2026课件-人工智能导论每章课后习题答案-新版

第二章习题1知识的含义是什么?有哪些分类?为确定性知识和非确定性(模糊性)知识。2什么是知识表示?有哪些知识表示方法?知识表示方法有，状态空间表示法、谓词逻辑表示法、语义网络表示法、框架表示法等等。3描述一个好的知识表示需要有哪些特征?4为以下事实开发一个语义网络：5框架法和面向对象编程有什么共同点?6假如要使用一种知识表示方法表示篮球赛，应该使用哪一种知识表示方法?(可以查阅最新发展的一些方法)第三章1.什么是推理，请从多种角度阐述推理?正向推理(事实驱动推理)是由已知事实出发向结论方向的推理。基本思想是：系统根据用户提供的初始事实，在知识构成可适用的规则集RS,然后按某种冲突解决策略从RS中选择一条知识进行推理，并将推出的结论作为中间结果加入到数据库DB中作为下一步推理的事实，在此之后，再在知识库中选择可适用的知识进行推理，如此重复进行这一过程，直到得出最终结论或者知识库中其中包括必要的回溯。由于不能反推，系统的解释功能受到影反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或逆向推理。反向推理的基本思想是：首先提出一个假设目标，然后由此出发，进一步寻找支所需的证据都能找到，则该假设成立，推理成功；若无法找到支持该假设的所有证据，则说明此假设不成与正向推理相比，反向推理的主要优点是不必使用与目标无关的知识，目用户提供解释。反向推理的缺点是在选择初始目标时具有很大的盲目性，若假设不正确，就有可能要多次反向推理比较适合结论单一或直接提出结论要求证实的系统。演绎推理、归纳推理、默认推理确定性推理、不精确推理启发式推理、非启发式推理2.什么是逆向推理?它的基本过程是什么?(1)将问题的初始证据和要求证的目标(称为假设)分别放入综合数据库和假设集；(2)从假设集中选出一个假设，检查该假设是否在综合数据库中，若在，则该假设成立。此时，若假设集为空，则成功退出。否则，扔执行(2)。若该假设不在数据库中，则执行下一步；若不是，则转(5),若能由某个知识导出，则执行下一步；(4)将知识库中可以导出该假设的所有知识构成一个可用知识集；(5)检查可用知识集是否为空，若空，失败退出。否则执行下一步；(6)按冲突消解策略从可用知识集中取出一个知识，继续执行下一步；(7)将该知识的前提中的每个子条件都作为新的假设放入假设集，转(2)。3.什么是置换?什么是合一?(3)(Vx)(3y)(P(x.y)V(QKx,(Vx)(3y)(P(x.y)V(-Q(x.(Vx)(P(x,f(x))V-Q(x.f(x)VF(x,y):x是y的父亲F2:(Vy(P(x)→F(x.y》)F(x.y)V-F(y.z)VGF(x,z)F(x.y)V-F(y.z)VGF(x,z)F(y.z)V-P(y)P()VF(s,r)NIL第四步，用归结演绎推理进行证明NIL频率派认为在大量重复进行同一实验事件A发生的频率总是接近某一个常数，并在它附近进行摆动，这时将这个常数叫事件A的概率，记作P(A).(1)、事件A发生的概率是常数。(2)、事件A发生的概率是重复多次进行同一实验得到的。频率学派评估可重复实验事件发生的概率具有一但是假如评估全球温度在本世纪内上升亮度的概率，按照频率学派的思想，首先需要世界，然后计算全球温度在本世纪内上升亮度的平行世界的频率，记该频率为全球温度在本世纪内上升亮度的概率。而这种非可重复实验不可实现，因此频率学派在评估不可重复实验事件发生的概率具有很大的限制性。贝叶斯学派认为：评估事件A发生的概率带有主观性，且事件A发生的概率是当前观测数据集D下的概率，即条件概率P(AD),当观测数据集更新为D1时，则事件A发生的概率为P(AD1),不同的数据集预测A事件发生的概率不同。贝叶斯学派评估事件A发生的概率会引用先验概率和后验概率两个概念，(1)、事件A发生的概率是变化的，并非常数。(2)、事件A发生的概率是特定数据集下的条件概率。(3)、事件A发生的概率是后验概率，且事件A发生的先验概率已给定。贝叶斯学派的难点在于如何设置合理反映事件A发生的先验概率2主观贝叶斯推理相对于基本的概率推理有哪些优点?