华南理工大学《高级人工智能》考试真题1分析.pdf

《华南理工大学《高级人工智能》考试真题1分析.pdf》由会员分享，可在线阅读，更多相关《华南理工大学《高级人工智能》考试真题1分析.pdf（9页珍藏版）》请在三一文库上搜索。

1、华南理工大学高级人工智能复习资料 第 1 部分绪 论 1-1. 什么是人工智能？试从学科和能力两方面加以说明。 人工智能是用计算机来表示和执行人类的智能活动， 人工智能（学科） ：是计算机科学中涉及研究、设计和应用智能机器的一个分支。其近 期的主要目标在于研究用机器来模仿和执行人脑的某些智力功能，并开发相关理论和技术。 人工智能（能力） ：是智能机器所执行的通常与人类智能有关的智能行为，如判断、推 理、证明、识别、感知、理解、通信、设计、思考、规划、学习和问题求解等思维活动。 1-2. 在人工智能的发展过程中，有哪些思想和思潮起了重要作用？ 数理逻辑，关于计算的新思想 控制论思想 专家系统，机

2、器学习，计算智能，人工神经网络等和行为主义的研究 1-3. 为什么能够用机器（计算机）模仿人的智能？ 人类智能是一个非常复杂的行为，至今仍未能被完全解释。但人的一些初级认知过程目 前计算机也能按类似的原理工作。再有， 可以将人看是一个智能信息处理系统。作为信息处 理系统又叫符号操作系统或物理符号系统。所谓符号就是模式。任一模式， 只要它能与其他 模式相区别，就是一个符号。一个完善的符号系统应具有下列6 种基本功能： （1）输入符号； （2）输出符号； （3）存储符号； （4）复制符号； （5）建立符号结构：通过找出各符号间的关系，在符号系统中形成符号结构； （6）条件性迁移：根据已有符号，继续

3、完成活动过程。 假设：任何一个系统， 如果它能够表现出智能，那么它就必定能够执行上述6 种功能； 反之， 任何系统如果具有这6 种功能， 那么它就能够表现出智能，这种智能指的是人类所具有的那 种智能。把这个假设称为物理符号系统的假设。物理符号系统的假设伴随3 个推论， 推论 1：既然人具有智能，那么他（她）就一定是个物理符号系统。 推论 2：既然计算机是一个物理符号系统，它就一定能够表现出智能。 推论 3：既然人是一个物理符号系统，计算机也是一个物理符号系统，那么就能够用计 算机来模拟人的活动。 1-4. 人工智能的主要研究和应用领域是什么？其中，哪些是新的研究热点？ 研究领域： 问题求解，

4、逻辑推理与定理证明，自然语言理解， 自动程序设计， 专家系统， 机器学习，神经网络，机器人学，模式识别，机器视觉，智能控制，智能检索，智能调度与 指挥，分布式人工智能与Agent，计算智能与进化计算，数据挖掘与知识发现，人工生命， 系统与语言工具。 研究热点：专家系统，机器学习，神经网络，机器人学，模式识别，分布式人工智能与 Agent，数据挖掘与知识发现。 1-5. 人工智能的发展对人类有哪些方面的影响？试结合自己了解的情况和理 解，从经济、社会和文化等方面加以说明？ 1-6. 试评述人工智能的未来发展。 第 2 部分知识表示 2-1. 什么是知识？知识的要素有哪些？知识的表示方法有哪些？

5、Feigenbaum：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：知识是由特定领域的描述、关系和过程组成的。 Hayes-Roth：知识是事实、信念和启发式规则。从知识库的观点看，知识是某领域中所涉及 的各有关方面的一种符号表示。 知识要素：事实，规则，控制，元知识 知识表示方法：一阶逻辑表示法，产生式知识表示法，框架表示法，语义网络表示法，面向 对象表示法 2-2. 状态空间法、问题归约法、谓词逻辑法和语义网络法的要点是什么？它们 有何本质上的联系及异同点? （ppt 无）状态空间法：基于解答空间的问题表示和求解方法，它是以状态和算符为基

6、础来表示和求解问题的。一般用状态空间法来表示下述方法：从某个初始状态开始，每次加 一个操作符，递增地建立起操作符的试验序列，直到达到目标状态为止。 （ppt 无）问题规约法：已知问题的描述，通过一系列变换把此问题最终变为一个子问 题集合； 这些子问题的解可以直接得到，从而解决了初始问题。问题规约的实质： 从目标（要 解决的问题） 出发逆向推理， 建立子问题以及子问题的子问题，直至最后把初始问题规约为 一个平凡的本原问题集合。 谓词逻辑法： 采用谓词合式公式和一阶谓词演算把要解决的问题变为一个有待证明的 问题，然后采用消解定理和消解反演来证明一个新语句是从已知的正确语句导出的，从而证 明这个新语

