AI复习提纲及重点提示.docx
《AI复习提纲及重点提示.docx》由会员分享，可在线阅读，更多相关《AI复习提纲及重点提示.docx（31页珍藏版）》请在冰豆网上搜索。
AI复习提纲及重点提示
“人工智能”复习提纲及重点提示
20XX年10月17日
1、知识原则和知识门槛，知识表示的构成；知识表示的工作假设和符号结构应满足的主要特性；知识表示性能的评价；知识表示的常见方式；程序性和陈述性知识。
答：
（1）知识原则（P15-16）
Lenat和Feiganbaum于IJCAI-10提出了知识原则：
一个系统展示高级的智能理解和行为，主要是因为拥有应用领域特有的知识：
概念、事实、表示、方法、模型、隐喻和启发式。
（2）知识门槛（P16）
系统拥有的知识和其性能（问题求解能力和效率）的关系可以表示为二维曲线（请参见书中P16中1的“图2.1知识门槛”），图中W，C，E称为知识门槛。
其中，
a）使能门槛W。
超过此门槛时，系统就拥有了为执行任务所需的最低限度知识；低于此门槛，系统无足够的知识去解决问题。
b）胜任门槛C。
到达C点时，系统成为在某应用领域中求解问题的专家，胜任只有专家才能解决的问题求解任务。
c）全能门槛E。
到达E点时，由于知识量的空前增加（丰富），使系统能解决该应用领域内几乎所有的问题，成为全能专家。
（3）知识表示的构成（P17）
知识表示在人工智能体的建造中起到关键的作用，正是以适当的方式表示了知识，才导致智能体展示出智能行为。
识别表示可视为数据结构及其处理机制的综合，即
知识表示＝数据结构＋处理机制
其中，恰当的数据结构用于存储要解决的问题、可能的中间解答和最终解答，以及解决问题涉及之世界的描述。
存储这些描述（符号）的数据结构也称为符号结构，它导致了知识的显式表示。
然而，仅有符号结构并不能体现出系统具有知识，因为符号结构本身并不构成意义，只有对其做适当的处理才构成意义。
所以，要使系统显示出有知识，不仅要定义适当的数据结构（即符号结构），还须定义配套的处理机制去使用它们。
（4）知识表示的工作假设和符号结构应满足的主要特性（P21－22）
BrianSmith在他的博士论文中提出了关于知识表示的一个基本的方法论设想，称为知识表示假设。
该假设声称：
任何机械设置（装置？
）的智能过程均由结构成分组成，人们作为外部观察者，自然地引用这些结构对该智能过程展示的知识作陈述性描述；独立于这样的外部语义，它们在产生显示（显式？
）的行为中起到基本的作用。
上述“结构成分”就是KB系统中的符号结构，它满足2个主要特性：
a）可解释为表示知识的命题。
b）在KB系统的行为中起因果作用。
基于这一假设，设计任何KB系统均包括2个方面：
知识表示和领域特有的知识。
知识表示提供表示语言和推理机制，表示语言以符号结构描述获取到的领域知识，而推理机制则应用这些知识实现智能行为。
（5）知识表示性能的评价（P23－24）
Woods提出应从两个方面评价知识表示的性能，包括表示的充分性和表示法效用：
a）表示的充分性：
是指作重要区分和避免不必要区分的能力。
一种表示方式无论怎样有效，若不能表示必要的区别，也是没有用处的。
只有具备表示的充分性，知识表示系统才能恰当地描述问题求解涉及的事物，以及智能体对于外部世界的信念、目的和猜测等。
b）表示法效用：
是指表示知识的元素和处理这些元素的操作应能有效地支持使用知识的推理活动。
它又分为2个方面：
i）概念效率。
指知识表示方式应能有利于知识库以自然的方式吸收随意的新信息，新知识的加入和老知识的更新不会引起知识库发生大的变化。
ii）计算效率。
主要指推理的有效性，如推理的速度、结论的正确性和有效性等。
要兼顾概念效率和计算效率往往比较困难，因为前者要求表示知识的符号结构与知识的获取和知识库维护相容（即知识应以接近于人的思维方式表示），而后者则要求与推理机相容（即知识应以接近于计算机目标代码的方式表示）。
