“人工智能及其应用”讲座第五讲 深层知识与浅层知识.pdfVIP

维普资讯

“人工智能及其应用讲座

第五讲深层知识与浅层知识

上海交通大学钱大群吴智铭

式及其使用方式。

一、引言

二、结构和行为的描述

人工智能技术为我们克服建立数学模型的困

难提供了新的途径但是近年来，越来越多的人Davis于1982年在由他建立的数字电路故

工智能研究工作者意识到单纯地依赖经验知识的障诊断专家系统中，首先提出了所谓的“第一原

问题求解方式有许多局限。这表现在：①获取经则”，即对装置的结构、行为和功能进行描述．并在

验知识十分困难。专家往往难以清晰而准确地叙此描述的基础上进行推理这种有关结构、行为

述自己的经验，有时专家无法提供所需的经验。的描述方式是一种典型的深层知识表达方式。

②经验知识本身有许多局限。它难以对每一现场下面采用符号分别描述工业装置的结构和行

环境给出正确的答案，对于少见的现象，有时无法为。例如

作出解释；它往往仅适用于解决某一特定对象的(TypeASensor)(TypeBSelector)

某些问题，当将它用以解决不同对象的同一问题分别说明了A、B的类型又如

时，它难以见效。③经验知识无法深入说明问题(Conrl(OutputlA)(Input2B))

域的基本原理及基本规律，求解过程的解释仅仅说明元件A的第一个输出端与元件B的第二个

依赖于为找出解答所必须进行的启发式规则的回输入端相连。又如

溯，然而这种路径跟踪法常常不能给出这一解答(VaJuc(InputlA)on)(Observable

为什么有价值的令人信服的论据。④为了表达经(Value(OutputlB)))

验知识，往往需要大量的产生式规则，这将造成知分别说明A的第一个输入端的值处于o“n”状态，

识库十分庞大。通常人们将这种经验知识称为浅B的第一个输出端的值是可观测的。而图1中的

层知识(shallowknowledge)，基于浅层知识的传感器$x的行为描述是

推理称为启发式推理，而基于浅层知识和启发式(If(Type$XSensor)

推理的专家系统称为第一代专家系统。(If(and(OK$X)

80年代以来，为了克服浅层知识的局限性，(Value(Input1$X)on

人工智能界十分重视对深层知识(deepknow．(True(Value(Input2Sx)$mi)St)

1edge)的研究。深层知识至今没有一个严格的定(Va|ue(Rated$x)$mr)

义。人们一般认为深层知识是相对于浅层知识而(=$mo(1$miSmf))

言的有关对象(问题)的更本质的、更深入的知识．(True(Value(Ouptutl$x)Smo)St)))

它通常包括诸如有关对象的结构、行为、功能的知