人工智能复习
人工智能复习
-
- 作业一：人工智能概述
- 作业二：知识与谓词
- 作业三：谓词与自然演绎推理
- 作业四：语义网表示和框架表示
- 作业五：
- 作业六：
- 作业七：
- 作业八：
- 作业九：启发式搜索
- 作业十：与或图搜索
- 作业十一：博弈树搜索
- 作业十二：不确定性推理
- 作业十三：ID3算法
- 作业十四：神经网络
作业一：人工智能概述
一、选择题
1.【多选题】认识智能的观点有___【 正确答案: ABC】
A. 思维理论
B. 知识阈值理论
C. 进化理论
D.行为理论
2.【多选题】思维方式有___【 正确答案: ACD】
A. 抽象思维
B. 逆向思维
C. 形象思维
D.灵感思维
3.【多选题】人工智能研究的领域包括___【 正确答案: ABCD】
A. 符号智能
B. 计算智能
C. 机器学习
D.机器感知
4.【多选题】智能包含的能力有___【 正确答案: ABCD】
A. 感知能力
B. 记忆和思维能力
C. 学习和自适应能力
D.行为能力
5.【单选题】图灵测试是图灵在___【 正确答案: B】年在论文中《计算机与智能》中提出的
A. 1956
B. 1950
C. 1946
D. 1940
6.【多选题】机器学习包括___【 正确答案: ABC】
A. 监督学习
B. 强化学习
C. 非监督学习
D. 群体学习
7.【单选题】AI的诞生是在___【 正确答案: A】
A. 1956年
B. 1950年
C. 1957年
D.1958
8.【多选题】参加达特茅斯会议的有___【 正确答案: ABCD】
A. 麦卡锡
B. 明斯基
C. 香农
D.洛切斯特
9.【单选题】___【 正确答案: D】提出“知识工程”概念
A. 纽厄尔、西蒙
B. 塞缪尔
C. 明斯基
D. 费根鲍姆
10.【多选题】人工智能的三大学派是___【 正确答案: ABC】
A. 符号学派
B. 联结学派
C. 行为学派
D.统计学派
11.【单选题】专家系统是___【 正确答案: A】学派的成果
A. 符号学派
B. 联接学派
C. 行为学派
D. 统计学派
12.【单选题】神经网络是___【 正确答案: B】学派的成果
A. 符号学派
B. 联接学派
C. 行为学派
D. 统计学派
13.【单选题】人工智能是指___【 正确答案: C】
A. 自然智能
B. 人的智能
C. 机器智能
D. 通用智能
二、填空题
1.图灵测试是目的是验证机器是否有智能
2.中文屋子实验是为了证明即使通过图灵测试也不能说明计算机能思维
3.人工智能的近期目标研究计算机如何实现那些只有人才能做的工作
4.人工智能的终极目标是探讨智能形成的机理，利用自动机模拟人的思维过程
5.“人工智能”术语的提出是在达特茅斯会议
6.麦卡锡正式提出“人工智能”概念，被称为人工智能之父
7.20世纪60年代，人工智能研究遇到困难，如机器翻译、机器证明
三、简答题
1.简述人工智能的研究现状与最新研究成果
面向特定领域的人工智能取得突破性进展，例如在机器人领域、机器翻译领域、人脸识别领域、虹膜识别领域、图像篡改检测
2.什么是机器感知？
使机器（计算机）具有类似于人的感知能力。以机机器视觉(machine vision)与机机器听觉为主。
3.20世纪60年代末，人工智能陷入低潮，是因为什么？
20世纪60年代末，人工智能研究遇到困难，如机器翻译，机器证明。
4.什么是知识表示？
将人类知识形式化或者模型化
5.什么是人工智能学科？
一门研究如何构造智能机器（智能计算机）或智能系统，使其能模拟、延伸、扩展人类智能的学科。
6.什么是强人工智能与弱人工智能？
强人工智能：有可能制造出真正能推理和解决问题的智能机器，并且它将被认为是有知觉的，有自我意识的，分为类人的人工智能、非类人的人工智能。