7、句也是正确的。 语义网络法：是一种结构化表示方法，它由节点和弧线或链组成。节点用于表示物体、 概念和状态， 弧线用于表示节点间的关系。语义网络的解答是一个经过推理和匹配而得到的 具有明确结果的新的语义网络。语义网络可用于表示多元关系，扩展后可以表示更复杂的问 题。 2-3. 如何用谓词公式表示知识? （见课本例题） 用谓词公式既可表示事物的状态、属性和概念等事实性的知识，也可表示事物间具有因果关 系的规则性知识。 用谓词公式表示知识的一般步骤 1.定义谓词及个体，确定每个谓词及个体的确切含义。 2.根据所要表达的事物或概念，为每个谓词中的变元赋以特定的值。 3.根据所要表达的知识的语义，用适当

8、的连接符将各个谓词连接起来形成谓词公式。 第 3 部分经典逻辑推理 3-1.什么是推理？推理的任务、分类。 推理是按某种策略由已知判断推出另一判断的思维过程 推理的基本任务是从一种判断推出另一种判断 分类： 演绎推理：从全称判断推导出特称判断或单称判断的过程 归结推理：从足够多的事例中归纳出一般性结论的推理过程，是一种从个别到一般的推理 默认推理： 又称缺省推理， 它是在知识不完全的情况下假设某些条件已经具备所进行的推理 3-2.什么是置换？什么是合一？什么是归结？ 置换： 在谓词逻辑中， 有些推理规则可应用于一定的合式公式和合式公式集，以产生新的合 式公式。 一个重要的推理规则是假元推理，这

9、就是由合式公式 1 W和 21 WW产生合式公式 2 W的运算。另一个推理规则是全称化推理，它是由合式公式)()(xWx产生合式公式 )(AW，其中A为任意常量符号。同时应用假元推理和全称化推理，例如，可由合式公式 )()()( 21 xWxWx和)( 1 AW生成合式公式)( 2 AW。这就是寻找的A对x的置换，使 )( 1 AW与)( 1 xW一致。 合一：寻找项对变量的置换，以使两表达式一致，叫做合一。如果一个置换s作用于表达式 集 i E的每个元素，则用 si E 来表示置换例的集，称表达式集 i E是合一的。如果存在 一个置换s使得： . 321sss EEE那么称此s为 i E的合

10、一者，因为s的作用是使集 合 i E成为单一形式。 归结：在谓词公式， 某些推理规则以及置换合一等概念的基础上，能够进一步研究消解原理， 有些专家把它叫做归结原理。 3-3.把谓词公式化为子句集有哪些步骤? 请结合例子说明之 3-4.把谓词公式变换成子句形式： (x)P(x) （ y） p(y)p(f(x,y) ( y)Q(x,y)P(y) (x)P(x) （ y） p(y)p(f(x,y) ( y) Q(x,y)P(y) （1）消去蕴涵符号（只应用和符号，以A B替换 AB） (x) P(x) （ y） p(y) p(f(x,y) ( y) Q(x,y) P(y) （2）减少否定符号的辖域（

11、每个否定符号最多只用到一个谓词符号上，并反复应用狄 摩 根定律） ( x) P(x) （ y） p(y) p(f(x,y) ( y) Q(x,y) P(y) ( x) P(x) （ y） p(y) p(f(x,y) ( y) Q(x,y) P(y) ( x) P(x) （ y） p(y) p(f(x,y) ( y) Q(x,y) P(y) ( x) P(x) （ y） p(y) p(f(x,y) ( y)Q(x,y) P(y) （3）对变量标准化（对哑元（虚构变量）改名，以保证每个量词有其自己唯一的哑元） ( x) P(x) （ y） p(y) p(f(x,y) ()Q(x, ) P() （4

