内容发布更新时间 : 2024/5/20 10:21:00星期一 下面是文章的全部内容请认真阅读。

1 什么是学习和机器学习 为什么要研究机器学习? 学习是人类具有的一种重要的智能行为，按照人工智能大师西蒙的观点，学习就是系统在不断重复的工作中对本身能力的增强或者改进，使得系统在下一次执行同样人物或类似任务时，比现在做的更好或效率更高。西蒙对学习给出的定义本身，就说明了学习的重要作用。 机器学习是研究如何使用机器来模拟人类学习活动的一门学科。机器学习是一门研究机器获取新知识和新技能，并识别现有知识的学问。机械学习就是记忆，是最简单的学习策略。这种学习策略不需要任何推理过程。外界输入知识的表示方式与系统内部的表示方式完全一致，不需要任何处理过程。外界输入知识的表示方式与系统内部的表示方式完全一致，不需要任何处理与转换。虽然机械学习在方法上看来很简单，但由于计算机的储存容量相当大，检索速度又相当快，而且记忆准确，无丝毫误差，所以在很多方面能够超过人，帮助人类完成人类自己无法完成的任务

2 什么是图搜索过程 其中,重排 OPEN 表意味着什么,重排的原则是什么?

图搜索过程就是从初始节点出发，沿着与之相连的弧试探地前进，寻找目标节点的过程(也可以反向进行)。 重排open表意味着，在扩展节点时，将优先扩展哪个节点，不同的排序准对应着不同的搜索策略。 重排的原则应视具体情况而定，不同的原则对应不同的策略：如果想要尽快找到一个解，则应将最有可能达到目标节点的那些节点排在open表的前面部分；如果想找到代价最小的解，则应按代价从小到大的顺序重排open表

3试写出7种知识表示方法，并简述其中2种表示法含义。

方法：谓词逻辑表示法、产生式表示法、框架表示法、特性表示法、过程表示法 、概念图解表示法、不精确表示法。

+后件”。前件就是前提，后件是结

论或动作。其规则描述的是事物间的因果关系。其基本形式为:“P→Q”或“IF P THEN Q”，含义是：如果前提P满足，则可推出结论Q或执行Q 框架表示方法：是一种层次的、组合式的知识表示方法

4试述学习系统的基本模型，并叙述各部分功能作用。

5产生式基本形式以及产生式系统工作原理

产生式系统由总数据库，产生式规则和总控制策略组成。各部分关系 如图所示。总数据库用来存放求解过程中各种当前信息的数据结构如问题的初始状态，事实或证据，中间推理结论和最后结果等。当产生式规则中某条规则的前提与总数据库中的某些事实相匹配时，该规则就被激活，并把其结论作为新的事实存入总数据库。产生式规则是一个规则库。用于存放于求解问题有关的某个领域知识的规则之集合及其交换规则。控制策略

作为一个推理机构，由一组程序组成，用来控制产生式系统的运行，决定问题求解过程的推理线路，实现对问题的求解。通常从选择规则到执行分三步：匹配、冲突解决和操作。

6试叙述子句集的化简的九个步骤。

1消去蕴涵符号 2减少否定符号的辖域 3对变量标准化 4消去存在量词 5化为前束型 6把母式化为合取范式 7消去全称量词 8消去连词符号 9更换变量名称

7简述人工神经网络（ANN）优点。

1并行分布处理 2非线性映射 3通过训练进行学习 4适应与集成 5硬件实现

128两条规则具有相同结论的情况，若有两种规则A1?????B和A2?????B

CF(B,A）CF(B,A）则合并后结论B的可信度值CF(B)为

?1??0.19判断模糊矩阵R??0.8??0.5?0.3?0.10.80.50.3??10.10.20.4?0.110.30.1?是否是传递模糊矩阵。

?0.20.310.6?0.40.10.61??

10 什么是模糊函数，隶属度函数，隶属度。 模糊是因为质的不确定性，含混性是由信息的不充分引起的，有些事物无法找出它们精确的分类标准，因此我们没有办法做出“是”或者“不是”的判断。所以我们通常构造出函数来表达我们所说的模糊度，构造模糊函数需要掌握一定的数学技巧，而且由于确定过程中或多或少含有人的某种心理因素，所以模糊函数的建立也包括心理测量的进行及其结果的运用。 给定论域X上的一个模糊子集A，是指对于任意x∈X，都确定了一个数μA(x),称μA(x)为x对A的隶属度，且μA(x) ∈[0，1]。 映射x∈X： X→[0，1] x→μA(x)

叫做隶属函数或者叫做从属函数。

隶属函数μA(x)用于刻画集合A中的元素对A的隶属程度，隶属函数的值称为隶属度。

11试比较宽度优先搜索, 试比较宽度优先搜索, 有界深度优先搜索及有序搜索的搜索效率, 并以实例数据加以说明。

以二叉树做例子，广度优先搜索：广度优先搜索是按照树的层次进行的搜索，如果此层没有搜索完成的情况下不会进行下一层的搜索。

深度优先搜索：深度优先搜索是按照树的深度进行搜索的，所以又叫纵向搜索，在每一层只扩展一个节点，直到为树的规定深度或叶子节点为止。这个便称为深度优先搜索。

我先来说说两种算法的不同点。广度优先搜索，适用于所有情况下的搜索，但是深度优先搜索不一定能适用于所有情况下的搜索。因为由于一个有解的问题树可能含有无穷分枝，深度优先搜索如果误入无穷分枝（即深度无限），

则不可能找到目标节点。所以，深度优先搜索策略是不完备的。

广度优先搜索适用范围：在未知树深度情况下，用这种算法很保险和安全。 在树体系相对小不庞大的时候，广度优先也会更好些。 深度优先搜索适用范围：刚才说了深度优先搜索又自己的缺陷，但是并不代表深度优先搜索没有自己的价值。在树深度已知情况下，并且树体系相当庞大时，深度优先搜索往往会比广度优先搜索优秀，因为比如8*8的马踏棋盘中，如果用广度搜索，必须要记录所有节点的信息，这个存储量一般电脑是达不到的。然而如果用深度优先搜索的时候却能在一个棋盘被判定出来后释放之前的节点内存。

当让具体情况还是根据具体的实际问题而定，并没有哪种绝对的好。所以，理解这两种算法的本质是关键。

最后我说说关于找最优解的问题，这种问题如果不依靠其他的辅助算法来说，其实对于广度优先搜索和深度优先搜索来说是一样的，说白了找最优解就是个遍历过程，所以没有哪种算法找最优解更好。但是如果有辅助的启发式算法或者别的算法就另当别论了。

12研究不确定性推理有何意义 有哪几种不确定性? 研究不确定性推理有何意义?有哪几种不确定性 有哪几种不确定性。