《高级人工智能》第五章范例推理
人工智能中的知识推理与推理机制
人工智能中的知识推理与推理机制人工智能（Artificial Intelligence，AI）是一门致力于使计算机能够模拟和执行人类智力活动的科学与技术。
知识推理是AI领域中的一个重要研究方向，旨在让计算机能够从已有的知识中进行推理，以获得新的知识或解决问题。
本文将从知识推理的定义、推理机制的分类、应用实例以及未来发展趋势等方面进行探讨。
一、知识推理的定义知识推理是指从已有的知识中进行推理，以推断出新的知识或解决问题的过程。
在人工智能领域，知识可以用规则、约束、知识库等形式进行表示和存储，而知识推理则是基于这些表示形式进行的。
知识推理主要包括两方面的内容：一是推理机制，即通过对已有知识的运算和推导，从中得出新的知识或解决问题；二是知识表示和存储，即如何将现实世界的知识用计算机可以理解的方式进行表示和存储。
二、推理机制的分类推理机制是指人工智能系统利用已有的知识进行推理的方法和策略。
根据不同的推理方式和目标，推理机制可以分为以下几类：1. 逻辑推理逻辑推理是一种基于形式逻辑和命题演算的推理方法，主要通过推理规则和命题之间的逻辑关系进行推导。
逻辑推理通常使用形式化的逻辑系统，如谓词逻辑、一阶逻辑等。
2. 归纳推理归纳推理是基于已有事实和观察结果，从中发现一般规律或者范例，并推断出新的结论。
它通过从特殊到一般的逻辑关系进行推导，可以帮助系统从已有的具体实例中抽象出一般的规则和知识。
3. 演绎推理演绎推理是基于已有的一般规则或定理，通过逻辑关系的推导和运算，推导出特定的结论。
演绎推理通常使用推理规则和推理机制，从一般规则到特殊情况的推导。
4. 概率推理概率推理是基于不确定性和概率的推理方法，主要通过概率理论和统计学方法进行推导。
它可以帮助系统在面对不确定性和不完全信息的情况下，进行推理和决策。
5. 模糊推理模糊推理是基于模糊逻辑和模糊集合理论的推理方法，主要用于处理模糊信息和模糊关系。
模糊推理可以帮助系统在处理不精确和不确定性的知识和数据时，进行推理和决策。
《人工智能及其应用》(蔡自兴)课后习题答案第5章
第五章机器学习7-1 什么是学习和机器学习?为什么要研究机器学习?按照人工智能大师西蒙的观点，学习就是系统在不断重复的工作中对本身能力的增强或者改进，使得系统在下一次执行同样任务或类似任务时，会比现在做得更好或效率更高。
机器学习是研究如何使用机器来模拟人类学习活动的一门学科，是机器学习是一门研究机器获取新知识和新技能，并识别现有知识的学问。
这里所说的“机器”，指的就是计算机。
现有的计算机系统和人工智能系统没有什么学习能力，至多也只有非常有限的学习能力，因而不能满足科技和生产提出的新要求。
7-2 试述机器学习系统的基本结构，并说明各部分的作用。
环境向系统的学习部分提供某些信息，学习部分利用这些信息修改知识库，以增进系统执行部分完成任务的效能，执行部分根据知识库完成任务，同时把获得的信息反馈给学习部分。
影响学习系统设计的最重要的因素是环境向系统提供的信息。
更具体地说是信息的质量。
7-3 试解释机械学习的模式。
机械学习有哪些重要问题需要加以研究?机械学习是最简单的机器学习方法。
机械学习就是记忆，即把新的知识存储起来，供需要时检索调用，而不需要计算和推理。
是最基本的学习过程。
任何学习系统都必须记住它们获取的知识。
在机械学习系统中，知识的获取是以较为稳定和直接的方式进行的，不需要系统进行过多的加工。
要研究的问题：(1) 存储组织信息只有当检索一个项目的时间比重新计算一个项目的时间短时，机械学习才有意义，检索的越快，其意义也就越大。
因此，采用适当的存储方式，使检索速度尽可能地快，是机械学习中的重要问题。
(2) 环境的稳定性与存储信息的适用性问题机械学习基础的一个重要假定是在某一时刻存储的信息必须适用于后来的情况(3) 存储与计算之间的权衡如果检索一个数据比重新计算一个数据所花的时间还要多，那么机械学习就失去了意义。
7-4 试说明归纳学习的模式和学习方法。
归纳是一种从个别到一般，从部分到整体的推理行为。
