言的特点、分类和发展概况；2．理解PROLOG语言的语句特点、程序结构和运行机理，能读懂和编写简单的PROLOG 程序；3．了解Python语言的特点和使用方法，能读懂和编写简单的Python程序。
教学重点：1．PROLOG语言；2．Python语言。
教学难点：1．PROLOG语言的匹配合一和回溯控制；2．Python语言的程序结构和资源库的使用。
第六章基于产生式规则的机器推理
第六章基于产生式规则的机器推理教学目的：使学生掌握产生式系统的定义、组成和推理技术。
教学重点和难点：产生式系统与规则演绎系统的差别和产生式系统的组成。
难点为产生式系统的控制策略等。
主要教学内容及要求：了解：产生式系统的程序实现理解：产生式系统与图搜索的区别掌握：产生式系统的组成结构，通过实践掌握产生式系统的设计和工作过程。
熟练掌握：产生式规则与产生式系统产生式这一术语，是1943年在美国数学家波斯特（E.Post）提出的一种称为波斯特机的计算模型里被首次使用的。
波斯特机的目的在于证明它和“图灵机”具有相同的计算能力。
在该模型中，波斯特主要是用类似于文法的规则对符号串做替换运算，并把其中的每一条符号变换规则称为一个产生式。
此后，产生式不断发展，1972年纽厄尔和西蒙在研究人类的认知模型中开发了基于规则的产生式系统。
目前，产生式表示法已成为人工智能中应用最多的一种知识表示模式，尤其是在专家系统方面，许多成功专家系统都是采用产生式知识表示方式。
产生式表示法也称为产生式规则表示法。
本节主要讨论产生式方法的基本方法、基本结构、基本过程和基本类型。
2.1.1产生式表示的基本方法及特性产生式表示法可以很容易地描述事实、规则以及它们的不确定性度量。
对非确定性知识的产生式表示方法，将主要在第4章讨论。
1.事实的表示事实可看作是断言一个语言变量的值或断言多个语言变量之间关系的陈述句。
其中，语言变量的值或语言变量之间的关系可以是数字，也可以是一个词等。
例如，陈述句“雪是白的”，其中“雪”是语言变量，“白的”是语言变量的值。
再如，陈述句“王峰热爱祖国”，其中，“王峰”和“祖国”是两个语言变量，“热爱”是语言变量之间的关系。
在产生式表示法中，事实通常是用三元组或四元组来表示的。
对确定性知识，一个事实可用一个三元组（对象，属性，值）或（关系，对象1，对象2）来表示。
其中，对象就是语言变量。
这种表示方式，在机器内部可用一个表来实现。
人工智能导论课件第6章第4-5节
6.5.2 振动故障诊断的专家系统
• VIBEX专家系统结合了决策表分析（DTA）和DT，决策表分析是通过已知案 例来构建的，而DT是为了做出分类，使用归纳式知识获取过程来构建。 VIBEX DT与机器学习技术相结合，比起ⅤIBEX（VIBration Expert）TBL方 法在处理振动原因和发生概率较高的案例时，其诊断更有效率。人类专家合作 构建DTA，这最终得到了由系统知识库组成的规则集。然后，人们使用贝叶斯 算法计算出规则的确定性因子。
6.5.2 振动故障诊断的专家系统
• 专家系统的重要作用之一是用于故障诊断。在昂贵、高速、关键机械运转的情 况下，故障的早期准确检测非常重要。在机械运转的情况下，异常情况的常见 指标是旋转机械的振动。检测到故障后，维护工程师能够识别症状信息，解释 各种错误信息和指示，并提出正确的诊断。换句话说，识别可能导致故障的组 件以及组件失败的原因。
人工智能导论
Introduction to artificial intelligence
• （1）规划——在这个阶段，根据所有可能的原子构型的集合中和质谱推导出 的约束一致的原子构型集合，还原出答案。应用约束，选择必须出现在最终结 构中的分子片段，剔除不能出现的分子片段。
• （2）生成——使用名为CONGEN的程序来生成可能的结构。“它的基础是组 合算法（具有数学证明的完整性以及非冗余生成性）。组合算法可以产生所有 在拓扑上合法的候选结构。通过使用‘规划’过程提供的约束进行裁剪，引导 生成合理的集合（即满足约束条件的集合），而不是巨大的合法集合。”
人工智能课后习题第6章 参考答案
