人工智能試卷

本文格式為Word版，下載可任意編輯——人工智能試卷成績

02級博士研究生課程考試試卷

姓名學號成績

1．填空（20分）

1）從知識的觀點，智能表現(xiàn)在知識的獲取能力、知識的處理能力、知識的運用能力。

2）謂詞規(guī)律表達法的優(yōu)點有嚴格性、通用性、自然性、模塊性。

3）知識表達的主要方法有狀態(tài)空間表示法、與/或圖表示法、產生式系統(tǒng)、規(guī)律表達法(框架表示、語義網絡、腳本表示)。

4）常用的狀態(tài)空間探尋算法有：回溯策略、寬度優(yōu)先策略、深度優(yōu)先策略、圖探尋。

5）不確切推理的常用方法有概率方法、主觀Bayes方法、可信度方法、模糊推理法。

6）專家系統(tǒng)的一般結構包括人機接口、推理機、知識庫、動態(tài)數(shù)據(jù)庫、知識獲取機構和解釋機構。

7）專家系統(tǒng)的設計原則是專門任務、專家合作、原形設計、用戶參與、輔助工具、知識庫與推理機分開

8）機器學習系統(tǒng)的一般結構包括知識庫、學習元、執(zhí)行元、監(jiān)視環(huán)節(jié)、選例環(huán)節(jié)、環(huán)境。

9）神經網絡的學習方法有監(jiān)視學習、非監(jiān)視學習、再鼓舞學習。

2.問答（20分）

1）什么是知識？它有那些特性？

答：知識是人們對自然現(xiàn)象的認識和從中總結出來的規(guī)律、經驗。人類的知識具有相對正確性、不確定性、可表示性和可利用性。

2）在產生式系統(tǒng)中，規(guī)則沖突解決策略有那些？答：在產生式系統(tǒng)中，規(guī)則沖突解決策略有：

專一性排序假使某一條規(guī)則條件部分規(guī)定的狀況，比另一規(guī)則條件部分規(guī)定的狀況更有真對性，則這條規(guī)則有較高的優(yōu)先級；

規(guī)則排序假使規(guī)則編排的順序就表示了啟用的優(yōu)先級，則稱之為規(guī)則排序；數(shù)據(jù)排序把規(guī)則條件部分的所有條件按優(yōu)先級次序編排起來，運行時首先使用在條件部分包含較高優(yōu)先級數(shù)據(jù)的規(guī)則；

規(guī)模排序按規(guī)則的條件部分的規(guī)模排列優(yōu)先級，優(yōu)先使用被滿足的條件較多的規(guī)則；

就近排序把最近使用的規(guī)則放在最優(yōu)先的位置，假使某一規(guī)則經常被使用，則人們傾向于更多地使用這條規(guī)則；

上下文限制把產生式規(guī)則按它們所描述的上下文分組，也就是按上下文對規(guī)則分組。在某種上下文條件下，只能從與其相對應的那組規(guī)則中選擇可應用的規(guī)則。

3）什么是不確切推理？不確切推理中需要解決的基本問題有那些？

答：不確切推理是建立在非規(guī)律基礎上的一種推理，是基于不確定性知識的推理，是從不確定性的初始事件（證據(jù)）出發(fā)，通過運用不確定性的知識，最終推出具有一定程度的不確定性卻是合理或者近乎合理的結論的思維過程。

不確切推理中需要解決推理方向、推理方法和控制策略問題，同時還要解決不確定性的表示、不確定性的匹配和不確定性的更新算法等問題。

4）簡述專家系統(tǒng)的開發(fā)過程，如何對專家系統(tǒng)進行評價

答：專家系統(tǒng)的開發(fā)可分為問題識別階段、概念化階段、形式化階段、實現(xiàn)階段和測試階段。

問題識別階段：知識工程師和專家確定問題的重要特點，抓住問題個方面的特點。確定人員和人員的任務，描述問題的特征幾相應的知識結構，明確問題的類型和范圍，確定知識源、時間、計算設備以及經費等資源，然后確定問題的求解目標。