归纳学习的一般模式为：给定：观察陈述(事实)F，假定的初始归纳断言(可能为空)，及背景知识求：归纳断言(假设)H，能重言蕴涵或弱蕴涵观察陈述，并满足背景知识。
人工智能确定性推理部分参考答案
人工智能确定性推理部分参考答案(共8页)-本页仅作为预览文档封面，使用时请删除本页-确定性推理部分参考答案1 判断下列公式是否为可合一，若可合一，则求出其最一般合一。
(1) P(a, b), P(x, y)(2) P(f(x), b), P(y, z)(3) P(f(x), y), P(y, f(b))(4) P(f(y), y, x), P(x, f(a), f(b))(5) P(x, y), P(y, x)解：(1) 可合一，其最一般和一为：σ={a/x, b/y}。
(2) 可合一，其最一般和一为：σ={y/f(x), b/z}。
(3) 可合一，其最一般和一为：σ={ f(b)/y, b/x}。
(4) 不可合一。
(5) 可合一，其最一般和一为：σ={ y/x}。
2 把下列谓词公式化成子句集：(1)(∀x)(∀y)(P(x, y)∧Q(x, y))(2)(∀x)(∀y)(P(x, y)→Q(x, y))(3)(∀x)(∃y)(P(x, y)∨(Q(x, y)→R(x, y)))(4)(∀x) (∀y) (∃z)(P(x, y)→Q(x, y)∨R(x, z))解：(1) 由于(∀x)(∀y)(P(x, y)∧Q(x, y))已经是Skolem标准型，且P(x, y)∧Q(x, y)已经是合取范式，所以可直接消去全称量词、合取词，得{ P(x, y), Q(x, y)}再进行变元换名得子句集：S={ P(x, y), Q(u, v)}(2) 对谓词公式(∀x)(∀y)(P(x, y)→Q(x, y))，先消去连接词“→”得：(∀x)(∀y)(¬P(x, y)∨Q(x, y))此公式已为Skolem标准型。
再消去全称量词得子句集：S={¬P(x, y)∨Q(x, y)}(3) 对谓词公式(∀x)(∃y)(P(x, y)∨(Q(x, y)→R(x, y)))，先消去连接词“→”得：(∀x)(∃y)(P(x, y)∨(¬Q(x, y)∨R(x, y)))此公式已为前束范式。
类比学习
20
7.4.3 问题求解状态变换
初始状态
初始状态
OP1
OP2
OPn-1
中间状态1
中间状态2
中间状态n-1
问题求解的状态转换过程
2019/11/28
高级人工智能---史忠植
21
类比学习解决新问题的过程：
1) 回忆过程 2) 解序列转换过程 3) 抽象求解方法过程
2019/11/28
高级人工智能---史忠植
证明“两个偶数之积仍为偶数”的过 程
偶数可表示为2×A的形式； 两偶数之积为(2×m)×(2×n)； (2×m)×(2×n)=4×m×n； 将4×m×n表示为2×A的形式，即令A=2×m×n。
2019/11/28
高级人工智能---史忠植
30
证明“两个奇数之积仍为奇数”的过 程
22
结束状态 路径Con2 路径Con1
初始状态
PC1 对新问题的解
PC2
T-OP2
PC1 PC3
PC1 PC2
T-OP1
原空间
T-空间
作为搜索的类比问题求解
2019/11/28
高级人工智能---史忠植
23
• 常用T-操作符：
1) 通用插入 2) 通用删除 3) 子序列拼接 4) 子目标保持替换 5) 终结段连结 6) 初始段连结 7) 序列合并 8) 操作符记录 9) 用参数替换 10) 解序列截断 11) 序列倒置
2
7.1 什么是类比学习
• 类比是人类应用过去的经验来求解新问 题的一种思维过程。
• 类比学习是把两个或两类事物或情形进 行比较，找出它们在某一抽象层上的相 似关系，并以这种关系为依据，把某一 事物或情形的有关知识加以适当整理 （或变换）对应到另一事物或情况，从 而获得求解另一事物或情形的知识。
人工智能在智能推理中的应用
未来发展趋势： 多模态融合、自 适应推理、可解 释性等
应用前景：医疗、 金融、教育等领 域
总结与展望
总结人工智能在智能推理中的应用
人工智能在智能推理中的应用概述 人工智能在智能推理中的具体应用案例 人工智能在智能推理中的优势与局限性 未来发展趋势与展望