解决上述矛盾的一种可取方法是，提供2套符号结构，分别面向知识获取和机器推理，并设计自动转变程序来实现两者间的映射。
（6）知识表示的常见方式（P25-26）
常见的知识表示方式可归纳为4类：
一阶谓词逻辑、产生式系统、语义网络、框架系统。
a）一阶谓词（P25）。
b）产生式系统（P25-26）。
c）语义网络（P26）。
d）框架系统（P26）。
重点提示：
●一阶谓词逻辑具有很好的表示充分性，从而使得基于这种表示方式的归结定理证明方法能适用于各种应用领域。
然而，归结原理不能应用启发式知识控制推理，因为它有知识库较大时推理效率极低的缺点。
●产生式系统由规则库、综合数据库和控制子系统3个部分组成。
产生式规则最适合于表示各种启发式知识以指示事物间的经验性关联，故广泛应用于专家系统的设计中。
●语义网络注重表示对象间的关系，而框架系统更强调对象的内部结构。
（7）程序性和陈述性知识（P27-28）
智能体拥有的知识可按存储方式区分为2大类：
程序性知识和陈述性知识。
●程序性知识——隐含于使用它的计算机程序中。
●陈述性知识——独立于应用它的程序而清晰地存储。
重点提示：
●程序性知识（如搜索算法、控制策略等）隐含于推理机中。
●陈述性知识的共同特点是：
能清晰地存储于独立定义的符号结构中；可由应用该知识的程序存取。
●陈述性知识在设计智能系统中处于突出而重要的地位，其优点：
易于修改；可应用于多重目标；易于扩展；支持自我意思。
●陈述性知识是以牺牲效率来换取灵活性。
2、知识表示和推理间的制约关系：
不完全知识，关系数据库、逻辑程序设计、语义网络、框架描述语言设计中的权衡。
答：
（1）不完全知识（P30－31）
（2）关系数据库（P31－32）
●当完全消除表示不完全知识的能力时，知识库就退化为关系数据库。
（3）逻辑程序设计（P32－33）
●逻辑程序设计是一种一阶逻辑的受限表示形式，典型例子为Prolog语言。
●逻辑程序与数据库一样，只允许表示关于领域世界的完全知识，不同之处仅在于逻辑程序允许经由推理回答问题。
●从某种意义上说，逻辑程序设计并未给推理系统提供任何计算上的优点，因为决定知识库中显式表示的知识隐含着什么是不可判定的。
（4）语义网络（P33－34）
●语义网络等价于数据库加上特性继承机制。
●不能表示特性继承机制无法处理的不完全知识。
●特性继承超出真值理论的范畴。
●语义网络提供了集结信息的结构化描述手段。
总之，语义网络通过限制表示能力来换取有效的推理方式——图搜索，但不便于表示启发式推理规则（如Prolog语言或产生式系统那样），难以展开演绎推理。
（5）框架描述语言设计中的利弊权衡（P34－35）
●框架表示机制可视为语义网络的精化，使语义网节点（称为框架）具有更丰富的结构化描述。
●……
（6）几点结论（P34）
●表示能力和易处理性之间存在制约关系。
●知识表示的性能无绝对衡量标准，应依据手头实际的问题求解任务权衡所需的表示能力和易处理性。
●删除不必要的表示能力，将会明显提高推理的有效性。
●现有知识表示语言均可视为一阶谓词逻辑的受限情况。
●混合系统促进表示性能。
3、知识级分析：
知识级组成和结构，合理性原则，知识的本性，知识的表示。
答：
（1）知识级组成（P38－39）
知识级组成包括3个成分：
●部件——目标集、动作集和一个知识体；
●媒介——就是知识，自治体通过知识作为媒介，以决定为达到某目标应采用什么动作；
●行为法则——即合理性原则，指导选择合适的动作去达到自治体的目标。
（2）知识级结构（P39－40）
一个自治体的知识级结构由动作集、目标集和一个知识体组成：
●动作集——导致了自治体与它所处环境的交互作用，并由此使人感觉到它的存在。
●知识体——包含自治体拥有的知识，并可通过动作来增加体中的知识。
