语义网络及其应用实例浅析
姓名：景飞
班级： 3005
学号：3113003029
摘要：本文从语义网络的实际应用为出发点，首先介绍了语义网络的基本概念，随后通过列举如何将其应用于家族人物关系的模型建立以及如何建立基于特征的零件知识语义网络两个实例，来说明语义网络在实际建模中的实用性和便捷性，以此说明语义网络的未来发展空间还很大，将其用在智能控制领域会有很大成果。
关键词：语义网络家族人物关系模型零件知识语义网络
一、语义网络概述
语义网络是一种出现较早的知识表达形式，并在人工智能中得到了比较广泛的应用。语义网络最早是1968年奎廉(Quillian)在他的博士论文中作为人类联想记忆的一个显式心理学模型提出的，认为记忆是由概念间的联系来是实现的，他主张处理问句时，将语义放在首位。当时的语义网络主要应用于自然语言理解系统中，表示事物之间的关系。由于其强大和直观的表示能力，不久就广泛应用于人工智能研究和应用开发的许多领域。1972年，西蒙正式提出语义网络的概念，讨论了它和一阶谓词的关系，并将语义网络应用到了自然语言理解的研究中。
语义网络采用网络形式表示人类的知识，其表示由词法部分、结构部分、过程部分和语义部分四部分组成。
一个语义网络是一个带标示的有向图。其中，带有标识的结点表示问题领域中的物体、概念、时间、动作或者态势。在语义网络知识表示中，结点一般划分为实例节点和类节点两种类型。结点之间带有标识的有向弧标识结点之间的语义联系，是语义网络组织知识的关键。
因为语义网络表示知识的实质是知识的图解表示，所以这种表示法容易把各种事物有机地联系起来，它特别适于表达关系知识。语义网络通过对于个体间的联系追溯到有关个体的节点，实现对知识的直接存取，能比较正确地反映人类对客观事物的本质认识。应用语义网络使得知识表示更为直观，便于理解。
语义网络的特征包括以下几个方面的内容：
1、重要的相关性得意明确表示；
2、相关事实可以从直接相连的节点推导出来，不必遍历整个庞大的知识库；
3、能够利用“IS-A”和“Subset”链在语义网络中建立属性继承的层次关
系；
4、易于对继承的属性进行演绎；
5、能够利用少量基本概念的几号建立状态和动作的描述。
下面我们通过一些简单语义网络表示知识的实例来进一步说明如何通过语义网络来实现知识的表示。
图1 语义网络实例
图2 语义网络实例
上图所示语义网络中设立了“占有权-1”（OWN-1）节点，表示小燕有自己的巢。同时小燕还可以有其他东西，所以“占有权-1”只是“占有权”（OWNERSHIP）的一个实例，而“占有权”又只是一种特定的“情况”（SITUATION）。小燕是“占有权-1”的一个特定的“物主”（OWNER），而“巢-1”是“占有权-1”的一个特定的“占有物”（OWNEE）。小燕占有“占有权-1”的时间是从春天（SPRING）到秋天（FALL），“春天”和“秋天”有被定为“时间”（TIME）的实例。
从上可以看出语义网络法能够以人的一种思维方式将事物之间的相互关系表示出来，将人的思维过程规则化成为一种知识构架（知识表示方法），而且此
种表示方法通过一定的处理过程就能成为计算机算所能接受和理解的知识，这给计算机的智能控制提供了一条途径。
二、语义网络应用实例
语义网络从提出到现在已近有了很大的发展与完善，已经从理论走向了实际。一些基于语义网络法建立的系统模型，在处理问题时所得的结果更加接近实际，而且系统模型的建立也更加方便。
下面我们通过建立一些具体的语义网络实例来说明一下语义网络法在现科
学研究中的应用。
2.1、家族人物关系的语义网络模型研究