展望未来智能推理技术的发展方向
深度学习与神经网络技术的进 一步发展
人工智能与机器学习的融合发展
人工智能与机器学习在智能推 理中的互补作用
机器学习在智能推理中的优势 与局限性
人工智能与机器学习融合发展 的趋势和挑战
未来智能推理领域的发展前景 与展望
智能推理技术的挑战与机遇
挑战：数据规模、 算法复杂度、计 算资源等
机遇：深度学习、 自然语言处理、 计算机视觉等技 术的发展
人添加工副智标能题 在智能推 理中的应用
汇报人：
目录
PART One
添加目录标题
PART Three
人工智能在智能推 理中的应用
PART Five
智能推理的未来发 展
PART Two
智能推理的定义和 发展
PART Four
智能推理的应用案 例
PART Six
总结与展望
单击添加章节标题
智能推理的定义和 发展
目标跟踪：对视 频中的目标进行 实时跟踪和预测
图像生成：生成 具有高度真实感 的图像和视频
三维重建：通过 多个视角的图像 重建三维场景
智能推理的应用案 例
智能客服
智能客服的定义 和功能
智能客服在智能 推理中的应用
智能客服的案例 分析
智能客服的未来 发展趋势
智能推荐系统
定义：根据用户的历史行为和偏好，推荐相关内容或产品 应用场景：电商、音乐、视频等 推荐算法：协同过滤、内容过滤、混合过滤等 优势：提高用户体验，增加用户黏性，促进消费转化
人工智能chapter53
19
人工智能及其应用
3、数据挖掘模型与算法
（1）人工神经网络
• 人工神经网络是一种仿照生物神经网络结构而建立的 非线形预测模型，是数据挖掘中比较常用的模型与算 法。
• 使用人工神经网络时需要注意的几点事项：
1991、1993和1994年又举行了KDD专题讨论会。从 2019年以来，每年举办一次KDD国际会议。
2019年，国际专业杂志《Knowledge Discovery and Data Mining》问世。
随着互联网的发展，网上已设立了不少研究KDD的网站、 论坛和新闻报导。在这些研究的基础上，产生了一些 KDD产品和应能及其应用
3、数据挖掘模型与算法
（2）决策树 • 决策树是一种展示类似“在什么条件下会得到什么值” 这类规则的方法。比如，在贷款申请中，要对申请的风 险大小做出判断，下图（图10.1）是为了解决这个问题 而建立的一棵决策树 。
21
人工智能及其应用
3、数据挖掘模型与算法
• 数据挖掘中决策树是一种经常要用到的技术，可以 用于对数据进行分析，同样也可以用来对某些事情进 行预测。 • 建立决策树的过程，即树的生长过程是不断的把数 据进行分组的过程，每次分组对应一个问题，也对应 着一个节点。每次分组都要求所分得的组之间的“差 异”最大。各种决策树算法之间的主要区别就是对这 个“差异”衡量方式的区别。 • 决策树的优点是需要的计算资源较少，而且可以很 容易的处理包含很多预测变量的情况。决策树擅长处 理非数值型数据。
遗传算法的参数选择尚未有定量方法； 对遗传算法，还需要进一步研究其数学基础理论；还 需要在理论上证明它与其它优化技术的优劣及原因；还 需研究硬件化的遗传算法；以及遗传算法的通用编程和 形式等。
人工智能原理及其应用(王万森)第3版-课后习题答案
机终端进行会话。
测试开始后，由测试主持人向被测试对象提出各种具有智能性的问题，但不能询问测试者的物理特征。
被测试对象在回答问题时,都应尽量使测试者相信自己是“人”，而另一位是”机器”。
在这个前提下，要求测试主持人区分这两个被测试对象中哪个是人，哪个是机器。
如果无论如何更换测试主持人和被测试对象的人，测试主持人总能分辨出人和机器的概率都小于50%，则认为该机器具有了智能。
1.5人工智能的发展经历了哪几个阶段？解：孕育期，形成期，知识应用期，从学派分立走向综合，智能科学技术学科的兴起1.6人工智能研究的基本内容有哪些？解：与脑科学与认知科学的交叉研究智能模拟的方法和技术研究1.7人工智能有哪几个主要学派？各自的特点是什么？解：符号主义：又称为逻辑主义、心理学派或计算机学派，是基于物理符号系统假设和有限合理性原理的人工智能学派。