第6章不确定性推理参考答案6.8 设有如下一组推理规则:r1: IF E1THEN E2 (0.6)r2: IF E2AND E3THEN E4 (0.7)r3: IF E4THEN H (0.8)r4: IF E5THEN H (0.9)且已知CF(E1)=0.5, CF(E3)=0.6, CF(E5)=0.7。
求CF(H)=?解：(1) 先由r1求CF(E2)CF(E2)=0.6 × max{0,CF(E1)}=0.6 × max{0,0.5}=0.3(2) 再由r2求CF(E4)CF(E4)=0.7 × max{0, min{CF(E2 ), CF(E3 )}}=0.7 × max{0, min{0.3, 0.6}}=0.21(3) 再由r3求CF1(H)CF1(H)= 0.8 × max{0,CF(E4)}=0.8 × max{0, 0.21)}=0.168(4) 再由r4求CF2(H)CF2(H)= 0.9 ×max{0,CF(E5)}=0.9 ×max{0, 0.7)}=0.63(5) 最后对CF1(H )和CF2(H)进行合成，求出CF(H)CF(H)= CF1(H)+CF2(H)+ CF1(H) × CF2(H)=0.6926.10 设有如下推理规则r1: IF E1THEN (2, 0.00001) H1r2: IF E2THEN (100, 0.0001) H1r3: IF E3THEN (200, 0.001) H2r4: IF H1THEN (50, 0.1) H2且已知P(E1)= P(E2)= P(H3)=0.6, P(H1)=0.091, P(H2)=0.01, 又由用户告知：P(E1| S1)=0.84, P(E2|S2)=0.68, P(E3|S3)=0.36请用主观Bayes方法求P(H2|S1, S2, S3)=?解：(1) 由r1计算O(H1| S1)先把H1的先验概率更新为在E1下的后验概率P(H1| E1)P(H1| E1)=(LS1× P(H1)) / ((LS1-1) × P(H1)+1)=(2 × 0.091) / ((2 -1) × 0.091 +1)=0.16682由于P(E1|S1)=0.84 > P(E1)，使用P(H | S)公式的后半部分，得到在当前观察S1下的后验概率P(H1| S1)和后验几率O(H1| S1)P(H1| S1) = P(H1) + ((P(H1| E1) – P(H1)) / (1 - P(E1))) × (P(E1| S1) – P(E1))= 0.091 + (0.16682 –0.091) / (1 – 0.6)) × (0.84 – 0.6)=0.091 + 0.18955 × 0.24 = 0.136492O(H1| S1) = P(H1| S1) / (1 - P(H1| S1))= 0.15807(2) 由r2计算O(H1| S2)先把H1的先验概率更新为在E2下的后验概率P(H1| E2)P(H1| E2)=(LS2×P(H1)) / ((LS2-1) × P(H1)+1)=(100 × 0.091) / ((100 -1) × 0.091 +1)=0.90918由于P(E2|S2)=0.68 > P(E2)，使用P(H | S)公式的后半部分，得到在当前观察S2下的后验概率P(H1| S2)和后验几率O(H1| S2)P(H1| S2) = P(H1) + ((P(H1| E2) – P(H1)) / (1 - P(E2))) × (P(E2| S2) – P(E2))= 0.091 + (0.90918 –0.091) / (1 – 0.6)) × (0.68 – 0.6)=0.25464O(H1| S2) = P(H1| S2) / (1 - P(H1| S2))=0.34163(3) 计算O(H1| S1,S2)和P(H1| S1,S2)先将H1的先验概率转换为先验几率O(H1) = P(H1) / (1 - P(H1)) = 0.091/(1-0.091)=0.10011再根据合成公式计算H1的后验几率O(H1| S1,S2)= (O(H1| S1) / O(H1)) × (O(H1| S2) / O(H1)) × O(H1)= (0.15807 / 0.10011) × (0.34163) / 