人工智能考点整理.docx

人工智能考点整理.docx

《人工智能考点整理.docx》由会员分享，可在线阅读，更多相关《人工智能考点整理.docx（11页珍藏版）》请在冰豆网上搜索。

人工智能考点整理

第一章绪论

1、人工智能概念

人工智能就是让机器来完成那些如果由人来做则需要智能的事情的科学

2、智能有哪些具体特征？

具有感知能力（系统输入）:

机器视觉，机器听觉，图像语音识别,,具有记忆与思维能力：

思维是智能的根本原因，思维是一个动态的过程。

思维分为：

逻辑思维，形象思维和顿悟思维。

具有学习能力及自适应能力：

适应环境的变换、积累经验的能力具有行为能力（系统输出）：

对外界的智能化反应

3、AI的本质

研究如何制造出人造的智能机器或系统，来模拟人类智能活动的能力，以延伸人们智能的科学。

4、人工智能系统的三大基本问题

知识获取、知识表示和知识利用

5、人工智能研究形成了三大学派符号主义，认为符号是人类的认识基元，同时人的认识过程即是对符号的计算推理的过程。

其研究内容是基于逻辑的知识表示和推理技术。

联结主义，认为人的认识基元是神经元，认识的过程就是人脑进行信息处理的过程。

主要研究内容是神经网络。

行为主义，其主要原理是智能取决于感知和行为，它不需要知识，不需要表示，不需要推理，智能行为是通过与现实外界环境的交互作用体现出来的。

研究重点是模拟人的各种控制行为。

三个学派各有所长，各有所短，应相互结合、取长补短，综合集成。

不同学派间的争论进一步促进了人工智能的发展。

6、人工智能的目的通过计算机技术模拟人脑智能，替代人类解决生产、生活中的具体问题。

通过计算机技术延伸人类智力，提高人类解决生产、生活中的具体问题的能力。

通过计算机技术研究推动人类智力发展

7、人工智能的目标人工智能是电脑科学的一个重要分支，它的近期目标是让电脑更聪明、更有用，它的远期目标是使电脑变成“像人一样具有智能的机器”。

8、人工智能研究的基本内容Cognitionmodeling（认知建模）

KnowledgeRepresentation知识表示）

KnowledgeReasoning知识推理）

KnowledgeApplication（知识应用）

MachinePerception机器感知）

Machinethinking（机器思维）

Machinelearning（机器学习）

Machinebehavior（机器行为）

Intelligentsystemconstructing智能系统构建）

9、人工智能研究的主要方法

Functionsimulation（功能模拟法）Constructionsimulation（结构模拟法）Behaviorsimulation（行为模拟法）Integrationsimulation（集成模拟法）Mechanismsimulation（机制模拟法）

10、人工智能的研究与应用领域ProblemSolving问题求解

LogicReasoning&AutomaticTheoremProving逻辑推理与自动定理证明NaturalLanguageUnderstanding自然语言理解

AutomaticProgramming自动定理证明

MachineLearning机器学习

ExpertSystem（ES专家系统

ArtificialNeuralNetwork（ANN）人工神经网络

Robotics机器人学

PatternRecognition模式识别

ComputerVision计算机视觉

IntelligentControl（智能控制）第二章知识和知识表示方法

1、什么是知识

把有关的信息关联在一起的信息结构，就是知识。

知识反映了客观世界中事物之间的关系。

2、知识的特性

1.相对正确性

知识是人们对客观世界认识的结晶，并且受到长期实践经验的检验。

因此，在一定的条件及环境下，知识一般是正确的，可信任的。

应该注意一定的条件及环境的条件约束。

2.不确定性知识不总是具有“真”或“假”这两种状态，在真和假之间可能存在许多中间状态，这种特性称为知识的不确定性。

造成知识不确定性的原因有以下几种：

（1）由随机性引起的不确定性

（2）由模糊性引起的不确定性

（3）由不完全性引起的不确定性

（4）由经验性引起的不确定性

3.可表示性与可利用性知识是可以用适当的形式表示出来的，如语言、文字、图形、神经元网络等。

它是可利用的，我们每个人天天都在利用自己掌握的知识解决所面临的各种各样问题。

3、知识的分类对知识从不同角度划分，可得到不同的分类方法：

1.按作用域划分:

常识性知识和领域性知识

2.按作用及表示划分：

事实性知识，过程性知识，控制性知识

3.按确定性划分：

确定性知识和不确定性知识

4.按结构及表现形式划分：

逻辑性知识和形象性知识

5.若抛开知识涉及领域的具体特点，从抽象的、整体的观点来划分，知识可分为零级、一级和二级知识。

4、知识表示分类知识表示方法可分为两大类：

符号表示法：

用各种包含具体含义的符号，以各种不同的方式和次序组合起来表示知识

连接机制表示法：

用神经网络技术表示知识的一种方法，相对于符号表示法而言是一种隐式表示法

5、状态空间法

从某个初始状态开始，每次加一个操作符，递增的建立起操作符的实验序列，直到达到目标状态止。

如下棋、迷宫及各种游戏。

6、问题归约法先把问题分解为子问题及子-子问题，然后解决较小的问题。

对该问题的某个具体子集的解答就意味着对原始问题的一个解答

7、谓词逻辑表示方法的特点

主要优点

①符号简单，描述易于理解。

②自然、严密、灵活、模块化。

③具有严格的形式定义。

④每项事实仅需表示一次。

⑤具有证明过程中所使用的推理规则。

⑥利用定理证明技术可从旧事实推出新事实。

主要缺点：

①难于表示过程式和启发式知识。

②由于缺乏组织原则，利用该方法表示的知识库难于管理。

③由于是弱证明过程，当事实的数目增大时，在证明过程中决定使用哪条规则时可能产生组合爆炸。

④不具有表示不精确和不确定知识的能

力。

8、语义网络法是通过概念及其语义关系来表示知识的一种网络图。

用语义网络表示事物间的关系：

（1）分类关系

（2）聚集关系（3）推论关系（4）时间、位置关系（5）多元关系

9、语义网络的推理主要包括：

网络匹配：

寻找与网络片断的语义网络模式继承推理：

使用节点的继承关系进行推理网络演绎：

使用节点间的推论关系确定不同结构网络片断间的语义等价关系

10、语义网络求解问题的基本过程：

1）把待求解的问题构造为一个问题网络片段，其中有些节点或者有向弧的标识是空的，反映待求解问题

2）在语义网络知识库中搜寻可与问题网络片段匹配的网络片段。

搜寻中，可能需要进行继承推理和网络演绎

3）当问题网络片段与知识库中的某语义网络片段匹配时，则由此可匹配的语义网络片段得到问题的解

11、框架表示法框架表示法就是用来表示经验性知识的一种知识表示方法。

框架通常由描述事务的各个方面的槽组成，每个槽可以拥有若干个侧面，而每个侧面可以拥有若干个值。

12、框架表示知识的系统组成

（1）知识库（提供求解问题所需要的知识）

（2）推理机（针对用户提的问题，运用知识库中的知识完成问题求解）

13、框架表示法的特点：

（1）结构性

（2）继承性。

框架表示法不足：

不善于表示过程性知识

第三章确定性推理

1、问题求解技术盲目与启发式搜索：

状态空间法、图的搜索技术与或树搜索：

问题归约法、与或图的特例的搜索技术

消解原理：

谓词逻辑法、推理技术

2、图的盲目搜索技术分成：

宽度优先搜索技术、深度优先搜索技术、等代价（代价优先）搜索技术

3、三种盲目搜索技术的比较