概念化階段：透露描述問題所需要的關鍵概念、關系和控制機制，子任務、策略和有關問題求解的約束。

形式化階段：把概念化階段概括出來的關鍵概念、子問題和信息流特征形式化地表現(xiàn)出來。形式化過程中的三個主要的因素是假設空間、基本的過程模型和數(shù)據(jù)的特征。

實現(xiàn)階段：把形式化知識變成計算機的軟體，即要實現(xiàn)知識庫、推理機、人機接口

和解釋系統(tǒng)。

測試階段：通過運行實例評價原型系統(tǒng)以及用于實現(xiàn)它的表達式，從而發(fā)現(xiàn)知識庫和推理機的缺陷。

對專家系統(tǒng)的評價主要有兩個方面，即其正確性和有用性。對于其正確性主要由知識工程師和領域專家進行評價，目的是評價專家系統(tǒng)的設計、測試和運行結果的正確性；對于其有用性主要由用戶進行評價，其中包括一般用戶和專業(yè)用戶，重點是評價專家系統(tǒng)的運行性能。

5）什么是學習和機器學習？

答：在人工智能領域，學習是人類的一種智力行為，是積累經驗、獲取知識和改善系統(tǒng)性能的過程。

機器學習是一門研究機器（計算機）獲取新知識的新技能，并識別現(xiàn)有知識的學問。

3、（15分）設有如下語句，請用相應的謂詞公式分別把他們表示出來：1）有的人喜歡梅花，有的人喜歡菊花，有的人即喜歡梅花又喜歡菊花。答：?xLike(x,plum-blossom)

?xLike(x,chrysanthemum)

?xLike(x,plum-blossom)?Like(x,chrysanthemum)

2）他每天下午都去打籃球。

答：Play(he,basketball)?time(every-afternoon)

3）新型計算機又快，存儲容量又大。

答：Speed(new-computer,fast)?storage(new-computer,large)

4）不是每個計算機系的學生都喜歡在計算機上編程序。

答：??xcomp-department(x)=>Like(x,programming)?on(computer)

5）凡是喜歡編程序的人都喜歡計算機。

答：?xlike(x,programming)=>like(x,computer)

4、（15分）設有如下問題

1）在一個3X3的方框內放有8個編號的小方塊；

2）緊鄰空位的小方塊可以移入到空位上；

3）通過平移小方塊可將某一布局（如下圖）變換為另一布局。問題：

1）請用產生式規(guī)則表示移動小方塊的操作。

2）請以“不在位的將牌數(shù)之和〞為啟發(fā)，演示A算法探尋過程。

答：(1)用產生式規(guī)則表示移動小方塊的操作如下：

R1：假使小方塊在右上方，空格在其左，則左移；空格在其下，則下移。R2：假使小方塊在右中，空格在其左，則左移；空格在其下，則下移；空格在其上，則上移。R3：假使小方塊在右下方，空格在其左，則左移；空格在其上，則上移。R4：假使小方塊在中上方，空格在其左，則左移；空格在其右，則右移；空格在其下，則下移。R5：假使小方塊在中間，空格在其左，則左移；空格在其下，則下移；空格在其上，則上移；空格在其右，則右移。R6：假使小方塊在中下方，空格在其左，則左移；空格在其右，則右移；空格在其上，則上移。R7：假使小方塊在左上方，空格在其右，則右移；空格在其下，則下移。R8：假使小方塊在左中，空格在其右，則右移；空格在其下，則下移；

空格在其上，則上移。R9：假使小方塊在左下方，空格在其右，則右移；空格在其上，則上移。

（2）設估價函數(shù)為:f(n)=d(n)+w(n)，其中d(n)為狀態(tài)深度，w(n)表示以“不在位〞的將牌數(shù)作為啟發(fā)信息的度量，利用A探尋算法求解的過程演示如下：