符号主义认为人工智能起源于数理逻辑，人类认知（智能）的基本元素是符号，认知过程是符号表示上的一种运算。
联结主义：又称为仿生学派或生理学派，是基于神经网络及网络间的联结机制与学习算法的人工智能学派。
联结主义认为人工智能起源于仿生学，特别是人脑模型的研究。
行为主义：又称进化主义或控制论学派，是基于控制论和“感知-动作”控制系统的人工智能学派。
行为主义认为人工智能起源于控制论，提出智能取决于感知和行为，取决于对外界复杂环境的适应，而不是表示和推理。
1.8人工智能有哪些主要研究和应用领域？其中哪些是新的研究热点？解：机器思维:推理、搜索、规划机器学习：符号学习、联结学习、知识发现和数据挖掘机器感知：机器视觉、模式识别、自然语言理解机器行为：智能控制、智能制造计算智能：神经计算、进化计算、模糊计算分布智能智能系统：专家系统、智能决策支持系统人工心理与人工情感研究热点：智能机器人、智能检索、智能游戏等。
1.9 人工智能未来发展有哪些值得思考和关注的重要问题？解：多学科交叉研究分布智能与社会智能研究集成智能研究智能网络研究认知计算与情感计算研究智能系统与智能服务第2章确定性知识系统参考答案2.1 什么是知识？有哪几种主要的知识分类方法？解：知识是人们在改造客观世界的实践中积累起来的认识和经验；知识是对信息进行智能性加工中形成的对客观世界规律性的认识。
高级人工智能
CREATE TOGETHER
DOCS
• 新型感知和交互技术 • 自主学习和适应能力 • 人工智能与人类的协同作战
人工智能与人类的协同作战
人工智能与人类协同作战的意义
• 提高生产效率和服务质量 • 应对复杂问题和挑战 • 促进人类社会的可持续发展
人工智能与人类协同作战的技术和方法
• 人机交互和协作技术 • 任务分配和优化算法 • 人工智能在协同作战中的应用案例
应对未来人工智能发展的政策与法规
应对人工智能发展的政策法规
• 数据隐私和保护法规 • 人工智能伦理和道德规范 • 人工智能产业发展的政策和措施
未来人工智能发展的挑战
• 技术突破和法律伦理问题 • 人工智能与人类的共生和协同 • 全球人工智能发展的合作与竞争
谢谢观看
THANK YOU FOR WATCHING
其他先进算法
• 遗传算法和粒子群优化 • 支持向量机和随机森林 • 聚类和降维算法
03
高级人工智能在不同行业的应用案例
自动驾驶与无人机技术的发展
自动驾驶汽车的技术原理和应用场景
• 传感器融合和感知技术 • 路径规划和避障算法 • 车辆控制和自动驾驶决策
无人机技术的发展和应用
• 遥控飞行和自主飞行技术 • 实时图像传输和遥控技术 • 无人机在物流、监测和安防领域的应用
人工智能对人类就业的影响
人工智能对就业市场的影响
• 工作岗位的自动化和消失 • 新兴职业和技能需求 • 人工智能对劳动力市场的长期影响
应对人工智能带来的就业挑战
• 教育和培训改革 • 政策支持和劳动力市场调整 • 个人职业规划和技能提升
机器人伦理与道德规范的建立
机器人伦理和道德规范的含义
人工智能知识表示方法谓词逻辑
next(H12,H13), member(h(horse,H13),Pets), member(h(coffee,H14),Drinks), member(h(green,H14),Colours) , member(h(green,H15),Colours) , lleft(H16,H15), member(h(ivory,H16),Colours), member(h(milk,3),Drinks). permutation([],[]). permutation([A|X],Y):delete(A,Y,Y1), permutation(X,Y1). delete(A,[A|X],X). delete(A,[B|X],[B|Y]):delete(A,X,Y). member(A,[A|_]):-!. member(A,[_|X]):member(A,X). next(X,Y):lleft(X,Y). next(X,Y):lleft(Y,X). lleft(1,2). lleft(2,3). lleft(3,4). lleft(4,5). goal solve.