社会人物关系错综复杂，其中与人们关系最密切的是家族人物关系。在国外，表示家族关系的词汇相对于中国来说比较少，也没有中国划分的细致，应此要简单的多。在中国，开展家族任务关系的研究较多，但大多是关于一个家族的家谱及家族任务的研究，为发掘家族历史与文化作出了突出贡献；但是对家族关系的研究与自然语言理解技术相结合的研究却是刚刚起步，中国科学院有学生研究《红楼梦》中四大家族的人物关系，不过他们的研究在于针对特定家族，利用的是已处理好的格式化的文本知识，没有与知识库相结合，不具有普遍性，表示能力相对来说较为单一。但是语义网络的出现，为这方面的研究提供了新的思路，为类似家族任务关系问题提供了新的解决办法。本例从第三者提供的一句关于家族人物关系的问话出发，结合语义网络，研究普通的家族任务关系，总结出人物之间的关系谓词，融合Prolog技术，建立家族人物关系推理机制及算法（由于篇幅原因只建立了语义网络和任务之间的关系谓词，家族人物关系推理机制及算法的建立请参考相关文献）
本例首先对第三者提问的初始句子进行一系列处理，得到一个标准化的句子；提取知识，转化为三元组的形式存储于知识库；然后构造表示家族人物关系的语义网络；最后依据语义网络生成基本谓词，对提问目标进行相关推理，得出合理答案。
描述家族人物关系的四种简洁关系可以总结成：性别，婚姻，亲子，年龄。这些关系可转换为一阶原子谓词，称之为基本谓词。定义如下：
（1）、SEX（X，[F|M]）表示X的性别是“F”或“M”，“M”代表男性，“F”代表女性。
（2）、MARRIAGE（X,Y）表示X和Y有夫妻关系，第一个参数为丈夫，第二位为妻子。
（3）、CHILD（X,Y）表示X是Y的孩子，可能是儿子或女儿，Y可以是父
母任一方。
（4）、ELDER（X,Y）表示X的出生顺序相对于Y要早，即X比Y年龄大。
这四种基本谓词在网络中表现为四种弧连接，如下图3所示，分别以弧标记S,A,C,E表示，其中S是一种特殊的弧，本文把它当作节点的属性。
M
SEX(X,”M”)MARRIAGE(X,Y)CHILD(X,Y)ELDER(X,Y)
图 3 表示四种基本谓词的弧连接
我们给上边给出的四种基本谓词的弧连接可以按一定的联系，构造复合谓词的语义网络，使其可以进行人物关系的推理。
例如，一个家族人物关系的实例为：以我为中心，我是个男孩儿，叫I，我的爸爸是P，妈妈是Q，我的哥哥是B，他结婚了，对象是O，他们有一个孩子，叫Z，是个男孩儿。我的爷爷是Y，奶奶是N，姑姑是G，姑父是U，他们的女儿叫T。我的外公是L，他有一个女儿，也就是我的妈妈Q。显然，I,P,B,Z,Y,U,L 是男性，其余为女性。
本例的家族人物关系实例可以用下图4来表示。爷爷，爸爸，姑姑，哥哥等称谓在语义网络中并没有显式表示，但可推理得出相应的复合谓词。
图 4 一个家族人物关系的语义网络
参照上面的关系实例，一个称谓“哥哥”，由语义网络转换为复合谓词就是：
GeGe (B,I):-SEX (B,M),CHILD(B,P),CHILD(I,P),ELDER(B,I)
GeGe (B,I)不直接存储在知识库中，只存储对应Horn子句中的子目标。
接着下一步的工作就是把本例中的推理思想具体编程实现，并解决一些没有处理好的问题，如在知识库中实现不同家族知识的有效区分及多人多关系的处理等问题，进一步完善推理机制。这样就实现人类语言向机器过渡之后再用来解决实际问题的过程。
2.2、基于特征的零件知识语义网络表示法
由于所有的零件都是由有限个基本特征体组成的，不同零件的特征体是相同的，将零件分解为特征体，进行零件特征体的搜寻，则总能成功匹配。所以，若将多样化的零件知识转化为有限的特征知识，并用适当的知识表示法来表示特征及特征之间的联系，可解决新零件工艺匹配不成功的问题。语义网络适于表示对象之间的从属关系，并具有较强的推理能力，适合用于表示基于特征的零件知识。
l)零件的特征分解
组成零件的基本特征有形状特征、基准特征、工艺特征、管理特征。形状特征分主特征和辅助特征，主特征指构成零件的主要外表面体和内表面体;辅助特征指依附在主特征之上的附属特征。组成零件的基本特征列于下表1。
2)形状特征体的面分解
形状特征体是由多个面组成的，最终加工的是特征表面，因而将特征体再分解为面，如外圆柱体可分解为左端面、右端面、圆柱面;外螺纹体可分解为左端面、右端面、螺纹面。
3)面的属性分解
为正确地加工出面，需要表示面的属性。由工艺知识可知，典型表面加工可分为如下几类:外圆表面加工、孔加工、平面加工、成形表面加工，每种典型表面都是一类，有其类公共属性。
