人工智能技術(shù)導論(廉師友)考試復習重點總結(jié)匯編.doc

1、學習 - 好資料第一章人工智能： 主要研究如何用人工的方法和技術(shù)，使用各種自動化機器或智能機器 (主要指計算機 )模仿、延伸和擴展人的智能，實現(xiàn)某些機器思維或腦力勞動自動化。為什么要研究人工智能： 1)普通計算機智能低下，不能滿足社會需求。 2) 研究人工智能也是當前信息化社會的迫切需求。3)智能化是自動化發(fā)展的必然趨勢。 4)研究人工智能，對人類自身智能的奧秘也提供有益幫助。遠期目標 是要制造智能機器。 具體講就是使計算機具有看、聽、說、寫等感知和交互能力，具有聯(lián)想、學習、推理、理解、學習等高級思維能力，還要有分析問題解決問題和發(fā)明創(chuàng)造的能力。近期目標： 是實現(xiàn)機器智能。即先部分地或某種程度

2、地實現(xiàn)機器智能，從而使現(xiàn)有的計算機更靈活好用和更聰明有用。人工智能的研究內(nèi)容 1)搜索與求解 2)學習與發(fā)現(xiàn) 3)知識與推理 4) 發(fā)明與創(chuàng)造 5)感知與交流 6)記憶與聯(lián)想 7)系統(tǒng)與建造 8)應(yīng)用與工程研究途徑與方法： 1)心理模擬，符號推演 法就是以人腦的心理模型為依據(jù)，將問題或知識表示成某種邏輯網(wǎng)絡(luò)，采用符號推演的方法，實現(xiàn)搜索、推理、學習等功能，從宏觀上來模擬人腦的思維，實現(xiàn)人工智能。 2)生理模擬，神經(jīng)計算 就是用人工神經(jīng)元組成的人工神經(jīng)網(wǎng)絡(luò)來作為信息和知識的載體，用稱為神經(jīng)計算的方法實現(xiàn)學習、記憶、聯(lián)想、識別和推理等功能，從而來模擬人腦的智能行為，使計算機表現(xiàn)出某種智能。3)行為

3、模擬，控制進化 是一種基于感知行為模型的研究途徑和方法，它是在模擬人在控制過程中的智能活動和行為特性，如自適應(yīng)，自尋優(yōu)、自學習、自組織等，來研究和實現(xiàn)人工智能。4)群體模擬，仿生計算 模擬生物群落的群體智能行為，從而實現(xiàn)人工智能。 5)博采廣鑒，自然計算就是模仿或借鑒自然界的某種機理而設(shè)計計算模型，這類計算模型通常是一類具有自適應(yīng)、自組織、自學習、自尋優(yōu)能力的算法。6)原理分析，數(shù)學建模 就是通過對智能本質(zhì)和原理的分析，直接采用某種數(shù)學方法來建立智能行為模型。人工智能的基本技術(shù)1)表示 a 符號智能的表示是知識表示b 計算智能的表示一般是對象表示2)運算 a 符號智能的運算是基于知識表示的推理

4、或符號操作b 計算智能的運算是基于對象表示的操作或計算3)搜索 a 符號智能在問題空間內(nèi)搜索進行問題求解b 計算智能在解空間搜索進行求解第三章1 廣度優(yōu)先搜索的特點廣度優(yōu)先中OPEN 表是一個隊列，CLOSED 表是一個順序表，表中各節(jié)點按順序編號，正被考察的節(jié)點在表中編號最大，廣度優(yōu)先策略是完備的廣度優(yōu)先搜索策略與問題無關(guān)，具有通用性。 缺點搜索效率低。2. 深度優(yōu)先搜索的特點 OPEN 表為一個堆棧。 一般不能保更多精品文檔證找到最優(yōu)解。當深度限制不合理時，可能找不到解，可以將算法改為可變深度限制，即有界深度優(yōu)先搜索。最壞情況時，搜索空間等同于窮舉。3. 加權(quán)狀態(tài)圖與代價樹邊上附有數(shù)值的狀

