人工智能原理-ch4.2-推理技术.pptVIP

人工智能原理;;内容提要;;化为子句集;;;;;(5)化为前束形

到这一步，已不留下任何存在量词，而且每个全称量词都有自己的变量。把所有全称量词移到公式的左边，并使每个量词的辖域包括这个量词后面公式的整个局部。所得公式称为前束形。前束形公式由前缀和母式组成，前缀由全称量词串组成，母式由没有量词的公式组成，即

前束形=(前缀)(母式)

全称量词串无量词公式;;;;消解原理

化为子句集

消解推理规那么

含有变量的消解式

消解反演求解过程;消解推理规那么;;(c)重言式

父辈子句

消解式;;;含有变量的消解式;;;;;;消解反演求解过程;;;;;;;;;很清楚，这个问题说明了两个事实，然后提出一个问题，而问题的答案大概可从这两个事实推导出。这两个事实可以解释为以下公式集S：

(x)[AT(JOHN,X)=AT(FIDO,X)]和T(JOHN,SCHOOL)

如果我们首先证明公式(x)AT(FIDO,X)在逻辑上遵循S，然后寻求一个存在x的例，那么就能解决“菲多在哪里”的问题。关键想法是把问题化为一个包含某个存在量词的目标公式，使得此存在量词量化变量表示对该问题的一个解答。如果问题可以从给出的事实得到答案，那么按这种方法建立的目标函数在逻辑上遵循S。在得到一个证明之后，我们就试图求取存在量词量化变量的一个例，作为一个答复。对于上述例题能够容易地证明(x)AT(FIDO,X)遵循S。我们也可以说明，用一种比较简单的方法来求取适宜的答案。

;;;;内容提要;;;;规那么正向演绎系统;;;;;;;;3.与或图的F规那么变换

这些规那么是建立在某个问题辖域中普通陈述性知识的蕴涵公式根底上的。我们把允许用作规那么的公式类型限制为以下形式：

LW

式中：L是单文字；W为与或形的唯一公式。我们也假设出现在蕴涵式中的任何变量都有全称量化作用于整个蕴涵式。这些事实和规那么中的一些变量被别离标准化，使得没有一个变量出现在一个以上的规那么中，而且使规那么变量不同于事实变量。单文字前项的任何蕴涵式，不管其量化情况如何都可以化为某种量化辖域为整个蕴涵式的形式。这个变换过程首先把这些变量的量词局部地调换到前项，然后再把全部存在量词Skolem化。;;;;;;;;;;;;;;;;规那么逆向演绎系统;;;;;;;;;图4.10逆向系统的一个一致解图;;;规那么双向演绎系统;;;;;;;;内容提要;;;;;;;;首先假定目标q3成立，由规那么3〔P3→q3〕，为证明q3成立，须先验证P3是否成立；但总数据库没有事实P3，所以假定子目标P3成立；由规那么2(P2→P3)，应验证P2；同样，由于数据库中没有事实P2，假定子目标P2成立；由规那么1(P1→P2)，为验证P2成立，须先验证P1。因为数据库中有事实P1，所以假定的目标P2成立，因而P3成立，最终导出结论q3确实成立。

总之，反向推理的具体实现策略是：先假定一个可能的目标，系统试图证明它，看此假设目标是否在总数据库中，假设在，那么假设成立。否那么，看这些假设是否证据(叶子)结点，假设是，向用户询问，假设不是，那么再假定另一个目标，即找出结论局部中包含此假设的那些规那么，把它们的前提作为新的假设，试图证明它。这样周而复始，直到所有目标被证明，或所有路径被测试。;;内容提要;;概率推理;;;;;;;;;;;(3)当证据E不确定时，即:

就不能用上面的公式计算后验概率，可用Duda于1976年给出的公式

来计算出后验概率。这分为四种情况：

①当

故

;;;;4.结论不确定性的合成算法

假设有n条规那么都支持相同的结论，而且每条规那么的前提条件所对应的证据Ｅi〔i=1,2,…,n〕都有相应的观察Si与之对应，此时只要先对每条规那么分别求出

;;;贝叶斯网络;;;;不确定性推理

概率推理

贝叶斯网络

模糊逻辑推理与可能性理论;模糊逻辑推理与可能性理论;;;;;;;;;;内容提要;;缺省推理;;;;;缺省推理的定义2：如果X不能被证明，那么得结论Y。

但是，如果仍然以谓词逻辑工作，那怎么能知道X不能被证明?由于这系统是不可判定的，所以对任一X来说，仍不能担保它能否被证明。于是我们不得不重新考虑定义：

缺省推理的定义3：如果X不能在某个给定的时间内被证明，那么得结论Y。;;;;当然，这种情况可用带回溯的直接树搜索来处理。一切假设和由假设得出的推论，均记录在产生