因此，可将典型表面作为父结点，其属性为该类的公有属性，零件特征表面作为子结点，归于某类典型加工表面。父表面和其所属的子表面列于下表2。
综上所述，零件的知识表示可用基本特征体结点和典型表面结点作为父结点，以特征表面作为子结点，特征表面和基本特征体之间是“PARTOF”的关系，而特征表面和典型表面之间是“AKO”的关系。由于基准特征、工艺特征、管理特征和几何尺寸都与特征表面的加工有关，因此，将它们作为特征表面的属性。
表 1零件的基本特征
外表面体内表面体辅助特征基准特征工艺特征管理特征
外圆柱外圆锥外花键外齿形外螺纹等内圆柱内圆锥
内齿形内花键
等
倒角圆角
辅助孔
平面等
中心孔
定位面
定位孔等
精度尺寸
公差粗糙度
硬度等
材料等
表 2 类表面和实例表面
加工表面类外圆表面孔表面平面成形表面
表面实例外圆柱外圆锥
外螺纹，倒角等内圆柱内圆锥
辅助孔等
外圆端倒角
平面直槽等
外花键
齿形等
我们在此处以回转类零件为代表，列出其的语义网络图如下图5所示。
图5 回转体零件的语义网络知识表示示意图
上图即为通用回转体零件的各个特征关系的语义网络示意图，从图中我们可以方便的看出各个特征的从属关系，从而也能确定加工顺序么，这也为加工制造的智能控制提供了一种知识提取分析的新方法。
三、结论
从上边的分析可以看出语义网络法可以很方便的将人脑中的知识转变成一种可见的，可应用于计算机的知识体系，这种表示方法容易把各事物有机地联系起来，可以通过个体间的联系追溯到有关个体的节点，实现对知识的直接存取，能比较正确的反映人类对客观事物的本质认识，使得知识的表示更加直观，便于
理解。由于客观事物的特征都带有不同程度的模糊性,应此基于事物特征建立的语义网络模型也具有一定的模糊性，然而将这种技术应用到计算机领域进行模糊推理则是利用模糊性知识进行的一种不确定性推理，这样的推理与人的思维过程较为相似，应此将人类的知识建立成语义网络再将其转变为计算机语言，然后利用语义网络中包含的关系让计算机来模仿人类的思维过程，即可方便的实现复杂系统的人工智能模糊控制过程。
参考文献：
[1] 赵升吨,复杂机电系统的人工智能控制技术,2013.
[2]葛强，郑逢斌，汤赛丽，侯丽敏，周舫基于语义网络的家族人物关系推理算法的
研究计算机时代 2005年第6期.
[3]陆汝钤,人工智能,科学出版社,2002.
[4] 刘璨,基于特征的零件知识语义网络表示法，机电工程技术,2003年第32卷第6期.
[5]Zhao J, Zheng L, Zhuang T G,et al.Representation of acupoints based on the
VisibleHuman [ A ].Proceedings of the 25th AnnualInternational Conference of the IEEE Engineering inMedicine and Biology Society[C]. Stoughton, WI:The Printing House, Inc,2003.525-528.
[6]Pommert A, Ho。hne K H, Pflesser B,et al. Creatinga high-resolution
spatial/symbolic model of the innerorgans based on the Visible Human[J].Med Image Anal,2001,5:221-228.
[7]DeRoure, David, NicholasR Jennings, NigelR Shadbolt.The semantic grid: past,
present and future[ J]. Proceeding of the IEEE, 2005, 93(3): 6692681.
[8]李洁,丁颖,语义网、语义网格和语义网络,计算机与现代化,2007年第7期.
[9]李太福,黄茂林,谢志江,基于语义网络的旋转机械故障诊断知识表示,重庆大学学报第
24卷6期,2001年11月.