5、態(tài)圖稱為加權(quán)狀態(tài)圖或賦權(quán)狀態(tài)圖，這種數(shù)值稱為權(quán)值。加權(quán)狀態(tài)圖的搜索：加權(quán)狀態(tài)圖的搜索與權(quán)值有關(guān)，并且要用權(quán)值來導航。具體來講，加權(quán)狀態(tài)圖的搜索算法，要在一般狀態(tài)圖搜索算法基礎(chǔ)上再增加權(quán)值的計算與傳播過程，并且要由權(quán)值來確定節(jié)點的擴展順序。4。綜述圖搜索的方式和策略。用計算機來實現(xiàn)圖的搜索有兩種最基本 的方式：樹式搜索和線式搜索。樹式搜索 就是在搜索過程中記錄所經(jīng)過的所有節(jié)點和邊。線式搜索 就是在搜索過程中只記錄那些當前認為是處在所找路徑上的節(jié)點和邊。線式搜索的基本方式又可分為不回溯和可回溯的的兩種。 圖搜索的策略 可分為：盲目搜索和啟發(fā)式搜索。盲目搜索就是無向?qū)У乃阉鳌涫矫つ克阉骶褪歉F舉式搜

6、索。而線式盲目搜索， 對于不回溯的就是隨機碰撞式搜索，對于回溯的則也是窮舉式搜索。啟發(fā)式搜索 則是利用“啟發(fā)性信息”引導的搜索。啟發(fā)式搜索又可分為許多不同的策略，如全局擇優(yōu)、局部擇優(yōu)、最佳圖搜索等。第四章三種遺傳操作 : 1)選擇 -復制 從種群中選擇適應(yīng)度高的染色體進行復制，以生成下一代種群。2)交叉 就是互換兩個染色體某些位上的基因。 3)變異就是改變?nèi)旧w某個 (些 )位上的基因。遺傳算法 就是對種群中的染色體反復做三種遺傳操作，使其朝著適應(yīng)度增高的方向不斷更新?lián)Q代，直至出現(xiàn)了適應(yīng)度滿足目標條件的染色體為止。遺傳算法的主要特點1)遺傳算法一般是直接在解空間搜索,而不像圖搜索那樣一般是在問

7、題空間搜索, 最后才找到解。 2)遺傳算法的搜索隨機地始于搜索空間的一個點集,所以遺傳算法是一種隨機搜索算法。3)遺傳算法總是在尋找優(yōu)解 , 所以遺傳算法又是一種優(yōu)化搜索算法。4)遺傳算法的搜索過程是從空間的一個點集(種群 )到另一個點集 (種群 )的搜索。 5)遺傳算法的適應(yīng)性強,除需知適應(yīng)度函數(shù)外,幾乎不需要其他的先驗知識。 6)遺傳算法長于全局搜索, 它不受搜索空間的限制性假設(shè)的約束,不要求連續(xù)性 , 能以很大的概率從離散的、 多極值的、含有噪聲的高維問題中找到全局最優(yōu)解。第六章產(chǎn)生式系統(tǒng)的基本結(jié)構(gòu)產(chǎn)生式規(guī)則庫：作用在全局數(shù)據(jù)庫上的一些規(guī)則的集合。學習 - 好資料每條規(guī)則都有一定的條件，