12、）消去存在量词（以Skolem函数代替存在量词内的约束变量，然后消去存在量词） P(A) p(B) p(f(A,B) Q(A, C) P(C) （5）化为前束形：（把所有全称量词移到公式的左边，并使每个量词的辖域包括这个量词后 面公式的整个部分） （6）把母式化为合取范式（任何母式都可写成由一些谓词公式和(或)谓词公式的否定的析 取的有限集组成的合取） P(A) p(B) Q(A, C)p(B) P(C) p(f(A,B) Q(A, C) p(f(A,B) P(C) P(A) p(B) Q(A, C)p(B) P(C) p(f(A,B) Q(A, C) p(f(A,B) P(C) （7）消去全

13、称量词（所有余下的量词均被全称量词量化了。消去前缀，即消去明显出现的 全称量词） （8）消去连词符号（用A,B代替 (AB)，消去符号。最后得到一个有限集，其中每个 公式是文字的析取） P(A) p(B) Q(A, C) p(B) P(C) p(f(A,B) Q(A, C) p(f(A,B) P(C) （9）更换变量名称（可以更换变量符号的名称，使一个变量符号不出现在一个以上的子句 中） P(x1) p(y1) Q(x2, 1) p(y2) P(2) p(f(x3,y3) Q(x3, 3) p(f(x4,y4) P( 4) 3-5.简述用归结法证明定理的过程 （消解反演求解过程） 。 请结合例

14、子说明之。 给出一个公式集S和目标公式L， 通过反证或反演来求证目标公式L， 其证明步骤如下： （1）否定 L，得到 L； （2）把 L添加到 S中去； （3）把新产生的集合L，S化成子句集F； （4） （以前）应用消解原理，力图推导出一个表示矛盾的空子句 （现在ppt ）反复归结子句集F 中的子句，若出现了空子句，则停止归结，此时 就证明了L永真 3-6.如何通过消解反演求取问题的答案? 请结合例子说明之。 从反演树求取对某个问题的答案，其过程如下： （1）把由目标公式的否定产生的每个子句添加到目标公式否定之否定的子句中去； （2）按照反演树，执行和以前相同的消解，直至在根部得到某个子句为止

15、； （3）用根部的子句作为一个回答语句。 实质：把一棵根部有NIL 的反演树变换为根部带有回答语句的一棵证明树。 3-7.与/或形规则演绎系统有哪几种推理方式? 各自的特点如何？说明推理 过程。请结合例子说明之。 与/或形演绎推理推理方式：正向演绎、逆向演绎、双向演绎； 正向演绎： 从已知事实出发，正向地使用蕴含式(F 规则 )进行演绎推理，直至得到某个目标公式的一个 终止条件为止。 事实表达式的与/或变换： 1 消去公式中的“” ；2 把“”移到紧靠谓词的位置上；3 重 新命名变元名； 4 引入 Skolem函数消去存在量词；5 消去全称量词， 且使各主要合取式中的 变元不同名 把领域知识的

16、表示形式变成规定形式的步骤：1 消去公式中的“” ；2 把“”移到紧靠 谓词的位置上；3 引入 Skolem 函数消去存在量词；4 消去全称量词5 恢复蕴含式 推理过程： 1 用与 /或树把已知事实表示出来 2 用 F规则的左部和与/或树的叶节点进行匹配，并将匹配成功的F规则加入到与 /或树中 3 重复第 (2)步，直到产生一个含有以目标节点作为终止节点的解图为止 逆向演绎推理： 从待证明的问题(目标 )出发，通过逆向地使用蕴含式(B 规则 )进行演绎推理， 直到得到包 含已知事实的终止条件为止 变换过程与正向演绎推理中的已知事实的变换相似。先消去全称量词，方法是用存在量 词约束的变元的Sko

17、lem函数消去全称量词约束的相应变元，然后在消去存在量词 推理过程： 1 用与 /或树把目标公式表示出来 2 用 B 规则的右部和与/或树的叶节点进行匹配，并将匹配成功的B规则加入到与/或树中 3 重复进行第(2)步，直到产生某个终止在事实节点上的一致解图为止 与/或形双向演绎推理： 由表示目标及表示已知事实的两个与/或树结构组成，这些与/或树分别由正向演绎的F 规则及逆向演绎的B 规则进行操作， 并且仍然限制F规则为单文字的左部，B规则为单文字 的右部。 第 4 部分不确定推理 4-1.研究不确定性推理有何意义?有哪几种不确定性 ? 现实世界中遇到的问题和事物间的关系往往比较复杂，客观事物存