趋势分析之语义网 近几年来，语义网越来越频繁地出现在IT报道中，PowerSet、Twine、SearchMonkey、Hakia等一批语义网产品也陆续推出。早在2010年，Google就已经收购了语义网公司Metaweb。对于这次收购Google产品管理主管杰克·门泽尔(Jack Menzel)发文称，该公司可以处理许多搜索请求，但Metaweb的信息可以使其处理更多搜索请求，“通过推出搜索答案等功能，我们才刚刚开始将我们对互联网的理解用于改进搜索体验”，但对于部分搜索仍然无能为力，“例如，‘美国西海岸地区学费低于3万美元的大学’或‘年龄超过40岁且获得过至少一次奥斯卡奖的演员’，这些问题都很难回答。我们之所以收购Metaweb，是因为我们相信，整合Metaweb的技术将使我们能提供更好的答案”。这表明语义网技术经过近10年的研究与发展，已经走出实验室进入工程实践阶段。 语义网热度变化图 语义网（Semantic Web）是一种智能网络，它不但能够理解词语和概念，而且还能够理解它们之间的逻辑关系，可以使交流变得更有效率和价值。语义网实际上是对未来网络的一个设想，现在与Web 3.0这一概念结合在一起，作为3.0网络时代的特征之一。 语义网这一概念是由万维网联盟的蒂姆·伯纳斯-李（Tim Berners-Lee）在1998年提出的一个概念，实际上是基于很多现有技术的，也依赖于后来和text-and-markup与知识表现的综合。其渊源甚至可以追溯到20世纪60年代末期的Collins、Quillian、Loftus等人的研究，还有之后70年代初Simon、Schamk、Minsky等人陆续提出的一些理论上的成果。其中Simon在进行自然语言理解的应用研究时提出了语义网络（Semantic Network，不是现在的Semantic Web）的概念。 下面我们用Trend analysis分析语义网领域内的研究热点。（点击链接即可进入https://https://www.doczj.com/doc/bc18099231.html,/topic/trend?query=Semantic%20Web）
第四章计算智能（1）：神经计算模糊计算4-1 计算智能的含义是什么？它涉及哪些研究分支？ 贝兹德克认为计算智能取决于制造者提供的数值数据，而不依赖于知识。计算智能是智力的低层认知。 主要的研究领域为神经计算，模糊计算，进化计算，人工生命。 4-2 试述计算智能（CI）、人工智能（AI）和生物智能（BI）的关系。 计算智能是智力的低层认知，主要取决于数值数据而不依赖于知识。人工智能是在计算智能的基础上引入知识而产生的智力中层认知。生物智能，尤其是人类智能，则是最高层的智能。即CI包含AI包含BI 4-3 人工神经网络为什么具有诱人的发展前景和潜在的广泛应用领域？ 人工神经网络具有如下至关重要的特性： (1) 并行分布处理 适于实时和动态处理 (2)非线性映射 给处理非线性问题带来新的希望 (3) 通过训练进行学习 一个经过适当训练的神经网络具有归纳全部数据的能力，能够解决那些由数学模型或描述规则难以处理的问题 (4) 适应与集成 神经网络的强适应和信息融合能力使得它可以同时输入大量不同的控制信号，实现信息集成和融合，适于复杂，大规模和多变量系统 (5) 硬件实现 一些超大规模集成是电路实现硬件已经问世，使得神经网络成为具有快速和大规模处理能力的网络。 4-4 简述生物神经元及人工神经网络的结构和主要学习算法。
生物神经元 大多数神经元由一个细胞体(cell body或soma)和突(process)两部分组成。突分两类，即轴突(axon)和树突(dendrite)，轴突是个突出部分，长度可达1m，把本神经元的输出发送至其它相连接的神经元。树突也是突出部分，但一般较短，且分枝很多，与其它神经元的轴突相连，以接收来自其它神经元的生物信号。 轴突的末端与树突进行信号传递的界面称为突触(synapse)，通过突触向其它神经元发送信息。对某些突触的刺激促使神经元触发(fire)。只有神经元所有输入的总效应达到阈值电平，它才能开始工作。此时，神经元就产生一个全强度的输出窄脉冲，从细胞体经轴突进入轴突分枝。这时的神经元就称为被触发。突触把经过一个神经元轴突的脉冲转化为下一个神经元的兴奋或抑制。学习就发生在突触附近。 