8、若全局數(shù)據(jù)庫中內(nèi)容滿足這些條件可調(diào)用這條規(guī)則。一般可形成一個稱為推理網(wǎng)絡(luò)的結(jié)構(gòu)圖。對應(yīng)過程性知識。推理機： 負責產(chǎn)生式規(guī)則的前提條件測試或匹配，規(guī)則的調(diào)度和選取，規(guī)則體的解釋和執(zhí)行。即推理機實施推理，并對推理進行控制，它也是規(guī)則的解釋程序。對應(yīng)控制性知識。全局數(shù)據(jù)庫：人工智能系統(tǒng)的數(shù)據(jù)結(jié)構(gòu)中心。是一個動態(tài)數(shù)據(jù)結(jié)構(gòu)， 用來存放初始事實數(shù)據(jù)、中間結(jié)果和最后結(jié)果。對應(yīng)敘述性知識?？刂撇呗耘c常用算法 :a 正向推理 從初始事實數(shù)據(jù)出發(fā)， 正向使用規(guī)則進行推理， 朝目標方向前進。 又稱為前向推理、正向鏈、數(shù)據(jù)驅(qū)動的推理。 b 反向推理 從目標出發(fā)，反向使用規(guī)則進行推理，朝初始事實或數(shù)據(jù)方向前進。又稱反向

9、推理、反向鏈、目標驅(qū)動的推理。問題求解、圖搜索和產(chǎn)生式系統(tǒng)的關(guān)系是 ：問題求解是目的，圖搜索是方法，產(chǎn)生式系統(tǒng)是形式。第八章確定性理論E=E1 E2CF(E)=minCF(E1) ,CF(E2) E=E1 E2CF(E)=maxCF(E1) ,CF(E2) 主觀貝葉斯方法1) 證據(jù)肯定存在的情況2) 證據(jù)肯定不存在的情況3) 證據(jù)不確定的情況4)多證據(jù)的總概率合成第一步： O(H)=P(H)/(1-P(H)第二步： O(H|E)=LS*O(H)或 O(H| 非 E)=LN*O(H)第三步 O(H|E1E2)=O(H|E1)/O(H) * O(H|E2)/O(H) * O(H) 第四步 P(H|

10、E1E2)=O(H|E1E2)/O(H|E1E2)+1 1.不確定性及其類型知識和信息中含有的不肯定、不可靠、不準確、不精確、不嚴格、不嚴密、不完全甚至不一致的成分。按性質(zhì)分類： (狹義 )不確定性；不確切性 (模糊性 ) ；不完全性；不一致性(狹義 )不確定性 (uncertainty) 就是一個命題(亦即所表示的事件 )的真實性不能完全肯定，而只能對其為真的可能性給出某種估計。不確切性 (模糊性 )就是一個命題中所出現(xiàn)的某些言詞其涵義不夠確切，從概念角度講，就是其代表的概念的內(nèi)涵沒有硬性的標準或條件，其外延沒有硬性的邊界。2. 不確定性推理的一般模式不確定性推理符號推演信度計算3.不確定性

11、推理與通常的確定性推理的差別：(1)不確定性推理中規(guī)則的前件能否與證據(jù)事實匹配成功，不但要求兩者的符號模式能夠匹配 (合一 ) ，而且要求證據(jù)事實所含的信度必須達“標”，即必須達到一定的限度。這個限度一般稱為“閾值”。(2) 不確定性推理中一個規(guī)則的觸發(fā)， 不僅要求其前提能匹配成功，而且前提條件的總信度還必須至少達到閾值。(3) 不確定性推理中所推得的結(jié)論是否有效， 也取決于其信度是否達到閾值。(4)不確定性推理還要求有一套關(guān)于信度的計算方法，包括“與”關(guān)系的信度計算、 “或”關(guān)系的信度計算、“非”關(guān)系的信度計算和推理結(jié)果信度的計算等等。第九章學習： 學習是系統(tǒng)積累經(jīng)驗以改善其自身性能的過程。

