人工智能基本的推理技術(shù)

第7章、基本的推理技術(shù)推理技術(shù)概述

基于規(guī)則的演繹推理正向演繹推理逆向演繹推理雙向演繹推理

不確定性推理概率推理

人工智能是用計算機來模擬人的智能，就是用能在計算機上實現(xiàn)的技術(shù)和方法來模擬人的思維規(guī)律和過程。1)在確定知識表達方法后，就可以把知識表示出來并存儲到計算機中。2)然后,利用知識進行推理以求得問題的解.利用知識進行推理是知識利用的基礎(chǔ)。各種人工智能應(yīng)用領(lǐng)域如專家系統(tǒng)、智能機器人、模式識別、自然語言理解等都是利用知識進行廣義問題求解的智能系統(tǒng).7.1推理技術(shù)概述

--1.推理的概念與類型

推理是人類求解問題的主要思維方法.所謂推理就是按照某種策略從已有事實和知識推出結(jié)論的過程。推理是由程序?qū)崿F(xiàn)的，稱為推理機。 人類的智能活動有多種思維方式，人工智能作為對人類智能的模擬，相應(yīng)地也有多種推理方式。1.演繹推理、歸納推理、默認推理(1).演繹推理：演繹推理是從全稱判斷推出特稱判斷或單稱判斷的過程，即從一般到個別的推理。最常用的形式是三段論法。例如：1）所有的推理系統(tǒng)都是智能系統(tǒng)；2）專家系統(tǒng)是推理系統(tǒng)；3）所以，專家系統(tǒng)是智能系統(tǒng)。(2).歸納推理:是從足夠多的事例中歸納出一般性結(jié)論的推理過程，是一種從個別到一般的推理過程。(3).默認推理：默認推理又稱缺省推理，它是在知識不完全的情況下假設(shè)某些條件已經(jīng)具備所進行的推理。2、確定性推理、不確定性推理

如果按推理時所用的知識的確定性來分，推理可分為確定性推理與不確定性推理。（1）確定性推理（精確推理）。如果在推理中所用的知識都是精確的，即可以把知識表示成必然的因果關(guān)系，然后進行邏輯推理，推理的結(jié)論或者為真，或者為假，這種推理就稱為確定性推理。（如歸結(jié)反演、基于規(guī)則的演繹系統(tǒng)等）（2）不確定性推理(不精確推理)。在人類知識中，有相當一部分屬于人們的主觀判斷，是不精確的和含糊的。由這些知識歸納出來的推理規(guī)則往往是不確定的?；谶@種不確定的推理規(guī)則進行推理，形成的結(jié)論也是不確定的，這種推理稱為不確定推理。

(在專家系統(tǒng)中主要使用的方法)。3、單調(diào)推理、非單調(diào)推理如果按推理過程中推出的結(jié)論是否單調(diào)增加，或者說推出的結(jié)論是否越來越接近最終目標來劃分，推理又可分為單調(diào)推理與非單調(diào)推理。（1）單調(diào)推理。是指在推理過程中隨著推理的向前推進及新知識的加入，推出的結(jié)論呈單調(diào)增加的趨勢，并且越來越接近最終目標。(演繹推理是單調(diào)推理。)（2）非單調(diào)推理。是指在推理過程中隨著推理的向前推進及新知識的加入，不僅沒有加強已推出的結(jié)論，反而要否定它，使得推理退回到前面的某一步，重新開始。(一般是在知識不完全的情況下進行的)4、啟發(fā)式推理、非啟發(fā)式推理

如果按推理中是否運用與問題有關(guān)的啟發(fā)性知識，推理可分為啟發(fā)式推理和非啟發(fā)式推理。（1）啟發(fā)式推理：如果在推理過程中，運用與問題有關(guān)的啟發(fā)性知識，如解決問題的策略、技巧及經(jīng)驗等，以加快推理過程，提高搜索效率，這種推理過程稱為啟發(fā)式推理。如A、A*等算法。（2）非啟發(fā)式推理。如果在推理過程中，不運用啟發(fā)性知識，只按照一般的控制邏輯進行推理，這種推理過程稱為非啟發(fā)式推理。(推理效率較低，容易出現(xiàn)“組合爆炸”問題。)--推理的控制策略

主要是指推理方向的選擇、推理時所用的搜索策略及沖突解決策略等。一般推理的控制策略與知識表達方法有關(guān)(產(chǎn)生式系統(tǒng)).1、推理方向：用于確定推理的驅(qū)動方式。分為正向推理(由已知事實出發(fā))、反向推理(以某個假設(shè)目標作為出發(fā)點)和正反向混合推理(正向推理和反向推理相結(jié)合).系統(tǒng)組成:知識庫（KB）+初始事實和中間結(jié)果的數(shù)據(jù)庫（DB）+推理機2、搜索策略:推理時要反復(fù)用到知識庫中的規(guī)則，而知識庫中的規(guī)則又很多，這樣就存在著如何在知識庫中尋找可用規(guī)則的問題(代價小,解好).可以采用各種搜索策略有效地控制規(guī)則的選取.3、沖突解決策略

