第6章 基于产生式规则的机器推理.
最新六章CAPP的决策推理和人工智能技术
6.1 决策表和决策树
6.1.2 决策树
➢概念：一种带有单个根，并从此根发出多个分 支的图，用于决策时，每个分支都传送一个数 值或表达式，表示一个“IF”语句，而一连串 的分支则表示一个逻辑“AND”或“OR”。 由根到终点的一条路径可以表示一条类似决策 表中的规则，动作则列于每个最终分支的末端。
✓推理方式 推理方式又称为推理策略。每一种推理方法都是与
知识表示的方法密切相关的，并且在很多方面依赖于 知识表示。 ⑴正向推理：由已知事实出发，按一定的策略运用知 识库中的知识，推断出所需的结论，也称为 “数据驱 动策略”。工作步骤如下： ①扫描规则库，找出与当前事实匹配的规则； ②利用产生式规则，执行其操作部分，并将其结论作 为新事实存入事实库； ③利用更新后的事实库重复①、②两步，直到不再有 规则适用或问题得到解决为止。
26
6.2 人工智能技术
6.2.2 知识的表达及推理
➢概述
✓知识的表达包括两个方面的问题：一是用什么方法 来组织、表示知识；二是如何利用表示成一定形式的 知识进行推理。 ✓常用的表达方法：规则表示法、框架表示法、逻辑 表示法、语义网络表示法
27
6.2 人工智能技术
✓知识表达优劣的评价： ①是否能表示所要求解问题的全部知识； ②能否精确的表示所要求解问题的全部知识； ③通过适当的推理方式，能否高效的模拟专家的推理 方式，并获得和专家相同的推理结果； ④是否方便扩充、删除和修改； ⑤是否接近于人类的自然表示方式，且易于被人理解。
28
6.2 人工智能技术
➢规则表示法及其推理
✓规则表示法 规则表示法又叫产生式表示法，将人类专家的知识表 示成“如果〈条件〉，则〈结论〉”的形式，一般形 式如下： IF 〈条件1〉
人工智能6章
收敛连接：
火车 汽车
5．不确定性推理(不精确推理) 事实或知识存在不确定性时的推理，即 根据初始证据的可信度值和规则的可信 度值，给出结论的可信度值。 理论依据： (1) 概率论 (2) 证据理论 (3) 模糊集合理论
根据推理方法分类，可分为 1 ． 基 于 规 则 的 推 理 (Rule-based reasoning) 2 ． 基 于 模 型 的 推 理 (Model-based reasoning) 基于模型的推理强调采用反映事物内 部规律的客观世界模型。 ♦定性物理模型 ♦因果模型 ♦功能模型
第六章实用推理技术
6.1 推理的类型 推理----从已有事实推出结论的过程。
根据逻辑基础分类，可分为： 1．演绎推理(Deduction) 演绎推理：由一组前提必然地推导出某个结论 的过程。 核心：三段论法，主要使用假言三段论法： 肯定式：if P then Q, P → Q 否定式：if P then Q, ~Q → ~P 演绎推理可看成是从已知真理中抽出其所包含 的真理。所以演绎推理没有增加新的知识。
求解：(1). 根据P(E)和P(H)及各条件概率计 算各结点的概率。 ①计算结点组{E,A,B}的联合概率 根据 P(E,A,B)=P(E)P(A|E)P(B|E) 共8个： P(e,a,b),P(e,a,~b), P(e,~a,b), P(e,~a,~b) P(~e,a,b),P(~e,a,~b), P(~e,~a,b), P(~e,~a,~b) ②计算结点组{H,T}的联合概率 根据 P(H,T)=P(H)P(T|H) 共4个： P(h,t),P(h,~t),P(~h,t), P(~h,~t)
(2)．设已知P(f)=1，再进行由下而上的证据 传播，计算各结点的概率 ①计算结点组{A,B T}的联合概率 P*(A,B,T) = P(A,B,T|F) P(F|A,B,T)P(A,B,T) P(F)
第5章 知识表示与推理
定义13 如果子句C中，两个或两个以上的 文字有一个最一般合一σ，则Cσ称为C的因子， 如果Cσ是单元子句，则Cσ称为C的单因子。 例5.20 设C=P(x)∨P(f(y))∨﹁Q(x), 令σ=｛f(y)/x｝，于是 Cσ=P(f(y))∨﹁Q(f(y)) 是C的因子。
定义14 解式之一： (1) (2) (3) (4)
例5.12 用归结原理证明R是 P,(P∧Q)→R,(S∨U)→Q,U 的逻辑结果。 证 由所给条件得到子句集 S=｛P,﹁ P∨﹁ Q∨R,﹁ S∨Q,﹁ U∨Q,U,﹁ R｝ 然后对该子句集施行归结，归结过程用下面的归结演绎 树表示（见图5―1）。由于最后推出了空子句，所以子 句集S不可满足，即命题公式 P∧(﹁ P∨﹁ Q∨R)∧(﹁ S∨Q)∧(﹁ U∨Q)∧U∧﹁ R 不可满足，从而R是题设前提的逻辑结果。