12、學習與經(jīng)驗有關(guān)；學習可以改善系統(tǒng)性能；學習是一個有反饋的信息處理與控制過程。機器學習的原理：更多精品文檔學習 - 好資料1)基于學習策略的分類:A模擬人腦的機器學習 :a 符號學習：模擬人腦的宏觀心理級學習過程，以認知心理學原理為基礎(chǔ)，以符號數(shù)據(jù)為輸入，以符號運算為方法，用推理過程在圖或狀態(tài)空間中搜索，學習的目標為概念或規(guī)則等。符號學習的典型方法有：記憶學習、 示例學習、 演繹學習、類比學習、解釋學習等。b 神經(jīng)網(wǎng)絡(luò)學習 (或連接學習 )：模擬人腦的微觀生理級學習過程，以腦和神經(jīng)科學原理為基礎(chǔ)，以人工神經(jīng)網(wǎng)絡(luò)為函數(shù)結(jié)構(gòu)模型，以數(shù)值數(shù)據(jù)為輸入，以數(shù)值運算為方法，用迭代過程在系數(shù)向量空間中搜索，學

13、習的目標為函數(shù)。典型的連接學習有權(quán)值修正學習、拓撲結(jié)構(gòu)學習。 B 直接采用數(shù)學方法的機器學習:主要有統(tǒng)計機器學習 (貝葉斯學習、貝葉斯網(wǎng)絡(luò)學習、幾何分類學習、支持向量機 SVM) 。2)3)基于學習方法的分類:A 歸納學習 a 符號歸納學習：典型的符號歸納學習有示例學習，決策樹學習。b 函數(shù)歸納學習( 發(fā)現(xiàn)學習 )：典型的函數(shù)歸納學習有神經(jīng)網(wǎng)絡(luò)學習、示例學習，發(fā)現(xiàn)學習，統(tǒng)計學習。B 演繹學習 C 類比學習 ：典型的類比學習有案例 (范例 )學習。 D 分析學習 ：典型的分析學習有案例 (范例 )學習、解釋學習。3)基于學習方式的分類A 有導師學習 (監(jiān)督學習 )：輸入數(shù)據(jù)中有導師信號，以概率函

14、數(shù)、代數(shù)函數(shù)或人工神經(jīng)網(wǎng)絡(luò)為基函數(shù)模型，采用迭代計算方法，學習結(jié)果為函數(shù)。B 無導師學習 (非監(jiān)督學習 )：輸入數(shù)據(jù)中無導師信號， 采用聚類方法，學習結(jié)果為類別。典型的無導師學習有發(fā)現(xiàn)學習、聚類、競爭學習等。 C 強化學習 (增強學習 )：以環(huán)境反饋 ( 獎 /懲信號 )作為輸入，以統(tǒng)計和動態(tài)規(guī)劃技術(shù)為指導的一種學習方法。4)5)基于數(shù)據(jù)形式的分類 A 結(jié)構(gòu)化學習： 以結(jié)構(gòu)化數(shù)據(jù)為輸入，以數(shù)值計算或符號推演為方法。典型的結(jié)構(gòu)化學習有神經(jīng)網(wǎng)絡(luò)學習、統(tǒng)計學習、決策樹學習、規(guī)則學習。 B 非結(jié)構(gòu)化學習： 以非結(jié)構(gòu)化數(shù)據(jù)為輸入，典型的非結(jié)構(gòu)化學習有類比學習、案例學習、解釋學習、文本挖掘、圖像挖掘、 W

15、eb 挖掘等。6)基于學習目標的分類 A 概念學習： 即學習的目標和結(jié)果為概念，或者說是為了獲得概念的一種學習。典型的概念學習有示例學習。 B 規(guī)則學習： 即學習的目標和結(jié)果為規(guī)則，或者說是為了獲得規(guī)則的一種學習。典型的規(guī)則學習有決策樹學習。 C 函數(shù)學習： 即學習的目標和結(jié)果為規(guī)則，更多精品文檔人機界面推理機解釋模塊或者說是為了獲得函數(shù)的一種學習。典知識庫動態(tài)數(shù)據(jù)庫型的函數(shù)學習有神經(jīng)網(wǎng)絡(luò)學習。D 類別知識庫管理系統(tǒng)自學習模塊學習： 即學習的目標和結(jié)果為對象類，或者說是為了獲得類別的一種學習。典型的類別學習有聚類分析。 E 貝葉斯網(wǎng)絡(luò)學習：即學習的目標和結(jié)果是貝葉斯網(wǎng)絡(luò)，或者說是為了獲得貝葉斯