在推理過程中，系統(tǒng)要不斷地用數(shù)據(jù)庫中的事實與知識庫中的規(guī)則進行匹配，當有一個以上規(guī)則的條件部分和當前數(shù)據(jù)庫相匹配時，就需要有一種策略來決定首先使用哪一條規(guī)則，這就是沖突解決策略。沖突解決策略實際上就是確定規(guī)則的啟用順序。（1）專一性排序(條件部分更具體的規(guī)則)（2）規(guī)則排序(規(guī)則編排順序)（3）數(shù)據(jù)排序(所有條件按優(yōu)先級次序編排起來)（4）就近排序(最近使用的規(guī)則優(yōu)先)（5）上下文限制(在某種上下文條件下)（6）按匹配度排序(計算這兩個模式的相似程度)（7）按條件個數(shù)排序(條件少的優(yōu)先)7．2基于規(guī)則的演繹推理許多AI系統(tǒng)中所用到的知識一般是由蘊含式直接表示的，但在歸結(jié)反演中，必須首先將它們轉(zhuǎn)化為子句的形式，所以這種推理是比較低效的。基于規(guī)則的演繹推理則是直接的推理方法。它把有關(guān)問題的知識和信息劃分為規(guī)則與事實兩種類型。規(guī)則由包含蘊含形式的表達式表示，事實由無蘊含形式的表達式表示，并畫出相應(yīng)的與或圖，然后通過規(guī)則進行演繹推理?？煞譃檎颉⒎聪蚝驼聪蜓堇[推理。在正向推理中，作為F規(guī)則用的蘊含式對事實的總數(shù)據(jù)庫進行操作運算，直至得到該目標公式的一個終止條件為止；在反向推理中，作為B規(guī)則用的蘊含式對目標的總數(shù)據(jù)庫進行操作運算，直至得到包含這些事實的一個終止條件為止；在雙向推理中，分別從兩個方向應(yīng)用不同的規(guī)則（F和B）進行操作運算。7．2．1正向演繹推理正向演繹推理屬于正向推理，它是從已知事實出發(fā)，反復(fù)嘗試所有可利用的規(guī)則（F規(guī)則）進行演繹推理，直到得到某個目標公式的一個終止條件為止。1、事實表達式及其與或圖表示

正向演繹要求事實用不包含蘊含符號“”的與或形表示。把一個表達式轉(zhuǎn)化為標準的與或形的步驟如下：（1）利用等價式PQ與PQ消去蘊含符“”。（2）把否定符號“”移到每個謂詞符號的前面。（3）變量標準化，即重新命名變量，使不同量詞約束的變量有不同的名字。（4）引入Skolem函數(shù)消去存在量詞。（5）將公式化為前束形。（6）略去全稱量詞（默認變量是全稱量詞量化的）。（7）重新命名變量，使同一變量不出現(xiàn)在不同的主要合取式中。例如：有如下的表達式

（x）（y）{Q（y，x）[（R（y）P（y））S（x，y）]}可將其轉(zhuǎn)化為下面標準的與或形：Q（z，A）{[R（y）P（y）]S（A，y）}于是,它的標準與或形可用一棵與或樹表示出來。

①③②在與或圖中，節(jié)點表示事實表達式及其子表達式。根節(jié)點表示整個表達式，葉節(jié)點表示其中的單文字.規(guī)定:對于一個表示析取表達式（E1E2En）的節(jié)點，用一個n連接符（含半圓的?。┡c連接它的n個子表達式節(jié)點相連。對于一個表示合取表達式（E1E2En）的節(jié)點，用n個1連接符與連接它的n個子表達式節(jié)點相連。重要性質(zhì):就是由變換表達式得到的一組子句，可以從與或圖中讀出，每個子句相當于與或圖的一個解圖，每個子句是由葉節(jié)點組合成的公式。上例的3個子句是：Q（z，A）；S（A，y）R（y）；S（A，y）P（y）這三個子句正是原表達式化成的子句集。因此，與或樹可以看成是一組子句的一個簡潔的表達式。2、F規(guī)則的表示形式基于規(guī)則的正向推理中，要求F規(guī)則具有以下形式：LW。具體要求如下：L是單文字，W是任意的與或形表達式。L和W中的所有變量都是全稱量詞量化的，默認的全稱量詞作用于整個蘊含式。各條規(guī)則的變量各不相同，而且規(guī)則中的變量與事實表達式中的變量也不相同。將F規(guī)則的左部限制為單文字，是因為與或圖的葉節(jié)點都是單文字，這樣就可用F規(guī)則的左部與葉節(jié)點進行匹配，大大簡化了規(guī)則的應(yīng)用過程。如果所給知識的表示形式不是所要求的形式，則可用如下步驟將其變換成標準形式：（1）暫時消去蘊含符號“”。例如公式

（x）{[（y）（z）P（x，y，z）]（u）Q（x，u）}消去蘊含符號“”變?yōu)椋海▁）{[（y）（z）P（x，y，z）]（u）Q（x，u）}（2）把否定號“”移到每個謂詞的前面,可變?yōu)?/p>

（x）{（y）（z）[P（x，y，z）]（u）Q（x，u）}（3）引入skolem函數(shù)消去存在量詞。消去存在量詞后，為（x）{（y）[P（x，y，f（x，y））]（u）Q（x，u）}（4）將公式化為前束式，并略去全稱量詞,可變?yōu)?/p>

P（x，y，f（x，y））Q（x，u）（5）恢復(fù)為蘊含式。利用等價關(guān)系PQ與PQ將上式變?yōu)镻（x，y，f（x，y））Q（x，u）3、目標公式的表示形式要求目標公式用文字的析取式(子句)表示，否則就要化為子句形式。4、推理過程應(yīng)用F規(guī)則作用于表示事實的與或圖，改變與或圖的結(jié)構(gòu)，從而產(chǎn)生新事實，直至推出了目標公式。過程為：首先用與或圖把已知事實表示出來。用F規(guī)則的左部和與或圖的葉節(jié)點進行匹配，并將匹配成功的F規(guī)則結(jié)論加入到與或圖中，即利用F規(guī)則轉(zhuǎn)換與或圖。重復(fù)第（2）步，直到產(chǎn)生一個含有以目標節(jié)點作為終止節(jié)點的解圖為止，當一個目標文字和與或圖中的一個文字匹配時，可以將表示該目標文字的節(jié)點(目標節(jié)點)通過匹配連接到與或圖中相應(yīng)的文字節(jié)點上。當演繹產(chǎn)生的與或圖包括一個目標節(jié)點上結(jié)束的解圖時，推理便成功結(jié)束。

