| 人工智能导论(2) | 您所在的位置：网站首页 › 湿度最常用的两种表示方法是 › 人工智能导论(2) |
人工智能导论(2)
|
文章目录
一、 概述二、 知识重点三、 思维导图四、重点知识笔记1. 知识的概念1.1 知识的定义1.2 知识的特点1.3 知识表示
2. 一阶谓词表示法2.1 谓词及谓词公式2.1 谓词逻辑表示
3. 产生式表示法3. 语义网络表示法4. 框架表示法5. 面向对象方法简介
一、 概述
知识表示是智能系统的重要基础，人工智能中十分重要的研究课题。 为方便记忆和回顾，根据个人学习，总结人工智能基础知识和思维导图形成系列。 二、 知识重点 知识是什么，有什么特点知识表示的概念及分类典型知识表示方法 一阶谓词表示法基本概念，谓词公式语法产生式表示方法语义网络表示方法框架表示方法面向对象表示法的主要观点 三、 思维导图
知识是人类对客观世界的认识和经验。 知识是经过加工的信息。是把有关信息关联在一起所形成的信息结构。 1.2 知识的特点 相对正确性：任何知识都是在一定条件和环境下产生的，在特定的条件和环境下才是正确的。不确定性：随机性引起的、模糊性引起的、经验引起的、不完全性引起的可表示性与可利用性：知识可以用适当的形式表示出来，如语言、文字、图形、神经网络等。 1.3 知识表示机器表示知识的一般方法。 将人类知识形式化或者模型化。 知识表示=数据结构+处理机制 知识表示的原则 正确有效的表示知识便于理解和实现便于知识组织、维护、管理便于利用便于知识获取知识表示的分类 陈述性知识表示：以数据的形式表示(将知识表示与知识运用分开处理)简洁、严谨；工作效率低过程性知识表示：知识表示形式是一个过程(将知识表示和知识运用相结合)不够严格，不易修改；易于推理主要知识表示方法 谓词逻辑表示法语义网络表示法框架表示法过程表示法Petri网表示法面向对象表示法人工神经元网络(ANN)表示法 2. 一阶谓词表示法谓词逻辑是能够表示人类思维活动规律的一种精确的形式语言。 谓词逻辑是知识的形式化表示、定理的自动证明等研究的基础。 2.1 谓词及谓词公式用来描述或判定对象性质、特征或者对象之间关系的词项，具有真假语义题。 示例：“武汉是个美丽的城市” 用谓词表示为美丽的城市(武汉) 或者BCity(Wuhan)。 谓词类似于一个布尔类型函数。 语法元素 常量符号：表示常量的符号，常量可以是现实世界中的对象变量符号：变量，未指定对象的符号，类似于函数变量函数符号：函数f包含个体数目为n，称f为n元函数符号（函数为定义域到值域的映射）谓词符号：谓词P包含个体数目为n，称P为n元谓词符号（谓词为定义域到{真,假}的映射连接词：用于谓词之间的运算 ¬：否定（Negation）：复合公式¬Q 表示“非Q”∧：合取（Conjunction）：复合公式P∧Q 表示“P 与Q”∨：析取（Disjunction）：复合公式P∨Q 表示“P 或Q”→：条件（Condition）：复合公式P→Q 表示“如果P那么Q”↔：双条件（Bicondition）：复合公式P↔Q 表示“如果P，那么Q；如果Q，那么P” 量词 ∀x：全称量词，x 称为量词的指导变量∃x：存在量词谓词的阶 如果谓词中的所有个体都是常量、变量或函数，那么谓词为一阶谓词如果谓词P中的某个个体本身又是一个一阶谓词，那么P为二阶谓词，以此类推。谓词公式的定义 单个谓词是谓词公式 每一个谓词公式都可求出一个真值(T或F)常量、变量、函数都可以是一阶谓词的个体 若P、Q 是合式公式，则¬P、P∧Q、P∨Q、P→Q、P↔Q 也是谓词公式 连接词优先级从高到低排列：¬、∧、∨、→、↔ 若P 是合式公式，则(∀x)P、(∃x)P 也是谓词公式有限步应用以上动作生成的公式也是谓词公式 2.1 谓词逻辑表示谓词逻辑表示的步骤 定义谓词和个体为变量赋值（个体作为值）连接词连接谓词，形成谓词公式示例： #武汉是个美丽的城市，但不是沿海城市。谓词逻辑表示为： 是个美丽的城市(武汉) ∧ ¬是个沿海城市(武汉) #机器人站在墙边，手里没有拿东西，桌子上放着积木。谓词逻辑表示为： 在旁边站着(机器人,墙) ∧ 手空着(机器人) ∧ 在上面(积木,桌子) #机器人拿起积木，谓词表示方法为： #删除"手空着(机器人)∧在上面(积木,桌子)"，增加"拿着(机器人,积木)"，如下： 在旁边站着(机器人,墙) ∧ 拿着(机器人,积木) 3. 产生式表示法在研究人类的认知模型中开发了基于规则的产生式系统。 通常用于表示事实、规则以及他们的不确定性度量。 