人工智能

1.20世纪三大科学技术成就：空间技术,原子能技术,人工智能2.人工智能：用人工的方法在机器（计算机）上实现的智能；或者说是人们使机器具有类似于人的智能。3.人工智能研究的基本内容：（1）知识表示：将人类知识形式化或者模型化。（是人工智能研究的永恒主题）（2）机器感知：使机器（计算机）具有类似于人的感知能力。以机器视觉与机器听觉为主。（3）机器思维：对通过感知得来的外部信息及机器内部的各种工作信息进行有目的的处理。（4）机器学习：研究如何使计算机具有类似于人的学习能力，使它能通过学习自动地获取知识。（5）机器行为：计算机的表达能力，即“说”、“写”、“画”等能力。4.人工智能研究途径:(1)符号主义（思维理论）；（2）连接主义（阈值理论）；（3）行为主义（进化理论）。5.人工智能研究中的学派：（1）符号主义，又称为逻辑主义、心理学派或计算机学派，其原理主要为物理符号系统(即符号操作系统)假设和有限合理性原理。（2）联结主义,又称仿生学派或生理学派，原理主要为神经网络及神经网络间的连接机制与学习算法。（3）行为主义，又称进化主义或控制论学派，其原理为控制论及感知-动作型控制系统。6.人工智能研究的范围和应用领域：（1）自动定理证明（2）博弈（3）模式识别（4）专家系统（5）机器人（6）机器视觉（7）自然语言理解（8）自动程序设计（9）智能信息检索(10)数据挖掘和知识发现（11）组合优化问题（12）人工神经网络（13）分布式人工智能（14）智能管理与智能决策（15）智能控制（16）智能仿真（17）智能CAD（18）智能通信（19）智能网络7.知识:是有关信息关连在一起形成的信息结构。8.知识的特性：（1）相对正确性（2）不确定性（3）模糊性（4）可表示性与可利用性9.知识的分类：@按知识的作用范围分：（1）常识性知识（2）领域性知识@按知识的作用及表示划分：（1）事实性知识（2）过程性知识（3）控制性知识@按知识的确定性：（1）确定性知识（2）不确定性知识@按人类的思维及认识方法划分：（1）逻辑性知识（2）形象性知识10.常见的知识表示方法：产生式系统、框架结构、语义网络、过程性知识表示、面向对象知识表示、基于本体的知识表示法11．产生式系统的基本结构：规则库、综合数据库、推理机12.产生式系统求解的一般步骤：(1)初始化综合数据库，把问题的初始已知事实送入综合数据库中。(2)若规则库中不再有未使用过的规则，则终止问题的求解过程(3)若规则库中存在尚未使用过的规则，而且它的前提可与综合数据库中的已知事实匹配，则转第(4)步；若不存在这样的事实，则转第(6)步(4)按冲突解决方法选出要执行规则,执行当前选中的规则，并对该规则做上标记，把该规则执行后得到的结论送入综合数据库中。如果该规则的结论部分指出的是某些操作，则执行这些操作。(5)检查综合数据库中是否已包含了问题的解，若已包含，则终止问题的求解过程；（成功结束）否则转第(2)步。(6)要求用户提供进一步的关于问题的已知事实，若能提供，则转第(2)步;否则终止问题的求解过程。（无新事实时结束）13.产生式表示法的优点：自然性、模块性、有效性、直观性14.产生式表示法的缺点：效率不高、不能表达结构性知识15.框架表示方法的特点：结构性、继承性、自然性、不善于表达过程性知识、16.语义网络的结构：节点、弧17.语义网络的表达能力：（1）实例关系（2）分类（泛化）关系（3）组装关系（4）属性关系（5）集合与成员关系（6）逻辑关系（7）方位关系（8）所属关系（9）语句或事件（10）谓词公式18.其他知识表示法：剧本知识表示法、本体知识表示法、一阶谓词逻辑表示法过程性知识表示法、直接知识表示法19.框架的一般形式：框架名（frame)：名称槽名1：侧面名1：值1,…,值p1侧面名2：值1,…,值p2……侧面名m1：值1,…,值pm1槽名2：侧面名1：值1,…,值q1侧面名2：值1,…,值q2……侧面名m2：值1,…,值qm2…….