1)、命題邏輯的情況應(yīng)用規(guī)則的匹配過程比較簡單。設(shè)已知事實的與或形表達式為：（（PQ）R）（S（TU））規(guī)則為S（XY）Z

把已知事實用與或圖表示，圖中有一個葉節(jié)點是文字S，它正好與規(guī)則的前項的文字S完全匹配，由此可直接用這條規(guī)則對與或圖進行變換，即把規(guī)則后項的與或形公式用與或圖表示后添加到已知事實的與或圖上，并用一個匹配弧連接起來，規(guī)則匹配后演繹的結(jié)果如下圖所示。圖中匹配弧后面是規(guī)則部分。

例：事實表達式：AB；規(guī)則集合：ACD，BEG；目標公式：CG應(yīng)用完這兩條規(guī)則后，得到的與或圖如圖所示，其中有一個解圖滿足目標公式（CG）所建立的結(jié)束條件。2)、謂詞邏輯的情況需要討論對含有變量的目標公式的處理(匹配問題)。對具有量詞量化變量的目標公式來說，化簡時要使用Skolem化過程的對偶形式。即目標中屬于存在量詞轄域內(nèi)的全稱量化變量要用存在量化變量的Skolem函數(shù)來替代，經(jīng)過Skolem化的公式只剩下存在量詞，然后對析取元作變量改名，最后再把存在量詞省略掉。例如，設(shè)目標公式為（y）（x）（P（x，y）Q（x，y））用函數(shù)消去全稱量詞后有（y）（P（f（y），y）Q（f（y），y））；然后進行變量改名，使每個析取元具有不同的變量符號，于是有（y）（P（f（y），y）（y1）Q（f（y1），y1））最后省去存在量詞（P（f（y），y）Q（f（y1），y1））以后目標公式中的變量都假定受存在量詞的約束。下面舉例說明應(yīng)用一條規(guī)則LW對與或圖進行變換的過程。設(shè)與或圖中有一個端節(jié)點的文字L’和L可合一，mgu是u，則這條規(guī)則可應(yīng)用，這時用匹配弧連接的后裔節(jié)點是L，它是規(guī)則后項Wu對應(yīng)的與或圖表示的根節(jié)點，在匹配弧上標記有u，表示用u置換后可與規(guī)則匹配。例、事實與或形表示P（x，y）（Q（x，A）R（B，y））規(guī)則蘊涵式P（A，B）(S(A)X(B))下圖是應(yīng)用規(guī)則變換后得到的與或圖，它有兩個解圖，對應(yīng)的兩個子句是S(A)X(B)Q（A，A）；S(A)X(B)R（B，B）它們正是事實和規(guī)則公式組成的子句集對文字P進行歸結(jié)時得到的歸結(jié)式。圖7-7、應(yīng)用一條含有變量的規(guī)則后得到的與或圖②①當一個與或圖含有多個的匹配弧(應(yīng)用了多條規(guī)則時)，任一解圖可能含多個匹配弧（對應(yīng)的置換是u1,u2,…un），故在列寫解圖的子句集合時，只考慮具有一致的匹配弧置換的那些解圖（一致解圖）。一個一致解圖表示的子句是對得到的文字析取式應(yīng)用一個合一復(fù)合的置換之后所得到的子句。設(shè)有一個置換集U={u1,u2,…,un},其中ui={ti1/vi1,ti2/vi2,…,tim(i)/vim(i)}是置換對集合，t是項，v是變量。根據(jù)這個置換集，定義變量集和項集：U1=(v11,…,v1m(1),v21,…,v2m(2),…,vn1,…,vnm(n),)(由每個置換ui中的變量vi構(gòu)成)U2=(t11,…,t1m(1),t21,…,t2m(2),…,tn1,…,tnm(n),)(由每個置換ui中的項ti構(gòu)成)則置換U一致的充要條件是U1和U2是可合一的。而U的合一復(fù)合u=mgu(U1,U2)?？梢则炞C對一個置換集合求合一復(fù)合的運算是可結(jié)合和可交換的（求置換的合成是不可交換的），因此一個解圖對應(yīng)的合一復(fù)合不依賴于構(gòu)造這個解圖時所產(chǎn)生的匹配弧的次序。例：設(shè)事實和規(guī)則描述如下：Fidobarksandbites,orFidoisnotadog.F:~DOG(FIDO)(BARKS(FIDO)BITES(FIDO))Allterriersaredogs.R1:（x）~DOG(x)~TERRIER(x)(原規(guī)則的逆否)Anyonewhobarksisnoisy.R2:（y）BARKS(y)NOISY(y)要證明的目標是Thereexistssomeonewhoisnotaterriersorwhoisnoisy.目標公式：（z）

~TERRIER(z)NOISY(z)

上圖給出了演繹得到的與或圖，圖中結(jié)束在目標節(jié)點的一個一致解圖，有置換集合{{FIDO/x},{FIDO/y},{FIDO/z}}，它的合一復(fù)合是u={FIDO/x,FIDO/y,FIDO/z}。根據(jù)這個一致解圖，目標公式是事實和規(guī)則的邏輯推論，因而得到了證明。如果用這個合一復(fù)合u應(yīng)用于這個目標公式，可得