主要差别：

在于挑选要扩展节点的规则不同

宽度优先搜索技术：

先扩展出来的节点随后先扩展，OPEN表是队列

深度优先搜索技术：

后扩展出来的节点随后先扩展，OPEN表是堆栈

等代价搜索技术：

选取OPEN表中代价最小的节点先扩展，OPEN表是线性表（以局部代价的递增顺序排列）

4、启发式搜索---A*算法

设函数f是f*的一个估计

f（n）=g（n）+h（n）

其中g（n）是g*（n）的估计、h（n）是h*（n）的估计

1.A算法：

在图搜索时，依据f（n）=g（n）+h（n）重排OPEN表

在A算法中，如果对所有x存在h（x）wh*（n），则称h（x）为h*（n）的下界

2.A*算法采用h*（n）的下界h（x）为启发函数的A算法

5、消解原理的消解过程：

（1）将命题写成合取范式

（2）求出子句集（3）对子句集使用消解推理规则（4）消解式作为新子句参加消解（5）消解式为空子句，S是不可满足的（矛盾），原命题成立。

6、化为子句集

1.消蕴涵符

理论根据：

a—b=>~ab

2.移动否定符减少否定符号的辖域（反复应用狄.摸根定律）

〜（甘vb）-aA-b

（aAb）P-av-b

~a）a

-<3x）P（x>>（Vx>P（x）

理论根据：

-（3x）-P（x）

3.变量标准化（让每个量词有自己唯一的哑元）

即：

对于不同的约束，对应于不同的变量

（3x）A（x）v（3x）B（x）=>（Sx）A（x）v（Sy）B（y）

4.量词左移

（3x）A（x）v（3y）B（y）=>（3x）Qy）{A（x）vB（y）}

5.消存在量词（skolem化）

原则：

对于一个受存在量词约束的变量，如果他不受全程量词约束，则该变量用一个常量代替，如果他受全程量词约束，则该变量用一个skolem函数代替。

（3z）（Vx）（3y）{[（~P（x）a-Q（x））vR（y）]vU（z）}

=>（Vx）{[（〜P（x）人〜Q（x））7R（f（x））]vU（a）}

若消去的存在量词不在任何一个全程量词的辖域内，skolem函数即是常数

6.化为合取范式

iP（avb）a（cvd）a（evf）的形式

（Vx）{[（〜P（x）a~Q（x））vR（f（x））]vU（a）}

=>（Vx）{（〜P（x）a-Q（x））vR（f（x））vU（a）}=>（Vx）{[-P（x）vR（f（x））vU（a）]a[-Q（x））vR（f（x））vU（a）]}

7.隐去全程量词

{['P（x）vR（f（x））vU（a）]a[-Q（x））vR（f（x））vU（a）[]}

&消去连词符号/V表示为子句集

用{A・闵代替{AAB}

卜P（x）vR（f（x））vU（a）,-Q（x））vR（ffx））vU（a）}

最后得到一个有限集，其中每个公式是文字的析取，称作一个子句口

9•变量标准化（变量换名）

{-P（xl）vR（£（xl））vU（a）;-

使一个变量符号不出现在一个以二的子句中

9、消解反演求解过程

公式集S,目标公式L,通过反演求证目标公式L.

证明步骤：

1•否定L,得~L;

