人工智能技术导论(廉师友)考试复习重点总结.doc

人工智能技术导论(廉师友)考试复习重点总结.doc

《人工智能技术导论(廉师友)考试复习重点总结.doc》由会员分享，可在线阅读，更多相关《人工智能技术导论(廉师友)考试复习重点总结.doc（3页珍藏版）》请在冰点文库上搜索。

第一章

人工智能：

主要研究如何用人工的方法和技术，使用各种自动化机器或智能机器（主要指计算机）模仿、延伸和扩展人的智能，实现某些机器思维或脑力劳动自动化。

为什么要研究人工智能：

1）普通计算机智能低下，不能满足社会需求。

2）研究人工智能也是当前信息化社会的迫切需求。

3）智能化是自动化发展的必然趋势。

4）研究人工智能，对人类自身智能的奥秘也提供有益帮助。

远期目标是要制造智能机器。

具体讲就是使计算机具有看、听、说、写等感知和交互能力，具有联想、学习、推理、理解、学习等高级思维能力，还要有分析问题解决问题和发明创造的能力。

近期目标：

是实现机器智能。

即先部分地或某种程度地实现机器智能，从而使现有的计算机更灵活好用和更聪明有用。

人工智能的研究内容1）搜索与求解2）学习与发现3）知识与推理4）发明与创造5）感知与交流6）记忆与联想7）系统与建造8）应用与工程

研究途径与方法：

1）心理模拟，符号推演法就是以人脑的心理模型为依据，将问题或知识表示成某种逻辑网络，采用符号推演的方法，实现搜索、推理、学习等功能，从宏观上来模拟人脑的思维，实现人工智能。

2）生理模拟，神经计算就是用人工神经元组成的人工神经网络来作为信息和知识的载体，用称为神经计算的方法实现学习、记忆、联想、识别和推理等功能，从而来模拟人脑的智能行为，使计算机表现出某种智能。

3）行为模拟，控制进化是一种基于感知－行为模型的研究途径和方法，它是在模拟人在控制过程中的智能活动和行为特性，如自适应，自寻优、自学习、自组织等，来研究和实现人工智能。

4）群体模拟，仿生计算模拟生物群落的群体智能行为，从而实现人工智能。

5）博采广鉴，自然计算就是模仿或借鉴自然界的某种机理而设计计算模型，这类计算模型通常是一类具有自适应、自组织、自学习、自寻优能力的算法。

6）原理分析，数学建模就是通过对智能本质和原理的分析，直接采用某种数学方法来建立智能行为模型。

人工智能的基本技术1）表示a符号智能的表示是知识表示b计算智能的表示一般是对象表示2）运算a符号智能的运算是基于知识表示的推理或符号操作b计算智能的运算是基于对象表示的操作或计算3）搜索a符号智能在问题空间内搜索进行问题求解b计算智能在解空间搜索进行求解

第三章

1广度优先搜索的特点广度优先中OPEN表是一个队列，CLOSED表是一个顺序表，表中各节点按顺序编号，正被考察的节点在表中编号最大，广度优先策略是完备的广度优先搜索策略与问题无关，具有通用性。

缺点搜索效率低。

2.深度优先搜索的特点OPEN表为一个堆栈。

一般不能保证找到最优解。

当深度限制不合理时，可能找不到解，可以将算法改为可变深度限制，即有界深度优先搜索。

最坏情况时，搜索空间等同于穷举。

3.加权状态图与代价树边上附有数值的状态图称为加权状态图或赋权状态图，这种数值称为权值。

加权状态图的搜索：

加权状态图的搜索与权值有关，并且要用权值来导航。

具体来讲，加权状态图的搜索算法，要在一般状态图搜索算法基础上再增加权值的计算与传播过程，并且要由权值来确定节点的扩展顺序。

4。

综述图搜索的方式和策略。

用计算机来实现图的搜索有两种最基本的方式：

树式搜索和线式搜索。

树式搜索就是在搜索过程中记录所经过的所有节点和边。

线式搜索就是在搜索过程中只记录那些当前认为是处在所找路径上的节点和边。

线式搜索的基本方式又可分为不回溯和可回溯的的两种。

图搜索的策略可分为：

盲目搜索和启发式搜索。

盲目搜索就是无向导的搜索。

树式盲目搜索就是穷举式搜索。

而线式盲目搜索，对于不回溯的就是随机碰撞式搜索，对于回溯的则也是穷举式搜索。

启发式搜索则是利用“启发性信息”引导的搜索。

启发式搜索又可分为许多不同的策略，如全局择优、局部择优、最佳图搜索等。

第四章

三种遗传操作:

1）选择-复制从种群中选择适应度高的染色体进行复制，以生成下一代种群。

2）交叉就是互换两个染色体某些位上的基因。

3）变异就是改变染色体某个（些）位上的基因。

遗传算法就是对种群中的染色体反复做三种遗传操作，使其朝着适应度增高的方向不断更新换代，直至出现了适应度满足目标条件的染色体为止。

遗传算法的主要特点1）遗传算法一般是直接在解空间搜索,而不像图搜索那样一般是在问题空间搜索,最后才找到解。

2）遗传算法的搜索随机地始于搜索空间的一个点集,所以遗传算法是一种随机搜索算法。

3）遗传算法总是在寻找优解,所以遗传算法又是一种优化搜索算法。

4）遗传算法的搜索过程是从空间的一个点集（种群）到另一个点集（种群）的搜索。

5）遗传算法的适应性强,除需知适应度函数外,几乎不需要其他的先验知识。

6）遗传算法长于全局搜索,它不受搜索空间的限制性假设的约束,不要求连续性,能以很大的概率从离散的、多极值的、含有噪声的高维问题中找到全局最优解。

第六章

产生式系统的基本结构

产生式规则库：

作用在全局数据库上的一些规则的集合。

每条规则都有一定的条件，若全局数据库中内容满足这些条件可调用这条规则。

一般可形成一个称为推理网络的结构图。

对应过程性知识。

推理机：

负责产生式规则的前提条件测试或匹配，规则的调度和选取，规则体的解释和执行。

即推理机实施推理，并对推理进行控制，它也是规则的解释程序。

对应控制性知识。

全局数据库：

人工智能系统的数据结构中心。

是一个动态数据结构，用来存放初始事实数据、中间结果和最后结果。

对应叙述性知识。

控制策略与常用算法:

a正向推理从初始事实数据出发，正向使用规则进行推理，朝目标方向前进。

又称为前向推理、正向链、数据驱动的推理。

b反向推理从目标出发，反向使用规则进行推理，朝初始事实或数据方向前进。

又称反向推理、反向链、目标驱动的推理。

问题求解、图搜索和产生式系统的关系是：

问题求解是目的，图搜索是方法，产生式系统是形式。

第八章

确定性理论

E=E1∩E2CF（E）=min{CF（E1）,CF（E2）}

E=E1∪E2CF（E）=max{CF（E1）,CF（E2）}

主观贝叶斯方法

1）证据肯定存在的情况

2）证据肯定不存在的情况

3）证据不确定的情况

4）多证据的总概率合成

第一步：

O（H）=P（H）/（1-P（H）

第二步：

O（H|E）=LS*O（H）或O（H|非E）=LN*O（H）

第三步O（H|E1E2）=O（H|E1）/O（H）*O（H|E2）/O（H）*O（H）

第四步P（H|E1E2）=O（H|E1E2）/[O（H|E1E2）+1]

1.不确定性及其类型

知识和信息中含有的不肯定、不可靠、不准确、不精确、不严格、不严密、不完全甚至不一致的成分。

按性质分类：

（狭义）不确定性；不确切性（模糊性）；不完全性；不一致性

（狭义）不确定性（uncertainty）就是一个命题（亦即所表示的事件）的真实性不能完全肯

定，而只能对其为真的可能性给出某种估计。

不确切性（模糊性）就是一个命题中所出现的某些言词其涵义不够确切，从概念

角度讲，就是其代表的概念的内涵没有硬性的标准或条件，其外延没有硬性的边界。

2.不确定性推理的一般模式不确定性推理＝符号推演＋信度计算

3.不确定性推理与通常的确定性推理的差别：

（1）不确定性推理中规则的前件能否与证据事实匹配成功，不但要求两者的符号模式能够匹配（合一），而且要求证据事实所含的信度必须达“标”，即必须达到一定的限度。

这个限度一般称为“阈值”。

（2）不确定性推理中一个规则的触发，不仅要求其前提能匹配成功，而且前提条件的总信度还必须至少达到阈值。

（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。

第九章

学习：

学习是系统积累经验以改善其自身性能的过程。

①学习与经验有关；②学习可以改善系统性能；③学习是一个有反馈的信息处理与控制过程。

机器学习的原理：

1）基于学习策略的分类:

A模拟人脑的机器学习:

a符号学习：

模拟人脑的宏观心理级学习过程，以认知心理学原理为基础，以符号数据为输入，以符号运算为方法，用推理过程在图或状态空间中搜索，学习的目标为概念或规则等。

符号学习的典型方法有：

记忆学习、示例学习、演绎学习、类比学习、解释学习等。

b神经网络学习（或连接学习）：

模拟人脑的微观生理级学习过程，以脑和神经科学原理为基础，以人工神经网络为函数结构模型，以数值数据为输入，以数值运算为方法，用迭代过程在系数向量空间中搜索，学习的目标为函数。

典型的连接学习有权值修正学习、拓扑结构学习。

B直接采用数学方法的机器学习:

主要有统计机器学习（贝叶斯学习、贝叶斯网络学习、几何分类学习、支持向量机SVM）。

2）基于学习方法的分类:

A归纳学习a符号归纳学习：

典型的符号归纳学习有示例学习，决策树学习。

b函数归纳学习（发现学习）：

典型的函数归纳学习有神经网络学习、示例学习，发现学习，统计学习。

B演绎学习C类比学习：

典型的类比学习有案例（范例）学习。

D分析学习：

典型的分析学习有案例（范例）学习、解释学习。

3）基于学习方式的分类A有导师学习（监督学习）：

输入数据中有导师信号，以概率函数、代数函数或人工神经网络为基函数模型，采用迭代计算方法，学习结果为函数。

B无导师学习（非监督学习）：

输入数据中无导师信号，采用聚类方法，学习结果为类别。

典型的无导师学习有发现学习、聚类、竞争学习等。

C强化学习（增强学习）：

以环境反馈（奖/惩信号）作为输入，以统计和动态规划技术为指导的一种学习方法。

4）基于数据形式的分类A结构化学习：

以结构化数据为输入，以数值计算或符号推演为方法。

典型的结构化学习有神经网络学习、统计学习、决策树学习、规则学习。

B非结构化学习：

以非结构化数据为输入，典型的非结构化学习有类比学习、案例学习、解释学习、文本挖掘、图像挖掘、Web挖掘等。

5）基于学习目标的分类A概念学习：

即学习的目标和结果为概念，或者说是为了获得概念的一种学习。

典型的概念学习有示例学习。

B规则学习：

即学习的目标和结果为规则，或者说是为了获得规则的一种学习。

典型的规则学习有决策树学习。

C函数学习：

即学习的目标和结果为规则，或者说是为了获得函数的一种学习。

典型的函数学习有神经网络学习。

D类别学习：

即学习的目标和结果为对象类，或者说是为了获得类别的一种学习。

典型的类别学习有聚类分析。

E贝叶斯网络学习：

即学习的目标和结果是贝叶斯网络，或者说是为了获得贝叶斯网络的一种学习。

其又可分为结构学习和参数学习。

符号学习：

1）记忆学习：

又称死记硬背学习或机械学习，这种学习方法不要求系统具有对复杂问题求解的能力，也就是没有推理能力，系统的学习方法就是直接记录与问题有关的信息，然后检索并利用这些存储的信息来解决问题。

2）示例学习也称实例学习,它是一种归纳学习。

示例学习是从若干实例中归纳出一般概念或规则的学习方法。

3）决策树学习：

归纳学习，用构造形数据结构的方法，从一批事实数据集中归纳出若干条分类、决策规则4）演绎学习：

基于演绎推理的一种学习。

演绎推理是一种保真变换，即若前提真则推出的结论也真5）类比学习：

基于类比推理的学习方法，就是寻找和利用事物间的可类比的关系，而从已有的知识推导出未知的知识

第十二章

专家的特点：

拥有丰富的专业知识和实践经验；具有独特的思维方式

专家系统的要素：

应用于某专门领域；拥有专家级知识；模拟专家思维；达到专家级水平。

专家系统特点：

善于解决不确定性的、非结构化的、没有算法解或有算法解但在机器上无法实施的困难问题。

靠知识和推理来解决问题，专家系统是基于知识的智能问题求解系统。

强调知识与推理的分离，系统具有灵活性和可扩充性。

具有解释功能，回答用户提出的问题和处理问题的过程作出解释

推理机：

实现推理的程序。

使用知识库中的知识进行推理而解决问题的，是专家的思维机制。

人机界面：

用户通过界面向系统实现推理的程序。

使用知识库中的知识进行推理而解决问题的，是专家的思维机制。

提出或回答问题，向系统提供原始数据和事实。

系统通过界面向用户提出回答结果。

动态数据库：

全局数据库，存放初始证据事实、推理结果和控制信息。

解释模块：

推理过程中，回答why之类的问题；推理结束后，回答how之类问题。

知识库：

某种表示形式存储于计算机中的知识的集合。

包括专家知识、领域知识和元知识。

知识库管理系统：

管理知识库的建立删除重组知识的获取、知识的检查

2）实际结构：

1）实际问题错综复杂，可能需要多次推理，所以知识库是多层的或多块的。

（2）实际问题往往不仅需要推理，而且还需要做一些处理，所以增加处理模块。

黑板：

分层的全局工作区，用来存储初始数据、中间结果和最终结果。

知识源：

就是知识模块。

一个知识源可视为一个规则，包括先决条件和知识源题。

控制结构：

求解问题的推理机构，选择合适的知识源。

专家系统的一般步骤有哪些？

专家系统的开发与一般的软件系统开发相比较，有哪些共同点和特点？

１）专家系统与一般的软件系统开发无异，其开发过程同样要遵循软件工程的步骤和原则，即也要进行系统分析、系统设计等几个阶段的工作。

２）但由于它是专家系统，而不是一般的软件系统，所以，又有其独特的地方，主要包括以下几个步骤：

系统总体分析与设计；知识获取；知识表示与知识描述语言设计；知识库设计、知识库管理系统设计；推理机与解释模块设计；总控与界面设计编程与调试--测试与评价运行与维护3）可以看出它有如下特点：

知识获取和知识表示设计是一切工作的起点；知识表示与知识描述语言确定后，其他设计可同时进行；