搜索
人工智能读书报告——知识及推理摘要：人工智能的目标是使机器能够成为具有和人类一样智能的系统，而知识和推理一直被认为是智能最集中的体现，在实际运行的系统中实现智能的知识推理是具有非常重要的意义。知识表示是人工智能领域中非常重要的问题之一，目前人们使用的各种知识表示方法都有知识表现力和推理演算能力上的优缺点，我们需要掌握好这些方法的强项并充分利用它，扬长避短，综合使用各种知识表示方法并进行推理，构造强大的智能专家系统、准确的模式识别以及机器学习才是可能的。关键词：知识表示、推理、专家系统、机器学习、模式识别正文：一、人工智能中的多种知识表达方法对于知识这个概念，我们应该有着正确的认识，Feigenbaum认为知识是经过削减、塑造、解释和转换的信息。简单地说，知识是经过加工的信息。Bernstein说知识是特定领域的描述、关系和过程组成。Hayes-Roth认为知识是事实、信念和启发式规则。知识可从（范围，目的，有效性）加以三维描述。其中知识的范围是由具体到一般，知识的目的是由说明到指定，知识的有效性是由确定到不确定。例如“为了证明A→B，只需证明A∧~B是不可满足的”这种知识是一般性、指示性、确定性的。而像“桌子有四条腿”这种知识是具体的、说明性、不确定性。知识表示是研究用机器表示知识的可行性、有效性的一般方法，是一种数据结构与控制结构的统一体，既考虑知识的存储又考虑知识的使用。知识表示可看成是一组描述事物的约定，以把人类知识表示成机器能处理的数据结构。然而人工智能所关注的知识是指一个智能程序高水平的运行需要有关的事实知识、规则知识、控制知识和元知识。事实：是有关问题环境的一些事物的知识，常以“...是...”的形式出现。如事物的分类、属性、事物间关系、科学事实、客观事实等，在知识库中属于低层的知识。如雪是白色的、鸟有翅膀、张三李四是好朋友。规则：是有关问题中与事物的行动、动作相联系的因果关系知识，是动态的，常以“如果...那么...”形式出现。特别是启发式规则是属于专家提供的专门经验知识，这种知识虽无严格解释但很有用处。控制：是有关问题的求解步骤，技巧性知识，告诉怎么做一件事。也包括当有多个动作同时被激活时应选哪一个动作来执行的知识。元知识：是有关知识的知识，是知识库中的高层知识。包括怎样使用规则、解释规则、校验规则、解释程序结构等知识。在人工智能中，知识有着很多种不同的表示方法，比如我们经常是用的逻辑表示法——对知识通过引入谓词、函数来加以形式描述，获得有关的逻辑公式，进而以机器内部代码表示以及产生式表示法。此外，我们还有语义网络表示法和框架表示法，逻辑表示法和产生式表示法常用于表示有关论域中各个不同状态间的关系，然而用于表示一个事物同其各个部分间的分类知识就不方便了。槽（slot）与填槽表示方法便于表示这种分类知识。语义网络和框架表示方法就属于其中的两种。语义网络是对知识的有向图表示方法。一个语义网络是由一些以有向图表示的三元组（结点1，弧，结点2）连接而成。结点表示概念、事物、事件、情况等。弧是有方向的有标注的。方向体现主次，结点1为主，结点2为辅。弧上的标注表示结点1的属性或结点1和结点2之间的关系。语义网络表示下的推理方法不像逻辑表示法和产生式表示法的推理方法那样明了。语义网络表示法是依匹配和继承来进行推理的。而至于框架表示法，1975年Minsky的论文“Aframeworkforrespresentingknowledge”中首次提出了框架理论。其基本观点是人脑已存储有大量典型情景，当人面临新的情景时，就从记忆中选择一个称为框架的基本知识结构，这个框架是以前记忆的一个知识空框，而其具体内容依新的情景而改变，对这空框的细节加工修改和补充，形成对新情景的认识又记忆于人脑中。框架理论将框架视作的知识单位，将一组有关的框架连接起来便形成框架系统。系统中不同框架可以有共同结点，系统的行为由系统内框架的变化来表现的。推理过程是由框架间的协调来完成的。