数学之路(3)-机器学习(4)-专家系统(4)

专家系统中推理

一、主要两种方式

1、正向链：从事实到结论的推理。如果外面在下雨，你就应带伞。

2、反向链：从假设（要证明的结论）到事实的推理。如果外面有人打伞，且鞋子湿了，那么假设外面下雨。

二、反射：为避免无谓循环，基于规则的专家系统采用反射，规则在同样的事实一次又一次触发，则专家系统不做任何事。

三、推理机重复执行任务的伪码

while 还没终止

冲突归结 :如果有激活者，选择最高优先级的一个，否则终止

动作：顺序执行选中的激活者右部的行为，在这个循环中改变工作记忆的激活者有即时的效果。从议程中删去刚刚触发过的激活者。

匹配：通过检测任何一个规则的左部是否被满足来更新议程。如果满足，激活它们。如果左部不再满足则删除它们。

终止检测：如果一个终止行为被执行或给出一个中断命令，那么终止。

end-while

接收一条新的用户命令

具体方法如下：

1、演绎：由前提推出结论的逻辑推理。

2、归纳：从特殊到一般的推理。归纳是机器学习的主要方法，计算机不需要人的干预而学习。

3、直觉：没有证明的理论，专家系统没有实现这种类型的推理，神经网络系统可以保证。

4、启发式：基于经验的规则。

5、生成与验证：试验与排错。为提高效率，常与规划一起使用。

6、溯因，从一个正确的结论反推出可能导致这个结论的前提。

7、默认推理：在缺乏特定知识的情况下，假定通用知识。

8、自知：自觉知识。

9、非单调推理：当获得新证据时，先前的知识可能不正确。

10、类比：基于与另一种情况的相似性推出一个结论。神经元网络通过识别数据中的模式再推理出新的情况。

本博客所有内容是原创，如果转载请注明来源

http://blog.csdn.net/myhaspl/

专家系统中知识的层次结构

从底层到高层如下 ：

1、噪音，几乎没有意义的事项和含糊难解的数据组成。

2、数据有潜在意义的事项。

3、信息或是经过加工后具有意义的数据。

4、专门化信息的知识，是行为依据，且受到保护。

5、元知识：知识的规则。

6、智慧，有效地使用知识