~TERRIER(FIDO)NOISY(FIDO)，它是已證目標公式的例，可作為一個回答語句。7．2．2反向演繹推理它從目標表達式出發(fā)，通過反向運用規(guī)則進行演繹推理，直到得到包含已知事實的終止條件為止.1、目標表達式及其與或圖表示首先,要將目標表達式轉(zhuǎn)化為無蘊涵符“”的與或形式，并用與或圖表示。要采用正向演繹中對事實表達式的變換的對偶形式:即skolem化全稱量詞量化的變量，略去存在量詞（與正向演繹中對目標表達式的處理一致）。例如、有如下的目標表達式：(y)(x){P(x)[Q(x,y)~(R(x)S(y))]}

可轉(zhuǎn)化為如下與或形式：

~P(f(y))

{Q(f(y),y)[~R(f(y))

~S(y)]}為使析取式具有不同的變量名，重命名變量，得

~P(f(z)){Q(f(y),y)[~R(f(y))~S(y)]}

與或形式的目標表達式可以用與或圖表示，但其表示方式與正向演繹中事實表達式的與或圖不同。它的n連接符用來把具有合取關(guān)系的子表達式連接起來，而在正向演繹中是把事實表達式具有析取關(guān)系的子表達式連接起來。上例的目標表達式的與或圖如下圖所示。圖中根節(jié)點為目標表達式，稱為目標節(jié)點，葉節(jié)點表示單個文字。若把葉節(jié)點用它們之間的合取及析取關(guān)系連接起來，就可得到原目標表達式的三個子目標：~P(f(z))；Q(f(y),y)~R(f(y))；Q(f(y),y)~S(y)可以看出，子目標是文字的合取式，其中的變量是存在量詞量化的。

①②③2、B規(guī)則的表示形式反向演繹推理中的規(guī)則稱為B規(guī)則，其表示形式為WL，其中W為任一與或形式表達式，L為單一文字(為了方便匹配)。如果規(guī)則不符合這一要求，則要變換成這種形式。如規(guī)則WL1L2，可以轉(zhuǎn)換為兩個B規(guī)則，即WL1，WL2。規(guī)則中應(yīng)Skolem化存在量詞量化的變量，并略去全稱量詞。3、已知事實的表示形式在反向演繹推理中，要求已知事實表達式是文字的合取式，可表示為文字的集合。對任意事實表達式，應(yīng)當用Skolem函數(shù)代替事實表達式中存在量詞量化的變量，并略去全稱量詞量化的變量，將表達式轉(zhuǎn)化為標準的文字的合取式。4、推理過程具體過程如下：用與或圖將目標表達式表示出來。在目標與或圖中，如果有一個文字L’能夠與L合一，則可應(yīng)用B規(guī)則WL，并將L’節(jié)點通過一個標有L和L’的最簡單合一者的匹配弧與L相連，再將匹配成功的B規(guī)則加入與或圖中。一條規(guī)則可用多次，每次應(yīng)使用不同的變量。當一個事實文字和與或圖中的一個文字可以合一時，可將該事實文字通過匹配弧連接到與或圖中相應(yīng)的文字上，匹配弧應(yīng)標明兩個文字的最簡單的合一者。重復(fù)進行第2步，直到與或圖中包括一個結(jié)束在事實節(jié)點上的一致解圖，該解圖的合一復(fù)合作用于目標表達式就是解答語句。

例、設(shè)有事實：F1：DOG（FIDO）FIDO是一只狗F2：~BARKS（FIDO）FIDO不叫F3：WAGS-TAIL（FIDO）FIDO擺尾巴F4：MEOWS（MYRTLE）MYRTLE喵喵叫規(guī)則如下：R1：[WAGS-TAIL（x1）

DOG（x1）]FRIENDLY（x1）擺尾巴的狗是友好的R2：[FRIENDLY（x2）~BARKS（x2）]~AFRAID（y2，x2）友好且不叫的是不令對方害怕的R3：DOG（x3）ANIMAL（x3）狗是動物R4：CAT（x4）ANIMAL（x4）貓是動物R5：MEOWS（x5）CAT（x5）喵喵叫的是貓問題是：是否存在一只貓和一條狗，這只貓不怕這條狗？該問題的目標公式是：（x）（y）[CAT（x）

DOG（y）

~AFRAID（x，y）]，求解該問題的過程如下圖.

從上圖可看出，最后得到的是一個一致解圖。圖中共有8條匹配弧，每條匹配弧上都標有置換，分別為{{x/x5}、{MYRTLE/x}、{FIDO/y}、{x/y2,y/x2}、{FIDO/y}、{y/x1}、{FIDO/y}和{FIDO/y}}。這些置換的合一復(fù)合為{MYRTLE/x5，MYRTLE/x，F(xiàn)IDO/y，MYRTLE/y2，F(xiàn)IDO/x2，F(xiàn)IDO/x1}，將合一復(fù)合作用于目標表達式就得到解答語句：CAT（MYRTLE）

DOG（FIDO）

~AFRAID（MYRTLE，F(xiàn)IDO）它表示有一只名叫MYRTLE的貓和一條名叫FIDO的狗，這只貓不怕那條狗。使用條件

正向系統(tǒng)事實表達式是任意形式規(guī)則形式為LW或L1L2W（(L為單文字，W為任意形式）目標公式為文字析取形逆向系統(tǒng)事實表達式是文字合取形規(guī)則形式為WL或WL1L2（(L為單文字，W為任意形式）目標公式為任意形式化簡過程