框架表示法是一种适应性强、概括性高、结构化良好、推理方式灵活又能把陈述性知识与过程性知识相结合的知识表示方法。框架是由若干结点和关系（统称为槽slot）构成的网络。是语义网络一般化形式化的一种结构，同语义网络没有本质区别。将语义网络中结点间弧上的标注也放入槽内就成了框架表示法。框架是表示某一类情景的结构化的一种数据结构。框架由框架名和一些槽（slot）组成，每个槽有一些值，槽值可以是逻辑的、数字的，可以是程序、条件、默认值或是一个子框架。槽值含有如何使用框架信息、下一步可能发生的信息、预计未实现该如何做的信息等。框架的一般格式：FRAMEWORK：frameworknameslot1face11:value...face1n:valueslot2face21:value...face2n:value...例：framework:大学教师类属：教师学历：（学士，硕士，博士）专业：学科专业职称：（助教，讲师，副教授，教授）外语：范围：（英，法，德，...）默认：英水平：（优、良、中、差）默认：良框架表示法没有固定的推理机理。但框架系统的推理和语义网络一样遵循匹配和继承的原则，而且框架中如if-needed、if-added等槽的槽值是附加过程，在推理过程中起重要作用。如确定一个人的年龄，已匹配的知识库中的框架为槽名年龄：NILif-needed:ASKif-added:CHECK在推理的过程中便启动了if-needed和if-added两个槽的附加过程ASK和CHECK。此外我们还可以采用基于粗糙集理论的知识表示方法、基于对象的XML的知识表示方法、基于模糊Petri网的知识表示方法。这些方法为我们进行知识归结和推理提供了很大便利，我们需要合理使用以上这些知识表示方法，并且及时关注最新的各种知识表示方法，在此基础上进行推理，来构造我们所需要的专家系统、机器学习以及模糊识别等结构功能。二、人工智能的本质——推理几乎所有的人工智能领域都要用到推理，因此，推理技术是人工智能的基本技术之一，并且也是人工智能的本质。早期的人工智能研究人员直接模仿人类进行逐步的推理，就像是玩棋盘游戏或进行逻辑推理时人类的思考模式。到了1980和1990年代，利用概率和经济学上的概念，人工智能研究还发展了非常成功的方法处理不确定或不完整的资讯。对于困难的问题，有可能需要大量的运算资源，也就是发生了“可能组合爆增”：当问题超过一定的规模时，电脑会需要天文数量级的存储器或是运算时间。寻找更有效的算法是优先的人工智能研究项目。人类解决问题的模式通常是用最快捷，直观的判断，而不是有意识的，一步一步的推导，早期人工智能研究通常使用逐步推导的方式。人工智能研究已经于这种“次表征性的”解决问题方法取得进展：实体化AGENT研究强调感知运动的重要性。神经网络研究试图以模拟人类和动物的大脑结构重现这种技能。人们在对各种事物进行分析、综合后作出决策时，通常是从已知的事实出发，通过运用已掌握的知识，找出其中蕴涵的事实，或归纳出新的事实，这一过程通常称为推理。严格的说，所谓推理就是按某种策略由已知判断推出另一种判断的思维过程。推理所根据的判断叫做前提，有前提所推出的那个判断叫结论。推理是人们无时无刻都在使用的方法，不论是在科学研究，学习以至日常生活中都在运用着它。在人工智能系统中，推理是由程序实现的，称为推理机。推理从不同的角度可以有不同的分类。从新判断推出的途径划分为演绎推理、归纳推理、默认推理；按推理是所用知识的确定性划分为确定性推理和不确定性推理；按推理过程中推出的结论是否单调的增加划分为单调推理与非单调推理；按推理中是否运用与问题有关的启发性知识可划分为启发是推理和非启发式推理；从方法论的角度划分为基于知识的推理、统计推理和直觉推理。例如：当你走路时，不小心摔了一跤，在摔下去而未倒到地面时，你就会意识到你将会摔破衣服，这就是使用了直觉推理；所有人都要吃饭+张三是人—张三要吃饭，使用了演绎推理；该细菌的染色斑是革兰氏阳性+该细菌的形状为球状+该细菌的生长结构成链形—存在证据表明该细菌是链球菌类，不确定性推理等等。