人工智能原理

人工智能：研究如何在机器上实现人类智能的学科。

定义

人工智能是指由计算机实现的人造智能。人工智能就是用人工的方法在机器（计算机）上实现的智能。作为一门学科，人工智能可定义为：人工智能是一门研究如何构造智能机器（智能计算机）或智能系统，使它能模拟、延伸、扩展人类智能的学科。（能力）

人工智能是一门交叉边缘学科，与人工智能有关的学科有：计算机科学、数学、哲学、语言学、神经生理学、神经心理学、脑科学、认知科学、逻辑学、控制论等.（学科）

  • 为什么要研究人工智能
    1、现有计算机系统智能的局限性。
    2、人类智能的局限性。学习能力因人而异、学习速度慢、效率低。
    3、信息化社会的迫切要求。

  • 目标：
    近期：用机器来模拟和实现人的部分/某些智力功能；
    远期：全部甚至可以延伸人的智慧。

  • 智能：

    有效获取、传递、处理、再生和利用信息，从而在任意给定的环境下达到预定目的的能力。

  • 智能特征：
    具有感知能力。通过视觉、听觉、触觉、味觉和嗅觉感知外部世界。
    具有记忆与思维能力。记忆能存储由感知器官感知到的外部信息以及有思维所产生的知识。思维用于对记忆的信息进行处理。思维可分为逻辑思维和形象思维。
    具有学习能力及自适应能力。
    具有行为能力。

研究方法

结构派

（神经计算、生理学派、连接主义）
网络连接为主的联结主义；

  • 主要观点：
    智能活动的基元是神经细胞；
    智能活动过程是神经网络的状态演化过程；
    智能活动的基础是神经细胞的突触联结机制；
    智能系统的工作模式是模仿人脑模式。

  • 主要特征：
    1、通过神经元之间的并行协同作用实现信息处理，具有并行性、动态性、全局性。
    2、通过神经元间分布式的物理联接存储信息。联想记忆、容错性。
    3、通过神经元间连接强度的动态调整实现自学习和自适应功能。
    4、善于模拟人类的形象思维过程。

功能派

（符号主义、心理学派、逻辑学派）
符号处理为核心的方法；

  • 主要观点：
    思维的基元是符号；
    思维的过程是符号运算；
    智能的核心是知识，利用知识推理进行问题求解；
    智能活动的基础是物理符号系统，人脑电脑都是物理符号系统；
    知识可用符号表示，可建立基于符号逻辑的智能理论体系。

行为模拟派

（行为主义、进化主义、控制论学派）
基于感知-行为模型的研究途径和方法。

  • 主要观点：
    智能行为的基础是感知－行动的反应机制；
    智能系统的智能行为需要在真实世界的复杂境遇中进行学习和训练，在与周围环境的信息交互与适应过程中不断进化和体现；
    强调智能系统与环境的交互，认为智能取决于感知和行动；
    智能行为可以不要知识。

历史上的人工智能大师

阿伦•图灵（Alan Turing）

马文•明斯基（Marniv Lee Minsky）

约翰•麦卡锡 John McCarthy

爱德华•费根鲍姆 （Edward A. Feigenbaum）

数据和信息、知识

数据：包括事实和数字，未经加工的事实和符号。

信息：从数据中提炼出来的有关信息，经过分析处理的数据形成信息。数据是信息的载体和表示，信息是数据在特定场合下的具体含义。

知识： 是有关信息关联在一起所形成的信息结构，反映客观世界中事物之间的关系。

image-20230228202546209

知识

知识的特性

客观性；
相对正确性： 一定条件、时间、环境；
进化性
依附性：离开载体的知识是没有的；
不确定性： 信息和关联的随机性、模糊性、不完全性、经验性；
可表示性；可利用性；可重用性；
共享性。

知识的层次

事实：知识的最底层，对象、符号和事件之间的各种关系；
概念：关于具有共同属性的一组对象、事件和符号的知识；
规则：一组操作和步骤，被用于完成某一目标，解决某一问题或产生某种结果；
启发式知识：是知识的最高层，是关于规则的知识，是事实、概念和规则的综合。

知识的分类

1 作用范围：常识性知识、领域性知识；
2 作用及表示：
事实性知识
过程性知识
控制性知识
3 确定性：确定性知识、不确定性知识
4 结构和表现形式：逻辑性知识、形象性知识
5 其他：领域知识、元知识