0.10011) × 0.10011= 0.53942再将该后验几率转换为后验概率P(H1| S1,S2) = O(H1| S1,S2) / (1+ O(H1| S1,S2))= 0.35040(4) 由r3计算O(H2| S3)先把H2的先验概率更新为在E3下的后验概率P(H2| E3)P(H2| E3)=(LS3× P(H2)) / ((LS3-1) × P(H2)+1)=(200 × 0.01) / ((200 -1) × 0.01 +1)=0.09569由于P(E3|S3)=0.36 < P(E3)，使用P(H | S)公式的前半部分，得到在当前观察S3下的后验概率P(H2| S3)和后验几率O(H2| S3)P(H2| S3) = P(H2 | ¬ E3) + (P(H2) – P(H2| ¬E3)) / P(E3)) × P(E3| S3)由当E3肯定不存在时有P(H2 | ¬ E3) = LN3× P(H2) / ((LN3-1) × P(H2) +1)= 0.001 × 0.01 / ((0.001 - 1) × 0.01 + 1)= 0.00001因此有P(H2| S3) = P(H2 | ¬ E3) + (P(H2) – P(H2| ¬E3)) / P(E3)) × P(E3| S3)=0.00001+((0.01-0.00001) / 0.6) × 0.36=0.00600O(H2| S3) = P(H2| S3) / (1 - P(H2| S3))=0.00604(5) 由r4计算O(H2| H1)先把H2的先验概率更新为在H1下的后验概率P(H2| H1)P(H2| H1)=(LS4× P(H2)) / ((LS4-1) × P(H2)+1)=(50 × 0.01) / ((50 -1) × 0.01 +1)=0.33557由于P(H1| S1,S2)=0.35040 > P(H1)，使用P(H | S)公式的后半部分，得到在当前观察S1,S2下H2的后验概率P(H2| S1,S2)和后验几率O(H2| S1,S2)P(H2| S1,S2) = P(H2) + ((P(H2| H1) – P(H2)) / (1 - P(H1))) × (P(H1| S1,S2) – P(H1))= 0.01 + (0.33557 –0.01) / (1 – 0.091)) × (0.35040 – 0.091)=0.10291O(H2| S1,S2) = P(H2| S1, S2) / (1 - P(H2| S1, S2))=0.10291/ (1 - 0.10291) = 0.11472(6) 计算O(H2| S1,S2,S3)和P(H2| S1,S2,S3)先将H2的先验概率转换为先验几率O(H2) = P(H2) / (1 - P(H2) )= 0.01 / (1-0.01)=0.01010再根据合成公式计算H1的后验几率O(H2| S1,S2,S3)= (O(H2| S1,S2) / O(H2)) × (O(H2| S3) / O(H2)) ×O(H2)= (0.11472 / 0.01010) × (0.00604) / 0.01010) × 0.01010=0.06832再将该后验几率转换为后验概率P(H2| S1,S2,S3) = O(H1| S1,S2,S3) / (1+ O(H1| S1,S2,S3))= 0.06832 / (1+ 0.06832) = 0.06395可见，H2原来的概率是0.01，经过上述推理后得到的后验概率是0.06395，它相当于先验概率的6倍多。
生成式模型 推理式模型-概述说明以及解释
生成式模型推理式模型-概述说明以及解释1.引言1.1 概述在机器学习领域中，生成式模型和推理式模型是两种常见的方法。
它们都是用于描述和处理概率和不确定性的模型。
生成式模型主要关注如何生成样本数据，而推理式模型则着眼于对给定数据进行推理和预测。
生成式模型是一种通过建模随机变量的联合概率分布，从而生成新的样本数据的方法。
它通过观察已知数据的特征，学习生成这些数据的分布规律。
生成式模型的核心思想是通过学习到的分布，来生成具有与训练样本相似的新样本。