弱人工智能：不可能制造出能真正地推理和解决问题的智能机器，这些机器只不过看起来像是智能的，但是并不真正拥有智能，也不会有自主意识
补充
1.人工智能的几大学派
模拟人的心智 ----> 符号学派 ----> 知识表示
模拟脑的结构 ----> 连接学派 ----> 神经网络
模拟人的行为----> 行为学派 ---->机器人
- 符号主义（逻辑主义）
- 认知基础
认知的基础是符号，认知的过程就是符号运算/推理，智能行为的充要条件是物理符号系统。 - 代表人物
纽厄尔，西蒙等（1956年达特茅斯会议） - 代表成果
人工智能定理证明、人工智能语言LISP、鲁滨逊归结原理、专家系统（DENDRAL）
- 认知基础
- 连接主义（仿生学派）
- 认知基础
思维的基元是神经元，思维过程是神经元的连接活动。 - 代表人物及成果
麦克洛克与皮茨创立脑模型、单层感知器、霍普菲尔德提出Hopfield网络模型、鲁梅尔哈特提出BP网络
- 认知基础
- 行为主义（进化主义）
- 认知基础
它认为人工智能起源于控制论，智能取决于感知与行为，取决于对外部复杂环境的适应 - 代表人物及成果
布鲁克斯研制的六脚机器虫
2.人工智能的研究领域划分
- 认知基础
作业二：知识与谓词
一、选择题
1.当P为F，Q为F，R为T时，（P ∨ Q） ↔ R的真值是F。
2.个体常量、变元、函数统称为项。
3. ↔双条件，“当且仅当”
∨合取，“或”
∧合取，“与”
→蕴含或条件，“若…，则…”
4.连接词的优先级：﹁ ∧ ∨ → ↔
5.①单个谓词是谓词公式
②A,B是谓词公式，则 ﹁A，A∧B，A∨B，A→B也是谓词公式
③A,B是谓词公式，则有("x) A，($x)A也是谓词公式
④有限步应用上述过程生成的公式也是谓词公式
6.通过一组符号及其组合来描述事物的是数据。
7.知识的特点：相对正确性，不确定性，可表示性，可利用性。
8.知识按功能来分类，可以分为事实性知识，过程性知识，控制性知识，元知识。
9.经典逻辑分为命题逻辑，一阶谓词逻辑。
10.知识表示方法的类型，按知识的不同存储方式来分，可分为陈述性知识，过程性知识。
11.谓词的个体可以是常量，变元，函数，谓词。
12.Greater(5,3)是二元谓词。
13.Teacher(father(Zhan))的个体是函数
14.二阶谓词的个体是谓词
二、填空题
1.设D是个体域，f：Dn→D是一个映射，其中Dn={(x1,x2,…,xn)|,x1,x2,…xnD}, 谓词是Dn到{T，F}的映射，函数是Dn到D的映射
2.个体变元的取值范围称为个体域，它可以是无限集
3.当P与Q为F，R为T时，（P ∨ Q）→ R的真值是T
4.信息是对数据的解释，在特定场合下的具体含义。
5.知识按作用范围分类，可以分为常识性知识与领域性知识
6.逻辑分为经典逻辑与非经典逻辑
7. 一个命题在同一条件下** 不能同时既为真又为假
8.命题由谓词表示，它由谓词名和个体组成
9.个体的数目称为谓词的元数**
10.辖域内与量词中同名的变元称为约束变元
11.位于量词后面的原子谓词或者用括号括起来的谓词公式称为该量词的辖域
三、判断题
1.（T）数据是记录信息的符号，是信息的载体和表示
2.（T）有关信息关联在一起所形成的信息称为知识
3.（F）信息是人类在长期的生活及社会实践、科学研究及实验中积累的认识与经验
4.（F）知识表示是对知识的描述，即用一组符号把知识编码成计算机可以接受的某种结构。其表示方法是唯一的
5.（T）知识按确定性分类，可分为确定性知识与不确定性知识
6.（T）“太阳每天从东方升起”是一个命题
7.（T）一个命题可在一定条件下为真，而在另一条件下为假