知识体仅是知识级的一个部件而已，用于容纳知识，不考虑内部结构。
●目标集——阐述自治体在所处环境中事务的知识。
（3）合理性原则（P40）
控制自治体并预言其行为的法则称为合理性原则，其精确定义：
若一个自治体有关于它动作之一会导致达到某一目标的知识，则该自治体将选择那个动作。
重点提示：
●合理性原则把知识、目标和动作联系在一起，而不需要任何具体的物理关联机制。
●合理性原则是属于认知科学的，不同于任何物理和机械学中的法则，不不同于计算机系统其它级的行为法则。
●合理性并不包含优化选择的概念，只要动作能达到目标，选择该动作就是合理的。
●仅有合理性原则对于选择动作去达到目标是不充分的，因为常会遇到多个不同动作能达到同一目标的情况。
●不能唯一地确定系统行为是知识级不同于其它计算机系统级的又一显著不同。
●知识级只能确定系统行为的范畴和轮廓，行为的完全确定必须在符号级实现。
（4）知识的本性（P41）
重点提示：
●知识只能由自治体的行为来表现。
●符号信息的集合并不表示有知识，要使系统表现出有知识，不仅必须有存放符号信息的数据结构，还要有相应的处理过程。
●不存在存放知识的物理结构（难道人的大脑不是用于存放知识的物理结构吗？
！
），知识是通过行为来体现的。
（5）知识的表示（P41－42）
重点提示：
●知识级分析确保系统的可行性和总体性能，但其操作化必须在符号级实现。
这是知识级系统向符号级系统归约的问题，知识的表示就是归约的实现方式。
归约意指知识级的构成元素可由下层符号级的元素来定义或加以具体实现。
●自治体——对应于整个符号级系统。
●动作——定义为相应的符号处理程序，包括输入输出和其它为执行动作所需的操作。
●知识体——通过定义符号结构和相应的处理程序来表示。
●目标——P42。
●合理性法则——P42。
基于上述归约的定义，可把知识的表示定义为在符号级编码知识体。
4、符号推理的高级技术，规则库大时产生式系统的缺点，组织问题求解的事务表法和黑板法。
答：
符号推理的高级技术有（P50）：
假设与约定,从属和辨证，约束满足和元推理等。
规则库大时产生式系统的缺点（P56）:
难以扩展
选择规则的底效性
不灵活的控制策略
单一的表示形式
事务表法（P57）:
事务表是一张应由系统执行的列表，也称为任务表，是面向动作的问题求解组织方式之一。
从组织问题求解的角度，事务表方法的意义也在于它允许各个推理模块经由事务表相互通信，以求协调它们在事务求解中的合作关系。
（P57）
黑板法（P57-59）:
黑板法与事务表都是面向动作的组织方式，适合黑板法解决问题应有以下的特点：
大的解答空间；
不精确，不完全和不可靠的数据；
需要处理和集成众多异质的信息；
需众多知识源合作求解问题；
需使用多种不同的推理方法；
解答渐增性地生成。
5KB系统的体系结构原则，手工知识获取过程及其自动化，KB系统开发步骤，KB系统开发工具和环境的分类。
答：
KB系统的体系结构原则………………………………………………………………….......p63
体系结构研究的核心问题在于如何根据应用领域的特征和问题求借任务的要求来组织问题求借和推理控制，并由此决定表示知识的符号结构和推理的机制。
尽管基于知识的问题求解允许有多种多样的实施方法，但仍可以归纳出某些组织求解的原则。
作为一个术语，体系结构学定义为设计KB系统的科学和方法，体系结构的合理性将影响到问题求解的效率、完备性和可靠性。
手工知识获取过程及其自动化………………………………………………………………..p67
手工知识获取过程：
知识获取的自动化：
KB系统开发步骤
KB系统开发工具和环境的分类……………………………………………………………….p69
开发工具和环境可以分为三类：
外壳（骨架系统）、表示语言、开发工具箱（开发环境）。
