人工智能学习-知识要点总结 [Nirvana 发表于 2005-1-2 13:32:24]
人工智能是在计算机科学、控制论、信息论、神经心理学、哲学、语言学等多种学科研究的基础上发展起来的，是一门综合性边缘学科，延伸人脑的功能，实现了脑力劳动的自动化。
1、认知科学认为智能的核心是思维，知识阙值理论认为智能行为取决于知识的数量及其一般化程度，智能就是在巨大搜索空间中迅速找到一个满意解的能力；进化理论的核心是用控制取代表示，取消概念、模型及显示表示知识，否定抽象对于智能及智能模拟的必要性，强调分结构对于智能进化的可能性与必要性。综合上述观点，认为智能是知识与智力的总和，具有如下特征：
（1）记忆与思维能力，（2）学习能力及自适应能力，（3）行为能力。
人工智能是人造智能，是一门研究如何构造智能机器（智能计算机）或智能系统，使它能模拟、延伸、扩展人类智能的学科。通过图灵测试可以判断一个系统是否具有智能和智能的水平。
人工智能研究内容：
（1）机器感知（2）机器思维（3）机器学习（4）机器行为（5）智能系统构造技术
人工智能研究途径：
（1）符号处理（2）网络连接机制（3）系统集成
2、知识是智能的基础，对人工智能的研究必须以知识为中心来进行，由于对知识的表示、利用、获取等的研究取得较大进展，特别是不确定性知识表示与推理取得的突破，建立了主观Bayes理论、确定性理论、证据理论、可能性理论，对人工智能其他领域（如模式识别，自然语言理解等）的发展提供了支持。数据是信息的载体和表示，信息是数据在特定场合的具体含义，信息是数据的语义；把有关信息关联在一起所形成的信息结构叫知识。具有：相对正确性，不确定性，可表示性，可利用性等特征；按作用范围分为常识性知识，领域性知识；按作用及表示分为事实性知识，过程性知识，控制性知识。按确定性分为确定性知识，不确定性知识；按结构及表现形式分为逻辑性知识，形象性知识；从抽象的，整体的观点来划分可分为零级知识，一级知识，二级知识。知识表示方法总体上分为符号表示法，连接机制表示法；目前用得较多的知识表示方法主要有：一阶谓词逻辑表示，产生式，框架，语义网络，脚本，过程，Petrio网，面向对象表示法。选择知识表示法时，要注意以下几个方面：
（1）充分表示领域知识（2）有利于对知识的利用（3）便于对知识的组织、维护与管理（4）便于理解和实现
3、产生式系统构成：规则库，控制系统，综合数据库。综合数据库中已知事实表示：（特性 对象 值可信度因子）控制系统的求解过程是一个不断地从规则库中选取可用规则与综合数据库中已知事实进行匹配的过程。产生式系统分类：按推理方向分为前向、后向和双向产生式系统；按表示知识的确定性可分为确定性及不确定性产生式系统；按数据库性质及结构特征进行分类为可交换的产生式系统，可分解的产生式系统，可恢复的产生式系统。框架是一种描述所论对象属性的数据结构，由槽结构组成，槽分为若干侧面。问题求解主要通过匹配和填槽实现的；产生式表示法主要用于描述事物间的因果关系，框架表示法主要用于描述事物内部结构及事物间的类属关系。语义网络是通过概念及其语义关系来表达知识的一种网络图。一个过程规则包括激发条件，演绎操作，状态转换及返回四个部分。
4、推理就是按某种策略由已知判断推出另一判断的思维过程。按从新判断推出的途径来划分，推理可分为演绎推理、归纳推理和默认推理；按所用知识确定性分为确定性推理，不确定性推理；按推出的结论是否单调地增加来划分为单调推理，非单调推理；按是否运用与问题有关的启发性知识分为启发式推理，非启发式推理；按基于方法的分为基于知识的推理，统计推理，直觉推理。推理的控制策略：推理方向，搜索策略，冲突消解策略，求解策略和限制策略。推理方向可确定推理的驱动方式：正向推理，逆向推理，混合推理及双向推理。
从一组已知为真的事实出发，直接运用经典逻辑的推理规则推出结论的过程称为自然演绎推理，基本推理规则是P规则，T规则，假言推理，拒绝式推理等：
P规则：任何步骤可引入前提A
T规则：前面步骤有一个或多个公式永真蕴涵公式S，可引入S