8.（F）没有真假意义的陈述句是命题
9.（T）谓词名一般用具有意义的英文单词表示，或英文字母表示，也可以用其他符号，甚至中文表示。
10.（F）“明天会下雨”是一个命题
11.（T）谓词与函数的区别是谓词的真值只有真与假，而函数的值（非真值）可能有多个。
12.（T）与量词辖域内不同名的变元称为自由变元
四、简答题
1.传统的知识表示方法有哪些？
非结构化方法：一阶谓词逻辑，产生式规则，结构化方法，语义网络，框架
其它方法：状态空间法，问题归约法
2.数据、信息与知识的关系
有格式的数据经过处理、解释过程会形成信息，有关的信息关联到一起，经过处理过程形成知识。
3.请用一阶谓词知识表示法表示下列知识
①所有的人都喜欢的一种游戏
②对于所有自然数，均有x+y>x
③某些人对某些食物过敏
④不存在最大的整数
作业三：谓词与自然演绎推理
作业四：语义网表示和框架表示
作业五：
作业六：
作业七：
1.已知:
(1)能阅读者是识字的;
(2)海豚不识字;
(3)有些海豚是聪明的;
请用归结原理证明：有些聪明者并不能阅读。
2.已知：
(1) 如果x是y的父亲，y是z的父亲，则x是z的祖父；
(2) 每个人都有一个父亲。
使用归结演绎推理证明：对于某人u，一定存在一个人v，v是u的祖父。
3.某人被盗，公安局派出所派出5个侦察员去调查。研究案情时，
侦察员A说：“赵与钱中至少有一人作案”；
侦察员B说：“钱与孙中至少有一人作案”；
侦察员C说：“孙与李中至少有一个人作案”；
侦察员D说：“赵与孙中至少有一人与此案无关”；
侦察员E说：“钱与李中至少有一人与此案无关”；
如果这5个侦察员的话都是可信的，试问谁是盗窃犯呢？
作业八：
一、选择题
- 博弈树算法包括极大极小分析法和α-β剪枝技术
- 状态空间的三元组（S,F,G）代表初始状态集，算法符，目标状态集
- 状态是描述事物的一组最少变量q0,q1,…,qn的有序集合，表示问题解法中每一步问题状况的数据结构
- 基于状态空间的搜索算法是A*算法
- 本原问题所对应的节点称为终叶节点
二、填空题 - 从问题的初始状态集，经过一系统列的算符运算，到达目标状态，所经过算符的序列叫问题的解
- 把一个复杂问题分解或变换为一组本原问题的过程称作问题归约
- 搜索是根据问题的实际情况，不断寻找可利用知识，从而构造一条代价最小的推理路线，使问题得以解决的过程。
- 解树可解节点的子图，这些节点能够证明其初始节点是可解的
三、判断题 - （T）状态空间方法是以状态和算符为基础来表示和求解问题的知识表示方法
- （T）问题归约从目标问题出发，将目标问题分解成若干子问题，直至最后把初始问题归约为本原问题集合
- （T）本原问题不需要再进行分解或变换便可以直接解决
- （T）智能搜索与搜索的区别在于可以利用搜索过程中的信息来引导搜索项向最优方发展
- （F）将一个复杂的问题分解为几个子问题的过程称为分解。可用或树表示，将一个复杂的问题变换成若干个等价的问题的过程称为等价变换。可用与树表示
- （T）终叶节点一定是端节点，但端节点不一定是终止节点
四、简答题
1.有一农夫带一条狼，一只羊和一框青菜与从河的左岸乘船倒右岸，但受到下列条件的限制：
(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，画出相应的状态空间图
2.状态空间图与与或图有什么区别及联系？
3.试用四元数列结构表示四圆盘梵塔问题，并画出求解问题的与或图
作业九：启发式搜索
- 在估价函数中g(x)是从初始节点到节点x的实际代价，h(x)是从节点x到目标节点的最优路径的估计代价
- 如果问题存在最优解，则下面几种搜索算法中，启发式搜索可以认为是“智能程度相对比较高”的算法。