外壳给知识工程师提供现成的实现KB系统的骨架，只要按骨架规定的表示方式编写专门知识，就可形成应用领域的KB系统。
表示语言类工具为知识工程师提供面向知识处理的高级编程语言。
开发工具箱（开发环境）为KB系统的生命周期——开发、运行、维护、评价、进化等各个阶段提供工具，甚至可以提供多种外壳和表示语言，以及综合它们建立复杂KB系统的手段。
6定性物理：
定性演算（定性变量、算术规则、定性微分、定性方程及其求解），定性演算的模糊性；定性行为和定性状态，状态转变规则，定性行为的预言（推理），存在的问题和改进方法。
答：
答：
1定性物理：
定性物理是一种典型的深法，目的在于使用应用领域的基本原理和尝试对物理系统的行为作定性推理。
物理系统可以是自然的或人工的遵守物理定理的任何系统。
2定性变量：
定性推理用来做比实际数字更不精确信息（如正负号、相对大小、值变化方向等）的推断。
在定性物理研究中，作定性描述的参数称为定性变量或量（quantity），量之间关系可用定性方程或定性不等式表示。
定性演算：
定性演算就是关于值间隔（而不是值）的运算。
算术规则：
具体可以参照76－77页有关定性算术规则的描述。
定性微分：
定性物理研究关注物理世界的行为，而行为又直接与变化关联。
但量（定性变量）值（＋，0，－）仅描述了世界的状态而非变化，所以定性微分是重要的，因为它指出了变化的方向。
我们约定以[dx]指示
的符号，称为定性微分。
定性方程及其求解：
以定性变量和它们的定性微分作为参数的方程可以作为控制量变化的定性规则。
所以，包括定性微分的方程，均可用于表示关于行为的知识。
定性方程可以通过一下三种方式获得（具体可以参照p78页）：
（1）微分方程。
（2）变量间从属关系的定性描述。
（3）对线性方程求导。
求解方法具体参照p78页3求解关于定性方程的系统这一小节。
3定性行为与定性状态：
首先定性物理系统X可定义为一个有限的变量集：
X＝{x1,x2,x3,…，xn}，X的定性行为可定义为一个按时间顺序的定性状态序列。
定性状态定义为系统变量定性值分配的一个组合，可能的值分配组合个数为
，其中
为
可取的定性值的个数。
状态转变规则（具体可以参照p80－81）：
（1）连续性规则
（2）微分规则
（3）零变规则
（4）变零规则
（5）瞬变规则
定性行为的预言（推理），存在的问题和改进方法（可以参照）：
依据状态转变规则，可以预言系统的下一状态。
但显然，定性描述因丢失了定量信息而无法区别这些情况，使行为的预言呈现出不精确性。
定性预言的能力可以用以下两个概念来衡量：
健全性和完备性。
一般来说，完备性已可达到，但健全性尚不能达到。
定性预言的另一个严重的问题是复杂性，模糊性和复杂性是紧密相关的，提高定性预言的精度和效率的关键在于克服模糊性。
以下有几种方法（需要具体参看p82）：
（1）引入变量排序知识。
（2）将状态的描述（变量集）分解为子部分。
（3）引入高阶倒数
（4）五不发生行为。
（5）层次抽象。
7基于功能的因果建模方法和结果发现，与简单因果网和定性物理的比较。
答：
1）基于功能的因果建模：
物理系统（设备）的建模按结构、功能和行为的描述进行。
结构：
设备的结构描述包括两个项目：
组成设备的子设备（部件）的列表，设备可实现的功能。
功能：
设备某功能的描述包括三个项目：
条件（使能），功能实现的结果，执行功能的手段。
行为：
行为的描述表示为因果网的片断，由节点和链组成。
每个节点为一陈述性语句（可以是谓词表达式），用以说明系统状态和状态的变化。
初始（顶层）节点往往指示行为的中间和最终结果。
链指示因果关系，并加注解说明发生因果关联的理由。
注解可以是指针，指向下一层次（更详细）的功能或行为描述；也可以是领域的基本知识。
基于功能的因果建模方法有以下特点：
1．设备的功能化表示。
