第二章课后习题与答案.docx
《第二章课后习题与答案.docx》由会员分享,可在线阅读,更多相关《第二章课后习题与答案.docx(19页珍藏版)》请在冰豆网上搜索。
第二章课后习题与答案
第2章人工智能与知识工程初步
1、设有如下语句,请用相应得谓词公式分别把她们表示出来:
s
(1)有得人喜欢梅花,有得人喜欢菊花,有得人既喜欢梅花又喜欢菊花。
解:
定义谓词d
P(x):
x就是人
L(x,y):
x喜欢y
其中,y得个体域就是{梅花,菊花}。
将知识用谓词表示为:
(
x)(P(x)→L(x,梅花)∨L(x,菊花)∨L(x,梅花)∧L(x,菊花))
(2)有人每天下午都去打篮球。
解:
定义谓词
P(x):
x就是人
B(x):
x打篮球
A(y):
y就是下午
将知识用谓词表示为:
a
(
x)(
y)(A(y)→B(x)∧P(x))
(3)新型计算机速度又快,存储容量又大。
解:
定义谓词
NC(x):
x就是新型计算机
F(x):
x速度快
B(x):
x容量大
将知识用谓词表示为:
(
x)(NC(x)→F(x)∧B(x))
(4)不就是每个计算机系得学生都喜欢在计算机上编程序。
解:
定义谓词
S(x):
x就是计算机系学生
L(x,pragramming):
x喜欢编程序
U(x,computer):
x使用计算机
将知识用谓词表示为:
¬(
x)(S(x)→L(x,pragramming)∧U(x,computer))
(5)凡就是喜欢编程序得人都喜欢计算机。
解:
定义谓词
P(x):
x就是人
L(x,y):
x喜欢y
将知识用谓词表示为:
(
x)(P(x)∧L(x,pragramming)→L(x,computer))
2请对下列命题分别写出它们得语义网络:
(1)每个学生都有一台计算机。
解:
(2)高老师从3月到7月给计算机系学生讲《计算机网络》课。
解:
(3)学习班得学员有男、有女、有研究生、有本科生。
解:
参例2、14
(4)创新公司在科海大街56号,刘洋就是该公司得经理,她32岁、硕士学位。
解:
参例2、10
(5)红队与蓝队进行足球比赛,最后以3:
2得比分结束。
解:
2、19请把下列命题用一个语义网络表示出来:
(1)树与草都就是植物;
解:
(2)树与草都有叶与根;
解:
(3)水草就是草,且生长在水中;
解:
(4)果树就是树,且会结果;
解:
(5)梨树就是果树中得一种,它会结梨。
解:
第5章计算智能部分参考答案
5、15对遗传法得选择操作:
设种群规模为4,个体采用二进制编码,适应度函数为f(x)=x2,初始种群情况如下表所示:
编号
个体串
x
适应值
百分比
累计百分比
选中次数
S01
1010
10
S02
0100
4
S03
1100
12
S04
0111
7
若规定选择概率为100%,选择算法为轮盘赌算法,且依次生成得4个随机数为0、42,0、16,0、89,0、71,请填写上表中得全部内容,并求出经本次选择操作后所得到得新得种群。
解:
表格得完整内容为:
编号
个体串
x
适应值
百分比
累计百分比
选中次数
S01
1010
10
100
32、36
32、36
1
S02
0100
4
16
5、18
37、54
0
S03
1100
12
144
44、60
84、14
2
S04
0111
7
49
15、86
100
1
本次选择后所得到得新得种群为:
S01=1100
S02=1010
S03=0111
S04=1100
5、18设某小组有5个同学,分别为S1,S2,S3,S4,S5。
若对每个同学得“学习好”程度打分:
S1:
95S2:
85S3:
80S4:
70S5:
90
这样就确定了一个模糊集F,它表示该小组同学对“学习好”这一模糊概念得隶属程度,请写出该模糊集。
解:
对模糊集为F,可表示为:
F=95/S1+85/S2+80/S3+70/S4+90/S5