基本概率推理的缺点是要求给出结论的先验概率及证据的条件概率,尽管比相对容易得到，但是要想得到这些数据仍然是一件相当困难的工作。另外B的应用条件是很严格的，它要求各事件互相独立等。如果各个证据间存在依赖关系，就不能直接使用这个方法主观贝叶斯方法的主要优点是基于概率发展而来，理论模型精确，灵敏度高，可信度方法直观，非确定性测度的计算也比较简便，因而在许多专家系统中得到有效的应用。4证据理论相对于贝叶斯推理有哪些优点?主观贝叶斯推理的主要缺点是需要的主观概率太多，也需要经验丰富的专家才家给出。而证据理论可以处理由“不知道“引起的非确定性，并且不必事先给出知识的先验概率，与主观5模糊推理中两种匹配度的计算方法，语义距离和贴近度有哪些不同和特点?语义距离刻画的是两个模糊概念之间的差异，有多种方法可以计算语义距离。贴接近程度，可直接用来作为匹配度。1.什么是被索?有哪两大类不同的搜索方法?两者的区别是什么?可根据搜索过程是否使用启发式信息分为盲目搜索和启发式搜索，也可根据问空间搜索和与或搜索盲目搜索是按预定的控制策略进行搜索，在搜索过程中获得的中间信启发式搜索是在搜索中加入了与问题有关的启发性信息，用于指导搜索朝速问题的求解过程，并找到最优解。状态空间搜索是指用状态空间法来表示问题所进行的搜索。2.深度优先搜索与广度优先被索的区别是什么?解：深度优先搜索与广度优先搜索的区别在于：在对节点n进行存放位置不同。广度优先搜索是将后继节点放入OPEN表的末端，而深度优先搜索则是将后继节点放入OPEN表的前端。广度优先搜索是一种完备搜索，即只要问题有解就一定能够求出，而深度优先搜索是不完备搜索。在不要求求解速度且目标节点的层次较深的情况下，广度优先搜索优于深度优先搜度且目标节点的层次较浅的情况下，深度优先搜索优于广度优先搜索。3.为什么说深度优先搜索和代价树的深度优先被索可以看成局部择优搜索的两个特例?解：深度优先搜索、代价树的深度优先搜索以及局部优先搜则它将退化为深度优先搜索。因此，深度优先搜索和代价树的深度优先搜索是局部择优搜索的两个特例。4.局部择优搜索与全局择优搜索的相同之处与区别是什么?解：根据搜索过程中选择扩展节点的范围，启发式搜索算法可分为全局择优搜索算算法。其中，全局择优搜索算法每当需要扩展节点时，总是从Open表的所有节点中选择一个估价函数值最小的节点进行扩展，局部择优搜索算法每当需要扩展节点时，总是从刚生成的子节点中选择一个估价函数值最小的节点进行扩展。A.“与/或”图就是用“AND”和“OR”连续各个部分的图形，用来描述各部分的因果关系B.“与/或”图就是用“AND”和“OR”连续各个部分的图形，用来描述各部分之间的不确定关系C.“与/或”图就是用“与”节点和“或”节点组合起来的树形图，用来描述某类问题的层次关系D.“与/或”图就是用“与”节点和“或”节点组合起来的树形图，用来描述某类问题的求解过程h(A)=max{b(B)+5,b(C)+6)=max{(h(E)+2)+5,h=max{(max(2,3)+2)+5,max(2(1)船太小，农夫每次只能带一样东西过河(2)如果没有农夫看管，则狼要吃羊，羊要吃菜请设计一个过河方案，使得农夫、狼羊都能不受损失的过河。有一衣夫带一条狼，一只羊和一框青菜与从河的左岸乘船倒右岸，(1)船太小，农夫每次只能带一样东西过河；(2)如果没有农夫看管，则狼要吃羊，羊要吃菜。示在右岸。(2)把每次过河的一种安排作为一种操作，每次过河都必须有农夫，因为只有他可以划船。解：第一步，定义问题的描述形式用四元组S=(f,w,s,v)表示问题状态，其中，f,w,s和γ分别表示农夫，狼，羊和青菜是否在左岸，它们都可以取1或0,取1表示在左岸，取0表示在右岸。第二步，用所定义的问题状态表示方式，把所有可能的问题状态表示出来，包括问题的初始状态和目标状态。由于状态变量有4个，每个状态变量都有2种取值，因此有以下16种可能的状态：So=(0,0,0,0),S=(0,0,0,1),Sz=(0,0,1,0SL₂=(1,1,0,0),Sn=(1,1,0.1),S=(1,1,1,0)其中，状态S;,S₆.S,Ss,Sg,S₂是不合法状态，So和Ss分别是初始状态和目标状态。