人工智能原理(ppt 53頁)(文件)
【正文】 通常，把事實表達式的與或圖表示倒過來畫，即把根節(jié)點畫在最下面，而把其后繼節(jié)點往上畫。 (目標可由葉節(jié)點 析取 得到 ) 對上圖，若目標為： P∨Z∨X 或 P∨Z∨Y 時，就算證出。 例：目標表達式 Y X{P(X)=[Q(X,Y)∧[R(X)∧S(Y)]]} 化成與或形 P(f(Y))∨{Q(f(Y),Y)∧[R( f(Y))∨S(Y)]} ?? 與事實表達式的與或圖不同的是，對于目標表達式，與或圖中的連接符用來區(qū)分合取關系的子表達式。 W=(L1∧L2) 可以化為兩個規(guī)則： W=L1和 (∧) W=L2 3. 作為終止條件的事實節(jié)點的一致解圖 逆向系統(tǒng)中的事實表達式均限制為文字合取形。 用目標表達式表示為： X Y[貓（ Y） ∧ 狗（ X） ∧ 可怕 (Y， X)] ? 貓（ Y） ∧ 狗（ X） ∧ 可怕 (Y， X) 貓（ Y） 狗（ X） 可怕 (Y， X) {MT/Y} {FD/X} 貓（ MT） 狗（ FD） 可怕 (Y， X) R2 叫（ X） 溫順 (X) {FD/X} 叫（ FD） 溫順 (X) 逆向系統(tǒng)的一致解圖 R1 紅色節(jié)點為事實節(jié)點 搖尾 (X ) 狗（ X） {FD/X} {FD/X} 搖尾 (FD ) 狗（ FD） 終止在事實節(jié)點前的臵換為 {MT/Y}， {FD/X}。這個系統(tǒng)就是我們所要研究的規(guī)則雙向演繹系統(tǒng)。 不確定性推理 對于許多比較復雜的人工智能系統(tǒng)，往往含有復雜性、不完全性、模糊性和不確定性。例如，當你觀察某種動物的顏色時，你可能說這種動物的顏色看起來是白色的，但也可能是灰色的。這個系數被稱為可信度。 在 MYCIN系統(tǒng)中主要采用這種方法。 關于規(guī)則和結論的不確定性 規(guī)則的不確定性，它表示 當規(guī)則的條件被完全滿足時，產生某種結論的不確定程度 。 規(guī)則：如果 該動物有毛發(fā) 那么 它是哺乳動物 規(guī)則：如果 該動物能產乳 那么 它是哺乳動物 1. 基于模糊集理論的方法 取支持該結論的各規(guī)則的結論可信度的最大值作為結論的可信度 。 RJ=RJ1*RJ2*…*R Jn （ 3）按公式求結論的可信度 CJ:CJ= RJ/(1+RJ) 當條件不確定性、規(guī)則不確定性、多個規(guī)則支持同一結論時，可按順序依次解決。 3. 確定對引起感染的有機體有抑制作用的藥物。 演講完畢，謝謝觀看！ 。 前兩步診斷，后兩步治療。步驟 4個： 1. 確定患者有無需要治療的細菌性感染。 一組規(guī)則支持結論的可信度，可用以下方法求得： （ 1）首先把各規(guī)則結論的可信度 CJi轉換成可信性比例 RJi。 例如：規(guī)則：如果啟動器發(fā)出刺耳的噪聲 那么這個啟動器壞的可能性是 該規(guī)則表示，如果事實完全肯定（ ），那么結論的可信度為 。 2. 以概率為基礎的方法 總的證據可信度為各證據可信度的乘積 。已有的方法有兩類： 1. 以模糊集理論為基礎的方法 按這種方法， 把所有條件中最小的可信度作為總條件的可信度 ，看起來好像是符合模糊集理論的。 一般，通過對事實賦于一個介于 0和 1之間的系數來表示事實的不確定性。有兩種不確定性，即關于證據的不確定性和關于規(guī)則的不確定性。一個簡單的終止條件是某個判定與或圖根節(jié)點是否為可解過程的直接歸納。 規(guī)則雙向演繹系統(tǒng) 在上兩節(jié)中，我們所討論的基于規(guī)則的正向演繹系統(tǒng)和逆向演繹系統(tǒng)都具有局限性（正向 L=W，逆向 W=L）。 下面討論一個簡單的例子，看看基于規(guī)則的逆向演繹系統(tǒng)是怎樣工作的。目標子句是文字的 合取 ，目標表達式就是這些子句的 析取 。 逆向演繹系統(tǒng)能夠處理任意形式的目標表達式。在正向推理系統(tǒng)中，這種目標表達式只限于可證明的表達式，尤其是可證明的 文字析取形 的目標公式表達式。 (3) 對所得表達式進行 skelem化，消除存在性量詞。 1. 事實表達式的與或形變換 通常用謂詞演算公式來表示事實（用作事實表達式）。從 IF部分向 THEN部分推理的過程，叫做正向推理。 通常稱每個 IF部分為前項（條件、斷言）， THEN部分為后項（新斷
環(huán)評公示相關推薦
鄂ICP備17016276號-1