PDF《高级人工智能》

13 选择型泛化规则 (1) 消除条件规则 CTX &

S ::>

K |<

CTX ::>

K 其中S是任意的谓词或逻辑表达式. (2) 增加选择项规则 CTX1 ::>

K |<

CTX1 ? CTX2 ::>

K 通过增加选择项将概念描述泛化 2015/4/15 史忠植 高级人工智能

14 选择型泛化规则 (3) 扩大引用范围规则 CTX &

[L = R1] ::>

K |<

CTX \&

[L = R_2] ::>

K 其中R1? R2 ? DOM(L), DOM(L) 为L的域,L是一个项, Ri是L取值的一个集合. (4) 闭区间规则 CTX &

[L = a] ::>

K CTX &

[L = b] ::>

K |<

CTX &

[L = a..b] ::>

K 2015/4/15 史忠植 高级人工智能

15 选择型泛化规则 (5) 爬山泛化树规则 CTX &

[L = a] ::>

K CTX &

[L = b] ::>

K … CTX &

[L = i] ::>

K |<

CTX &

[L = S] ::>

K 其中L是结构描述符,在L的泛化树域中,S表示后继为 a,b,…, i的最低的父节点. 2015/4/15 史忠植 高级人工智能

16 选择型泛化规则 (6) 将常量转换为变量规则 F[a] F[b] … F[i] |<

? x, F[x] 其中F[x]是依赖于变量x的描述符,a,b, …, i是常量. 对于描述F[x], 若x的某些值(a,b, … , i)使F[x]成立, 则可得到假设:对于x的所有值,F[x]成立. 2015/4/15 史忠植 高级人工智能

17 选择型泛化规则 (7) 将合取转换为析取规则 F1 &

F2 ::>

K |<

F1 ? F2 ::>

K 其中F1,F2为任意描述. 2015/4/15 史忠植 高级人工智能

18 选择型泛化规则 (8) 扩充量词范围规则 ? x,F[x] ::>

k |<

? x, F[x] ::>

k ? (I1)x,F[x] ::>

K |<

?(I2)x, F[x]::>

K 其中I1,I2是量词的域(整数集合), 且I1 ? I2 2015/4/15 史忠植 高级人工智能

19 选择型泛化规则 (9) 泛化分解规则 用于概念获取 P &

F1 ::>

K ~ P &

F2 ::>

K |<

F1 ? F2 ::>

K 用于描述泛化 P &

F1 ? ~ P &

F2 |<

F1 &

F2 这里P均为谓词. 2015/4/15 史忠植 高级人工智能

20 选择型泛化规则 (10) 反扩充规则 CTX1 &

[L = R1] ::>

K CTX2 &

[L = R2] ::>

~ K |<

[L ? R2] ::>

K 其中R1,R2是析取式. 2015/4/15 史忠植 高级人工智能

21 构造型泛化规则 构造性泛化规则能生成一些归纳断言,这些归纳断 言使用的描述符不出现在初始的观察陈述中,也就 是说,这些规则对初始表示空间进行了变换. (1) 通用构造型规则 CTX &

F1 ::>

K F1 ? F2 |<

CTX &

F2 ::>

K 该规则表示,若一个概念描述含有一部分F1, 已知 F1蕴涵另一概念F2,则通过用F2替代F1可得到一个更 一般的描述. 2015/4/15 史忠植 高级人工智能

22 构造型泛化规则 (2) 计算变量规则. 计算量词变量CQ规则: ? V1,V2, … ,Vk F[V1,V2, … ,Vk] CQ规则将产生一个新的描述符 #v-COND , 表示满足某 条件COND的vi的个数. 2015/4/15 史忠植 高级人工智能

23 构造型泛化规则 (3) 产生链属性规则. 概念描述中,若一个概念描述中传递关系不同出现的变 量形成一条链,该规则能生成刻画链中某些特定对象的 特征的描述符.这种对象可能是: LST-对象: 最小的对象 ,或链的开始对象. MST-对象: 链的结束对象. MID-对象: 链中间的对象. Nth-对象: 链中第N个位置上的对象. (4) 检测描述符之间的相互依靠关系规则. 2015/4/15 史忠植 高级人工智能

24 偏置变换 偏置在概念学习中具有重要作用.所谓偏置,是指概念 学习中除了正、反例子外,影响假设选择的所有因素. 这些因素包括: ①描述假设的语言. ②程序考虑假设的空间. ③按什么顺序假设的过程. ④承认定义的准则,即研究过程带有已知假设可以 终止还是应该继续挑选一个更好的假设.采用偏置方法, 学习部分选择不同的假设,会导致不同的归纳跳跃. 2015/4/15 史忠植 高级人工智能