槽名n：侧面名1：值1,…,值r1侧面名2：值1,…,值r2……侧面名mn：值1,…,值rmn约束：约束条件20.知识表示的评价：知识表示的作用、选择知识表示方法考虑的因素21.推理的基本概念：推理是指从已知的事实出发，通过运用已掌握的知识，找出其中蕴含的事实，或归纳出新的事实，这一过程就称为推理。已知事实和知识是推理的两个基本要素。22.常用的推理方式有：@按推理机制划分（1）演绎推理【三段论、假言推理和选言推理】（2）归纳推理（3）缺省推理@按所用知识的确定性划分：确定性推理、不精确推理@按推理过程划分：单调推理、非单调推理@按启发性知识划分：启发式推理、非启发性推理@按方法论划分：基于知识的推理、统计推理、直觉推理23.自然演绎推理的优点：（1）表达定理证明过程自然，容易理解。（2）拥有丰富的推理规则，推理过程灵活。（3）便于在推理规则中嵌入领域启发性知识24.自然演绎推理的缺点（1）容易产生组合爆炸，推理过程得到的中间结论一般呈指数形式递增。（2）难以处理复杂的推理问题。25.三段论是指由两个简单判断作前提和一个简单判断作结论组成的演绎推理。三段论中三个简单判断只包含三个不同的概念，每个概念都重复出现一次。任何三段论必须有也只能有三个不同的词项。任何三段论，其中的每一个词项必须并且只能在两个性质判断中各出现一次。规则1：在一个三段论中,仅能有三个不同的项,否则会犯“四项错误”。规则2：中项在前提中至少要周延一次,否则,会犯“中项不周”之误。规则3：前提中不周延的项,在结论中也不得周延,否则,会犯“大项扩大”或“小项扩大”之误。26.不确定性推理的方法：确定因子法（可信度方法）、主观Bayes方法、证据理论、可能性理论、粗集理论、批注理论27.问题求解的基本方法有：搜索法、归约法、归结法、推理法和产生式等。28.搜索：对于无成熟方法可用的问题求解，只能利用已有的知识一步步地摸索求解，这种问题求解过程就是搜索。29．搜索的主要过程:（1）从初始或目的状态出发，并将它作为当前状态；（2）扫描操作算子集，运用操作算子得到新的状态，并建立指向其父节点的指针；（3）检查新状态是否满足结束状态，如果满足，则得到解，给出解答路径；否则将新状态作为当前状态，返回第（2）步再进行搜索。30.一般搜索方法分类:盲目搜索、启发式搜索31.启发信息按运用的方式可分为：（1）陈述性启发信息（2）过程性启发信息（3）控制性启发信息32.把要求解的问题的具体领域的知识加进搜索算法中，控制搜索过程，以提高算法效率的搜索方法，称为启发式搜索33.专家系统：专家系统是一个具有大量专门知识与经验的计算机系统，应用人工智能技术，根据专家提供的特殊领域知识、经验进行推理和判断，求解需要专家才能解决的复杂问题。简而言之，专家系统是一种模拟人类专家解决领域问题的计算机程序系统。34.专家系统的四个要素：(1)应用于某专门领域。(2)拥有专家级知识。(3)能模拟专家的思维。(4)能达到专家级水平。35.专家系统的特征：具有专家水平的专门知识、能进行有效的推理、启发性、透明性、灵活性、交互性36.专家系统的优点：1）不受时间的限制，以便推广珍贵和稀缺的专家知识知识与经验4）能促进各领域的发展，它使各领域专家的专业知识和经验得到总结和精炼，能够广泛而有力地传播专家的知识、经验和能力。5）能够汇集和集成多领域专家的知识和经验以及他们协作解决重大问题的能力，拥有更渊博的知识、更丰富的经验和更强的工作能力。6）专家系统的研制和应用具有巨大经济效益。7）研究专家系统能够促进整个科学技术的发展。专家系统对人工智能的各个领域的发展起了很大的促进作用，并将对科技、经济、国防、教育、社会和人民生活产生极其深远的影响。37.专家系统的问题和局限：（1）陈述知识的方法和计算机程序表达之间存在差异；（2）专家知识存在主观性、不确定性（部分正确）等问题；（3）专家系统本身受计算机的限制；（4）专家系统只在较窄的知识领域应用较好；（5）有可能得不到结论。