或
F={95/S1,85/S2,80/S3,70/S4,90/S5}
5、19设有论域
U={u1,u2,u3,u4,u5}
并设F、G就是U上得两个模糊集,且有
F=0、9/u1+0、7/u2+0、5/u3+0、3/u4
G=0、6/u3+0、8/u4+1/u5
请分别计算F∩G,F∪G,﹁F。
解:
F∩G=(0、9∧0)/u1+(0、7∧0)/u2+(0、5∧0、6)/u3+(0、3∧0、8)/u4+(0∧1)/u5
=0/u1+0/u2+0、5/u3+0、3/u4+0/u5
=0、5/u3+0、3/u4
F∪G=(0、9∨0)/u1+(0、7∨0)/u2+(0、5∨0、6)/u3+(0、3∨0、8)/u4+(0∨1)/u5
=0、9/u1+0、7/u2+0、6/u3+0、8/u4+1/u5
﹁F=(1-0、9)/u1+(1-0、7)/u2+(1-0、5)/u3+(1-0、3)/u4+(1-0)/u5
=0、1/u1+0、3/u2+0、5/u3+0、7/u4+1/u5
5、21设有如下两个模糊关系:
请写出R1与R2得合成R1οR2。
解:
R(1,1)=(0、3∧0、2)∨(0、7∧0、6)∨(0、2∧0、9)=0、2∨0、6∨0、2=0、6
R(1,2)=(0、3∧0、8)∨(0、7∧0、4)∨(0、2∧0、1)=0、3∨0、4∨0、1=0、4
R(2,1)=(1∧0、2)∨(0∧0、6)∨(0、4∧0、9)=0、2∨0∨0、4=0、4
R(2,2)=(1∧0、8)∨(0∧0、4)∨(0、4∧0、1)=0、8∨0∨0、1=0、8
R(3,1)=(0∧0、2)∨(0、5∧0、6)∨(1∧0、9)=0、2∨0、6∨0、9=0、9
R(3,2)=(0∧0、8)∨(0、5∧0、4)∨(1∧0、1)=0∨0、4∨0、1=0、4
因此有
5、22设F就是论域U上得模糊集,R就是U×V上得模糊关系,F与R分别为:
求模糊变换FοR。
解:
={0、1∨0、4∨0、6,0、3∨0、6∨0、3,0、4∨0、6∨0}
={0、6,0、6,0、6}
第6章不确定性推理部分参考答案
6、8设有如下一组推理规则:
r1:
IFE1THENE2(0、6)
r2:
IFE2ANDE3THENE4(0、7)
r3:
IFE4THENH(0、8)
r4:
IFE5THENH(0、9)
且已知CF(E1)=0、5,CF(E3)=0、6,CF(E5)=0、7。
求CF(H)=?
解:
(1)先由r1求CF(E2)
CF(E2)=0、6×max{0,CF(E1)}
=0、6×max{0,0、5}=0、3
(2)再由r2求CF(E4)
CF(E4)=0、7×max{0,min{CF(E2),CF(E3)}}
=0、7×max{0,min{0、3,0、6}}=0、21
(3)再由r3求CF1(H)
CF1(H)=0、8×max{0,CF(E4)}
=0、8×max{0,0、21)}=0、168
(4)再由r4求CF2(H)
CF2(H)=0、9×max{0,CF(E5)}
=0、9×max{0,0、7)}=0、63
(5)最后对CF1(H)与CF2(H)进行合成,求出CF(H)
CF(H)=CF1(H)+CF2(H)+CF1(H)×CF2(H)
=0、692
6、10 设有如下推理规则
r1:
IFE1THEN(2,0、00001)H1
r2:
IFE2THEN(100,0、0001)H1
r3:
IFE3THEN(200,0、001)H2
r4:
IFH1THEN(50,0、1)H2
且已知P(E1)=P(E2)=P(H3)=0、6,P(H1)=0、091,P(H2)=0、01,又由用户告知:
P(E1|S1)=0、84,P(E2|S2)=0、68,P(E3|S3)=0、36
请用主观Bayes方法求P(H2|S1,S2,S3)=?