生成式模型的一大优势是可以生成新的、不存在的数据样本，从而扩展数据集。
生成式模型常用的方法包括隐马尔可夫模型（HMM）、混合高斯模型（GMM）、变分自编码器（VAE）等。
与之相对，推理式模型则主要关注给定数据后如何进行推理，即通过已知的条件获得目标值的后验分布。
推理式模型用于对已知数据进行分类、回归、聚类等任务，并且可以用于预测未来的结果。
推理式模型更加注重对特征和目标之间的依赖关系建模，以便进行准确的预测。
推理式模型常用的方法包括逻辑回归、支持向量机（SVM）、深度神经网络（DNN）等。
生成式模型和推理式模型在应用领域上也有所差异。
生成式模型常用于自然语言处理、图像生成、语音合成等任务，因为它可以生成符合特定领域规则的新样本。
而推理式模型则广泛应用于文本分类、图像识别、推荐系统等任务，因为它能够对已知数据进行准确的预测和推理。
本文将详细介绍生成式模型和推理式模型的定义、原理和在不同领域的应用。
通过对两种模型的深入理解，有助于我们选择合适的模型用于解决具体问题，并推动机器学习技术的进一步发展。
1.2文章结构文章结构部分的内容如下：文章结构的目的是为读者概述本文的组织方式和内容安排，并给出每个部分的简要介绍。
通过清晰明了的结构，读者可以更好地理解和把握文章全貌，以便在阅读过程中更容易找到所需的信息。
本文主要包含以下几个部分：1. 引言：本部分将对生成式模型和推理式模型进行概述，并介绍文章的结构安排和目的。
人工智能及其应用第四版答案
人工智能及其应用第四版答案【篇一：人工智能及其应用习题参考答案第9章】txt>9-1 分布式人工智能系统有何特点？试与多艾真体系统的特性加以比较。
分布式人工智能系统的特点：(1) 分布性系统信息(数据、知识、控制)在逻辑上和物理上都是分布的(2) 连接性各个子系统和求解机构通过计算机网络相互连接(3) 协作性各个子系统协调工作(4) 开放性通过网络互连和系统的分布，便于扩充系统规模(5) 容错性具有较多的冗余处理结点、通信路径和知识，提高工作的可靠性(6) 独立性系统把求解任务归约为几个相对独立的子任务，降低了问题求解及软件开发的复杂性9-2 什么是艾真体？你对agent的译法有何见解？agent是能够通过传感器感知其环境，并借助执行器作用于该环境的实体，可看作是从感知序列到动作序列的映射。
其特性为：行为自主性，作用交互性，环境协调性，面向目标性，存在社会性，工作协作性，运行持续性，系统适应性，结构分布性，功能智能性把agent 译为艾真体的原因主要有：(1) 一种普遍的观点认为，agent是一种通过传感器感知其环境，并通过执行器作用于该环境的实体。
(2) “主体”一词考虑到了agent具有自主性，但并未考虑agent还具有交互性，协调性，社会性，适应性和分布性的特性(3) “代理”一词在汉语中已经有明确的含义，并不能表示出agent的原义(4) 把agent译为艾真体，含有一定的物理意义，即某种“真体”或事物，能够在十分广泛的领域内得到认可(5) 在找不到一个确切和公认的译法时，宜采用音译9-3 艾真体在结构上有何特点？在结构上又是如何分类的？每种结构的特点为何？真体＝体系结构+程序(1) 在计算机系统中，真体相当于一个独立的功能模块，独立的计算机应用系统。
(2) 真体的核心部分是决策生成器或问题求解器，起到主控作用(3) 真体的运行是一个或多个进程，并接受总体调度(4) 各个真体在多个计算机cpu上并行运行，其运行环境由体系结构支持。
人工智能原理及其应用(王万森)第3版-课后习题答案
机终端进行会话。
测试开始后，由测试主持人向被测试对象提出各种具有智能性的问题，但不能询问测试者的物理特征。
被测试对象在回答问题时,都应尽量使测试者相信自己是“人”，而另一位是”机器”。
在这个前提下，要求测试主持人区分这两个被测试对象中哪个是人，哪个是机器。
如果无论如何更换测试主持人和被测试对象的人，测试主持人总能分辨出人和机器的概率都小于50%，则认为该机器具有了智能。
1.5人工智能的发展经历了哪几个阶段？解：孕育期，形成期，知识应用期，从学派分立走向综合，智能科学技术学科的兴起1.6人工智能研究的基本内容有哪些？解：与脑科学与认知科学的交叉研究智能模拟的方法和技术研究1.7人工智能有哪几个主要学派？各自的特点是什么？解：符号主义：又称为逻辑主义、心理学派或计算机学派，是基于物理符号系统假设和有限合理性原理的人工智能学派。