- 在启发式图搜索策略中，closed表用于存放已扩展过的节点。
- 启发式信息是指与具体问题求解过程有关的，并可指导搜索过程朝着最有希望方向前进的控制信息。
①有效帮助确定扩展节点的信息
②有效帮助决定哪些后继节点应被生成的信息
③能决定在扩展节点时哪些节点应从搜索树上删除的信息 - 如果问题存在最优解，则下面几种搜索算法中，深度优先搜索必然可以得到该最优解。
二、填空题
7. 从Open表的所有节点中选择一个估价函数值最小的进行扩展的A算法叫全局择优搜索算法
8. 仅从刚生成的子节点中选择一个估价函数值最小的进行扩展的A算法叫局部择优搜索算法
三、判断题
8.（F）启发式信息可利用与问题相关的信息来指导搜索过程
9.（F）两个A*启发策略的h1和h2中，如果对搜索空间中的任一状态n都有h1(n) ≤ h2(n)，就称策略h1比h2具有更多的信息性
10.（F）在图搜索算法中，如果按估价函数作为OPEN表中的结点排序的依据，则该算法就是算法
11.（F）估价函数 f(x)=g(x)+h(x) 中，g(x)含有启发式信息，称为启发式函数
12.（T）深度优先与宽度优先搜索算法的区别是：深度优先将新扩展出来的节点放在OPEN表的前端，宽度优先将新扩展出来的节点放在OPEN表的后端
作业十：与或图搜索
作业十一：博弈树搜索
简答题
设有如图4-27所示的博弈树，其中最下面的数字是假设的估值，请对该博弈树作如下工作：
(1) 计算各节点的倒推值；
(2)利用α-β剪枝技术剪去不必要的分枝。
作业十二：不确定性推理
-
可信度推理
设有如下一组推理规则:
r1:IF E1 THEN E2 (0.6)
r2:IF E2 AND E3 THEN E4 (0.7)
r3:IF E4 THEN H (0.8)
r4:IF E5 THEN H (0.9)
且已知CF(E1)=0.5，CF(E3)=0.6, CF(E5)=0.7。求CF(H)=?。 -
主观bayes推理1
设有如下推理规则
r1:IF E1 THEN (100,0.1) H1
r2:IF E2 THEN (50,0.5) H2
r3:IF E3 THEN (5,0.05) H3
且已知P(H1)=0.02,P(H2)=0.2,P(H3)=0.4，
请计算当证据E1，E2，E3存在或不存在时P(Hi|Ei)或P(Hi/~Ei)的值各是多少(i=1,2,3)? -
主观bayes模型2
设有如下推理规则
r1: IF E1 THEN (2,0.00001) H1
r2: IF E2 THEN (100,0.0001) H1
r3: IF E3 THEN (200,0.001) H2
r4: IF H1 THEN (50,0.1) H2
且已知P(E1)=P(E2)=P(H3)=0.6, P(H1)=0.091,P(H2)=0.01，又由用户告知:
P(E1|S1)=0.84,P(E2IS2)=0.68,P(E3lS3)=0.36
请用主观 Bayes方法求P(H2|S1, S2, S3)=? -
贝叶斯网络
设有如图所示的贝叶斯网络，请计算报警铃响了，但实际上并无盗贼入侵，也未发生地震，而张和李都打来电话的概率。
作业十三：ID3算法
设训练例子集如下表所示，请用ID3算法完成其学习过程。
（注1：不需要计算出全部的决策树
注2：计算到小数点后3位。
注3：log2(1/2)= -1，log2(2/3)= -0）
作业十四：神经网络
选择题
- 决定人工神经网络性能的三大要素是神经元的特性、神经元之间的连接形式，即拓扑结构、学习规则
- BP网络的优点是很好的逼近特性、具有较强的泛化能力、具有较好的容错性
- BP算法的局限：
①计算量大，运算过程复杂
②通过Delta学习算法修正连接权值，会收敛到局部极小点