解:
(1)由r1计算O(H1|S1)
先把H1得先验概率更新为在E1下得后验概率P(H1|E1)
P(H1|E1)=(LS1×P(H1))/((LS1-1)×P(H1)+1)
=(2×0、091)/((2-1)×0、091+1)
=0、16682
由于P(E1|S1)=0、84>P(E1),使用P(H|S)公式得后半部分,得到在当前观察S1下得后验概率P(H1|S1)与后验几率O(H1|S1)
P(H1|S1)=P(H1)+((P(H1|E1)–P(H1))/(1-P(E1)))×(P(E1|S1)–P(E1))
=0、091+(0、16682–0、091)/(1–0、6))×(0、84–0、6)
=0、091+0、18955×0、24=0、136492
O(H1|S1)=P(H1|S1)/(1-P(H1|S1))
=0、15807
(2)由r2计算O(H1|S2)
先把H1得先验概率更新为在E2下得后验概率P(H1|E2)
P(H1|E2)=(LS2×P(H1))/((LS2-1)×P(H1)+1)
=(100×0、091)/((100-1)×0、091+1)
=0、90918
由于P(E2|S2)=0、68>P(E2),使用P(H|S)公式得后半部分,得到在当前观察S2下得后验概率P(H1|S2)与后验几率O(H1|S2)
P(H1|S2)=P(H1)+((P(H1|E2)–P(H1))/(1-P(E2)))×(P(E2|S2)–P(E2))
=0、091+(0、90918–0、091)/(1–0、6))×(0、68–0、6)
=0、25464
O(H1|S2)=P(H1|S2)/(1-P(H1|S2))
=0、34163
(3)计算O(H1|S1,S2)与P(H1|S1,S2)
先将H1得先验概率转换为先验几率
O(H1)=P(H1)/(1-P(H1))=0、091/(1-0、091)=0、10011
再根据合成公式计算H1得后验几率
O(H1|S1,S2)=(O(H1|S1)/O(H1))×(O(H1|S2)/O(H1))×O(H1)
=(0、15807/0、10011)×(0、34163)/0、10011)×0、10011
=0、53942
再将该后验几率转换为后验概率
P(H1|S1,S2)=O(H1|S1,S2)/(1+O(H1|S1,S2))
=0、35040
(4)由r3计算O(H2|S3)
先把H2得先验概率更新为在E3下得后验概率P(H2|E3)
P(H2|E3)=(LS3×P(H2))/((LS3-1)×P(H2)+1)
=(200×0、01)/((200-1)×0、01+1)
=0、09569
由于P(E3|S3)=0、36
P(H2|S3)=P(H2|¬E3)+(P(H2)–P(H2|¬E3))/P(E3))×P(E3|S3)
由当E3肯定不存在时有
P(H2|¬E3)=LN3×P(H2)/((LN3-1)×P(H2)+1)
=0、001×0、01/((0、001-1)×0、01+1)
=0、00001
因此有
P(H2|S3)=P(H2|¬E3)+(P(H2)–P(H2|¬E3))/P(E3))×P(E3|S3)
=0、00001+((0、01-0、00001)/0、6)×0、36
=0、00600
O(H2|S3)=P(H2|S3)/(1-P(H2|S3))
=0、00604
(5)由r4计算O(H2|H1)
先把H2得先验概率更新为在H1下得后验概率P(H2|H1)
P(H2|H1)=(LS4×P(H2))/((LS4-1)×P(H2)+1)
=(50×0、01)/((50-1)×0、01+1)
=0、33557
由于P(H1|S1,S2)=0、35040>P(H1),使用P(H|S)公式得后半部分,得到在当前观察S1,S2下H2得后验概率P(H2|S1,S2)与后验几率O(H2|S1,S2)
P(H2|S1,S2)=P(H2)+((P(H2|H1)–P(H2))/(1-P(H1)))×(P(H1|S1,S2)–P(H1))