符号主义认为人工智能起源于数理逻辑，人类认知（智能）的基本元素是符号，认知过程是符号表示上的一种运算。
联结主义：又称为仿生学派或生理学派，是基于神经网络及网络间的联结机制与学习算法的人工智能学派。
联结主义认为人工智能起源于仿生学，特别是人脑模型的研究。
行为主义：又称进化主义或控制论学派，是基于控制论和“感知-动作”控制系统的人工智能学派。
行为主义认为人工智能起源于控制论，提出智能取决于感知和行为，取决于对外界复杂环境的适应，而不是表示和推理。
1.8人工智能有哪些主要研究和应用领域？其中哪些是新的研究热点？解：机器思维:推理、搜索、规划机器学习：符号学习、联结学习、知识发现和数据挖掘机器感知：机器视觉、模式识别、自然语言理解机器行为：智能控制、智能制造计算智能：神经计算、进化计算、模糊计算分布智能智能系统：专家系统、智能决策支持系统人工心理与人工情感研究热点：智能机器人、智能检索、智能游戏等。
1.9 人工智能未来发展有哪些值得思考和关注的重要问题？解：多学科交叉研究分布智能与社会智能研究集成智能研究智能网络研究认知计算与情感计算研究智能系统与智能服务第2章确定性知识系统参考答案2.1 什么是知识？有哪几种主要的知识分类方法？解：知识是人们在改造客观世界的实践中积累起来的认识和经验；知识是对信息进行智能性加工中形成的对客观世界规律性的认识。
《人工智能》(答案)
测 试 题 答 案——人工智能原理一、填空题1.知识 研究模拟智能程序 研制智能计算2.模式识别 问题求解 定理证明 专家系统 机器视觉和机器学习3.一阶谓词逻辑 框架 语义网络 脚本和Petri 网络4.规则库 综合数据库 控制系统5.删除策略 支持集策略 线性输入策略 单文字子句策略 祖先过滤策略6.队列 堆栈7.确定因子法 主观Bayes 法 D-S 证据理论 可能性理论8.符号主义 联想主义 行为主义9.知识获取 人类领域专家获取知识 系统运行过程中的知识获取10.信任程度的增长 不信任程度的增长11.模式识别 定理证明 程序自动设计 专家系统 机器学习 自然语言理解12.否定 合取 析取 蕴涵13.正向演绎 逆向演绎 双向演绎14.∑⊆=A b b m A Bel )()( )(1)(A Bel A Pl ⌝-=15.初始状态集合 算符集合 目标状态集合16.机器感知 机器思维 机器行为 智能机构造技术 机器学习17.一阶谓词逻辑 语义网络 框架 脚本 产生式18.DENDRAL 1965 Fengenbum 关幼波肝病诊断与治疗专家系统 197819. 分层前向网络 反馈层向网络 互连前向网络20.槽 侧面21.综合数据库 规则库 控制系统22.叙述性表示 过程性表示二、选择题1.B2.C3.C4.C5.A6.B7.A8.B9.C 10.D11.D 12.B 13.C 14.A 15.D 16.B 17.A 18.B 19.B 20.A三、判断题1.错误2.错误3.正确4.错误5.错误6.正确7.正确8.正确9.正确10.错误11.正确12.正确13.错误14.错误15.错误16.正确17.正确18.错误19.正确20.正确21.正确22.错误23.错误24.正确25.正确26.正确27.错误28.错误29.正确30.正确31.正确四、名词解释1．可解结点：对应本原问题的终端节点是可解节点；或节点的后继节点并非全部不可解，那么该或节点是可解的；与节点的后继节点均为可解节点时，那么该与节点为可解节点。
知识表示和推理之产生式系统
2. 知识库
❖存放IF THEN形式的规则的库，又称之为 规则库。
IF 前提 成立 THEN 结论/行动 成立
规则的举例可见书上36页的9条规则。
3. 推理机构
❖实现作业领域里的事实与知识库中的规 则进行匹配，并根据匹配的规则选取一 种予以执行。
❖推理方法分为三种
P1
P2
P3
P4
基于与/或树的后向推理
❖将目标作为与/或树的根，进行扩展：
✓ 对于同一个规则，需同时满足的条件被设 为AND关系；