正向系統(tǒng)用skolem函數(shù)消去事實表達式中的存在量詞，化簡的公式受全稱量詞的約束;對規(guī)則的處理同上;用skolem函數(shù)（對偶形）消去目標公式中的全稱量詞，化簡的公式受存在量詞約束.逆向系統(tǒng)skolem函數(shù)（對偶形）消去目標公式中的全稱量詞，化簡的公式受存在量詞約束。對規(guī)則的處理同下;用skolem函數(shù)消去事實表達式中的存在量詞，化簡的公式受全稱量詞的約束.正向系統(tǒng)逆向系統(tǒng)初始數(shù)據(jù)庫事實表達式的與或樹（對應(yīng)為與關(guān)系，對應(yīng)為或關(guān)系）.目標公式的與或樹（對應(yīng)為或關(guān)系，對應(yīng)為與關(guān)系）.推理過程從事實出發(fā)，正向應(yīng)用規(guī)則（變量改名，前項與事實文字匹配，后項代替前項），直至得到目標節(jié)點為結(jié)束條件的一致解為止.從目標出發(fā)，逆向應(yīng)用規(guī)則（變量改名，后項與子目標文字匹配，前項代替后項），直至得到事實節(jié)點為結(jié)束條件的一致解圖為止.子句形式的子集形式文字的析取式;子句的合取式（合取范式）.文字的合取式;子句的析取式（析取范式）.7．2．3雙向演繹推理

正向演繹推理要求目標表達式是文字的析取式，而反向演繹推理要求事實公式為文字的合取式。為充分發(fā)揮正向演繹和反向演繹的優(yōu)點，克服各自的局限性，可將兩種演繹推理相結(jié)合，這就是雙向演繹推理。在雙向演繹推理中，已知事實用與或圖表示，目標表達式用另一個與或圖表示。這兩個與或圖分別由正向演繹的F規(guī)則和反向演繹的B規(guī)則進行操作，并且仍限制F規(guī)則的左部為單文字，而B規(guī)則的右部為單文字。雙向演繹推理分別從正反兩個方向進行推理，兩個與或圖分別擴展，最關(guān)鍵也是最復(fù)雜的是如何判斷推理是否結(jié)束。推理的終止處位于兩個與或圖分別擴展后的某個交接處，當正反兩個方向的與或圖對應(yīng)的葉節(jié)點都可合一時，推理就結(jié)束。

上圖說明了雙向演繹推理的過程。圖中對應(yīng)的已知事實表達式和目標表達式分別為：

Q(x,A)[~R(x)~S(A)];

~P(f(y)){Q(f(y),y)[~R(f(y))~S(y)]}圖中，共有3個匹配弧，并標有各自的置換。這些置換是一致的，其合一復(fù)合為{f（A）/x，A/y}。在推理過程中，沒有使用B規(guī)則和F規(guī)則，這里主要說明雙向推理是如何在交接處終止的。

7.3不確定性推理

邏輯推理是一種運用確定性知識進行的精確推理。但是，現(xiàn)實世界中的事物以及事物之間的關(guān)系是極其復(fù)雜的，在人類知識中，有相當一部分是不精確的、模糊的，因此不精確的推理模型是人工智能和專家系統(tǒng)的一個核心研究問題.實際上，AI系統(tǒng)的智能主要反映在求解不精確性問題的能力上。不確定性推理就是從不確定性初始事實（證據(jù)）出發(fā)，通過運用不確定性的知識，最終推出具有一定程度的不確定性是合理或者近乎合理的結(jié)論的思維過程。一概率方法1)條件概率:設(shè)A和B是某隨機試驗中的兩個事件，如果在事件B發(fā)生的條件下考慮事件A發(fā)生的概率，就稱它為事件A的條件概論，記做P（A|B）。若P（B）>0，則2)全概率公式：設(shè)事件A1，A2，，An滿足:兩兩互不相容，即當ij，AiAj=；P（Ai）0

D為必然事件；則對任何事件B有下式成立：

該公式稱為全概率公式，它提供了一種計算P（B）的方法。3）Bayes公式：設(shè)事件A1，A2，，An滿足上述全概率公式的條件，則對任何事件B有下式成立

該式稱為Bayes公式。如果把全概率公式代入Bayes公式中，就得到這是Bayes公式的另外一種表示形式。二概率推理

概率推理就是由給定的變量信息來計算其它變量的概率信息的過程。假設(shè)給定證據(jù)集合E為變量集合Y的子集，其中變量取值用e表示，即E=e，此時若希望計算條件概率的值，即在給定證據(jù)變量取值后求變量的概率，這個過程被稱為概率推理。在基于概率的不確定推理中，概率一般解釋為專家對證據(jù)和規(guī)則的主觀信任度。對概率推理起著支撐作用的是Bayes公式。Bayes公式用于不確定推理的一個原始條件是：已知前提E的概率P（E）和H的先驗概率P（H），并已知H成立時E出現(xiàn)的條件概率P（E|H）。推理的目的是推出H的后驗概率P（H|E）。

如果有多個證據(jù)E1，E2，，Em和多個結(jié)論H1，H2，，Hn，并且每個證據(jù)都以一定程度支持結(jié)論，則

此時，只要已知Hj的先驗概率P（Hj）及Hi成立時證據(jù)E1，E2，，Em出現(xiàn)的條件概率P（E1|Hj），P（E2|Hj），，P（Em|Hj），就可利用上述計算出在E1，E2，，Em出現(xiàn)的情況下的條件概率P（Hi|E1，E2，，Em）。例：設(shè)H1表示足球水平低;

