∴R1先被应用。
由R1得到：CF(E6)=0.8×0.86=0.69 由R2得到：CF(E7)=0.7×0.63=0.44
由R3得到：CF(E6(0.7) AND E7(0.3))=0.615>λ3 =0.6 ∴R3可被应用,得到：CF(H)=0.75×0.615=0.46 即最终得到的结论H可信度为0.46.
4. 假设你昨晚目击了一起夜间出租车肇事逃逸事件，你记得看到的肇事出租车是蓝色的，而且你还知道下面2条信息，那么你会认为肇事出租车是什么颜色的？ （10分） （1）西安所有的出租车都是绿色或蓝色的；
（2）大量实验表明，在昏暗的灯光条件下，人眼对于蓝色和绿色的区分的可靠度是75%； 假设随后你又了解到第3条信息：（3）西安的出租车10辆中有9辆是绿色的，此时你又会得出怎样的结论？
（提示：请用逆概率方法进行推理，并且注意“肇事车是蓝色的”和“肇事车看起来是蓝色的”是两个不同的命题）
答：用B表示事件“肇事车是蓝色的”，用LB表示“肇事车看起来是蓝色的”， 则对颜色区分准确程度的概率可以表示为
P(LB|B)=0.75 P(~LB|~B)=0.75 对当肇事车看起来是蓝色的情况下，确实是蓝色的概率为 P(B|LB)∝P(LB|B)P(B)∝0.75P(B) P(~B|LB)∝P(LB|~B)P(~B)∝0.25(1-P(B))
而西安的出租车10辆中有9辆是绿色的，则给出了先验概率P(B)=0.1，于是有 P(B|LB)∝0.75×0.1=0.075
P(~B|LB)∝0.25(1-P(B))=0.25×0.9=0.225 P(B|LB)=0.075/0.072+0.225=0.25 P(~B|LB)=0.225/0.072+0.225=0.75 因此肇事车辆为绿色。
5．设A 、B分别是论域U、V上的模糊集，
U=V={1,2,3,4,5}, A=1/1+ 0.5/2, B=0.4/3+0.6/4+1/5 并设模糊知识及模糊证据分别为：
IF x is A THEN y is B x is A’ 其中，A’的模糊集为：A’=1/1+ 0.4/2+ 0.2/3
假设A和A’可以匹配，请利用模糊推理的方法求出该模糊知识和模糊证据能得出什么样的模糊结论。（15分） （
提
示
：
U?VR?(A?B)(?A?V)??答：
的
(?A(u)??B(v))?(1??A(u))/(u,v)))模糊关系R构造可以用
00.40.61??0?0.50.50.50.50.5???Rm??11111???1111??1?1111??1??0??1??1?1?00.40.61111111????????0.50.50.50.50.5?B’m=A’?Rm ={1,0.4,0.2,0,0}? ={0.4,0.4,0.4,0.6,1}
1111116. （该题目硕士统招生做）请用A*算法求解八数码问题，其中S0为初始状态，Sg为目标状态。 要求：估价函数f(x)=g(x)+h(x)，g(x)为初始节点到节点x的路径耗散，
可定义为节点路径深度，h(x)为节点x到目标节点的最低耗散路径的估计耗散值，定义为曼哈顿距离。（10分）
2 8 3 1 2 3 S0= 1 6 4 Sg= 8 4 7 5 7 6 5 答：
6. （该题目全日制专业学位硕士做）同上第5题。不同处为启发函数h(x)的定义，这里h(x)为不在位（错位）的棋子数，请用A*算法求解。（10分）
7. 一字棋极大极小搜索：设初始棋局为空，如下图所示，
得胜利。有如下规定：
A、B二人对奕，轮到谁走谁就往空格上放一只自己的棋子，最先使自己棋子构成三子一线的就获（1）每一方只向前看一步 （即每次扩展二层） （2）记A的棋子为“a”，B的棋子为“b” （3）规定A先走。
定义棋局的估价函数e( )，给出第一次扩展的博弈树（与或树），并根据极大极小原则指出下次搜索可能被选择的棋局。（10分）
答：对A方，设棋局为P，估价函数e(P)定义为 ： 若P是A必胜的棋局，则e(P)=+∞ 若P是B必胜的棋局，则e(P)=-∞ 若P是胜负未定的棋局，则e(P)=e(+P)-e(-P)
e(+P)：棋局P上有可能使a成为三子成一线的数目； e(-P)：棋局P上有可能使b成为三子成一线的数目。
8. 如果有这样一个智能系统，向其展示少量甚至一个来自陌生文字系统的字符（请注意，是少量字符，而不是像传统人工智能需要大量的数据来学习训练），它就能很快学到精髓，像人一样写出来，甚至还能写出其他类似的文字。请你分析实现此系统用到了人工智能的哪些关键思想。（提示：联想人类只需要少量的例子就能抓住某个事物或概念的精髓）（15分） 答：（供参考，答案不一定与此相同）
（1）AI系统能够迅速学会写陌生的文字，从某种意义上说明它领悟到了字符的本质特征（也就是字符的整体结构），同时还能识别出非本质特征（也就是那些因书写造成的轻微变异）。
（2）目前的人工智能领域大都聚焦在对模式进行分类。但是，这种类型的智能所缺少的不是分类或识别的能力，而是思考。
（3）三个核心原则。这些原则都很通用，既可以用在字符上，也可以用在其他的概念上： 组合性（compositionality）：表征是由更简单的基元构建而成。 因果性（causality）：模型表征了字符生成的抽象因果结构。 学会学习（learning to learn）：过去的概念知识有助于学习新的概念。
传统的机器学习方法需要大量的数据来训练，而这种方法只需要一个粗略的模型，然后使用推理算法来分析案例，补充模型的细节。
（4）模型只规定了字符由笔画组成，笔画由抬高笔触来区分，而笔画又由更小的子笔画组成，子笔画用笔尖速度为零的点来区分。有了这个初始模型之后，只要向AI展现了人类手写文字的方式，包括笔画顺序等，让系统学习连续的笔画和子笔画之间的统计关系，以及单个笔画所能容忍的变异程度。这个系统从未在它所分析的书写系统上进行过任何训练，它只是推理出了人类写字的一般规律。
相关推荐：
loading