人工智能原理ch4andch5read(存儲版)
【正文】 與、合取 Q(V,f(V)) [(R(V)∧P(V))]∨S(f(V),V) 或、析取 R(V)∧P(V) S(f(V),V) 葉節(jié)點 文字 R(V) P(V) 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。 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(guān)系的子表達式。 用目標表達式表示為： X Y[貓（ Y） ∧ 狗（ X） ∧ 可怕 (Y， X)] ? 貓（ Y） ∧ 狗（ X） ∧ 害怕 (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)點前的置換為 {MT/Y}， {FD/X}。 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）。有兩種不確定性，即關(guān)于證據(jù)的不確定性和關(guān)于規(guī)則的不確定性。已有的方法有兩類： 1. 以模糊集理論為基礎(chǔ)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。 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(jié)論的可信度為 。步驟 4個： 1. 確定患者有無需要治療的細菌性感染。 演講完畢，謝謝觀看！ 。 RJ=RJ1*RJ2*?*R Jn （ 3）按公式求結(jié)論的可信度 CJ:CJ= RJ/(1+RJ) 當(dāng)條件不確定性、規(guī)則不確定性、多個規(guī)則支持同一結(jié)論時，可按順序依次解決。 關(guān)于 規(guī)則和結(jié)論的不確定性 規(guī)則的不確定性，它表示 當(dāng)規(guī)則的條件被完全滿足時，產(chǎn)生某種結(jié)論的不確定程度 。這個系數(shù)被稱為可信度。 不確定性推理 對于許多比較復(fù)雜的人工智能系統(tǒng)，往往含有復(fù)雜性、不完全性、模糊性和不確定性。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。 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。 形式 逆向演繹系統(tǒng)能夠處理任意形式的目標表達式。 (3) 對所得表達式進行 skelem化，消除存在性量詞。 從 IF部分向 THEN部分推理的過程，叫做正向推理 。這時，就需要應(yīng)用一些更先進的推理求解技術(shù)。 給定一個問題后，根據(jù)問題的特性和解的特性，可以有多種方法定義估價函數(shù)，用不同的估價函數(shù)指導(dǎo)搜索，其效果可以相差很遠。在這種情況下，一般都是：初始狀態(tài)、算符和目標狀態(tài)的定義都是完全確定的，然后決定一個搜索空間。這時需用啟發(fā)式策略通過指導(dǎo)搜索向最有希望的方向前進，以降低復(fù)雜性。各方面原因造成。 啟發(fā)式搜索 盲目搜索的效率低，耗費過多的計算空間與時間。 (2) 任何其它節(jié)點的深度等于其父輩節(jié)點深度加 1。 （ 5）把該節(jié)點的 所有后繼節(jié)點放到 OPEN表的末端 ，并提供這些后繼節(jié)點返回該節(jié)點的指針。 也就是說，這種搜索是逐層進行的。如節(jié)點 O： N/12， N/20；節(jié)
職業(yè)教育相關(guān)推薦
鄂ICP備17016276號-1