H2表示足球水平中;H3表示足球水平高;E1贏日本;E2贏中國;E3贏香港;并且已知P（H1）=0.4，P（H2）=0.3，P（H3）=0.3解:利用公式,可得同理可得:P（H2|E1E2）=0.333,P（H3|E1E2）=0.515.從上可見,由于證據(jù)E1E2的出現(xiàn),H3和H2成立的可能性有不同程度的增加,H1成立的可能性下降了.P（E1|H1）=0.3，P（E1|H2）=0.5，P（E1|H3）=0.6P（E2|H1）=0.4，P（E2|H2）=0.7，P（E2|H3）=0.9P（E3|H1）=0.5，P（E3|H2）=0.8，P（E3|H3）=0.95求P（H1|E1E2）、P（H2|E1E2）及P（H3|E1E2）的值各是多少.演講完畢，謝謝觀看！附錄資料：人工智能簡介?AboutTeachingPlan基本要求：人工智能是計算機科學(xué)中涉及研究、設(shè)計和應(yīng)用智能機器的一個分支，是目前迅速發(fā)展的一門新興學(xué)科，新思想新方法層出不窮。其基本思想是利用機器來模仿和執(zhí)行人腦的功能，如判斷、推理、證明、識別、感知、理解、設(shè)計、思考、規(guī)劃、學(xué)習和問題求解等思維活動。對于培養(yǎng)學(xué)生計算機技術(shù)的應(yīng)用能力，開闊思路和視野，有重要意義。

?AboutTeachingPlan因此，要求學(xué)生掌握知識表示和問題求解的幾種常用方法，尤其是不確定性推理；掌握機器學(xué)習基本概念，了解幾種機器學(xué)習方法尤其是神經(jīng)網(wǎng)絡(luò)學(xué)習方法；掌握專家系統(tǒng)的概念，了解專家系統(tǒng)設(shè)計方法，掌握一些智能控制方法，了解國內(nèi)外人工智能研究尤其是機器人的最新進展；具有一定的人工智能編程設(shè)計能力（利用Lisp或Prolog語言）。?AboutTeachingPlan課程內(nèi)容以及學(xué)時分配人工智能引論(1) 人工智能概念及與計算機的關(guān)系，研究途徑、內(nèi)容和應(yīng)用領(lǐng)域概況介紹，其他最新材料。符號主義、連接主義、行為主義三大流派人工智能數(shù)學(xué)基礎(chǔ)(1)知識表示方法（2） 狀態(tài)空間法、問題歸約法，謂詞邏輯法、產(chǎn)生式表示法（動物識別系統(tǒng)）；CLIPS語言；語義網(wǎng)絡(luò)法、框架法（這是結(jié)構(gòu)化表示）；劇本、過程、Petri網(wǎng)、面向?qū)ο蟮谋硎尽?AboutTeachingPlan 搜索技術(shù)和策略（3-4）狀態(tài)空間法，盲目搜索和啟發(fā)式搜索，A*算法；海伯倫理論、消解原理和策略；與\或形推理和搜索策略；其他求解技術(shù)。 不確定推理技術(shù)（3-4）主觀Bayes理論；可信度方法和證據(jù)理論；系統(tǒng)組織技術(shù)；非單調(diào)推理；Rete快速算法；模糊推理技術(shù)；基于語義網(wǎng)絡(luò)和框架不確定推理； 專家系統(tǒng)（2）專家系統(tǒng)概念、結(jié)構(gòu)和知識獲取；黑板模型、知識組織、管理及系統(tǒng)建造和開發(fā)工具；專家系統(tǒng)舉例及編程。

