人工智能课件3高级知识推理.pptVIP

高级知识推理 经典逻辑 确定性推理 单调性推理 归约推理 肖解演绎推理 规则演绎推理 非经典逻辑 不确定性推理 非单调性推理 时序推理 概率推理 经典逻辑与非经典逻辑的不同 经典 非经典 推理方法 演绎逻辑 归纳逻辑 辖域取值 二值 多值 模糊 运算法则 有些不成立 逻辑算符 逻辑算符 引入模态算符 单调性 单调 非单调 单调推理和非单调推理 单调推理 基于谓词逻辑的推理系统是单调的 系统中已知为真的命题随着推理的进行而增加,结论越来越多 非单调推理 推理系统的定理集合不随推理过程的进行而单调增大 新推理出的定理可能修正以至否定原有的一些定理,使得原来能够解释的一些现象变得不可解释. 非单调推理 非单调推理用来处理那些不适合用谓词逻辑表示的知识。 它能够较好地处理不完全信息、不断变化的情况以及求解复杂问题过程中生成的假设，具有较为有效的求解效率。 缺省推理 在没有证据能够证明某命题不成立时,就承认该命题成立. 不具备命题的全部知识,也能够进行合理的推理并给出正确的结论 定义 如果X不知道，那么得结论Y。 如果X不能被证明，那么得结论Y。 如果X不能在某个给定的时间内被证明，那么得结论Y。 概率推理 概率论是研究随机现象中数量规律的科学。 所谓随机现象是指在相同的条件下重复进行某种实验时，所得实验结果不一定完全相同且不可预知的现象 掷硬币实验 人工智能所讨论的不确定性现象，虽然不完全是随机的过程，但是实践证明，采用概率论的思想方法考虑能够得到较好的结果。 概率论基础（概率定义 ） 定义：设Ω为一个随机实验的样本空间，对Ω上的任意事件A，规定一个实数与之对应，记为P(A)，满足以下三条基本性质，称为事件A发生的概率： 若二事件A、B互斥，即，则 概率论基础（条件概率 ） 定义：设A，B为事件且P(A)0，称 P(B|A)为事件A已发生的条件下，事件B的条件概率，P(A)在概率推理中称为边缘概率。 简称P(B|A)为给定A时B发生的概率。P(AB)称为A与B的联合概率。有联合概率公式： 概率论基础（条件概率性质 ） ， 乘法公式： 全概率公式：设A1，A2，…An互不相交， ， 且 ， 则对于任意事件A有 概率论基础（贝叶斯定理 ） 设A，B1，B2，…，Bn为一些事件，P(A)0，B1，B2，…，Bn互不相交，P(Bi)0, i=1, 2,…, n，且 ， 则对于k=1, 2, …, n， 贝叶斯公式容易由条件概率的定义，乘法公式和全概率公式得到。在贝叶斯公式中，P(Bi), i=1, 2, …, n称为先验概率，而P(Bi|A) i=1, 2, …, n称为后验概率也是条件概率。 贝叶斯网络 二十世纪八十年代贝叶斯网络（Bayes Network）成功地应用于专家系统，成为表示不确定性专家知识和推理的一种流行的方法。 基于贝叶斯方法的贝叶斯网络是一种适应性很广的手段和工具，具有坚实的数学理论基础。 在综合先验信息（领域知识）和数据样本信息的前提下，还可避免只使用先验信息可能带来的主观偏见。 虽然很多贝叶斯网络涉及的学习问题是NP难解的。但是，由于已经有了一些成熟的近似解法，加上一些限制后计算可大为简化，很多问题可以利用近似解法求解。 贝叶斯网络 贝叶斯网络方法的不确定性表示基本上是保持了概率的表示方式，可信度计算也是概率计算方法，只是在实现时，各具体系统根据应用背景的需要采用各种各样的近似计算方法。 推理过程称为概率推理。 贝叶斯网络没有其它确定性推理方法拥有的确定性表示、计算、语义解释等问题。 贝叶斯网络（基本概念） 贝叶斯网络： 一系列变量的联合概率分布的图形表示。 一个表示变量之间的相互依赖关系的数据结构；图论与概率论的结合。 主观Bayes方法 用产生式规则表示知识: IF E THEN (LS,LN) H 式中, (LS,LN)表示知识的静态强度 LS:充分性因子 LN:必要性因子 充分性度量 知识不确定性的表示 LS→∞时,O(H|E) →∞,P(H|E) →1, E的存在导致H为真. 因此称E对H是充分的, LS