项的定义：
①常量是项 ②变量是项 ③如果 f 是n元函数，且t1 ,…, tn(n≥1)是项，则
谓词逻辑是命题逻辑的扩充和发展。它将一个原 子命题分解成客体和谓词两个组成部分。
例如： 雪
是黑的
客体
谓词
本课程主要介绍一阶谓词逻辑。
2.3.1 谓词演算
1、语法与语义 谓词逻辑的基本组成部分
✓ 谓词 ✓ 变量 ✓ 函数 ✓ 常量 ✓ 圆括号、方括号、花括号和逗号
例 “机器人（Robot）在第一个房间（Room1）内”， 可以表示为：
T
F
F
T
T
人工智能应用技术基础(刘鹏)习题答案
习题答案第一章：1.答案：1936年，一位才华横溢的英国年轻人图灵(Turing)提出一种理想的计算机数学模型，即通用Turing机。
1943年，美国神经心理学家麦卡洛克(W.Maculloch)和数学家皮茨(W.Pitts)提出M－P模型。
1950年，图灵发表“Computing Machinery and Intelligence”，文中提出了著名的图灵测试(Turing Test)。
1956年8月，美国汉诺斯小镇宁静的达特茅斯(Dartmouth)学院进行了2个月的讨论会，会上正式决定使用“人工智能”(Artificial Intelligence，AI)，从此，人工智能作为一门学科正式诞生。
此后，人工智能的发展分为符号主义、联结主义和行为主义三大流派。
符号主义：提出了物理符号系统假设，在机器上，通过符号计算实现相应功能，偏重循名责实。
联结主义：构建人工神经网络，在机器上模拟大脑神经元及其联结机制，偏重思维过程。
行为主义：倡导感知和行为，开发机器的智能行为，偏重智能演化。
2、答案：智能音箱：点播歌曲、充当闹钟、网上购物等功能。
智能灯：不同的生活场景，不同的心境，灯光效果也会迥异。
智能体重秤：可以和手机关联，检测出人体脂肪、水分、蛋白质、肌肉等方面的数据，甚至连人体极其轻微的变化也可以监测和记录，可以对当前的健康情况进行综合评估，具备一定参考意义。
智能无线运动蓝牙耳机：采用蓝牙技术取代传统线材，增加了运动统计、提醒、语音等功能。
智能扫地机器人：自动测量工作空间，规划合理路径，大大节省了扫地时间。
智能手环：替代了手表计时和查看时间的功能，还在此基础上增加了人们进行运动量统计和健康管理的作用。
智能门锁：采用指纹解锁，并在每次解锁时将对开锁人进行拍照，上传到主人手机中。
智能婴儿床：可以测量婴儿房的温度、湿度、光线、空气和压力以及检测婴儿的睡眠和健康状况。
智能马桶：天气冷的时候自动加热马桶垫，有的马桶盖还能感应到人的接近并自动打开，上完以后自动清洗，起身后自动冲水。
(完整版)人工智能例题大纲
9修道士和野人问题
解：用m表示左岸的修道士人数，c表示左岸的野人数，b表示左岸的船数，用三元组(m, c, b)表示问题的状态。
对A*算法，首先需要确定估价函数。设g(n)=d(n)，h(n)=m+c-2b，则有
f(n)=g(n)+h(n)=d(n)+m+c-2b
其中，d(n)为节点的深度。通过分析可知h(n)≤h*(n)，满足A*算法的限制条件。
= - ((2/3)log2(2/3)- (1/3)log2(1/3)) = 0.9183
将H(ST)和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
下面再计算S关于属性x2的条件熵：
对F，进行存在固化，有
P(f(v))∧(Q(f(w)))
得以下两个子句
P(f(v))，Q(f(w))
对﹁G，有
﹁P(f(a))∨﹁P(y)∨﹁Q(y)
先进行内部合一，设合一{f(a)/y}，则有因子
﹁P(f(a))∨﹁Q(f(a))
再对上述子句集进行归结演绎推理。其归结树如下图所示，即存在一个到空子句的归结过程。
M-C问题的搜索过程如下图所示。
10设有如下一组知识：
r1：IF E1THEN H (0.9)