知识的表示方法

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；是理智推理的部分理论；是有效计算的载体；是交流的媒介（如语义网络）；是对知识的一种描述，是一种机器可以接受的用于描述知识的数据结构。

基本方法

产生式规则、语义网络、框架、谓词逻辑、语义网、知识图谱等

基于逻辑的知识的表达：

一阶谓词，非经典逻辑（模态逻辑、模糊逻辑、时序逻辑、非单调逻辑）；

面向对象的知识表示：

对象、框架、语义网；Agent;

基于规则的知识表达：

产生式系统；

基于模型的知识表示

状态空间表示

利用状态变量和操作符号，表示系统和问题的有关知识的符号体系。

  1. 三元组：（S，F，G）

image-20230307130336199

image-20230307130352222

image-20230307130358034

image-20230514190056093

  1. 图示

    节点：对应相应的状态描述；

    弧线：旁边标明算子表明操作及状态的变化；

    最佳路径：两节点间具有最小代价；

问题1：设有三钱币，其初始状态为（反，正，反），每次翻转一个，连翻三次，问是否可达到（正，正，正）或（反，反，反）

引入三维状态变量Q=[q1,q2,q3],分别表示三钱币的状态，q=0表示正，q=1表示反；

S={[1，0，1]} ， G={[0，0，0]，[1，1，1]}

f1:把q1翻一面；
f2:把q2翻一面；
f3:把q3翻一面；
三元组：（S，{f1,f2,f3}, G)

image-20230307131717086

问题2：在状态描述中应用变量

猴子、香蕉问题

image-20230307131920246

  1. 定义状态和操作：

    引入四维变量（w,x,y,z)

    w:表示猴子所处的水平位置；
    x:猴子是否在台子上（x=1在，x=0不在）；
    y:箱子所处的水平位置；
    z:猴子是否拿到香蕉（z=1拿到，z=0没有拿到）；

  2. 定义操作

    image-20230307132144733

  3. 状态图

    image-20230307133225123

与或树表示

已知问题描述，通过一系列变换把问题最终变为一个子问题集合，并可以直接求解，解决初始问题。

（1）初始问题描述；
（2）分解/转换的规则/操作符；
（3）本原问题描述：具有明显解答，已解决的问题等。

与或图

用类似图的结构来表示把问题归约为后继问题的替换集合。

  • 与图（分解）：将复杂的大问题分解为一组简单的小问题（BCD都解决 A才解决）；

    image-20230307133756377

  • 或图（转化）：将复杂的大问题变换为等价或等效的问题（BCD任一解决，A解决）；

image-20230307133840079

构成

初始节点：原始问题
终叶节点：本原问题，无后裔
与节点：子问题对应的节点为与逻辑
或节点：子问题对应的节点为或逻辑

可解节点：

（1）终叶节点一定为可解节点；
（2）非终叶节点为或节点，后继节点中至少有一个为可解节点；
（3）非终叶节点为与节点，后继节点全部为可解节点；

初始节点可解（分解转化结束，问题解决）

解为：一棵树

终叶节点是与或树中最底层的节点，它们没有后继节点。在与或树中，每个节点都代表一个子问题，而终叶节点代表的子问题已经被分解到无法再进行下去了，因此它们是最基本的问题单元。由于终叶节点没有后继节点，因此它们不需要进一步分解就可以得到问题的解决方案。因此，在与或树中，终叶节点被视为可解节点。

不可解节点
（1）没有后继的非终叶节点；

如果一个节点不在与或树的最底层，但是没有后继节点，那么它不是终叶节点。

（2）或节点其后继节点全部为不可解节点；
（3）与节点其后继至少有一个为不可解节点；

image-20230307135928284

image-20230307135919714

产生式规则表示法

基于规则的知识表示，产生式规则的基本结构

前提状态 -》 结论动作
IF 前提 THEN 动作/结论

  • ​ IF 动物是鸟 AND 会游泳 AND 不会飞
    ​ AND 有黑白两色
    ​ THEN 该动物是企鹅

基于规则的系统的三个主要模块：

  1. 知识库：存储大量规则；
  2. 数据库：问题的事实和从规则出发推出的事实，中间结果；
  3. 推理机：将关于问题的事实与知识库中的规则匹配，求解
image-20230307140540498