人工智能程序設(shè)計（1）人工智能語言基本機制：LISP和PROLOG。?AboutTeachingPlan 模式識別導(dǎo)論（3）模式識別專題：概率模式識別。模式識別專題：結(jié)構(gòu)模式識別 機器學(xué)習（1）：機械,解釋經(jīng)驗,事例,歸納,概念,類比學(xué)習等；統(tǒng)計,結(jié)構(gòu),模糊模式識別。 專題講座（3次） 1)神經(jīng)網(wǎng)絡(luò)基本理論和應(yīng)用 (史奎凡課程：安排于人工智能理論與應(yīng)用課程內(nèi))； 2)智能體（Agent）； 3)自然語言處理； 4)智能控制和機器人科學(xué) 智能控制的結(jié)構(gòu)理論和研究領(lǐng)域，智能控制系統(tǒng)及應(yīng)用示例；機器人規(guī)劃、機器視覺和自然語言理解等。?AboutTeachingPlan 實踐：1) 搜索技術(shù)和策略2) 不確定推理技術(shù)3) 專家系統(tǒng)：動物識別系統(tǒng)4) 模式識別技術(shù)5) 調(diào)研： 搜索技術(shù)和策略、不確定推理技術(shù)、統(tǒng)計模式識別、機器學(xué)習等四個領(lǐng)域進展報告。?ChapterOne:BriefIntroductiontoArtificialIntelligence1.WhatisAI?人工智能（ArtificialIntelligence,AI）是當前科學(xué)技發(fā)展的一門前沿學(xué)科，同時也是一門新思想，新觀念，新理論，新技術(shù)不斷出現(xiàn)的新興學(xué)科以及正在發(fā)展的學(xué)科。它是在計算機科學(xué)，控制論，信息論，神經(jīng)心理學(xué)，哲學(xué)，語言學(xué)等多種學(xué)科研究的基礎(chǔ)發(fā)展起來的，因此又可把它看作是一門綜合性的邊緣學(xué)科。它的出現(xiàn)及所取得的成就引起了人們的高度重視,并取得了很高的評價。有的人把它與空間技術(shù)，原子能技術(shù)一起并譽為20世紀的三大科學(xué)技術(shù)成就。?Intelligence智能是知識與智力的總合。 知識——智能行為的基礎(chǔ)； 智力——獲取知識并運用知識求解問題的能力。智能具有以下特征：(1)具有感知能力——指人們通過視覺、聽覺、觸覺、味覺、嗅覺等感覺器官感知外部世界的能力；(2)具有記憶與思維的能力——這是人腦最重要的功能，亦是人之所以有智能的根本原因；(3)具有學(xué)習能力及自適應(yīng)能力；(4)具有行為能力。ArtificialIntelligence人工智能——計算機科學(xué)的一個分支，是智能計算機系統(tǒng)，即人類智慧在機器上的模擬，或者說是人們使機器具有類似于人的智慧（對語言能理解、能學(xué)習、能推理）。?2.BriefHistoryofAI (1) 孕育（1956年前）古希臘的Aristotle（亞里士多德）（前384-322），給出了形式邏輯的基本規(guī)律。英國的哲學(xué)家、自然科學(xué)家Bacon（培根）（1561-1626），系統(tǒng)地給出了歸納法。“知識就是力量”德國數(shù)學(xué)家、哲學(xué)家Leibnitz（布萊尼茨）（1646-1716）。提出了關(guān)于數(shù)理邏輯的思想，把形式邏輯符號化，從而能對人的思維進行運算和推理。做出了能做四則運算的手搖計算機英國數(shù)學(xué)家、邏輯學(xué)家Boole（布爾）（1815-1864）實現(xiàn)了布萊尼茨的思維符號化和數(shù)學(xué)化的思想，提出了一種嶄新的代數(shù)系統(tǒng)——布爾代數(shù)。?美籍奧地利數(shù)理邏輯學(xué)家Godel（哥德爾）（1906-1978），證明了一階謂詞的完備性定；任何包含初等數(shù)論的形式系統(tǒng)，如果它是無矛盾的，那么一定是不完備的。意義在于，人的思維形式化和機械化的某種極限，在理論上證明了有些事是做不到的。英國數(shù)學(xué)家Turing(圖靈)（1912-1954）,1936年提出了一種理想計算機的數(shù)學(xué)模型（圖靈機），1950年提出了圖靈試驗，發(fā)表了“計算機與智能”的論文。圖靈獎。美國數(shù)學(xué)家Mauchly，1946發(fā)明了電子數(shù)字計算機ENIAC美國神經(jīng)生理學(xué)家McCulloch，建立了第一個神經(jīng)網(wǎng)絡(luò)數(shù)學(xué)模型。美國數(shù)學(xué)家Shannon（香農(nóng)）,1948年發(fā)表了《通訊的數(shù)學(xué)理論》，代表了“信息論”的誕生。? (2) 形成（1956-1969）1956年提出了“ArtificialIntelligence（人工智能）”1956年夏由麻省理工學(xué)院的J.McCarthy、M.L.Minsky,IBM公司信息研究中心的N.Rochester,貝爾實驗室的C.E.Shannon共同發(fā)起，邀請了Moore,Samuel,Selfridge,Solomonff,Simon,Newell等人，10位數(shù)學(xué)家、信息學(xué)家、心理學(xué)家、神經(jīng)生理學(xué)家、計算機科學(xué)家，在Dartmouth大學(xué)召開了一次關(guān)于機器智能的研討會，會上McCarthy提議正式采用了ArtificialIntelligence（人工智能）這一術(shù)語。這次會議，標志著人工智能作為一門新興學(xué)科正式誕生了。 McCarthy（麥卡錫）——人工智能之父。這次會議之后的10年間，人工智能的研究取得了許多引人矚目的成就.機器學(xué)習方面：塞繆爾于1956年研制出了跳棋程序，該程序能從棋譜中學(xué)習，也能從下棋實踐中提高棋藝；?在定理證明方面：王浩于1958年在IBM機上證明了《數(shù)學(xué)原理》中有關(guān)命題演算的全部定理（220條），還證明了謂詞演算中150條定理85%；1965年，魯賓遜（Robinson）提出了消解原理；在模式識別方面：1959年塞爾夫里奇推出了一個模式識別程序；1965年羅伯特（Robert）編制出可辨別積木構(gòu)造的程序；在問題求解方面：1960年紐厄爾等人通過心理學(xué)試驗總結(jié)出了人們求解問題的思維規(guī)律，編制了通用問題求解程序GPS,可以用來求解11種不同類型的問題；在專家系統(tǒng)方面：斯坦福大學(xué)的費根鮑姆（E.A.Feigenbaum）自1965年開始進行專家系統(tǒng)DENDRAL（化學(xué)分析專家系統(tǒng)），1968年完成并投入使用；在人工智能語言方面：1960年McCarthy等人建立了人工智能程序設(shè)計語言Lisp，該語言至今仍是建造智能系統(tǒng)的重要工具；1969年成立了國際人工智能聯(lián)合會議（InternationalJointConferencesOnArtificialIntelligence）? (3) 發(fā)展（1970年以后）70年代，開始從理論走向?qū)嵺`，解決一些實際問題。同時很快就發(fā)現(xiàn)問題：歸結(jié)法費時、下棋贏不了全國冠軍、機器翻譯一團糟。以Feigenbaum為首的一批年輕科學(xué)家改變了戰(zhàn)略思想，1977年提出知識工程的概念，以知識為基礎(chǔ)的專家咨詢系統(tǒng)開始廣泛的應(yīng)用。著名專家系統(tǒng)的有：DENDRAL化學(xué)分析專家系統(tǒng)（斯坦福大學(xué)1968）MACSYMA符號數(shù)學(xué)專家系統(tǒng)（麻省理工1971）MYCIN診斷和治療細菌感染性血液病的專家咨詢系統(tǒng)（斯坦福大學(xué)1973）CASNET(CausalASsciationalNetwork)診斷和治療青光眼的專家咨詢系統(tǒng)（拉特格爾斯（Rutgers）大學(xué)70年代中）CADUCEUS(原名INTERNIST)醫(yī)療咨詢系統(tǒng)（匹茲堡大學(xué)）；HEARSAYI和II語音理解系統(tǒng)（卡內(nèi)基-梅隆大學(xué)）PROSPECTOR地質(zhì)勘探專家系統(tǒng)（斯坦福大學(xué)1976）XCON計算機配置專家系統(tǒng)（卡內(nèi)基-梅隆大學(xué)1978）??80年代，人工智能發(fā)展達到階段性的頂峰。?87,89年世界大會有６－７千人參加。硬件公司有上千個。并進行Lisp硬件、Lisp機的研究。?在專家系統(tǒng)及其工具越來越商品化的過程中,國際軟件市場上形成了一門旨在生產(chǎn)和加工知識的新產(chǎn)業(yè)——知識產(chǎn)業(yè)。應(yīng)該說，知識工程和專家系統(tǒng)是近十余年來人工智能研究中最有成就的分支之一。?同年代，1986年Rumlhart領(lǐng)導(dǎo)的并行分布處理研究小組提出了神經(jīng)元網(wǎng)絡(luò)的反向傳播學(xué)習算法，解決了神經(jīng)網(wǎng)絡(luò)的根本問題之一。從此，神經(jīng)網(wǎng)絡(luò)的研究進入新的高潮。?90年代，計算機發(fā)展趨勢為小型化、并行化、網(wǎng)絡(luò)化、智能化。?人工智能技術(shù)逐漸與數(shù)據(jù)庫、多媒體等主流技術(shù)相結(jié)合，并融合在主流技術(shù)之中，旨在使計算機更聰明、更有效、與人更接近。?日本政府于1992年結(jié)束了為期十年的稱為“知識信息處理體統(tǒng)”的第五代計算機系統(tǒng)研究開發(fā)計劃。并開始了為期十年的實況計算（RealWordComputing）計劃。?3.ResearchObjectsandMainContents