r2：IF E2THEN H (0.6)
r3：IF E3THEN H (-0.5)
r4：IF E4AND ( E5OR E6) THEN E1(0.8)
已知：CF(E2)=0.8，CF(E3)=0.6，CF(E4)=0.5，CF(E5)=0.6, CF(E6)=0.8
人工智能第四章 经典逻辑推理
6.按推理的简繁程度
（1）简单推理 （2）复合推理
7.按结论是否具有必然性
（1）必然性推理 （2）或然性推理 …………………………
13
4.1.2 推理的控制策略
推理的控制策略是指如何使用领域知识使 推理过程尽快达到目标的策略。 推理方向 搜索策略 求解策略 冲突消解 限制策略
推理开始前，综合数据库为空。 推理开始后，先把A放入综合数据库，然后检查综合数据库中是否含有该问题的 解，回答为“N”。 接着检查知识库中是否有可用知识，显然r2可用，形成仅含r2的知识集。从该知识 集中取出r2，推出新的实事B，将B加入综合数据库，检查综合数据库中是否含有 目标C，回答为“N”。 再检查知识库中是否有可用知识，此时由于B的加入使得r1为可用，形成仅含r1的 知识集。从该知识集中取出r1，推出新的实事C，将C加入综合数据库，检查综合 数据库中是否含有目标C，回答为“Y”。 它说明综合数据库中已经含有问题的解，推理成功结束，目标C得证。
9
4.1.1 推理方法及其分类
（3）默认推理
默认推理又称为缺省推理，它是在知识不完全的 情况下假设某些条件已经具备所进行的推理。 在默认推理过程中，如果某一时刻发现原先所作 的默认不正确，则就要撤消所作的默认以及由此 默认推出的结论，重新按
2. 按推理时所用知识的确定性 （1）确定性推理 确定性推理是指推理时所用的知识都是精确 的，推出的结论也是确定的，其真值或者为 真，或者为假，没有第三种情况出现。 （2）不确定性推理 不确定性推理是指推理时所用的知识不都是 精确的，推出的结论也不完全是肯定的，其 真值位于真与假之间。（模糊集）
22
1、推理方向——混合推理
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
2019/6/13
史忠植 高级人工智能
29
范例的表示
我们所记忆的知识彼此之间并不是孤立的，而是通 过某种内在的因素相互之间紧密地或松散地有机联 系成的一个统一的体系。我们使用记忆网来概括知 识的这一特点。一个记忆网便是以语义记忆单元为 结点，以语义记忆单元间的各种关系为连接建立起 来的网络。
2019/6/13
史忠植 高级人工智能
23
主要问题
(1) 范例表示: 基于范例推理方法的效率和范例表示紧密相关。范例表示涉及这 样几个问题: 选择什么信息存放在一个范例中；如何选择合适的范例内容描述结 构；范例库如何组织和索引。对于那些数量达到成千上万、而且十分复杂的范例, 组织和索引问题尤其重要。
(2) 分析模型: 分析模型用于分析目标范例，从中识别和抽取检索源范例库的信 息。
2019/6/13
史忠植 高级人工智能
7
概述
基于范例推理中知识表示是以范例为基础，范例的获 取比规则获取要容易,大大简化知识获取。对过去的求 解结果进行复用，而不是再次从头推导，可以提高对 新问题的求解效率。过去求解成功或失败的经历可以 指导当前求解时该怎样走向成功或避开失败，这样可 以改善求解的质量。对于那些目前没有或根本不存在 可以通过计算推导来解决的问题。如在法律中的判例， 基于范例推理能很好发挥作用。
第五章 范例推理
史忠植 中科院计算所
2019/6/13
史忠植 高级人工智能
1
范例推理
5.1 概述 5.2 流程 5.3 范例表示 5.4 范例检索 5.5 相似性 5.6 范例复用 5.7 范例推理工具
5.8 范例推理应用
2019/6/13
史忠植 高级人工智能
2
概述
2019/6/13
史忠植 高级人工智能
