人工智能总结.doc

第二章 基于规则的专家系统 2.1 知识 关于对象在理论和实践方面的理解，是目前所知知识的总结 2.2规则 2.3 结构 2.4基本特征 2.5推理技术 向前链接：是收集信息然后利用信息进行推理的技术 Rule1：YD------Z Rule2：XBE------Y Rule3：A------X Rule4：C------L Rule5：LM------N 向后链接：目标的驱动推理 2.6参与者 2.7 冲突的解决方案 达到目标就停止规则 优先级 最长匹配规则 最近录入数据库规则 2.8优缺点 优点：（1）自然的知识表达方法 统一的结构 知识与其处理能力相分离 可以处理不完整或者不确定的知识 缺点：（1）规则间的关系不透明 （2）搜索策略效率低 （3）不能自学习 基于规则的专家系统的不确定管理 3.1 不确定 不确定性：就是缺乏可以使我们的出完全可靠结论的精确知识 来源：脆弱的暗示、不精确的语言、数据的缺失、综合不同专家的意见 3.2 贝叶斯规则 使用贝叶斯方法，必须满足证据有条件的独立，可靠的数据统计，每个假设的先验概率。用于矿产勘探的专家系统PROSPECTOR是第一个成功运用证据的贝叶斯规则 3.3 确定因子：贝叶斯方法最常见的代替方法 3.4 比较 概率论是处理不精确知识和随机数据的最早和最好的技术 贝叶斯主要用于天气预报和计划 确定因子用在诊断领域 共同：要求找能够量化的主观的和定性的信息的专家 第四章 模糊专家系统 4.1 概述 4.2 模糊集 4.3 语言描述 4.5 推理 （1）步骤：a、输入变量模糊化 b、评估规则 c、聚合规则的输出 d、规则的输出及逆模糊化 （2）两种技术 Mamdani：用模糊规则获取专家知识，但计算量很大 Sugeno：改善了计算效率，优化及自适应技术协同作用，在动态非线性系统中适用 第五章 基于框架的专家系统 5.1 简介 框架：带有关于某个对象和概念的典型知识的数据结构，用来在基于框架的专家系统中获取和表达知识。 用途：主要用于和产生式规则的链接 5.2 5.3 继承 单父类继承和多重继承 5.4 方法和守护程序 框架见的交互是通过方法和守护程序实现的。方法是和框架属性相关的过程，在需要的时候执行。 大多数基于框架的专家系统使用两种方法：WHEN CHANGED和 WHEN NEEDED。WHEN CHANGED方法在有新的信息加入槽中使用， WHEN NEEDED在解决问题需要该信息，但没有指定槽值的时候使用。 第六章 人工神经网络 6.1 人脑工作 机器学习：使用计算机的经验、实例、和类比自己来学习的自适应机制。随着时间的推移，学习能力可以提高智能系统的性能。机器学习最常见的方法就是人工智能。 生物神经网络 人工神经网络：由一些非常简单并高度互联的处理器（成为神经元）组成，这个人类大脑中的生物神经元类似。神经元之间由一个神经元传送信号到另一个神经元的有权重的链接连接，每个链接有与之相关的数值权重。权重是ANN中长期记忆的最基本概念，它用来表达神经元输入的强度和重要性。神经网络通过不断的调整权重来学习。 6.2 简单计算 6.3 感知器 感知器通过对权重的微调来减少时间输出和期望输出的差别从而进行学习，初始权重是随机指定的，然后通过调整权重，得到和训练实例一致的输出。感知器仅仅能够学习线性分割函数，不能学习局部实例的基础上进行全局推广 6.4 多层神经网络 多层感知器是一个前馈神经网络，含有来源神经元的输入层、至少一个计算神经元的中间层或者隐含层、一个神经元输出层。输入层从外界接受输入信号，并将信号重新分配给中间层的所有神经元。隐含层检查特征，隐含层神经元的权重表示输入模式的特征。输出层建立整个网络的输出模式。 算法：向后传送法 6.5 加速学习 向后传送法计算量过大，导致训练速度缓慢。以下方向用来提高效率： （1）用双曲正切函数代替S型激活函数 （2）多层网 （3）要素使用 （4）自适应学习 6.6 Hopfield 神经网络（具有反馈的循环网络） Hopfield 训练算法有两个阶段：存储和检索。 在第一个阶段，网络需要存储一系列由所有神经元的当前输出的状态（或称作基本记忆），这是通过计算网路权重矩阵来实现的。权重一旦被计算出，就会保持不变。 第二阶段，未知的含糊或者不完整的基本记忆会被输入到网络中，然后计算机网络输出并进行反馈以调整输入。这个过程会一直重复道输出为一个常数为止。 6.7 BAM （双向相关记忆） Hopfield网络表示的是一种自相关的记忆。它可以检索含糊或者不完整的记忆，但是不能将一个记忆和其他记忆联系起来。 BAM是一种异质相关网络，它将一个集合的模式和另一个集合的模式关联起来。 基本思想：存储模式对。当输入为集合A中的n维向量