产生式通常用于表示具有因果关系的知识，其基本形式为IF P THEN Q 产生式表示方法 确定性规则知识的产生式表示P→Q：IF P THEN Q P是产生式的前提，Q是一组结论或操作比如：IF 动物会飞 AND 会下蛋 该动物是鸟 IF 温度高于30度 THEN 关门产生式可以提供操作，谓词公式不能提供操作 不确定性规则知识的产生式表示 P→Q(可信度)：IF P THEN Q(可信度) 比如：IF 发烧 THEN 感冒(0.6) 确定性事实知识的产生式表示 三元组表示：(对象,属性,值) 或者：(关系,对象1,对象2)比如：(老李,年龄,40)比如：(朋友,老王,老李) 不确定性事实知识的产生式表示 “四元组表示：（对象,属性,值,置信度）” 或者：(关系,对象1,对象2,置信度)比如：(老李,年龄,40,0.8) (朋友,老王,老李,0.1)形式描述及语义 产生式可以用巴克斯BNF范式描述： ::= ::=表示定义为 空格分开表示顺序执行 |表示或者是 []表示可选 ::=| ::=AND[AND...] |OR[OR...] ::=| :=[(,...)]也就是说P和Q可以包含多个语句，用AND或OR连接。 产生式系统 一组产生式可以放在一起，相互配合，一个产生式生成的结论供另一个产生式 作为已知事实，获得问题的解决，这样的系统称为产生式系统。 产生式系统由3部分组成： 规则库：用于描述某领域内的知识(规则)的产生式集合综合数据库：(事实库、上下文)一个用于存放问题求解过程中各种当前信息的数据结构控制系统(推理机)：由一组程序组成， 负责系统的运行， 实现对问题的求解控制系统从综合数据库中提取事实前提，应用规则库的规则进行推理，解决问题。 3. 语义网络表示法语义网络表示法是研究人类联想记忆时提出的一种心理学模型。 语义网络是一种通过概念及其语义联系(关系)来表示知识的有向图。 表示方法 用框图表示，框图包括节点和有向弧组成。 节点用来表示事物的名称、概念、属性、状态、事件及动作等弧有方向、有标注。表示事物之间的关系，即语义关系典型的示例如下： 图中AKO，Have等表示语义关系。基本语义关系如下： 从属关系 AKO(A-Kind-Of)：属于…类型。例如： 苹果树 AKO 树 AKO 植物AMO(A-Member-Of)：是…的成员。例如：小明 AMO x班学生ISA(Is-A)：是一个…。例如：参观者 ISA 人 包含关系 APO(A-Part-Of)：是…的一部分。例如： 轮胎 APO 汽车CO(Composed-Of)：由…构成。例如：整数 CO 正整数 零 负整数 属性关系 Have：有…属性。例如：树 Have 叶Can：能够做…事情。例如：鸟 Can 飞 时间关系 Before：在…时间之前。例如：小明毕业 Before 小王毕业After：在…时间之后 位置关系 On：在…上At：在…位置。例如：积木 At 桌面Under：在…之下Inside：在…之内Outside：在…之外 相近关系 Similar-toNear-to 推论关系 BO(because-Of)：由于…FOR：为了…THEN：则…GET：得到… 复合逻辑 NOR(非)AND(与)。例如： 时间→与←地点OR(或)语义网络还可以表示情况、动作和 事件的表示等。示例如下：
语义网络表示知识的步骤 确定对象和对象的属性确定对象间的关系根据语义网络涉及的关系，整理结点（对象结点、动作结点、情况结点）和弧任何复杂的语义关系，都可以通过许多基本的语义关系予以关联来实现 语义网络的推理过程 用语义网络表示知识的问题求解系统主要由两部分组成，一部分是由语义网络构成 的知识库，另一部分是用于问题求解的推理机。 语义网络的推理过程主要有两种：继承和匹配。 继承推理：上层结点的属性传递到下层结点。比如动物的特征会传递到鸟、鱼等匹配推理：从知识库的语义网络中寻找与目标问题相符的语义网络模式 4. 框架表示法框架是一种描述对象属性的数据结构。是表示某类情景的结构化数据结构。 框架的组成 框架由若干个称为“槽"的结构组成槽描述对象某一方面的属性每个槽划分为若干个”侧面“侧面描述相应属性的一个方面槽和侧面的属性值分别被称为槽值和侧面值 框架一般结构 槽名1： 侧面名 侧面值,侧面值... 侧面名 侧面值,侧面值... ... .... 槽名n： 侧面名 侧面值,侧面值... 侧面名 侧面值,侧面值... ... 约束：约束条件示例： 框架名： 姓名：姓、名 年龄：xxx岁 性别：范围(男、女) 缺省：男 住址： ...框架的特点 继承性 比如：地震框架、洪水框架、台风框架都可以继承自自然灾害事件框架 结构化自然性 5. 面向对象方法简介面向对象方法的主要观点 世界由”对象“组成，任何事物都是对象复杂的对象由简单的对象组成对象被分成各种对象类对象间出了互递消息外，不再有其他联系对象按类、子类、父类等概念形成一种层次或树形关系面向对象方法与面向对象的编程语言思想基本一致，用类抽象世界，用对象表示 世界，用封装、继承、消息来表示推理规则。 个人总结，部分内容进行了简单的处理和归纳，如有谬误，希望大家指出，持续修订更新中。 修订历史版本见：https://github.com/hustlei/AI_Learning_MindMap |
【本文地址】