例 5.18 设 C1=P(x)∨Q(x),C2= ﹁ P(a)∨R(y)，求 C1,C2的归结式。 解 取 L1=P(x),L2= ﹁ P(a), 则 L1 与 ﹁ L2 的最一般 合一σ=｛a/x｝，于是, (C1σ-｛L1σ｝)∪(C2σ-｛L2σ｝) =(｛P(a),Q(a)｝-｛P(a)｝)∪ (｛﹁P(a),R(y)｝-｛﹁P(a)｝) =｛Q(a),R(y)｝ = Q(a)∨R(y) 所以，Q(a)∨R(y)是C1和C2的二元归结式。
例如： ｛a/x, g(y)/y ,f(g(b))/z｝ 就是一个替换，而 {g(y)/x, f(x)/y} 则不是一个替换,因为x与y出现了循环替换。 定义7 设θ=｛t1/x1,…,tn/xn｝是一个替换，E 是一个表达式，把对E施行替换θ，即把E中出现的 个体变元xj(1≤j≤n)都用tj替换，记为Eθ，所得 的结果称为E在θ下的例(instance)。
【2024版】人工智能导论复习
可编辑修改精选全文完整版《人工智能导论》期末复习一、题型：填空题、简答题、计算题、论述题二、复习重点：第一章：1．什么是人工智能？人工智能的三种观点分别是什么？2．实现人工智能的技术路线是哪四种？3．人工智能要研究的三个主要问题是什么？4．人工智能有哪些主要研究领域？第二章：1．什么是知识？何谓知识表示？2．用谓词逻辑表示法表示猴子摘香蕉问题。
3．产生式系统推理机的推理形式有哪三种？4．产生式系统一般由哪三个基本部分组成？5．用语义网络表示：“苹果树枝繁叶茂，上结了很多苹果，有大的，也有小的，有红的，也有绿的” 。
6．用与 / 或树方法表示三阶Hanoi 塔问题。
第三章：1．推理的含义是什么？2．应用归结原理求解下列问题：任何兄弟都有同一个父亲， John 和Peter 是兄弟，且 John 的父亲是 David ，问 Peter 的父亲是谁？第四章：1．可信度方法：例 4.1 ，例 4.22．主观 Bayes 方法：例 4.8 ，例 4.93．证据理论中描述证据和结论的不确定性采用哪两个函数度量？第五章：1．什么叫搜索？搜索的两层含义是什么？2．用全局最佳优先搜索方法求解以下八数码问题。
3．用代价树的深度优先搜索求解下面的推销员旅行问题。
第六章：1．什么是机器学习？机器学习研究的目标是什么？研究机器学习的意义何在？2．机器学习有哪些主要学习策略？3．机器学习系统的基本模型包含哪四个基本环节？4．实例学习的含义是什么？它包含哪两个空间模型？对规则空间进行搜索的方法有几种？第七章：1．什么是自然语言理解？自然语言理解过程有哪些层次？各层次的功能如何？2．对汉语语料库加工的方法是什么？汉语自动分词的方法有哪些？其难点何在？第八章：1．什么是专家系统？它有哪些基本特点？一般专家系统由哪些基本部分构成？2．知识获取的主要任务是什么？3．有哪几类专家系统开发工具？各有什么特点？第九章：1．解答 B-P 学习算法的流程图，并说明其优缺点。
AI6章
这是Bayes公式的另一种形式。 公式的另一种形式。 这是 公式的另一种形式 的方法。 Bayes定理给处了用逆概率P(B|Ai)求原概率P(Ai|B)的方法。 的方法 定理给处了用逆概率
第6章 不确定性推理 章
6.1 不确定性推理的基本概念 6.2 不确定性推理的概率论基础 6.3 确定性理论 6.3.1 可信度的概念 6.3.2 CF模型 模型 6.4 主观 主观Bayes方法 方法 6.5 证据理论 6.6 模糊推理
6.1 不确定性推理的基本概念
6.1.1 不确定性推理的含义 6.1.2 不确定性推理的基本问题 6.1.3 不确定性理的类型
6.2 6.3 6.4 6.4 6.5
不确定性推理的概率论基础 确定性理论 主观Bayes Bayes方法 主观Bayes方法 证据理论 模糊推理
1
6.1.1 不确定性推理的含义
第6章 不确定性推理 章
现实世界中的大多数问题是不精确、非完备的。对于这些问题， 现实世界中的大多数问题是不精确、非完备的。对于这些问题，若采用 前面所讨论的精确性推理方法显然是无法解决的。 前面所讨论的精确性推理方法显然是无法解决的。 为此，人工智能需要研究不精确性的推理方法，以满足客观问题的需求。 为此，人工智能需要研究不精确性的推理方法，以满足客观问题的需求。