=0、01+(0、33557–0、01)/(1–0、091))×(0、35040–0、091)
=0、10291
O(H2|S1,S2)=P(H2|S1,S2)/(1-P(H2|S1,S2))
=0、10291/(1-0、10291)=0、11472
(6)计算O(H2|S1,S2,S3)与P(H2|S1,S2,S3)
先将H2得先验概率转换为先验几率
O(H2)=P(H2)/(1-P(H2))=0、01/(1-0、01)=0、01010
再根据合成公式计算H1得后验几率
O(H2|S1,S2,S3)=(O(H2|S1,S2)/O(H2))×(O(H2|S3)/O(H2))×O(H2)
=(0、11472/0、01010)×(0、00604)/0、01010)×0、01010
=0、06832
再将该后验几率转换为后验概率
P(H2|S1,S2,S3)=O(H1|S1,S2,S3)/(1+O(H1|S1,S2,S3))
=0、06832/(1+0、06832)=0、06395
可见,H2原来得概率就是0、01,经过上述推理后得到得后验概率就是0、06395,它相当于先验概率得6倍多。
6、11设有如下推理规则
r1:
IFE1THEN(100,0、1)H1
r2:
IFE2THEN(50,0、5)H2
r3:
IFE3THEN(5,0、05)H3
且已知P(H1)=0、02,P(H2)=0、2,P(H3)=0、4,请计算当证据E1,E2,E3存在或不存在时P(Hi|Ei)或P(Hi|﹁Ei)得值各就是多少(i=1,2,3)?
解:
(1)当E1、E2、E3肯定存在时,根据r1、r2、r3有
P(H1|E1)=(LS1×P(H1))/((LS1-1)×P(H1)+1)
=(100×0、02)/((100-1)×0、02+1)
=0、671
P(H2|E2)=(LS2×P(H2))/((LS2-1)×P(H2)+1)
=(50×0、2)/((50-1)×0、2+1)
=0、9921
P(H3|E3)=(LS3×P(H3))/((LS3-1)×P(H3)+1)
=(5×0、4)/((5-1)×0、4+1)
=0、769
(2)当E1、E2、E3肯定存在时,根据r1、r2、r3有
P(H1|¬E1)=(LN1×P(H1))/((LN1-1)×P(H1)+1)
=(0、1×0、02)/((0、1-1)×0、02+1)
=0、002
P(H2|¬E2)=(LN2×P(H2))/((LN2-1)×P(H2)+1)
=(0、5×0、2)/((0、5-1)×0、2+1)
=0、111
P(H3|¬E3)=(LN3×P(H3))/((LN3-1)×P(H3)+1)
=(0、05×0、4)/((0、05-1)×0、4+1)
=0、032
6、13设有如下一组推理规则:
r1:
IFE1ANDE2THENA={a}(CF={0、9})
r2:
IFE2AND(E3ORE4)THENB={b1,b2}(CF={0、8,0、7})
r3:
IFATHENH={h1,h2,h3}(CF={0、6,0、5,0、4})
r4:
IFBTHENH={h1,h2,h3}(CF={0、3,0、2,0、1})
且已知初始证据得确定性分别为:
CER(E1)=0、6,CER(E2)=0、7,CER(E3)=0、8,CER(E4)=0、9。
假设|Ω|=10,求CER(H)。
解:
其推理过程参考例6、9
具体过程略
6、15设
U=V={1,2,3,4}
且有如下推理规则:
IFxis少THENyis多
其中,“少”与“多”分别就是U与V上得模糊集,设
少=0、9/1+0、7/2+0、4/3
多=0、3/2+0、7/3+0、9/4
已知事实为
xis较少
“较少”得模糊集为
较少=0、8/1+0、5/2+0、2/3
请用模糊关系Rm求出模糊结论。
解:
先用模糊关系Rm求出规则
IFxis少THENyis多
所包含得模糊关系Rm
Rm(1,1)=(0、9∧0)∨(1-0、9)=0、1
Rm(1,2)=(0、9∧0、3)∨(1-0、9)=0、3
Rm(1,3)=(0、9∧0、7)∨(1-0、9)=0、7