  • 优点：
    （1）善于表达领域知识
    （2）控制和知识相分离
    （3）知识的模块性强
    （4）便于实现解释推理
    （5）便于使用启发性知识

  • 缺点：
    （1）单条规则容易解释，但规则之间的逻辑关系难以确定
    （2）规则数太大时（万数量级），知识库的一致性难以维护
    （3）某些类型的知识难以表示，如结构性的知识。

谓词表示法

命题逻辑、谓词逻辑：人工智能应用中的两种逻辑

  1. 命题：具有真假意义的语句，大写英文字母表示。
    无法描述客观事物的结构、逻辑特征、不同事物之间的共同特征；

  2. 谓词：由谓词名和个体/客体变元/变元构成；个体表示某个独立存在的事物或抽象的概念；谓词名用于刻画个体的性质、状态或个体间的关系。 P（x1,x2, … , xn) n元一阶谓词、二阶谓词

谓词公式

连接词：将简单命题连接起来构成一个复合命题，表示复杂的含义。

image-20230307142110574

​ 非 与 或 蕴含 当且仅当 存在量词 全称量词（所有为真才为真）

两个谓词公式等价：

​ P、Q为两个谓词公式，D为其共同个体域，对D上的任何一个解释，P、Q都有相同的真值，称为等价。

谓词公式表示知识：

（1）定义谓词，指出每个谓词的确切含义；
（2）用连接词将相关谓词连接起来，用公式表达完成意义。

image-20230314130554227

对于所有x来说如果它是机器人就是灰色

  • 谓词逻辑中的蕴涵式和产生式规则的基本形式相同，是其特殊情况：
    （1）谓词逻辑表示精确的知识，而产生式规则不仅可以表示精确知识，也可表示不精确的，例后跟可信度；
    （2）在推理匹配过程中，产生式规则可进行不精确匹配。

语义网络法

语义网络是用图来表示知识，表示事物概念及语义关系。

​ 节点：表示概念、实体、事物、事件等；

​ 弧线或链线：表示关系。

表示

  1. 基本单元： <节点><语义关系><节点>
    网络：<基本单元>组合
  2. 表示基本事物和概念：

image-20230314131852538

  1. 表示情况、动作、事件：

    用一节点表示，拥有一组向外的弧，表示不同的情况。

    image-20230314132311840

占用-1是占用的特殊事例

  1. 连接词逻辑关系

    增设合取、析取节点；增设标注。
    例： 与会者有男有女，有年老的，有年轻的。

image-20230314132736282

  1. 量化（部分网络）：网络分区+全称链

    image-20230314133428227

  2. 多元网络：一个节点有多个向外的弧。

  3. 常见语义联系

    ​ A member of 个体和集体
    ​ Composed of 构成
    ​ have 占有、拥有
    ​ Before, After ,At 时间
    ​ Located_on 事物间位置关系
    ​ Similar to 比较
    ​ A Kind of 分类
    ​ Part 聚集、从属

求解

  1. 继承推理：
    语义联系上有继承含义，能有属性的继承。
  2. 匹配：
    构造问题的语义网络片段；
    与存储的语义知识网络进行匹配求解

image-20230314134014061

image-20230314134023052

  1. 优点：
    联想性，体现联想思维过程；
    自然性，表现问题直观，易于理解；
    结构性，结构化的知识表示方式。

  2. 缺点：
    非严格性，无统一公认的形式表示体系；
    处理复杂性；
    对于判断性知识、深层知识或与时间因素相关的动态知识不善于表达。

知识图谱

知识图谱是一种揭示实体之间关系的语义网络，可以对现实世界的事物及其相互关系进行形式化地描述。现在的知识图谱已被用来泛指各种大规模的知识库。

知识图谱专注于如何以工程的方式，从文本中自动抽取或依靠众包的方式获取并组件广泛的、具有平铺结构的知识实例，最后再要求使用它的方式具有容错、模糊匹配等机制。

E={e1,e2,…,e|E|}是知识库中的实体集合，共包含|E|种不同实体;
R={r1,r2,…,r|E|} 是知识库中的关系集合，共包含 | R | 种不同关系;
S 属于 E ╳R ╳ E 代表知识库中的三元组集合