以设备的结构（组成和可实现功能）来刻画设备是什么样的，而以功能（条件、结果、手段）和行为（因果网片断）来刻画设备是如何工作的。
2．模块化描述。
任何子设备均可以用执行同样功能的别的子设备取代。
3．自顶向下地分层表示和理解设备行为。
即从最抽象的表示和理解逐步深入到最细节。
这种方式允许人们根据他们的需要，对设备行为的理解深入到任何适当的层次，而更下层的可以不必考察。
4．以结构、功能、行为作为组织因果知识的索引。
2）基于功能的推理——结果发现
由于设备的功能和行为表示已经包含了大量关于设备正常行为或异常行为的因果描述，基于这种表示的推理实际上就是把与当前所考察设备的特别行为（正常或异常）相关的因果描述从知识库中收集起来（以结构、功能和行为作索引），并由此生成相应于特别初始条件的因果网。
所以，这样的推理称为结果发现。
对应于不同的初始条件，推理系统将生成（装配出）不同的因果网，以便解释初始条件下的设备行为。
结果发现的算法如下：
1．指定设备的初始条件。
包括异常的状态变量值（正常的变量值由推理系统自动填入―――缺省值）、失去的功能、异常的功能。
2．决定推理的起点。
首先从知识库搜索满足初始条件的功能或行为，形成起点列表，然后删除冗余。
3．构造因果网，以描述给定初始条件物理系统行为。
从推理起点，以功能描述中的手段项、行为描述中的指针型注释（因果链上），不断扩充描述行为的因果网片断，直到最低层知识。
3）与简单因果网和定性物理的比较
基于功能的因果模型改变了传统的由简单因果链构成因果网的方式，而以更为有效的方式来组织。
整个因果网层次地分解为片断，作为物理系统各层次部件行为的描述；结构、功能、行为则作为索引去快速地收集相关的因果网片断。
基于这种模型的推理，并非简单地搜索因果网中的路径，而是先将层次存放的相关因果网片断搜索到，再装配成适合于特别初始条件的特别因果网。
这种方法与定性物理方法的不同之处是，它不需要推导出因果关系，而只是收集已存在的因果关系（视为已通过定性物理方法推导出的结果），比定性物理方法高效得多。
8深、浅层知识及推理的区别，深、浅层推理的综合方式和自适应学习；动态系统的适应性多级诊断建模方法的知识表示，诊断过程和自适应学习。
答：
（1）深、浅层知识及推理的区别（P71，P72）
●浅层知识指经验知识，往往表示的是事物见现象上的关联，并不揭示事物的本质。
基于浅层知识的启发式推理称为浅层推理。
●关于应用领域的基本原理和常识能够揭示事物的本质，称为深层知识，基于深层知识的推理称为深层推理。
●大量的研究表明，尽管浅层知识易于且主要表示为规则形式，而深层知识易于并主要表示为框架和语义网形式，但不是绝对的，反之亦可。
换言之，深层和层知识的区别不在于表示形式而在于知识的特性本省（或者说是语义而不是句法上的不同）。
从语义角度，浅层知识又称编译知识，是专家运用领域深层知识解决问题的过程中高度概括并经反复验证和精化后产生的知识。
解决问题效率高，但复杂情况下由于提炼的不完备造成知识的不完善。
（2）深、浅层推理的综合方式（P96）
深层知识的量往往很庞大，而基于深层知识的推理步有很精细，可想而知，其推理效率是相当低下的。
相比之下，浅层知识相当精炼，效率高，但具有脆弱性。
所以，应综合深、浅层推理，即以浅层推理为核心和主干，并将深层推理作为补充和后盾。
另外，深层推理也应在浅层推理的指导下进行。
例如，可通过浅层推理得出部分解答或将解答限制在一定的范围内在驱动深层推理，以大大提高深层推理的效率。
而深层推理的结果又可为浅层推理所用
（3）自适应学习（P96）
将深浅层推理综合来解决问题，我们会得到四个层次的知识和推理：
经验性关联，不精确模型，定性物理模型，定量模型。
后三层为深层知识。
知识的分层给自适应创造了条件，这种学习方式是值系统在遇到新问题是，只能依赖于深层知识去推理，这时系统问题求解性能下降表现为效率低下。