P ( ∪ Ai ) = P ( A1 ) + P ( A 2 ) + ⋯ + P ( A k )
i =1 k
(5)设A、B是两个事件，则 设 、 是两个事件 是两个事件， P(A∪B)=P(A)+P(B)-P(A∩B) ∪
13
6.2.2 事件的概率
2. 条件概率 概念 定义6.2 设A与B是两个随机事件，P(B)>0，则称： 是两个随机事件， 定义 与 是两个随机事件 ，则称： P(A|B)=P(A∩B)/P(B) ∩ 为在事件B发生的条件下事件 为在事件 发生的条件下事件A 的条件概率 。 发生的条件下事件 例子 设样本空间D是扑克牌中的 张牌，即D={红桃 ，方块 ，黑桃 ，梅花 红桃A，方块A，黑桃A， 设样本空间 是扑克牌中的54张牌 是扑克牌中的 张牌， 红桃 A，红桃 ，方块 ，… ，小王，大王 ，且有以下两个事件 小王，大王}， ，红桃2，方块2， A={取花脸牌 ，B={取红桃牌 ， 取花脸牌}， 取红桃牌}， 取花脸牌 取红桃牌 求在事件B发生的条件下事件 发生的概率 求在事件 发生的条件下事件A发生的概率 发生的条件下事件 发生的概率P(A|B)。 。 已经发生， 解：由于事件B已经发生，因此以下事件｛取到红桃 ；取到红桃 ；取 由于事件 已经发生 因此以下事件｛取到红桃A；取到红桃2； 到红桃3； 取到红桃K｝中必有一个出现。 到红桃 ；… ；取到红桃 ｝中必有一个出现。 而对事件A，在事件 发生的前提下 只有以下事件｛取到红桃J； 发生的前提下， 而对事件 ，在事件B发生的前提下，只有以下事件｛取到红桃 ；取到 红桃Q；取到红桃K｝中的一个发生时事件A才能发生 才能发生。 红桃 ；取到红桃 ｝中的一个发生时事件 才能发生。 因此，在事件 发生的条件下事件 发生的概率是3/13。 发生的条件下事件A发生的概率是 因此，在事件B发生的条件下事件 发生的概率是 。
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。
《产生式系统》课件
用户接口（User Interface）
用于用户与产生式系统进行交互，包括输入和输出。
解释器（Interpreter）
用于解释和执行产生式系统中的规则和操作。
产生式系统的特点
基于规则
产生式系统基于规则进行推理，具有清晰、 简洁的表示方式。
03
产生式系统的应用
在专家系统中的应用
专家系统是一种基于知识的系统，用于提供专家级别的建 议或决策。产生式系统在专家系统中发挥着核心作用，通 过规则匹配和推理，模拟专家解决问题的方法。
产生式系统在专家系统中用于存储和管理专家知识，通过 匹配输入数据与规则，自动或半自动地生成解决方案。
产生式系统在专家系统中的应用还包括对知识库的维护和 更新，以确保系统能够随着时间的推移保持其专业性和准 确性。
规则的冲突消解策略
冲突检测
在多规则系统中，规则冲突是一个常见问题。为了解决冲突，产生式系统需要具备冲突检测的能力，及时发现和 识别冲突。
消解策略
一旦检测到冲突，产生式系统需要采取适当的消解策略来处理冲突。常见的消解策略包括优先级排序、规则回溯 、协商决策等，根据具体场景选择合适的策略来解决问题。
05
规则的优化与简化
规则优化
随着数据和环境的变化，产生式系统中的规则可能需要进行调整和优化。这包括 对规则进行动态更新、调整规则优先级等，以确保系统能够适应不同场景和需求 。
规则简化
为了降低系统的复杂性和提高可维护性，产生式系统中的规则需要进行简化。这 可以通过去除冗余规则、合并相似规则等方式实现，使系统更加高效和易于管理 。
匹配方式
03
匹配方式可以是精确匹配或模糊匹配，根据具体问题选择合适
人工智能产生式推理规则例子
人工智能产生式推理规则例子
一、基本概念
推理规则学习是从给定的实例和概念中学习规则的过程。
它包括获取概念和实例、分析规律、发现规则并形成规则模型。
推理规则应用是根据学习到的规则，对新现实进行推理的过程。
它包括检验规则和优先级、选择合适的规则进行推理、联结新旧规则以及将结果输出到界面等等。
二、生成推理规则的过程
1、获取概念和实例
首先，需要从已有的知识库中获取概念和实例，包括：实例数据、具体的概念、概念之间的关系等等。
2、发现规律
3、发现规则
基于发现的规律，接着就可以发现推理规则，如：“如果A则B”，“A和B的关系是什么”等。
4、形成规则模型
在发现规则之后，接下来就是要将规则集成到一个规则模型中。