  • 实体是知识图谱中的最基本元素，不同的实体间存在不同的关系。

  • 关系用来连接两个实体，刻画它们之间的关联。

  • 概念主要指集合、 类别、对象类型、事物的种类，例如人物、地理等;

  • 属性主要指对象可能具有的属性、特征、特点以及参数，例如国籍、生日等;

  • image-20230315211115988

    知识图谱构建

    从最原始的数据（包括结构化、半结构化、非结构化数据）出发，采用一系列自动或者半自动的技术手段，从原始数据库和第三方数据库中提取知识事实，并将其存入知识库的数据层和模式层，这一过程包含：

    知识抽取
    知识表示
    知识融合
    知识推理
    每一次更新迭代均包含这四个阶段。

属性图：

  • 节点(Nodes)：是图中的实体，用表示其类型的0到多个文本标签进行标记，相当于实体。

  • 边(Edges)：是节点之间的定向链接，每条边连接一个“from node”和一个“to node” 。边是定向的且每条边都有一个标签，它们可以在任何方向上导航和查询。相当于实体之间的关系。

  • 属性(Properties)：是一个键值对，顶点和边都可以包含属性。

    满足如下性质：
    1）每个节点具有唯一的id
    2）每个节点具有一组属性，每个属性是一个键值对；
    3）每条边具有唯一的id
    4）每条边具有一个标签，表示联系
    5）每条边具有一组属性，每个属性是一个键值对

RDF：

RDF就是资源描述框架，可以理解成一种资源表示的模板，就是一种知识表达形式。就是只有实体及关系没有概念（domain和range）.形式上也就是大家最常见的<实体-关系/属性-实体/属性值>三元组。

image-20230315211404216

框架表示法

框架提供一种结构和组织，描述一种格式相对固定的语义网络的节点和槽。
以框架作为一基础单位，语义网络可看作框架集合。

构成

框架名
槽 ： 指框架中的一个属性或特征，例如“颜色”、“大小”等。
侧面
值
约束条件

框架通常有描述事物各个方面的若干槽（slot）组成，每一个槽也可以根据实际情况\拥有若干个侧面（aspect），每一个侧面又可以拥有若干个值（value）。

image-20230314140738915

image-20230314140754647

表示及值的说明：

（1） 框架名的值允许带参数，被调用时需要提供；

（2） 槽值和侧面值可以是过程调用、谓词表达等;

（3） 槽值和侧面值可以定义某些约束和限定条件，例如范围、缺省值等等；

（4）约束部分为可选部分。

框架网络

（1）横向联系：框架中的槽值和侧面值是另一个框架的名字，例如教师框架、住址框 架、工资框架等之间的调用；
（2）纵向联系：用继承槽来建立纵向联系，下层框架可以继承上层框架的值，
例如教职工框架和教师框架之间。

槽、侧面的设置和组织

（1）充分表达各方面的属性
（2）充分表达相关事物之间的关系。常见槽：
ISA ：概念类属关系，是一个、一类、一种；
AKO：具体类属关系，是一种；
Subclass:子类、子集；
Instance：AKO的逆关系，指出其下层框架；
Part of：部分与全部的关系；
Infer：表示两框架之间的逻辑关系，蕴涵，条件与结论；
（3）对槽和侧面进行合理组织
共性抽取，选择合适的槽
（4）有利于进行求解和推理

image-20230315211442954

求解

默认推理，继承推理

image-20230315211556681

image-20230315211608257

相似网络：
候选框架不能满足项目匹配，寻找其它可选择的网络，建立一种框架的相似网络。

特点

结构性，嵌套式结构，深入表达；
自然性；
继承性；
不善于表达过程性的知识。

面向对象的表示法

以面向对象的观点进行描述。
研究领域和世界由各种对象构成，对象又可被划分成对象类。

面向对象方法学的观点，对象的形式定义为：
对象 ::= <ID, DS, MS, MI>，其中：
ID为对象标识名；
DS描述对象当前的内部状态和所具有的静态属性；
MS说明对象所具有的内部处理方法或对受理消息的操作过程；
MI为对象接收外部信息和驱动内部方法的对外接口。

image-20230315211713715
继承性

​ 单继承性：每一对象类只有唯一的父类；
​ 多继承性：允许对象类从一个以上的父类中继承信息。

封装性

​ 用于定义一个对象的实例属性和方法，仅仅属于该对象，对其他对象不可见。