但一旦问题求解成功，问题求解涉及的知识就可以归纳、整理＆编辑，形成新的浅层知识――经验性关联，或精化原有的经验性关联知识。
结果以后遇到类似问题，就可依赖新的知识，表现为较好的自适应能力。
（4）动态系统的适应性多级诊断建模方法的知识表示，诊断过程和自适应学习（P97，P98，P99）
深层知识由被诊断系统之结构和行为来表示；一个多级仿真器基于被诊断系统的定性和定量知识，用于辅助确认或删除假设的故障点；而机器学习则展示为由深到浅的知识的迁移和抽象。
●知识表示
深层知识描述被诊断系统的结构和行为：
结构的描述包括构成系统的部件及其联接关系；行为描述则指出部件的输入、输出特性、它们的关系、部件应实现的功能和其他可观察到的特性。
1．结构表示
结构知识服务于仿真＆决定部件行为间的因果关系。
结构表示建立在一个参数化的部件类型库基础上。
具体的部件是部件型的例示。
部件型又分为两类：
基本部件、组合部件。
后者又有内部结构，从而形成对系统结构的层次描述。
2．行为表示
行为知识用于仿真，定义为定量或定性计算函数，用于描述部件的输出和状态参数如何随输入参数的值而改变。
这些函数附加于部件型的（基本部件和组合部件）描述体。
3．因果网
因果网隐含于结构的描述中，每个部件的输出点，可视为该因果网中的节点。
节点i和节点j之间的联接弧意指i直接影响j。
由于被诊断系统为多层结构，因果网也相应地分解为多个层次。
属于同上一层的部件的所有下层部件的输出点构成解释上层部件行为的因果网。
浅层知识表示为故障症状（SYM）与最特别（但不必是底层）的部件之异常特性（MSP）之间的关联，特性表示为输出或状态参数。
●诊断过程
诊断过程是一个自顶层结构到底层结构的自顶向下的分层推理过程。
在每层结构中，先作浅层推理，若不成功，再作深层推理。
1．浅层推理
浅层是基于SYM和MSP之间的直接关联知识作推理。
被诊断系统分层，所以前曾推理也按结构的层次加以组织。
2．深层推理
无论在哪一结构层，只要浅层推理无法确定故障部件，就转入深层推理（在同一结构层）。
按这层结构项应的因果网，找出可能引起SYM的所有因果链。
然后按一定的策略决定因果链上的某个测试点，在调用仿真器计算测试点期望值，与实测值作比较，逐步缩小故障范围到某一部件。
3．深、浅层推理综合
推理综合的总的原则是先浅后深，适用于每个结构层；无论浅、深层推理，找到故障部件后，只要是非基本部件，就要深入到下一结构层次。
4．自适应学习
（1）基于深层知识的诊断成功是，把故障部件的异常特性（MSP）与（SYM）直接关联而形成浅层知识（表示为规则），并累计使用该关联知识查出故障的次数。
由于同一SYM可因不同的MSP引起，优先取计数最高的可能故障部件作检测。
（2）故障行为仿真后。
低层结构中部件的测试往往困难且代价高。
为此可以设计一些计算函数来仿真部件的故障行为。
若仿真结果与实测不符，说明实际故障并非由设想的原因引起。
9基于概念模型的问题求解建模的三种方法和主要差别，常见任务和功能化体系结构方法。
答：
设计问题求解行为模型的最重要方面是概念模型，可以把概念模型视为描述领域专家问题求解过程的本体论，它提供基本术语和术语合成法则去面熟问题求解涉及的实体、它们的属性和关系以及在求解问题中所起的作用。
概念模型课归纳为三个主要范畴：
基于表示、方法和任务的概念模型。
1）。
基于表示的概念模型
这种概念模型直接反映与推理机关连的符号级表示，是涉及符号级表示语言和推理机制的基础，第一代KB系统及工具的概念模型均属于这种类型。
2）。
基于方法的概念模型
这种概念模型面向知识级建模分析，提供预先定义的方法，使用户建模的注意力集中在获取实现方法所需的领域特有知识，而不是规则和框架等符号级表示结构。
这种概念模型提供一组基本术语去描述在特别应用领域中实现方法的有关知识。
3）。
基于任务的概念模型
升级会员 