38.专家系统的一般结构：（1）知识库（2）综合数据库（3）推立机（4）解释程序（5）接口（6）知识获取机构39.专家系统建造的原则：恰当划定求解问题的领域、获取完备的知识、知识库与推理机的分离、选择、设计合适的知识表示、推理机应模拟领域专家求解问题的思维过程、建立良好的交互环境、渐增式的开发策略40.专家系统构建的一般步骤：41.机器学习定义:利用经验改善系统自身的性能,随着该领域的发展，主要做智能数据分析.42.机器学习是使系统做一些适应性的变化，使得系统在下一次完成类似的任务时比前一次更有效。43.学习系统的基本构成包括：环境、学习环节、知识库、执行与评价44.机器学习分类⑴基于推理策略的分类：机械学习、讲授学习、演绎学习、解释学习、类比学习、归纳学习⑵基于系统性的分类：归纳学习、分析学习、联结学习、遗传学习（3）基于学习方式的分类：1）有导师学习（监督学习）2）无导师学习（非监督学习）3）强化学习（增强学习）45.解释学习概念：解释学习是通过运用相关的领域知识及一个训练实例来对某一目标概念进行学习，从而构造解释并产生相应的知识，以便用于指导以后求解类似问题。46.解释学习的过程：（1）利用基于解释的方法对训练实例进行分析与解释，以说明它是目标概念的一个实例。（2）对实例的结构进行概括性解释，建立该训练实例的解释结构以满足所学概念的定义；解释结构的各个叶节点应符合可操作标准，且使这种解释比最初的例子适用于更大的一类例子。（3）从解释结构中识别出训练实例的特性，并从中得到更大一类例子的概括性描述，获取一般控制知识。47.归纳推理的方法：枚举归纳、联想归纳、类比归纳、逆推理归纳48.归纳学习是应用归纳推理进行学习的一类方法，按其有无教师指导可分为示例学习及观察与发现学习。49.归纳学习方法：归纳学习、示例学习、观察与发现学习50．知识发现的方法：【1】统计方法【2】机器学习方法(1)规则归纳。规则反映数据项中某些属性或数据集中某些数据项之间的统计相关性。(2)决策树。决策树的每一个非终叶节点表示所考虑的数据项的测试或决策。(3)贝叶斯网络。贝叶斯网络是概率分布的图表示。(4遗传算法。在求解过程中，通过最好解的选择和彼此组合，使期望解的集合愈来愈好。【3】神经计算方法【4】可视化方法51.知识发现的技术方法：（1）关联规则（2）决策树技术（3）贝叶斯网络（4）人工神经网络（5）遗传算法（6）粗糙集方法52.决策树基本思想：使用信息论原理对大量实例的特征进行信息量分析，计算数据特征的互信息或信道容量，找出反映类别的重要特征。通过某种度量准则选取最优的属性或属性组合，对样本数据进行分类，基于样本数据中各个样本对应的属性值，形成若干分支，并尽量保证同一分支中的样本属于同一类别，这样可以对数据样本或新的样本进行分类。53.ID3的过程：（1）分类能力最好的属性被选作树的根节点（2）根节点的每个可能值产生一个分支（3）训练样例排列到适当的分支（4）重复上面的过程54.决策树的构造过程：（1）计算初始熵（2）属性的选择55.决策树的优点与缺点：（1）可以处理连续和离散字段；（2）易于生成可以理解的规则；（3）比较直观，计算量相对来说不是很大；（4）它在学习过程中不需要用户了解很多背景知识；（5）可以解释如何得出结果的决策过程。（1）不是全局最优；（2）存在数据的缺值处理问题。（3）处理复杂性的数据时，分支数非常多，管理起来难度大。56.贝叶斯网络是用来表示变量间连接概率的图形模式，它提供了一种自然的表示因果信息的方法，用来发现数据间的潜在关系。在这个网络中，用节点表示变量，有向边表示变量间的依赖关系。57.贝叶斯网络主要由两部分构成：（1）有向无环图（2）条件概率表58.贝叶斯网络的特点：（1）坚实的理论基础（2）强大的知识表达和推理能力（3）灵活的学习机制（4）开放的决策体系（5）直观清晰的推理结果59.贝叶斯网络的应用领域：辅助智能决策、数据融合、模式识别、医疗诊断、文本