(1)人工智能的研究目標

人工智能的長期研究目標：構(gòu)造智能計算機。

人工智能的近期研究目標：使現(xiàn)有的電子計算機更聰明，更有用，使它不僅能做一般的數(shù)值計算及非數(shù)值信息的數(shù)據(jù)處理，而且能運用知識處理問題，能模擬人類的部分智能行為。?(2)人工智能研究的基本內(nèi)容

1.機器感知以機器視覺與機器聽覺為主。機器感知是機器獲取外部信息的基本途徑，是使機器具有智能不可或缺的組成部分，對此人工智能中已形成兩個專門的研究領(lǐng)域——

模式識別和自然語言理解。2.機器思維指通過感知的外部信息及機器內(nèi)部的各種工作信息進行有目的的處理。主要開展以下幾方面的研究：(1)知識表示(2)知識的組織，累計，管理技術(shù)(3)知識的推理(4)各種啟發(fā)式搜索及控制策略(5)神經(jīng)網(wǎng)絡(luò)，人腦的結(jié)構(gòu)及其工作原理?3.機器學(xué)習

使計算能自動獲取知識，能直接向書本學(xué)習，能通過與人談話學(xué)習，能通過對環(huán)境的觀察學(xué)習，并能在實踐中自我完善。4.機器行為機器行為主要指計算機的表達能力，即“說”、“寫”、“畫”等，對智能機器人，還應(yīng)該有人的四肢功能，即能走路，能取物，能操作等。5.智能系統(tǒng)及智能計算機的構(gòu)造技術(shù)?4.ResearchObjectsandMainContents人工智能面世以來，其研究途徑存在兩種不同的觀點：以符號處理為核心的方法——主張通過運用計算機科學(xué)的方法進行研究，實現(xiàn)人工智能在計算機的模擬。以網(wǎng)絡(luò)連接為主的連接機制方法——主張用生物學(xué)的方法進行研究，搞清楚人類智能的本質(zhì)。(1)以符號處理為核心的方法該方法起源于紐厄爾等人的通用問題求解系統(tǒng)（GPS），用于模擬人類求解問題的心理過程，逐漸形成為物理符號系統(tǒng)，這種方法認為： 人類研究的目標是實現(xiàn)機器智能，而計算機自身具有符號處理能力，這種能力本身就蘊含著演繹推理的內(nèi)涵，因而可通過運行相應(yīng)的程序來體現(xiàn)某種基于邏輯思維的智能行為，達到模擬人類智能活動的效果。目前人工智能的大部分研究成果都是基于這種方法實現(xiàn)的。?

該方法的主要特征是：

?立足于邏輯運算和符號操作，適合于模擬人的邏輯思維過程，解決需要進行邏輯推理的復(fù)雜問題；

?知識可用顯式的符號表示；

?便于模塊化；?能與傳統(tǒng)的符號數(shù)據(jù)庫鏈接；?可對推理結(jié)論做出解釋，便于對各種可能性進行選擇。

但該方法不適合于形象思維；而且在用符號表示概念時其有效性在很大程度上取決于符號表示的正確性，且對帶噪聲的信息及不完整的信息難以處理。(2)以網(wǎng)絡(luò)連接為主的連接機制方法該方法是在人腦神經(jīng)元及其相互連接而成網(wǎng)絡(luò)的啟示下，試圖通過多人工神經(jīng)元間的并行協(xié)同作用來實現(xiàn)對人類智能的