假言推理：P，P—>Q=> Q
拒绝式推理：P—>Q, 非Q=>非P
归结演绎推理中，空字句是不满足的，因此归结的目标是通过归结使字句集中包含空字句，从而证明原命题的不可满足性。归结式是亲本字句的逻辑结论。
不确定性推理是从不确定性的初始证据出发，通过运用不确定性的知识，最终推出具有一定程度的不确定性但却是合理或者近乎合理的理论的思维过程。
不确定推理的基本问题：推理方向，推理方法，控制策略，不确定性的表示和度量，不确定性匹配，不确定性传递算法，不确定性的合成。
知识的不确定性称为知识的静态强度；证据的不确定性称为动态强度
5、组合证据的不确定性算法：
最大最小方法
概率方法
有界方法
不确定性传递算法：
结论不确定性的合成：
6、主观Bayes方法：
（1）知识不确定性表示（产生式规则）：
（2）证据不确定性表示：
（3）组合证据不确定性的算法：
（4）不确定性传递算法：
（5）结论不确定性的合成算法：
7、可信度方法：（C-F模型是基于可信度表示的不确定性推理的基本方法）
在可信度推理方法中的Ｃ-F模型里，可信度CF(H,E)的含义是：CF(H,E)>0表示Ｅ的出现增加了Ｈ的可信度；CF(H,E)=0表示Ｅ的出现与Ｈ可信度无关；CF(H,E)
（1）知识不确定性表示：
（2）证据不确定性表示：
（3）组合证据不确定性算法：
（4）不确定性传递算法：
（5）结论不确定性合成算法（推理网络）：
8、证据理论是用集合表示命题的， D是变量x所有可能取值的集合，且D中的元素是互斥的，在任一时刻x都取且只能取D中某一元素为值，则称D为x的样本空间。
信任函数与似然函数的关系：Pl(A)>=Bel(A) , Bel(A)表示对A为真的信任程度，Pl(A)表示对A为非假的信任程度。Pl(A)-Bel(A)表示对Ａ不知道的程度，即既非对Ａ信任又不信任的那部分。
知识的不确定表示：IF E THEN H={h1,h2,…,hn} CF={c1,c2,…,cn}ＣＦ是可信度因子
含有模糊概念、模糊数据或带有确信程度的语句称为模糊命题。一般表示形式为：
x is A(CF)x是论域上的变量，Ａ是模糊数，ＣＦ是该模糊命题的确信程度或
相应事件发生的可能性程度。
10、人工智能解决的问题：结构不良，非结构化；盲目搜索按预定的控制策略进行搜索，在搜索过程中获得的中间信息不用来改进控制策略；启发式搜索加入了与问题有关的启发性信息，用以指导搜索朝着最有希望的方向前进，加速问题的求解过程并找到最优解。
状态空间表示法：（Ｓ，Ｆ，Ｇ）
11、专家系统就是一种在相关领域中具有专家水平解题能力的智能程序系统，它能运用领域专家多年积累的经验与专门知识，模拟人类专家的思维过程，求解需要专家才能解决的困难问题。
特征：专家知识，有效推理，获取知识能力，灵活性，透明性，交互性，复杂性
专家系统与常规计算机程序比较：＊
(1)常规程序＝数据结构＋算法，专家系统＝知识＋推理
(2)常规程序分为数据级＋程序级，专家系统数据级＋知识库级＋控制级
(3)常规程序面向数值计算和数据处理，专家系统本质上是面向符号处理的
(4)常规程序处理的数据多是精确的，专家系统处理不精确，模糊知识
(5)解释功能
(6)都是程序系统
12、机器学习是要使计算机能模拟人的学习行为，自动地通过学习获取知识和技能，不断改善性能，实现自我完善：
三个方面的研究内容：（１）学习机理研究（２）学习方法研究（３）面向任务研究
学习系统是指能够在一定程度上实现机器学习的系统，能够从某个过程或环境的未知特征中学到有关信息，并且能把学到的信息用于未来的估计、分类、决策或控制，以便改进系统的性能。在结构上主要包括：学习环境，学习机构，执行与评估机构和知识库四个部分；各种符号学习方法中推理能力最强的学习方法是机械式学习，推理能力最弱的方法是观察和发现，神经网络学习获得的知识被存储在神经元之间的连接中。
学习系统具有的条件能力：
(1)具有适当的学习环境
(2)具有一定学习能力
(3)能应用学到的知识求解问题
(4)能提高系统的性能