(3) Taxonomy slots: 简记为 TAX 槽。它定义了与该 SMU相 关的分类体系中的该 SMU 的一些父类和子类。因此，它描述了网 络中结点间的类别关系。
(4) Causality slots: 简记为 CAU 槽。它定义了与该 SMU 有因果联系的其它 SMU，它或者是另一些 SMU 的原因，或者是另 外一些SMU 的结果。因此，它描述了网络中结点间的因果联系。
2019/6/13
史忠植 高级人工智能
26
基于范例推理流程
检索 建议粗略解
修正
辩护
评批
实际评估
存储
2019/6/13
史忠植 高级人工智能
27
范例的表示
在生理学、心理学等领域，已经广泛开展了关于记忆的研究。心理 学的研究者们注重研究记忆的一般理论，已经提出了许多记忆模型， 典型的包括情景记忆 (episodic memory)，语义记忆 (semantic memory)，联想记忆 (associative memory)、Schank 的动态记忆 理论 (dynamic memory) 等。
涵盖或大或小的时间片，可带有问题的解答或动作执
行后的效应。
·范例记录了有用的经验，这种经验能帮助推理机在未来
更容易地达到目标，或提醒推理机失败发生的可能性有
多大2019等/6/13等。
史忠植 高级人工智能
5
概述
人们为了解决一个新问题，先是进行回忆，从记忆中 找到一个与新问题相似的范例，然后把该范例中的有 关信息和知识复用到新问题的求解之中。
2019/6/13
史忠植 高级人工智能
24
主要问题
(4) 类比映射: 寻找目标范例同源范例之间的对应关系。 (5) 类比转换: 转换源范例中同目标范例相关的信息，以便应用于目标范例的求 解过程中。其中，涉及到对源范例的求解方案的修改。把检索到的源范例的解答 复用于新问题或新范例之中。它们分别是，源范例与目标范例间有何不同之处； 源范例中的哪些部分可以用于目标范例。对于简单的分类问题，仅需要把源范例 的分类结果直接用于目标范例。它无需考虑它们之间的差别，因为实际上范例检 索已经完成了这项工作。而对于问题求解之类的问题，则需要根据它们之间的不 同对复用的解进行调整。 (6) 解释过程: 对把转换过的源范例的求解方案应用到目标范例时所出现的失败 做出解释，给出失败的因果分析报告。有时对成功也同样做出解释。基于解释的 索引也是一种重要的方法。 (7) 范例修补: 有些类似于类比转换，区别在于修补过程的输入是解方案和一个 失败报告，而且也许还包含一个解释，然后修改这个解以排除失败的因素。
知识是有结构的体系。在某些任务的执行过程中，专家采用语 义记忆来存储信息。这种信息记忆方法具有下列优点:
· 有利于检索。 · 易于组织。可以把它们连接成树形层次或者网络。 · 易于管理。知识的改变只对局部产生影响。 · 有利于知识的共享。
2019/6/13
史忠植 高级人工智能
28
范例的表示
语义记忆单元，是指在学习、分析、理解、记忆知 识的过程中所着重关注的其中那些概念、模式、主 题等，以及据此形成的关于知识的概念性认识。换 言之，这些语义记忆单元是系统对知识经“计算” 之后，抽取其中最能反映知识本身特征且可以很好 地使知识内在地联系在一起的那些因素而获得的。
(7) Case slots: 简记为 CAS 槽。它定义了与该 SMU 相关 的范例集。
(8) Theory slots: 简记为 THY 槽。它定义了关于该 SMU 的理论知识。 上述 8 类槽可以总地分成三大类。一类反映各 SMU 之间的关系， 包括TAX 槽、CAU 槽、SIM 槽和 PAR 槽; 第二类反映 SMU 自身 的内容和特性，包括 SMU 槽和 THY 槽; 第三类反映与 SMU相关的 范例信息，包括CAS 槽和 CON 槽。