16、網(wǎng)絡(luò)的一種學習。其又可分為結(jié)構(gòu)學習和參數(shù)學習。符號學習： 1)記憶學習： 又稱死記硬背學習或機械學習，這種學習方法不要求系統(tǒng)具有對復雜問題求解的能力，也就是沒有推理能力，系統(tǒng)的學習方法就是直接記錄與問題有關(guān)的信息， 然后檢索并利用這些存儲的信息來解決問題。2)示例學習 也稱實例學習 , 它是一種歸納學習。 示例學習是從若干實例中歸納出一般概念或規(guī)則的學習方法。3)決策樹學習 ：歸納學習，用構(gòu)造形數(shù)據(jù)結(jié)構(gòu)的方法，從一批事實數(shù)據(jù)集中歸納出若干條分類、決策規(guī)則4)演繹學習： 基于演繹推理的一種學習。演繹推理是一種保真變換，即若前提真則推出的結(jié)論也真5) 類比學習： 基于類比推理的學習方法，就是尋找和

17、利用事物間的可類比的關(guān)系，而從已有的知識推導出未知的知識第十二章專家的特點： 擁有豐富的專業(yè)知識和實踐經(jīng)驗；具有獨特的思維方式專家系統(tǒng)的要素： 應(yīng)用于某專門領(lǐng)域；擁有專家級知識；模擬專家思維；達到專家級水平。專家系統(tǒng)特點： 善于解決不確定性的、非結(jié)構(gòu)化的、沒有算法解或有算法解但在機器上無法實施的困難問題?？恐R和推理來解決問題，專家系統(tǒng)是基于知識的智能問題求解系統(tǒng)。強調(diào)知識與推理的分離，系統(tǒng)具有靈活性和可擴充性。具有解釋功能，回答用戶提出的問題和處理問題的過程作出解釋推理機： 實現(xiàn)推理的程序。使用知識庫中的知識進行推理而解決問題的，是專家的思維機制。人機界面： 用戶通過界面向系統(tǒng)實現(xiàn)推理的程序

18、。使用知識庫中的知識進行推理而解決問題的，是專家的思維機制。提出或回答問題，向系統(tǒng)提供原始數(shù)據(jù)和事實。系統(tǒng)通過界面向用戶提出回答結(jié)果。 動態(tài)數(shù)據(jù)庫： 全局數(shù)據(jù)庫，存放初始證據(jù)事實、推理結(jié)果和控制信息。解釋模塊： 推理過程中，回答 why之類的問題；推理結(jié)束后，回答how 之類問題。 知識庫：某種表示形式存儲于計算機中的知識的集合。包括專家知識、領(lǐng)域知識和元知識。知識庫管理系統(tǒng)： 管理知識庫的建立刪除重組知識的獲取、知識的檢查2)總控實際結(jié)構(gòu)：1)實際問題錯綜復雜，可能需要多次推理，所以知識庫是多層的或處處專專理理家家模模模模塊塊塊塊1n1m學習 - 好資料多塊的。(2)實際問題往往不僅需要推理，而且還需要做一些處理，所以增加處理模塊?？刂茩C構(gòu)監(jiān)督程序調(diào)度程序黑板： 分層的全局工層次n知識源n作區(qū)，用來存儲初始數(shù)據(jù)、中間結(jié)果和最層次2知識源2終結(jié)果。 知識源： 就層次1知識源1是知識模塊。一個知黑板知識源識源可視為一個規(guī)則，包括先決條件和知識源題?？刂平Y(jié)構(gòu)： 求解問題的推理機構(gòu)，選擇合適的知識源。專家系統(tǒng)的一