推理的控制策略主要包括推理方向、搜索策略、冲突消解策略、求解策略及限制策略等。正向推理是以已知事实作为出发点的一种推理，又称为数据驱动推理、向前链推理、模式制导推理及前件推理等。逆向推理是以某个假设目标作为出发点的一种推理，又称为目标驱动推理、逆向链推理、目标制导推理及后件推理等。求解策略是指推理只求一个解，还是求所有解及最优解等等。限制策略是为了防止无穷的推理过程，以及由于推理过程太长增加时间及空间的复杂性，可在控制策略中指定推理的限制条件，以及对推理的深度、宽度、时间、空间等进行限制。常用的冲突消解策略有按针对性排序、按已知事实的新鲜性排序、按匹配度排序、根据领域问题的特点排序、按上下文限制排序、按冗余限制排序、按条件个数排序等等。另外还有归纳法推理系统、不确定性推理，归纳法推理是人工智能领域的一个重要研究方向。通过归纳法推理可以证明一些复杂程序的正确性以及一些关键算法的重要属性。国外已经把这一研究成果应用到国防、航空、航天领域。自80年代以来，国内外科技人员已研制出一些程序证明系统，其中最具代表性的是Boyer-Moore的归纳证明方法，他们打破了传统方法，代一阶谓词逻辑以递归函数，使问题的描述简单自然、直观易懂。不精确推理——标准的逻辑推理是假定事实要么为真，要么为假，并不考虑可能为真的情况。但在现实生活中，人们经常使用一些不精确的或不完善的知识与资料来进行工作，尤其是专家系统模拟人类专家工作的，所以在专家系统中，不精确推理的使用，几乎是难以避免的。它既反映了断言及客观世界中因果关系的不确定性，也体现了在此情况下推理方法的运用。下述问题对不确定推理来说是基本的问题：(1)如何正确地、定性地刻画一个命题的不确定性?(2)如何适当地度量一个命题的不确定性?命题的不确定性可以形式地定义如下：定义1.命题h是不能由K确定的，如果h在以K中的公式作公理的逻辑系统中是不可判定的(即h和h都不是该系统的定理)。定义2.命题h是不能由K确定的，如果我们无法确定K的哪个模型是我们所需要的。定义1和2说明,命题的不确定性是推理系统的特征，所以，我们可用传统的二值逻辑来描述不确定推理。定义3.如果命题集合E中的命题都被认为为真,则称E是K中对h的证据集合。如果K∪E3h或K∪E3h,则称E是K中对h的完备证据集合，否则，E是不完备的。在AI研究中,概率论在不确定推理中有广泛的应用，人们提出了各种基于概率的不确定性测度.这些基于概率的测度方法是可以用支持度来表示的，概率是能够由支持度来表示的各种基于概率的不确定性测度方法就自然地可以由提出的支持度来表示了。在人工智能领域中，为了正确地推理出我们所需要的结果，就需要采取准确必要的控制策略来限定推理方向、搜索策略、冲突消解策略、求解策略及限制策略等，科学合理的进行推理过程，这样才能应用与专家系统、机器学习以及模式识别等。三、将知识运用到推理过程中的具体应用—机器学习、模式识别、专家系统（1）机器学习机器学习(MachineLearning,ML)是一门多领域交叉学科，涉及概率论、统计学、逼近论、凸分析、算法复杂度理论等多门学科。专门研究计算机怎样模拟或实现人类的学习行为，以获取新的知识或技能，重新组织已有的知识结构使之不断改善自身的性能。它是人工智能的核心，是使计算机具有智能的根本途径，其应用遍及人工智能的各个领域，它主要使用归纳、综合而不是演绎。学习能力是智能行为的一个非常重要的特征，但至今对学习的机理尚不清楚。人们曾对机器学习给出各种定义。H.A.Simon认为，学习是系统所作的适应性变化，使得系统在下一次完成同样或类似的任务时更为有效。R.s.Michalski认为，学习是构造或修改对于所经历事物的表示。从事专家系统研制的人们则认为学习是知识的获取。这些观点各有侧重，第一种观点强调学习的外部行为效果，第二种则强调学习的内部过程，