《人工智能导论》习题及解答 第3章 推理方法

CH3习题与参考答案3.1简述正向推理与反向推理的优缺点，并各举一个应用场景。解答：正向推理反向推理定义从已知事实出发，不断应用规则，推导新的结论，直到得到目标结论。从目标结论出发，反向寻找支持该结论的条件。优点直观易实现，适用于数据驱动场景，能主动发现新事实。目标驱动，推理方向明确，效率较高，避免无关推导。缺点可能盲目推导，效率较低，尤其在目标不明确时易产生大量无用中间结论。对目标假设依赖性强，可能需要大量回溯，且不适用于目标未知的问题。应用场景举例生产监控系统IF温度>100THEN报警当传感器数据到达时自动推理。医疗诊断系统目标：是否患流感？系统检查：是否发烧？是否咳嗽？3.2举例说明什么是“否定前件的错误”，并解释其逻辑错误的原因。解答：“否定前件的错误”是一种形式谬误，出现在条件推理中。其推理形式为：如果P，则Q；并非P；因此，并非Q。这种推理无效，因为条件语句“如果P则Q”只表明P是Q的充分条件，但并未说明Q必须由P引起，即P不是Q的必要条件。因此，否定前件P并不能必然否定后件Q。举例说明。前提：如果下雨（P），那么地湿（Q）。观察：没有下雨（非P）。结论：所以地不湿（非Q）。这个结论是错误的，因为地湿可能由其他原因导致，例如洒水车经过、水管破裂或露水等。因此，否定前件（没有下雨）无法推出后件必然为假。逻辑错误的原因。条件命题“P→Q”的逻辑含义是：当P为真时，Q必为真；但当P为假时，Q可真可假，没有约束。否定前件相当于忽略了其他可能导致Q为真的可能性，错误地将充分条件当作必要条件。在逻辑学中，有效的推理形式只有肯定前件（P→Q,P,所以Q）和否定后件（P→Q,非Q,所以非P）。否定前件则违反了这一规则。3.3证据理论中，如何通过基本概率分配函数计算信任函数Bel(A)？解答：在证据理论中：对命题A的总信任，等于所有明确支持A的子集所对应的基本概率之和。m(A)表示证据直接支持集合A的概率质量。信任函数：BelA=B⊆AmB，举例假设有一个识别框架Θ={a,b,c}，代表三种可能的疾病。专家给出的基本概率分配如下：m({a})=0.3//证据直接指向am({b})=0.2//证据直接指向bm({a,b})=0.4//证据指向a或b（无法区分）m(Θ)=0.1//证据指向全集（完全未知）（1）计算Bel({a,b})：根据公式Bela,b=m{a,b}的所有子集包括：∅,{a},{b},{a,b}。（注意：通常计算时忽略m(∅)）。m({a})=0.3（因为{a}⊆{a,b}）m({b})=0.2（因为{b}⊆{a,b}）m({a,b})=0.4（因为自身是自身的子集）因此：Bel({a,b})=0.3+0.2+0.4=0.9（2）计算Bel({a})：{a}的子集只有∅和{a}，m({a})=0.3因此：Bel({a})=0.33.4模糊关系合成中，合成法则是什么？请用公式表示。解答：在模糊关系合成中，最常用的法则是最大-最小合成。设R是论域X×Y上的模糊关系，S是论域Y×Z上的模糊关系，则R与S的合成T=R∘S是X×Z上的模糊关系，其隶属度函数定义为：μT其中μRx3.5已知：所有猫科动物（Felis）都是哺乳动物（Mammal）。老虎（Tiger）是猫科动物。求证：老虎是哺乳动物。要求：用谓词逻辑表示已知和结论，并写出推理步骤。解答：谓词逻辑表示前提1：所有猫科动物都是哺乳动物：∀x(Felis(x)→Mammal(x))前提2：老虎是猫科动物：Felis(Tiger)求证结论：Mammal(Tiger)推理步骤由规则∀x(Felis(x)→Mammal(x))（已知）实例化：Felis(Tiger)→Mammal(Tiger)又因为Felis(Tiger)（已知）使用肯定前件推理（ModusPonens）P→QP∴Q得到：Mammal(Tiger)结论：老虎是哺乳动物3.6将以下谓词公式转换为子句集：(∀x)(P(x)→∃yQ(x,y))解答：原公式：(∀x)(P(x)→∃yQ(x,y))步骤1消去蕴含P(x)→Q(x,y)变为¬P(x)∨∃yQ(x,y)步骤2前束范式（将量词前移）∀x∃y(¬P(x)∨Q(x,y))步骤3Skolem化引入Skolem函数：y=f(x)得到：¬P(x)∨Q(x,f(x))到子句集：{¬P(x)∨Q(x,f(x))}3.7设有规则：r1:IFE1THENH(CF=0.9)r2:IFE2THENH(CF=0.6)已知CF(E1)=0.7，CF(E2)=0.5，求H的综合可信度。解答：规则：r1:IFE1THENH(0.9)