18、在的随机性、模糊性、 不完全性和不精确性，往往导致人们认识上一定程度的不确定性。这是， 若仍然采用经典的 精确推理方法进行处理，必然无法反映事物的真实性。谓词， 需要在不完全和不确定的情况 下运用不确定知识进行推理，即进行不确定性推理。 （课件）意义：使计算机对人类思维的模拟更接近于人类的真实思维过程。 不确定性推理是一种建立在非经典逻辑基础上的基于不确定性知识的推理，它从不确定 性的初始证据出发，通过运用不确定性知识，推出具有一定程度的不确定性的和合理的或近 乎合理的结论。 由两种不确定性，即关于证据的不确定性和关于结论的不确定性 4-2.在什么情况下需要采用不确定推理? 选择不确定性表示方

19、法时应考虑的因素：充分考虑领域问题的特征；恰当地描述具体问题的 不确定性；满足问题求解的实际需求；便于推理过程中对不确定性的推算 4-3.简述概率方法、Bayes网等不确定推理方法。请结合例子说明之。 4-4. Bayes网的两个要素是什么？Bayes网蕴涵的条件独立假设是什么？简述 Bayes网的推理模式。请结合例子说明之. 贝叶斯网的两个要素：一组条件独立性假定（可表示为一有向无环图）以及一组局部条 件概率集合； 精确定义条件独立性： 令X,Y和Z为 3 个离散值随机变量， 当给定Z值时X服从的概率分布独立于Y的值， 称X在给定Z时条件独立于Y，即 )|(),|(),( kikjikji

20、zZxXPzZyYxXPzyx 上式通常简写成)|(),|(ZXPZYXP 扩展到变量集合： 下面等式成立时，称变量集合 l XX . 1 在给定变量集合 n ZZ . 1 时条件独立于变量集合 m YY. 1 ).|.().,.|.( 11111nlnml ZZXXPZZYYXXP 推理模式：可以用贝叶斯网在给定其他变量的观察值时推理出某些目标变量的值 由于所处理的是随机变量，所以一般不会赋予目标变量一个确切的值 真正需要推理的是目标变量的概率分布，它指定了在给予其他变量的观察值条件下， 目标变量取每一个可能值的概率 在网络中所有其他变量都确切知道的情况下，这一推理步骤很简单 一般来说，贝叶

21、斯网络可用于在知道某些变量的值或分布时计算网络中另一部分变量的概率 分布 第 5 部分机器学习 5-1 什么是学习和机器学习 ?为什么要研究机器学习 ? 学习（西蒙） ：学习就是系统在不断重复的工作中对本身能力的增强或者改进，使得系 统在下一次执行同样任务或类似任务时，比现在做的更好或效率更高。 （课件） 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。 机器学习： 机器学习是研究如何使用机器来模拟人类学习活动的一门学科。稍为严格的 提法是：机器学习是一门研究及其获取新知识和新技能，并识别现有知识的学问。 机器学习进入新阶段的重要性表现在以下诸多方面： （1）机器

22、学习已成为新的边缘学科并在高校形成一门课程。 （2）结合各种学习方法，取长补短的多种形式的继承学习系统研究正在兴起。 （3）机器学习与人工智能各种基础问题的统一性观点正在形成。 （4）各种学习方法的应用范围不断扩大，一部分已形成商品。 （5）数据挖掘和知识发现的研究已形成热潮，并在生物医学、金融管理、商业销售等 领域得到成功应用，给机器学习注入新的活力。 （6）与机器学习有关的学术活动空前活跃。 （课件）机器学习的重要性：机器学习是人工智能的主要核心研究领域之一, 也是现代智能 系统的关键环节和瓶颈；很难想象: 一个没有学习功能的系统能被称具有智能的系统；来自 生物、金融与网络等各领域的数据，

23、迫切需要分析或建立模型。 5-2 试述机器学习系统的基本结构，并说明各部分的作用。 环境向系统的学习部分提供某些信息，学习部分利用这些信息修改知识库，以增进系统 执行部分完成任务的效能，执行部分根据知识库完成任务，同时把获得的信息反馈给学习部 分。在具体的应用中，环境、知识库和执行部分决定了具体的工作内容，学习部分所需要解 决的问题完全由上述三部分确定。 5-3 试说明归纳学习的模式和学习方法。 归纳学习的一般模式为： 给定：观察陈述（事实）F，用以表示有关某些对象、状态、过程等的特定知识； 假定的初始归纳断言（可能为空）；背景知识，用于定义有关观察陈述、候选断言以及任 何相关问题领域知识、假