✓ 对于同一个结论或目标（包括推理过程中 产生的），可用来满足其的规则设为OR关 系。
基于与/或树的后向推理
❖ 从与/或树的根（目标）出发，进行搜 索：
1. 匹配：寻找与各结论或目标相匹配的规 则，并将其各条件设为与AND关系；如 果有多条规则，则将它们之间设为OR关 系。
R9
S 身上有黑色斑点 食肉动物
身体是黄褐色 S
它是猎豹
R9
S 身上有黑色斑点 食肉动物
身体是黄褐色 S
R5
N
哺乳动物
吃肉 N
它是猎豹
R9
S 身上有黑色斑点 食肉动物
R5
R6
N
身体是黄褐色 S
哺乳动物
吃肉
哺乳动物
有锋利的爪子
S
有尖锐的牙齿
S
它是猎豹 S
R9
S 身上有黑色斑点 食肉动物
R5
N
R6 S
§3.1 知识与推理中的关系
❖专家系统的知识管理特点
✓ 待处理的知识是庞大的，凌乱无序的； ✓ 可以对知识进行增删、修改等简单操作； ✓ 其知识数据的表示是符合人类思维习惯的，如
基于产生式规则的机器推理
6.1.1
产生式(Production)一词, 首先是由美国数学家波斯特 (E.Post)提出来的。波斯特根据替换规则提出了一种称为波斯 特机的计算模型, 模型中的每一条规则当时被称为一个产生式。 后来, 这一术语几经修改扩充, 被用到许多领域。例如, 形式 语言中的文法规则就称为产生式。产生式也称为产生式规则, 或简称规则。
第 6 章 基于产生式规则的机器推理
6.1.2
由产生式的涵义可知,利用产生式规则可以实现有前提条 件的指令性操作, 也可以实现逻辑推理。实现操作的方法是 当测试到一条规则的前提条件满足时, 就执行其后部的动作。 这称为规则被触发或点燃。利用产生式规则实现逻辑推理的 方法是当有事实能与某规则的前提匹配(即规则的前提成立)时, 就得到该规则后部的结论(即结论也成立)。
常用的冲突消解策略有：优先级法(优先级高者优先)、 可信度法(可信度高者优先)、代价法(代价低者优先)及自然顺 序法等。当然, 要使用优先级法、可信度法、代价法等策略时, 须事先给规则设定相关的参数, 即优先级、可信度、代价等。
第 6 章 基于产生式规则的机器推理
可以看出,上述的两个推理算法的“启发”性就体现在冲 突消解策略中。如果再采用优先级、可信度、代价等冲突消 解策略, 则就是启发式搜索；但如果采用自然顺序法,则就是 一种盲目碰撞搜索。
第 6 章 基于产生式规则的机器推理
r5： 若某动物是哺乳动物且有爪且有犬齿且目盯前方, 则它是食肉动物。
r6： 若某动物是哺乳动物且吃肉, 则它是食肉动物。 r7： 若某动物是哺乳动物且有蹄, 则它是有蹄动物。 r8： 若某动物是有蹄动物且反刍食物, 则它是偶蹄动物。 r9： 若某动物是食肉动物且黄褐色且有黑色条纹, 则它 是老虎。
- 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)。
同其匹配，若匹配成功，转步(2)。 (4) 用规则集中的各规则的结论同该目标匹配，将第一个匹
配成功且未用过的规则的前提作为新的目标，并取代原来的父 目标而加入目标链，转步(3)。
(5) 若该目标是初始目标，则推理失败，退出。 (6) 将该目标的父目标移回目标链，取代该目标及其兄弟目 标，转步(3)。
推理机的一次推理过程可如图 6-3所示。
图 6-3 推理机的一次推理过程
6.2.3 控制策略与常用算法
产生式系统的推理可分为正向推理和反向推理两种 基本方式。简单来讲, 正向推理就是从初始事实数据出 发, 正向使用规则进行推理(即用规则前提与动态数据 库中的事实匹配, 或用动态数据库中的数据测试规则的 前提条件, 然后产生结论或执行动作),朝目标方向前进； 反向推理就是从目标出发, 反向使用规则进行推理(即 用规则结论与目标匹配, 又产生新的目标, 然后对新目 标再作同样的处理),朝初始事实或数据方向前进。下面 我们给出产生式系统正向推理和反向推理的常用算法：
还需说明的是, 对于规则库实际上还需配一个管理程 序, 即知识库管理系统, 专门负责规则及规则库的各项管 理工作。 知识库管理系统的设计也与规则的表示形式密切 相关。
3. 动态数据库的程序实现