r2:IFE2THENH(0.6)已知：CF(E1)=0.7

CF(E2)=0.5单条规则推理公式：CF(H)=CF(E)×CF(rule)规则1：CF1(H)=CF(E1)×CF(r1)=0.7×0.9=0.63规则2：CF2(H)=CF(E2)×CF(r2)=0.5×0.6=0.30合成规则当两个结论均为正(两条规则都支持H)时,用组合公式:CF=CF1+CF2-CF1*CF2计算：CF(H)=0.63+0.30-0.63*0.30

=0.93-0.189

=0.741最终结果：CF(H)≈0.743.8设识别框架Ω={a,b,c}，两个证据的基本概率分配函数为：m1({a})=0.3,m1({a,b})=0.2,m1(Ω)=0.5m2({b})=0.4,m2({c})=0.1,m2(Ω)=0.5使用Dempster组合规则计算合并后的m({a})和m({b})。解答：两个基本概率分配函数之间的集合求交集存在空集，说明存在冲突。根据Dempster组合规则，首先计算冲突因子K（K=所有交集为空的乘积之和）：m1({a})⋅m2({b})=0.3×0.4=0.12m1({a})⋅m2({c})=0.3×0.1=0.03m1({a,b})⋅m2({c})=0.2×0.1=0.02则K=0.12+0.03+0.02=0.17归一化因子1/(1−K)=1/0.83。计算交集为{a}的乘积：m1({a})⋅m2(Ω)=0.3×0.5=0.15故m({a})=0.15/0.83=15/83。计算交集为{b}的乘积：m1({a,b})⋅m2({b})=0.2×0.4=0.08m1(Ω)⋅m2({b})=0.5×0.4=0.20总和0.28，故m({b})=0.28/0.83=28/83。因此，合并后的结果为：m({a})=15/83，,m({b})=28/83

3.9已知模糊集合A和B的隶属函数为：A=0.2/x₁+0.7/x₂+1/x₃B=0.5/x₁+0.9/x₂+0.3/x₃求A∩B和A∪B的隶属度。解答：A=0.2/x1+0.7/x2+1/x3B=0.5/x1+0.9/x2+0.3/x3交集公式：μA∩B(x)=min(μA(x),μB(x))计算：x1:min(0.2,0.5)=0.2x2:min(0.7,0.9)=0.7x3:min(1,0.3)=0.3因此：A∩B=0.2/x1+0.7/x2+0.3/x3并集公式：μA∪B(x)=max(μA(x),μB(x))计算：x1:max(0.2,0.5)=0.5x2:max(0.7,0.9)=0.9x3:max(1,0.3)=1因此：A∪B=0.5/x1+0.9/x2+1/x33.10综合应用题某医疗专家系统有以下规则：规则1：IF发烧AND咳嗽THEN感冒（CF=0.8）规则2：IF头痛THEN流感（CF=0.6）已知患者症状的可信度为：发烧（0.9）、咳嗽（0.7）、头痛（0.5）。计算“感冒”和“流感”的可信度。若同时考虑两条规则，如何合成最终结论？请说明步骤。解答：规则：R1:发烧AND咳嗽→感冒(0.8)R2:头痛→流感(0.6)已知:CF(发烧)=0.9，CF(咳嗽)=0.7，CF(头痛)=0.5(1)计算每条规则的前提可信度规则1的前提是“发烧AND咳嗽”，其可信度取最小值：CF(前提1)=min(CF(发烧),CF(咳嗽))=min(0.9,0.