一般要包括这些内容：当范例发生时推理器的目标，完成该目标 所要涉及的任务，周围世界或环境与可能解决方案相关的所有特 征。 （2）解决方案 的内容是问题如何在一特定情形下得到解决。它 可能是对问题的简单解答，也可能是得出解答的推导过程。 （3）结果 记录了实施解决方案后的结果情况，是失败还是成功。 有了结果内容，CBR在给出建议解时有能给出曾经成功地工作的 范例，同时也能利用失败的范例来避免可能会发生的问题。当对 问题还缺乏足够的了解时，通过在范例的表示上加上结果部分能 取得较好的效果。
法。
1993年周涵研制了基于范例学习的内燃机油产品设计系
统EOFDS。
1994年徐众会开发了基于范例推理的天气预报系统。
1996年王军开发了基于范例推理的淮河王家坝洪水预报
调度系统FOREZ。
2000年研制了渔情分析专家系统
2019/6/13
史忠植 高级人工智能
12
范例
2019/6/13
史忠植 高级人工智能
2019/6/13
史忠植 高级人工智能
25
主要问题
(8) 类比验证: 验证目标范例和源范例进行类比的有效性。 (9) 范例保存: 新问题得到了解决，则形成了一个可能用于将来情形与之相似的 问题。这时有必要把它加入到范例库中。这是学习也是这是知识获取。此过程涉 及选取哪些信息保留，以及如何把新范例有机集成到范例库中。修改和精化源范 例库, 其中包括泛化和抽象等过程。 在决定选取范例的哪些信息进行保留时，一般要考虑以下几点：和问题有关的 特征描述；问题的求解结果；以及解答为什么成功或失败的原因及解释。 把新范例加入到范例库中， 需要对它建立有效的索引，这样以后才能对之作出有 效的回忆。索引应使得与该范例有关时能回忆得出，与它无关时不应回忆出。为 此，可能要对范例库的索引内容甚至结构进行调整，如改变索引的强度或特征权 值。
2019/6/13
史忠植 高级人工智能
35
范例索引
建立范例索引有三个原则： ①索引与具体领域有关。数据库中的索引是通用的，目 的仅仅是追求索引能对数据集合进行平衡的划分从而使 得检索速度最快；而范例索引则要考虑是否有利于将来 的范例检索，它决定了针对某个具体的问题哪些范例被 复用； ②索引应该有一定的抽象或泛化程度，这样才能灵活处 理以后可能遇到的各种情景，太具体则不能满足更多的 情况； ③索引应该有一定的具体性，这样才能在以后被容易地 识别2出019/来6/13，太抽象则各个史忠范植 高例级人之工智间能的差别将被消除。36
2019/6/13
史忠植 高级人工智能
6
概述
基于范例推理中知识表示是以范例为基础，范例的获 取比规则获取要容易,大大简化知识获取。对过去的求 解结果进行复用，而不是再次从头推导，可以提高对 新问题的求解效率。过去求解成功或失败的经历可以 指导当前求解时该怎样走向成功或避开失败，这样可 以改善求解的质量。对于那些目前没有或根本不存在 可以通过计算推导来解决的问题。如在法律中的判例， 基于范例推理能很好发挥作用。
2019/6/13
史忠植 高级人工智能
33
范例组织
范例组织时由两部分组成，一是范例的内容，范例应该 包含哪些有关的东西才能对问题的解决有用；二是范例 的索引，它和范例的组织结构以及检索有关，反应了不 同范例间的区别。
2019/6/13
史忠植 高级人工智能
34
范例内容
（1）问题或情景描述 是对要求解的问题或要理解的情景的描述，
3
概述
2019/6/13
史忠植 高级人工智能
4
概述
范例（case）：“范例是一段带有上下文信息的知识， 该知识表达了推理机在达到其目标的过程中能起关键作
用的经验”。具体来说，一个范例应具有如下特性：
·范例表示了与某个上下文有关的具体知识，这种知识
具有可操作性。
·范例可以是各式各样的，可有不同的形状和粒度，可
在基于范例推理 (Case-Based Reasoning, 简称CBR)中，
把当前所面临的问题或情况称为目标范例(target case)， 而把记忆的问题或情况称为源范例(base case)。粗略 地说，基于范例推理就是由目标范例的提示而获得记