③最优隐层数与隐层神经元数不易确定
④隐层多时，误差信号过小会影响权值的调整
填空题 - 多层前馈网络是指那种除拥有输入、输出层外，还至少含有一个、或更多个隐含层
- 1943年，麦克洛奇和皮兹提出M-P模型
- 神经元的工作状态有兴奋状态和抑制状态
- 经网络的工作方式有同步方式与异步方式
- 按拓扑结构分，人工神经网络可以分为前馈网络和反馈网络
- 卷积神经网络的反向传播涉及到两个基本问题，一个是误差的反向传播，一个是参数的反向传播
判断题 - （T）由于的神经元的可塑性，突触的传递作用可以增强或者减弱，而机器学习的过程，也是神经元之间连接强度的变化过程。
- （T）人工神经网络是对人脑或生物神经网络若干基本特 性的抽象和模拟
- （F）卷积神经网络是Hopfield神经网络的延伸与拓展
- （T）神经网络是一种隐式的知识表示方法
- （T）单层前馈网络中，如果有i个输入，j个输出，则连接权值W可以表示成一个i*j的矩阵
- （T）BP网络是多层前馈网络，Hopfield网络是全互联反馈网络
- （T）BP神经网络层与层的连接是双的，信息的传播是单向的。
- （F）一定存在一个BP神经网络能够逼近给定的样本或者函数
简答题 - 简述神经元模型工作过程是怎样的？
（1）从各输入端接收输入信号，包括外界刺激与接收其它神经元的输出
（2）根据连接权值求出所有输入的加权和
（3）用非线性激励函数进行转换，得到输出
- 请简要说明池化层的基本作用，以及池化操作的基本过程与常用方法？
池化的基本作用：主要作用是利用子采样（或降采样）对输入图像的像素进行合并，得到池化层的特征图谱。
池化操作的基本过程是:从特征图的左上角开始，按照池化窗口，先从左到右，然后再从上向下，不重叠地依次扫过整个图像，并同时利用子采样方法进行池化计算。
常用方法：常用的池化方法有最大池化法、平均池化法和概率矩阵池化
- BP学习算法的基本思想是什么？
BP学习算法的基本思想是调整权值，使得神经网络的实际输出能够逼近样本与函数的实际输出。
- 请简要解释BP学习算法的正向传播与反向传播的含义？
（1）正向传播:输入信息由输入层传至隐层，最终在输出层输出。
（2）反向传播:修改各层神经元的权值，使误差信号最小。
- 在BP学习算法实现时，应注意哪些问题？
(1)隐层数及隐层中神经元数的确定,无确定的指导方法，需要通过经验调整;
(2)初始权值的设置,一般设为一 个均值为0的随机分所布初始权值;
(3)训练数据的预处理，常使用线性特征比例变换把所有特征变换到[0,1].或者[-1.1]区间之间，使得在每个训练集上,每个特征的均值为0,并且具有相同的方差。
(4)后处理过程，当应用神经网络进行分类操作时，通常把输出值编码成所谓的名义变量，具体的值对应类别符号
- 简述BP算法的实现过程
(1)初始化:对所有连接权和阈值赋以随机任意小值;
(2) 从N组输入输出样本中取一组样本输入到到BP网络中;
(3)正向传播:计算各层节点的输出;
(4)计算网络的实际输出与期望输出的误差;
(5)反向传播:从输出层方向计算到第一一个隐层，按连接权值修正公式向减小误差方向调整网络的各个连接权值;
(6)让t+1→t,取出另一-组样本重复(2)一(5)，直到N组输入输出样本的误差达到要求时为止
- 请简要说明卷积操作的基本过程，以及什么是卷积核？
卷积操作的基本过程是:针对图像的某一类特征，先构造其特征过滤器(FF)，然后利用该滤器对图像进行特征提取，得到相应特征的特征图。
特征过滤器也称为卷积核 ,它实际上是由相关神经元连接权值所形成的一个权值矩阵,该矩阵的大小由卷集核的大小确定。卷集核与特征图之间具有—一对应关系，一个卷集核唯一地确定了一个特征图，而一个特征图也唯一地对应着一个卷积核。