动态数据库由推理时所需的初始事实数据、推理的中 间结果、最后结果以及其他控制或辅助信息组成。这些事 实数据的具体表示方法与上面所述的规则条件与结论的语 言表示方法基本一样, 区别就是动态数据库中的事实数据 中不能含有变量。动态数据库在内存可由(若干)链表实现 并组成。在PROLOG程序中实现动态数据库,则可不必编写 链表程序, 而利用PROLOG提供的动态数据库直接实现。
对规则作进一步细化。其条件、断言和动作都应该是陈 述句。所以, 它们可以用n元谓词(或子句)形式表示, n元组的形式表示, 如“对象-属性-值”三元组,“属性-值”二 元组,或仅有“值”(符号、字符串或数值)的一元组等, 而且谓 词和元组中的项可以是常量、变量或复合项。当然, 对于条件 还可以用通常的关系式表示。如果规则解释程序(即推理机) 不能直接支持上述的谓词或元组表示形式, 那么,可用通常的 记录、数组、结构、函数等数据结构来实现规则中的条件和 断言, 用通常的赋值式、运算式、函数、过程等形式实现规则 中的动作。
再给出初始事实： f1：某动物有毛发。 f2：吃肉。 f3：黄褐色。 f4： 有黑色条纹。 目标条件为： 该动物是什么？ 易见, 该系统的运行结果为： 该动物是老虎。 其推理树如图 6-5所示。
图 6-5 关于“老虎”的正向推理树
2. 反向推理
反向推理算法：
——————————————————————————— (1) 将初始事实/数据置入动态数据库，将目标条件置入目标
给出如下的事实：
fact(″黄褐色″). fact(″有黑色条纹″). fact(″吃肉″). fact(″有奶″). 和目标： animal_is(Y). 则程序运行后的结果就是:
Y＝老虎
但如果把上面的规则表示成如下的形式： rule(［″食肉动物″, ″黄褐色″, ″有黑色条纹″］, ″老虎″). rule(［″哺乳动物″, ″有爪″, ″有犬齿″, ″目盯前方″］, ″食肉动物″). rule(［″哺乳动物″, ″吃肉″］, ″食肉动物″). rule(［″有奶″］, ″哺乳动物″). rule(［″有毛发″］, ″哺乳动物″).
it_is(″食肉动物″):-it_is1(″哺乳动物″),fact(″吃肉″). it_is1(″哺乳动物″):-fact(″有奶″). it_is1(″哺乳动物″):-fact(″有毛发″).
对于这种规则表示形式，可例如，当再
正向推理算法二： ——————————————————————————
(1) 将初始事实/数据置入动态数据库。 (2) 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。 (3) 用规则库中各规则的前提匹配动态数据库中的事实/数 据，将匹配成功的规则组成待用规则集。 (4) 若待用规则集为空，则运行失败，退出。 (5)用某种策略，从待用规则集中选取一条规则，将其结论 加入动态数据库，或者执行其动作，撤消待用规则集，转步 (2)。 ——————————————————————————
上面的规则（1）和（4）也可表示为
(1’) being-cut(利率) → be-rising(股价) 或者
(1”)（利率）下调 →（股价）上涨
(4’) IF x1=200 AND x2=“晴天”AND x3≤5，THEN y1=250
AND y2=f16 或者
(4”) x1=200 ∧x2=“晴天”∧x3≤5 → y1=250 ∧y2=f16
(1) 用PROLOG的规则表示产生式规则。
(2) 用PROLOG的事实表示产生式规则。
对这两种表示, 对应的推理机是不一样的。若用方法(1), 则一般就不必编写显式的推理机程序, 因为对于这种形式的规 则, PROLOG语言的翻译程序就是它的推理机。但若用方法(2), 则就必须用PROLOG语言编写显式的推理机程序。
例6-3 把例6-1中给出的产生式规则用PROLOG的规则可
表示如下：
animal_is(″老虎″):it_is(″食肉动物″), fact(″黄褐色″), fact(″有黑色条纹″).
it_is(″食肉动物″):-it_is1(″哺乳动物″), fact(″有爪″), fact(″有犬齿″), fact(″目盯前方″).