24、设和约束，其中包括能够刻画所求归纳断言的性质的优先准则。 求：归纳断言（假设）H，能重言蕴涵或弱蕴涵观察陈述，并满足背景知识。 学习方法： （1）示例学习： 示例学习又称为实例学习，它是通过环境中若干与某概念有关的例子， 经归纳得出一般性概念的一种方法。在这种学习方法中，外部环境 （老师）提供的是一组例 子（正例和反例） ，它们是一组特殊的知识，每一个例子表达了仅适用与该例子的知识。示 例学习就是要从这些特殊知识中归纳出适用于更大范围的一般性知识，以覆盖所有的正例并 排除所有的反例。 （2）观察发现学习：观察发现学习又称为描述性概括，其目标是确定一个定律或理论的一 般性描述， 刻画观察集， 制

25、定其类对象的性质。观察发现学习可分为观察学习与机器发现两 种。前者用于对事例进行聚类，形成概念描述；后者用于发现规律，产生定律或规则。 5-4 简述概念学习的基本过程，请结合例子说明之。 概念， 可被看作一个对象或事件集合，它是从更大的集合中选取的子集，或在这个较大 集合中定义的布尔函数。 概念学习问题的定义： 给定一个样例集合以及每个样例是否属于某个概念的标注，怎样推断出该概念的一般定 义。又称从样例中逼近布尔函数。 概念学习是指从有关某个布尔函数的输入输出训练样例中推断出该布尔函数。 环境学习知识库执行 已知： 实例集 X：每个实例x 由 6 个属性描述，每个属性的取值范围已确定 假设集

26、H：每个假设h 描述为 6 个属性的取值约束的合取 目标概念 c：一个布尔函数，变量为实例 训练样例集D：目标函数（或目标概念）的正例和反例 求解： H 中的一假设h，使对于X中任意 x，h(x)=c(x) 5-5 简述决策树方法及其使用场合；在构造决策树的过程中，测试属性的选取 采用什么原则？如何实现？请结合例子说明之。 决策树学习是一种逼近离散值目标函数的方法，在这种方法中学习到的函数被表示为一 棵决策树。学习得到的决策树也能再被表示为多个if-then 的规则，以提高可读性。 决策树通过把实例从跟结点排列到某个叶子结点来分类实例，叶子结点即为实例所属的 分类。树上的每一个结点指定了对实例

27、的某个属性的测试，并且该结点的每一个后继分支对 应于该属性的一个可能值。分类实例的方法是从这棵树的根结点开始，测试这个结点指定的 属性，然后按照给定实例的该属性值对应的数值向下移动。然后这个过程在以新结点为根的 子树上重复。 决策树学习最适合具有一下特征的问题： （1）实例是由“属性-值”对表示的； （2）目标函数具有离散的输出值； （3）可能需要析取的描述； （4）训练数据可以包含错误； （5）训练数据可以包含缺少属性值的实例。 最佳分类属性： 信息增益： 用来衡量给定的属性区分训练样例的能力 ID3 算法在增长树的每一步使用信息增益从候选属性中选择属性 用熵度量样例的均一性： 熵刻画了任意

28、样例集的纯度 属性选择度量标准分支指标： 信息增益：用信息增益度量期望的熵降低 增益比率： 基尼指数： 5-6 简述贝叶斯学习方法，有哪些特性？朴素贝叶斯分类器基于的假定是什 么？请结合例子说明之。 贝叶斯推理提供了一种概率手段，基于如下的假定：待考察的量遵循某概率分布，且可 根据这些概率及已观察到的数据进行推理，以作出最优的决策；贝叶斯推理为衡量多个假设 的置信度提供了定量的方法；贝叶斯推理为直接操作概率的学习算法提供了基础，也为其他 算法的分析提供了理论框架。 贝叶斯学习方法的特性： （1）观察到的每个训练样例可以增量地降低或升高某假设的估计概率。而其他算法会 在某个假设与任一样例不一致时完全去掉该假设； （2）先验知识可以与观察数据一起决定假设的最终概率，先验知识的形式是：1）每 个候选假设的先验概率；2）每个可能假设在可观察数据上的概率分布； （3）贝叶斯方法可允许假设做出不确定性的预测； （4）新的实例分类可由多个假设一起做出预测，用它们的概率来加权； （5）即使在贝叶斯方法计算复杂度较高时，它们仍可作为一个最优的决策标准衡量其 他方法。 朴素贝叶斯分类器引入一个简单的假定避免数据稀疏问题：在给定目标值时， 属性值之间相 互条件独立，即 i jijn vaPvaaP)|()|,.,( 1 。