人工智能4 1.ppt

人工智能 （Artificial Intelligence，AI ） 刘春阳 机器人与智能接口研究所 Tel第3章 知识表示和推理 人类进行的“聪明”行动，是在对许多已知事实（知识）进行综合，或者说进行加工（推理）的基础上形成的.为了能用计算机实现这种“聪明”行动，怎样表示知识，怎样进行推理就成了需要解决的问题. 人类进行的推理是非常复杂的，现在只有一部分推理方法是清楚的. 本章将针对在计算机上能够实现的，而且已经实用化了的方法进行介绍. 3.1 知识与推理中的关系 为了用计算机实现人类的智能行动，用计算机能做些什么事情就可以了呢？人类运用已获得的知识认识事物、判断情况，并且设想出一些新事物。即人们要表示知识、处理知识，进而利用知识. 为了让计算机去作同样的事情，知识的表示方法以及对其进行处理用的推理方法，就成为必要的了. 因为一般情况下，知识只是以所谓的事实、法则和原理的形式表示出来，所以对他们的处理推理也会变得相当复杂. 因此，这里只限于以实用化为目的的专家系统的处理范围内，对其推理结构进行介绍. 与以前的软件系统比较，专家系统具有下列特点. 1：处理庞大的未加整理的知识 人类具有数量庞大的知识，但是未必全都经过处理. 例如，乘坐电车的所有知识虽然已经公布了，但是能够完全地陈述所有这些知识的人还是不多，不过当提出“要乘坐电车需要做些什么？”，“如何通过自动售票机买票？”之类的一些问题时，多数人是能够回答的. 这种对知识进行处理的方法是必要的. 从前，对于这种情况，当对知识进行整理但又不能明确地知道处理的流程等时，是不能开发软件的. 2:能够与知识的追加，修正和清除进行简单地对应 人类具有的知识，随着对象领域的变化，以及新信息的获得，而相应地发生着变化. 例如，当电车的预置模式卡在应用上成为可能时，随之便增加了为使用该预置模式卡所需要的知识.这样，能简单地进行追加、修正和清除，就是必要的了. 以前的软件，因为每当进行追加、修正和清除时，都必须考虑程序的构造，处理的流程等，这已经成为一项非常困难的作业. 3: 适用于规则和数据具有模糊度的场合 人类具有的知识，不能说全部都是完全正确的. 例如，“黑色的鸟是乌鸦”这个知识就不是完全正确的. 因为除乌鸦以外，还有其他黑色的鸟和鸡等. 此外，完全黑的鸟是不是存在也还是一个问题. 这是一个数据和对数据进行表示时具有模糊度的例子，实际上规则本身也存在有模糊度. 对于由某种原因或某一理由产生的现象，虽然多数情况下能够予以正确描述，但是相反的情况却会造成困难. 例如，患流行性感冒的人，其症状可以描述为“发烧、咳嗽”等，但是因为“发烧、咳嗽”这种症状也会出现在其他疾病中，所以不能得出一定是流行性感冒的结论. 因此，对这种具有模糊度的问题进行处理的方法是必要的. 知识表示与对其进行处理的推理密切相关. 在3.2节中，我们将对其产生式系统的表示法和推理方法进行说明，这些方法在专家系统中得到了有效的利用. 产生式系统可以用来应付在上述1、2项中遇到的困难. 3.2 产生式系统 3.2.1 产生式系统的构造 产生式系统（production system）是1973年由纽厄尔（Newell）提出的，它是用计算机构成的一种系统，这种系统具有模仿人解决问题的行为机构. 与人类具有的长期存储器（long term memory）和短期存储器（short term memory）相对应，产生式系统的记忆场所也采用了两种类型. 长期存储器被称为知识库，它是收藏被长期保存的知识的地方. 在产生式系统中，将if-then 规则储备在知识的收藏场所. 短期存储器，在作业领域被称为工作存储器（WM），它是暂时的数据收藏场所. 在产生式系统中，由外部给予的数据和从推理中获得的结果将会被记忆. 因此，产生式系统基本上将具有图3.1所示的构造. 下面我们通过例子对上述系统中的各个部分进行说明. ?????? 1.作业领域 收藏数据（事实的集合）和假设（目标）等. 例如，设在动物园中的某个兽笼前，对生活在笼中的动物进行观察. 假设对笼中名字为“太郎”的动物得到了下列数据，标记在数据前面的Dх（x为数字）称为标识符，x为数据形成时顺序分配的序号. 即数字越大，数据越新，这是显而易见的. 以下的表示方法，是一种意义容易理解的表示方法，它与在实际的计算机上的表示是不同的. 【例】 D1 （太郎身上有毛） D2 （太郎有尖锐的牙齿） D3 （太郎有锋利的爪子） D4 （太郎身体的颜色是黄褐色） D