第三步，定义操作，即用于状态变换的算符组F由于每次过河船上都必须有衣夫，且除衣夫外船上只能载L(i)表示衣夫从左岸将第i样东西送到右岸(j=1表示狼，i=2表示羊，i=3表示菜，i=0表示船上除农夫外不载任何东西)。由于农夫必须在船上，故对农夫的表示省略。R(i)表示农夫从右岸将第i样东西带到左岸(i=1表示狼，i=2表示羊，i=3表示菜，i=0表示船上除农夫外不载任何东西)。同样，对农夫的表示省略。这样，所定义的算符组F可以有以下8种算符：第6章参考答案1、熵是表示随机变量不确定的度量，是对所有可能发生的事件产生的信息量的期望。对于二分类来说，即一个随机事件有两种可能性：发生和不发生，设发生的概率为p,则不发生的概率为1-p,于是其熵的计算公式为：假如一个随机事件有三种可能的状态：状态1、状态2、状态3,其概率分别为P₁、P₂、P₃,则有P₁+P₂+P₃=1,于是它的熵的计算公式为：H=-p*log₂P-P₂*log₂P₂-熵越大，不确定性就越大，熵越小，不确定性就越小(即确定性越大)。极端的情况下，假如一个随机事件必然要发生，即其概率为1,那么它就没有不确定性了，此时熵最小为0.条件熵是给定某种条件的情况下重新计算的熵假设给定的条件X有状态1、状态2两种可能性，则其概率分别为Px₁、Px2,则条件熵的计算公式为其中Hx、Hx2分别为X在状态1和状态2下计算的熵。2、采用ID3算法，先计算总的熵，再计算各个条件熵，然后计算出有房子有房子是信贷情况好年龄中、青年贷款不贷款有工作不贷款不贷款否第6章第2题决策树4、首先计算如下：P(有房子|不贷款)=0,P(无房子|不贷款)=15、支持向量机的目的是寻找一个最优分类面(分割超平面),这个超平面不但能将两类正确分开(训练错误率为0),而且使分类间隔最大。即最优分类面能使训练集中的点距离分类面尽可能的远，也就是最优分类面两侧的空白区域6、有一对多法、一对一法、层次分类法。7、(1)监督学习方法必须要有训练集与测试样本，在训练集中找规律，而对测试样本使用这种规律检测效果；而非监督学习没有训练集，只有一组数据，8、K-means算法，是基于距离的聚类算法。采用距离作为相似性的评价指近的对象组成的，因此把得到紧凑且独立的簇作为最终目标。但难点是K的确层次聚类的思想：从各类只有一个样本点开始，逐级合并，每级只合并两类别数。在聚类过程中把N个没有标签的样本分成一些合理的类时，极端情况下，最多可以分成N类，即每个样本为一类；最少可以分成一类，即所有样本9、人工神经网络(简称神经网络)是一种模仿生物神经网络(动物的中枢神经系统，特别是大脑)的结构和功能的数学模型或计算模型，用于对函数进行又叫激活处理(非线性变换函数叫激活函数)。10、BP反射传播算法建立在损失函数梯度下降的基础上，是由损失函数反12、区别于传统的浅层学习，深度学习的不同在于：(1)强调了模型结构的深度，可以有几十层、上百层隐层节点。(2)明确突出了特征学习的重要性。13、卷积神经网络(ConvolutionalNeuralNetwork,CNN)直接利用图像像素信息作为输入，通过卷积操作，模型输出直接结果。卷积神经网络组件有卷积层、池化层、全连接层。卷积层的作用：执行卷积操作提取底层到高层的特征，发掘出输入数据(图片)的局部关联性质和空间不变性质。卷积层由一系列参数可学习的滤波器集合构成，滤波器(Filter)又称之为卷积核(Kernel)。不同卷积核可以提取不同的特征，例如边缘，线性，角等特卷积神经网络的两个特点：(1)参数共享(ParameterSharing):卷积核在同一张图上的多个区域都适用。(2)局部连接(SparsityofConnection):每个神经元的输出仅仅依赖小部分输入神经元的值。14、循环神经网络是一类以序列数据为输入，在序列的演进方向进行递归且所有节点(循环单元)按链式连接的递归神经网络。循环神经网络具有记忆性、参数共享等特性。循环神经网络结构也是由输入层、隐藏层、输出层组成。循环神经网络的输出不只是与输入有关，还与时间有关，也就是说，循环神经网络的输出值0₂,是受前面历次输