Rm(1,4)=(0、9∧0、9)∨(1-0、9)=0、7
Rm(2,1)=(0、7∧0)∨(1-0、7)=0、3
Rm(2,2)=(0、7∧0、3)∨(1-0、7)=0、3
Rm(2,3)=(0、7∧0、7)∨(1-0、7)=0、7
Rm(2,4)=(0、7∧0、9)∨(1-0、7)=0、7
Rm(3,1)=(0、4∧0)∨(1-0、4)=0、6
Rm(3,2)=(0、4∧0、3)∨(1-0、4)=0、6
Rm(3,3)=(0、4∧0、7)∨(1-0、4)=0、6
Rm(3,4)=(0、4∧0、9)∨(1-0、4)=0、6
Rm(4,1)=(0∧0)∨(1-0)=1
Rm(4,2)=(0∧0、3)∨(1-0)=1
Rm(4,3)=(0∧0、7)∨(1-0)=1
Rm(3,4)=(0∧0、9)∨(1-0)=1
即:
因此有
即,模糊结论为
Y’={0、3,0、3,0、7,0、8}
6、16设
U=V=W={1,2,3,4}
且设有如下规则:
r1:
IFxisFTHENyisG
r2:
IFyisGTHENzisH
r3:
IFxisFTHENzisH
其中,F、G、H得模糊集分别为:
F=1/1+0、8/2+0、5/3+0、4/4
G=0、1/2+0、2/3+0、4/4
H=0、2/2+0、5/3+0、8/4
请分别对各种模糊关系验证满足模糊三段论得情况。
解:
本题得解题思路就是:
由模糊集F与G求出r1所表示得模糊关系R1m,R1c,R1g
再由模糊集G与H求出r2所表示得模糊关系R2m,R2c,R2g
再由模糊集F与H求出r3所表示得模糊关系R3m,R3c,R3g
然后再将R1m,R1c,R1g分别与R2m,R2c,R2g合成得R12m,R12c,R12g
最后将R12m,R12c,R12g分别与R3m,R3c,R3g比较
第7章机器学习参考答案
7-6设训练例子集如下表所示:
序号
属性
分类
x1
x2
1
T
T
+
2
T
T
+
3
T
F
-
4
F
F
+
5
F
T
_
6
F
T
_
请用ID3算法完成其学习过程。
解:
设根节点为S,尽管它包含了所有得训练例子,但却没有包含任何分类信息,因此具有最大得信息熵。
即:
H(S)=-(P(+)log2P(+)+P(-)log2P(-))
式中
P(+)=3/6,P(-)=3/6
分别就是决策方案为“+”或“-”时得概率。
因此有
H(S)=-((3/6)log2(3/6)+(3/6)log2(3/6))
=1
按照ID3算法,需要选择一个能使S得期望熵为最小得一个属性对根节点进行扩展,因此我们需要先计算S关于每个属性得条件熵:
H(S|xi)=(|ST|/|S|)*H(ST)+(|SF|/|S|)*H(SF)
其中,T与F为属性xi得属性值,ST与SF分别为xi=T或xi=F时得例子集,|S|、|ST|与|SF|分别为例子集S、ST与SF得大小。
下面先计算S关于属性x1得条件熵:
在本题中,当x1=T时,有:
ST={1,2,3}
当x1=F时,有:
SF={4,5,6}
其中,ST与SF中得数字均为例子集S中得各个例子得序号,且有|S|=6,|ST|=|SF|=3。
由ST可知,其决策方案为“+”或“-”得概率分别就是:
PST(+)=2/3
PST(-)=1/3
因此有:
H(ST)=-(PST(+)log2PST(+)+PST(-)log2PST(-))
=-((2/3)log2(2/3)+(1/3)log2(1/3))
=0、9183
再由SF可知,其决策方案为“+”或“-”得概率分别就是:
PSF(+)=1/3
PSF(-)=2/3
则有:
H(SF)=-(PSF(+)log2PSF(+)+PSF(-)log2PSF(-))
=-((1/3)log2(1/3)+(2/3)log2(2/3))
=0、9183
将H(ST)与H(SF)代入条件熵公式,有:
H(S|x1)=(|ST|/|S|)H(ST)+(|SF|/|S|)H(SF)
=(3/6)﹡0、9183+(3/6)﹡0、9183
=0、9183