人工智能大学幻灯片.pptVIP

2.3 谓词逻辑法; 2.合适公式 (well-formed formula) 原子(谓词)公式 原子公式::=谓词名+“(”+项[,项]+“)” 项::=常量|变量|函数 函数::=函数名+“(”+参数[,参数]+“)” 合适公式 原子谓词公式是合适公式; 若A是合适公式, 则~A也是合适公式; 若A和B都是合适公式, 则A?B, AVB, A?B也都是合适公式; 若A是合适公式, x为任何变量, 则(?x)A和(?x)A也是合适公式; 只有按上述规则产生的公式才是合适公式.(有限步) ; 3.用谓词公式表达知识 例:任何整数或者是正数或者是负数. 用I(x)表示“x是整数”,用P(x)表示“x是正数”,用N(x)表示“x是负数”. (?x)(I(x)?(P(x) V N(x))) 例:用谓词逻辑表达积木世界. ;一.基本概念 语义网络是一种用实体及其语义关系来表达知识的有向图. 结点:代表实体,表示各种事物、概念、情况、属性、状态、事件、动作等; 弧:代表语义关系,表示它所连接的两个实体之间的语义联系.　在语义网络中,每一个结点和弧都必须带有标识,这些标识用来说明它所代表的实体或语义. 二.以个体为中心的语义网络 1.实例联系 ; 2.泛化联系 3.聚集联系 ; 4.属性联系 三.以谓词为中心的语义网络 语义网络表示法和谓词逻辑表示法之间有着对应的表示能力. 1.二元谓词; 2.n元谓词 n元谓词可转化为n个二元谓词的合取 例:“李明给王宏围城” 3.连接词的表达 例:“李明给王宏围城而且王宏读了围城”; 4.量词的表达 存在量词的表达,例:“某个大学生读过围城” ; 全称量词的表达,采用语义网络分块化技术.例:“所有的大学生都读过围城”;三.语义网络的推理 1.网络匹配 2.继承推理 3.网络演绎 四.语义网络的特点 1.优点 结构性,联想性,自索引性,自然性 2.缺点 推理规则不十分明了 表达范围有限，一旦结点个数太多，网络结构复杂，推理就难以进行 ;2.5 框架表示; Slot3(槽名):震级: 里氏5.3级 Slot4(槽名):伤亡人数: 24 Slot5(槽名):死亡人数: 1 Slot6(槽名):财产损失: 2000万人民币 框架的一般结构 框架名 槽1 侧面11 值111 值112... 侧面12 值121 值122... ... 槽2 侧面21 值211 值212... ... ... 槽n 侧面n1 值n11 ... ... 有两种特殊的侧面:默认值侧面,附加过程侧面;三.框架的推理 1.匹配,是不完全匹配 2.继承推理 3.填槽 四.附加过程侧面的类型 1. if-needed 2. if-added 3. if-removed ; ;1;宽度优先;深度优先;3.2 启发式搜索;3;三.举例:九宫重排 ;2 8 3 1 6 4 7 ■ 5;4.3 人工神经网络的结构;二.人工神经网络模型 ;三.人工神经网络各部分特性 1.神经单元 分为输入单元,输出单元和隐单元 每个单元有激活值,可以是连续实数值,也可以是离散整数值 2.输入与输出 从网络外部到网络内部的为输入信号 从网络内部到网络外部的为输出信号;3.输出函数 单元的输出信号与单元激活值的映射关系 可以是等值函数,也可以是阈值函数 4.激励函数 单元的总输入信号与单元激活值的映射关系 可以是等值函数,也可以是阈值函数或可微的连续函数;5.连接模式 网络中所有单元连接强度(权值)构成的矩阵 6.传播规则 某个神经单元所接受的总输入与其它单元对该单元输出之间的关系,最常用的为加权传播法则.;7.学习法则 神经网络的运行包括两个阶段： 1.训练或学习阶段 向神经网络提供一系列输入－输出数据组,通过数值计算方法和参数优化技术,使节点连接的权值不断调整,直到从给定的输入能产生所期望的输出. 2 2.预测（应用）阶段 以训练好的网络,对未知的样本进行预测 ? 人工神经网络的主要学习算法 .有师学习 .无师学习 .强化学习 ;4.4 线性模型与感知机;二.线性阈值模型的特征 1.既有输入单元和输出单元,也有隐单元 2.单元激活值为{0,1}