人工智能导论课件第6章 基于产生式规则的机器推理.pptx

第6章 基于产生式规则的机器推理 ?;6.1 产生式规则 6.1.1 产生式规则与推理网络 产生式规则的一般形式为 IF ? 前件 ? THEN ? 后件 ? 或者更形式化地表示为 ? 前件 ? → ? 后件 ? 产生式规则的语义是：如果前提成立或条件满足，则可得结论或者执行相应的动作，即后件由前件来触发。所以, 前件是规则的执行条件, 后件是规则体。; 例： (1) 如果银行存款利率下调, 那么股票价格上涨。 (2) 如果炉温超过上限, 则立即关闭风门。 (3) 如果键盘突然失灵, 且屏幕上出现怪字符, 则是病毒发作。 (4) 如果胶卷感光度为200, 光线条件为晴天, 目标距离不超过5米, 则快门速度取250, 光圈大小取f16。 ; (1’) being-cut(利率) → be-rising(股价) 或者 (1”)（利率）下调 →（股价）上涨 (4’) IF x1=200 AND x2=“晴???”AND x3≤5，THEN y1=250 AND y2=f16 或者 (4”) x1=200 ∧x2=“晴天”∧x3≤5 → y1=250 ∧y2=f16 ;　　? 推理网络;　6.1.2 基于产生式规则的推理模式 ;6.2 产生式系统 ;6.2.2　运行过程 产生式系统运行时, 除了需要规则库以外, 还需要有初始事实(或数据)和目标条件。目标条件是系统正常结束的条件, 也是系统的求解目标。产生式系统启动后, 推理机就开始推理, 按所给的目标进行问题求解。 　　推理机的一次推理过程可如图 6-3所示。 ;6.2.3　控制策略与常用算法 产生式系统的推理可分为正向推理和反向推理两种基本方式。简单来讲, 正向推理就是从初始事实数据出发, 正向使用规则进行推理(即用规则前提与动态数据库中的事实匹配, 或用动态数据库中的数据测试规则的前提条件, 然后产生结论或执行动作),朝目标方向前进；反向推理就是从目标出发, 反向使用规则进行推理(即用规则结论与目标匹配, 又产生新的目标, 然后对新目标再作同样的处理),朝初始事实或数据方向前进。下面我们给出产生式系统正向推理和反向推理的常用算法： ;　　1. 正向推理 正向推理算法一： 　　(1) 将初始事实/数据置入动态数据库。 (2) 用动态数据库中的事实/数据, 匹配/测试目标条件, 若目标条件满足, 则推理成功, 结束。 (3) 用规则库中各规则的前提匹配动态数据库中的事实/数据, 将匹配成功的规则组成待用规则集。 (4) 若待用规则集为空, 则运行失败, 退出。 (5) 将待用规则集中各规则的结论加入动态数据库, 或者执行其动作, 转步(2)。 ;　　例6-1　动物分类问题的产生式系统描述及其求解。 设由下列动物识别规则组成一个规则库, 推理机采用上述正向推理算法, 建立一个产生式系统。该产生式系统就是一个小型动物分类知识库系统。 　规则集： 　　r1：若某动物有奶, 则它是哺乳动物。 r2：若某动物有毛发, 则它是哺乳动物。 r3：若某动物有羽毛且生蛋, 则它是鸟。 r4：若某动物是哺乳动物且有爪且有犬齿且目盯前方, 则它是食肉动物。 r5：若某动物是哺乳动物且吃肉, 则它是食肉动物。 r6：若某动物是哺乳动物且有蹄, 则它是有蹄动物。 ;　 r7：若某动物是有蹄动物且反刍食物, 则它是偶蹄动物。 r8：若某动物是食肉动物且黄褐色且有黑色条纹, 则它是老虎。 r9：若某动物是食肉动物且黄褐色且有黑色斑点, 则它是金钱豹。 r10：若某动物是有蹄动物且长腿且长脖子且黄褐色且有暗斑点, 则它是长颈鹿。 r11：若某动物是有蹄动物且白色且有黑色条纹, 则它是斑马。 r12：若某动物是鸟且不会飞且长腿且长脖子且黑白色, 则它是驼鸟。 r13：若某动物是鸟且不会飞且会游泳且黑白色, 则它是企鹅。 r14：若某动物是鸟且善飞且不怕风浪, 则它是海燕。;再给出初始事实： f1：某动物有毛发。 f2：吃肉。 f3：黄褐色。 f4： 有黑色条纹。 目标条件为： 该动物是什么？ 　　易见, 该系统的运行结果为： 该动物是老虎。 其推理树如图 6-5所示。 ;图 6-5 关于“老虎”的