2把~L添加到S中去；

3.把新产生的集合卜L,S化成子句集；

4.应用消解原理,力图推导出一个表示矛盾的空子句；提取回答的过程

1、先进行归结,证明结论的正确性；

2、用重言式代替结论求反得到的子句；

3、按照证明过程,进行归结；

4、最后,在原来为空的地方,得到的就是提取的回答。

10、规则演绎系统将有关问题的知识和信息划分成规则与事实两种类型。

规则有包含蕴涵形式的表达式表示,事实由无蕴涵形式的表达式表示,这种推理系统称为基于规则的演绎系统。

正向推理：

从if部分向then部分推理的过程

11、规则正向演绎系统

（1）事实表达式的与或形变换

（2）事实表达式的与或图表示

（3）与或图的F规则变换

（4）作为终止条件的目标公式

12、与/或树的一般搜索过程：

1）把原始问题作为初始节点SO,并把它作为当前节点

2）应用分解或等价变换算符对当前节点进行扩展。

3）为每个子节点设置指向父节点的指针。

4）选择合适的子节点作为当前节点,反复执行第2）步和第3）步,在此期间要多次调用可解标示过程和不可解标示过程,直到初始节点被标示为可解节点或不可解节点为止。

第六章机器学习

1、机器学习的主要研究主要集中在以下方面：

认知模拟：

通过对人类学习机理的研究和模拟，从根本上解决机器学习方面存在的种种问题

理论性分析：

从理论上探索各种可能的学习方法，并建立起独立于具体应用领域的学习算法

面向任务的研究：

根据特定任务的要求，建立相应的学习系统2、机器学习系统特征

目的性：

系统可以有目的的学习结构性：

具备适当的知识存储结构来记忆学到的知识，能够修改和完善知识表示和知识的组织形式

有效性：

新近学到的知识应受到实践的检验，且必须能够改善系统的行为起到有益的作用

开放性：

系统在实际的使用过程、交互过程中不断改进

3、机器学习的方法

归纳学习：

指从特例推导一般规则的学习方法，在机器学习领域中，可把归纳学习形式地描述为使用训练实例以导出一般规则的搜索问题。

类比学习

基于解释的学习：

是一种基于实例分析的学习方法。

遗传算法：

是借鉴生物遗传机制的一种随机化搜索算法，其主要特点是群体搜索和群体中个体之间的信息交换。

人工神经网络

4、消除候选者算法

（1）初始化概念空间H=其中，G为零描述集合，S为训练集合，初始化时，S中只含第一个正例

（2）接受一个新的训练实例。

如果实例为正例，则从G中删去所有与该例不相容的概念，并更新集合S,尽可能小地对S进行一般化，以相容这个新的正实例；如果实例为反例，则首先从S中删去所有与该例相容的概念，并更新集合G，尽可能小地特殊化G中的元素，以便它们不相容这个反例。

（3）如果G<>S则重复步骤

（2）;否则输出H。

5、决策树构造算法CLS

⑴如果训练实例集T中所有实例的分类结果均为C,则返回C

（2）从属性表AttList中任选一个属性作为检测属性。

⑶若属性Ai的值域ValueType（Ai中有s个不同的取值，则将T分成s个子集T1,

T2”，TS，每个子集的所有元素的属性Ai的取值相同。

（4）更新属性表,从属性表Attrlist中删除检测属性Ai。

（5）对每个子集Tk，若子集Tk中的所有实例的分类结果均为Cj，则生成叶节点Cj;若子集中Tk所有实例的分类结果有两个或两个以上，则对子集Tk和更新后的属性表转到步骤2），递归调用CLS勾造算法，生成Tk的子树

6、基于解释的学习过程

（1）分析阶段，对训练实例提供的事实，使用领域理论的有关规则和目标概念规则生成一棵树，树的根节点是待学概念的一个事实，如果能得到树的所以叶节点都是已知的实例事实，那么称这棵树为这个训练实例的证明树，它解释了这个实例为什么是目标概念的一个实例，或称其为对目标概念的一个解释。

（2）基于

解释的泛化阶段，是将实例证明树中的谓词常量用相应的谓词变量进行替换，这一过程也称为解释的泛化，从而得到一棵基于解释的泛化树（EBG树）。

7、证明树生成算法

1）以目标概念事实作为根节点。

2）寻找一个匹配规则对当前节点扩展。

3）如果所以的叶节点都已经是已知事实，则成功地获得这个实例的证明树，算法终止;否则转步骤2）。

8、遗传算法中常用的编码方式:

（1）二进制编码

（2）实数或浮点数编码（3）二维染色体编码（4）树结勾编码对编码方式的评价主要有三条规划：

1.完备性:

问题空间所有的点（候选解）都能有效地表示;2.健全性:

编码表示的所有点（染色体）能对应问题空间的所有候选解;3.非冗余性:

染色体与候选解一一对应;

9、遗传算法的五个基本要素

1）参数编码的格式设定及参数编码。

2）初始群体的设定。

3）适应度函数的设计。

4）遗传操作的设计。

5）控制参数设计，主要是指群体规模和遗传操作中所使用的有关控制参数的设定和设计。