至于规则的语言表示是否一定要有“IF-THEN”, 或者 “AND”、 “OR”等连接符, 这倒不一定。 但原则是, 在程 序执行时必须能体现出规则前提和结论的对应关系, 必须能 体现出前提和结论中的逻辑关系。 例如, 我们完全可以用一 个二元组
(〈前件〉, 〈后件〉)
表示一个产生式规则。
在PROLOG程序中要表示产生式规则, 至少有两种形式：
第6章 基于产生式规则的机器推理
6.1 产生式规则 6.2 产生式系统 6.3 产生式系统与图搜索问题求解
6.1 产生式规则
6.1.1 产生式规则与推理网络 产生式规则的一般形式为 IF 前件 THEN 后件
或者更形式化地表示为 前件 → 后件
产生式规则的语义是：如果前提成立或条件满足，则可 得结论或者执行相应的动作，即后件由前件来触发。所以, 前件是规则的执行条件, 后件是规则体。
———————————————————————————
例 6-2 对于例6-1中的产生式系统, 改为反向推理算 法, 则得到图 6-6所示的推理树。
图 6-6 关于“老虎”的反向推理树
3. 冲突消解策略 推理时规则的选取策略称为“冲突消解”策略。
常用的冲突消解策略有：优先级法（优先级高者优先）、 可信度法（可信度高者优先）、代价法（代价低者优先）及 自然顺序法等。当然，要使用优先级法、可信度法、代价法 等策略时， 须事先给规则设定相关的参数，即优先级、可信 度、代价等。
r7：若某动物是有蹄动物且反刍食物, 则它是偶蹄动物。 r8：若某动物是食肉动物且黄褐色且有黑色条纹, 则它是老 虎。 r9：若某动物是食肉动物且黄褐色且有黑色斑点, 则它是金 钱豹。 r10：若某动物是有蹄动物且长腿且长脖子且黄褐色且有暗 斑点, 则它是长颈鹿。 r11：若某动物是有蹄动物且白色且有黑色条纹, 则它是斑马。 r12：若某动物是鸟且不会飞且长腿且长脖子且黑白色, 则它 是驼鸟。 r13：若某动物是鸟且不会飞且会游泳且黑白色, 则它是企鹅。 r14：若某动物是鸟且善飞且不怕风浪, 则它是海燕。
6.2 产生式系统
6.2.1 系统结构
产生式系统由三部分组成： 产生式规则库、 推理机和 动态数据库, 其结构如图6-2所示。
6.2.2 运行过程 产生式系统运行时, 除了需要规则库以外, 还需要有初
始事实(或数据)和目标条件。目标条件是系统正常结束的条 件, 也是系统的求解目标。产生式系统启动后, 推理机就开 始推理, 按所给的目标进行问题求解。
例6-1 动物分类问题的产生式系统描述及其求解。
设由下列动物识别规则组成一个规则库, 推理机采用上述 正向推理算法, 建立一个产生式系统。该产生式系统就是一个 小型动物分类知识库系统。
规则集： r1：若某动物有奶, 则它是哺乳动物。 r2：若某动物有毛发, 则它是哺乳动物。 r3：若某动物有羽毛且生蛋, 则它是鸟。 r4：若某动物是哺乳动物且有爪且有犬齿且目盯前方, 则 它是食肉动物。 r5：若某动物是哺乳动物且吃肉, 则它是食肉动物。 r6：若某动物是哺乳动物且有蹄, 则它是有蹄动物。
例如, 下面就是几个产生式规则： (1) 如果银行存款利率下调, 那么股票价格上涨。 (2) 如果炉温超过上限, 则立即关闭风门。 (3) 如果键盘突然失灵, 且屏幕上出现怪字符, 则是病
毒发作。 (4) 如果胶卷感光度为200, 光线条件为晴天, 目标距离
不超过5米, 则快门速度取250, 光圈大小取f16。
则就需要用PROLOG语言编写一个推理机程序。否则，无法实施基于 上述规则的推理。
还需说明的是, 并非凡是用PROLOG规则表示的产生式 规则, 都可直接使用PROLOG的推理机。例如,
rule(X, Y):-Y=X+1.
这是一个含变量的规则, 其中X为前提, Y是结论。也就是 说, 在推理时是把rule(X,Y)作为规则使用的。显然, 对于 这种形式的规则, 仍然需要重新编写推理机。
4. 推理机的程序实现
推理机的程序实现, 除了依据某一控制策略和算 法编程外, 一般来说, 程序中还应具有模式匹配与变 量的替换合一机制。因为模式匹配是推理的第一步, 同时规则中一般都含有变量, 而变量的匹配必须有替 换合一机制的支持。当然, 要实现合一, 就要用合一 算法。那么,前面归结推理中的合一算法, 对产生式系 统也是适用的(如果不是谓词公式合一, 则需稍作修改)。