A（6）B（4）C（6）

D（5）E（5）F（6）

28314765231847652831476528316475283147651831647528316475初始S（4）

G（6）H（7）I（5）J（7）832832321471418476565765

K（5）

1238476523184765

L（5）M（7）

5、（15分）請把以下命題用一個語義網絡表示出來：1）樹和草都是植物；2）樹和草都有葉和根；

3）水草是草，且生長在水中；4）果樹是樹，且會結果；

5）梨樹是果樹中的一種，它會結梨。

答：其語義網絡表示如下：

根AKOAKOPart-of樹草part-of葉ISAISA葉根植物12384765目的

12378465

果樹水草location水

ISA

6、結合研究方向，探討人工智能的應用。（15分）

答：本人結合自己研究方向，就基于人工智能的變壓器溫升預計應用。進行如下探討：變壓器的溫升直接關系到變壓器的使用壽命和運行的安全性。確鑿計算和預計變壓器內部的溫升一直是變壓器設計與制造中的一個重要問題。有多種因素影響變壓器的溫升，個別因素甚至還難以確定。假使將人工神經網絡BP模型用于變壓器內部繞組的穩(wěn)態(tài)溫度分布的預計，從而為變壓器的溫度預計找到了一種新方法。

只含一個中間層的BP如圖1所示。該學習算法的過程，由神經網絡正向計算和誤差反向傳播組成。在網絡正向傳播過程中，輸入信息從輸入層經隱含層逐層處理，并傳向輸出層。在正向傳播的過程中，每一乘神經元又影響其下一層神經元的狀態(tài)。假使正向傳播不能得出期望輸出，則轉入反向傳播，將誤差信息沿原來的連接通路返回，通過修改各層神經元的權值和閥值，使得誤差信號最小。Y0X0Y1Z0X1Z1X2Y2Z2XN-1YM-1ZL-1圖1三層BP神經網絡模型結構

圖1是三層前饋神經網絡的結構圖，它有N個輸入節(jié)點，M個中間節(jié)點和L個輸出節(jié)點，其Sigmoid函數(shù)為1

ｆ(u)=————(1)1+ｅ多層神經網絡計算實際輸出為:

N-1

Yj＝ｆ（∑WijXj–θj）(j=0，1，…，M-1)（2）i=0

－ｕ

梨樹product梨M-1

Zk＝ｆ（∑wijYi–θk）(k=0，1，…，L-1)（3）

j=0式（2）（3）中，wij表示輸入層第i個節(jié)點到中間層第j個節(jié)點權系數(shù)，wjk表示中間層第j個節(jié)點到輸出層第k個節(jié)點的權系數(shù)，Xi表示輸入層第i個節(jié)點的輸入值，Yj表示中間層第j個節(jié)點的輸出，Zk是輸出層中第K個節(jié)點的輸出，θj表示中間層第j個節(jié)點內部閥值，θk表示輸出層第k個節(jié)點的節(jié)點的內部閥值。

神經網絡通過BP算法來學習內部表達（各節(jié)點間連線的權值及隱節(jié)點、輸出節(jié)點的閥值）其實質是通過樣本集的前向學習，來獲得輸出節(jié)點的期望值與輸出值的誤差，并以此為依據(jù)，從輸出層開始，逆推至輸入層，逐步修整神經網絡的內部表達。本文采用BP(誤差反傳)學習算法，對網絡進行離線訓練，具體算法如下：

（1）初始化，對所有權值賦以小的隨機值，其值在0～1之間，且使其互不相等。同時對閾值設定初值。

（2）給定訓練數(shù)據(jù)集，將輸入數(shù)據(jù)規(guī)化在0～1之間，并確定期望輸出信號（C0,C1,?CL-1）。(3)根據(jù)（2）、（3）式逐層計算實際輸出值Yj、Zk。

(4)調整權值,按誤差反向傳播方向，從輸出節(jié)點開始返回到陰層按下式修正權值。Wjk（n＋1）=Wjk(n)-ηδkYj