每个人脑大约含有10^11-10^12个神经元，每一神经元又约有10^3-10^4个突触。神经元通过突触形成的网络，传递神经元间的兴奋与抑制。大脑的全部神经元构成极其复杂的拓扑网络群体，用于实现记忆与思维。 人工神经网络的结构 人工神经网络由神经元模型构成。每个神经元具有单一输出，并且能够与其它神经元连接，存在许多输出连接方法，每种连接方法对应于一个连接权系数。 人工神经网络的结构分为2类， (1)递归(反馈)网络 有些神经元的输出被反馈至同层或前层神经元。信号能够从正向和反向流通。Hopfield网络，Elmman网络和Jordan网络是代表。 (2) 前馈网络 具有递阶分层结构，由一些同层神经元间不存在互连的层级组成。从输入层至输出层的信号通过单向连接流通，神经元从一层连接至下一层，不存在同层神经元之间的连接。多层感知器(MLP)，学习矢量量化网络(LVQ)，小脑模型连接控制网络(CMAC)和数据处理方法网络(GMDH)是代表。 人工神经网络的主要学习算法 (1) 指导式(有师)学习 根据期望和实际的网络输出之间的差来调整神经元连接的强度或权。包括Delta规则，广义Delta规则，反向传播算法及LVQ算法。 (2) 非指导(无导师)学习 训练过程中，神经网络能自动地适应连接权，以便按相似特征把输入模式分组聚集。包括
语义网络表示法授课讲稿 语义网络的概述 一：语义网络的基本概念 （1）什么是语义网络：通过概念及其语义关系来表达知识的一种有向网络图。 （2）节点：表示各种事物、概念、情况、属性、动作、状态等。 弧：表示节点之间的各种语义关系，指明它所连接的节点之间之间的某种语义关系 （3）语义网络包括两个部分：事件，以及事件之间的关系。 （4）语义网络组成：一般是由语义单元构成的。基本的语义单元： （节点1，弧，节点2）
二：基本事实的表示 （1）a.IS-A ：表示一个事物是另一个事物的实例。e:程明是一个硕士生。 ｂ.AKO：用来连接一个类和另一个类。ｅ．鸟是一种动物。 ｃ．Ａ－Ｍｅｍｂｅｒ－Ｏｆ：表示一个事物是另一个事物的成员。 ｄ．Ｉｎｓｔａｎｃｅ－Ｏｆ：表示一个事物是另一个事物的一个实例。 (2)属性关系：一般指的是事物和其属性之间的关系。 a.Have: 表示事物和属性的占有关系。 b.Can: 表示事物和属性之间的能力或技能关系 c.Is：可表示属性和事物之间的关系比较多。 （3）包含关系：一般描述部分和整体之间的关系。如：Part-Of,Compsed-Of; (4) 时间关系：表示事物之间时间上的先后顺序。 （5）位置关系：表示不同事物间的位置关系。 （6）相似关系：指不同事物在形状、内容等方面的相似或相近。 实际语义网络有一个严重的问题：没有命名连接的标准。
三：情况和动作的表示 语义网络中的节点，不仅可以表示一个物体或概念，也可以表示情况或动作。 多元语义网络的表示 一元关系和多元关系都可以转换为二元关系来表示。 如果要表示的事实是多元关系，可以将这个多元关系转化成一组二元关系的合取。 连接词和量词的表示 （1）a.合取b.析取（当合取嵌套在析取关系之内，需要进行标注）c.否定d.蕴含 e.量化(实例见ppt) 语义网络的推理 语义网络中的推理过程主要有两种，一种是继承，另一种是匹配。 （1）继承：把对事物的描述从概念节点或类节点传递到实例节点 在语义网络中，一般有3种继承过程：值继承、“如果需要”继承、缺省继承。 （见实例） （2）匹配：见（PPT）
江苏大学 《人工智能》报告 设计题目人工智能报告 学生姓名叶澔鹏 指导老师赵跃华 学院计算机科学与通信工程学院专业班级信息安全1202班 学号 3120604053 完成时间2015年10月25日
摘要：知识处理是人工智能这一科学领域的关键问题。本文对知识处理的核心问题之——识的表示进行了全面的综述,目前流行的知识表达方式不下十种，在此只介绍一阶谓词逻辑、产生式、语义网络、框架、混合等目前最常用的知识表示方法。并对其进行了优缺点分析及简单对比。最后对知识表示的发展趋向作出了展望。 关键词：知识人工智能（AI）知识表达式一阶谓词逻辑产生式语义网络框架 一．知识的概念 知识（Knowledge）是人们在改造客观世界的实践中形成的对客观事物（包括自然的和人造的）及其规律的认识，包括对事物的现象、本质、状态、关系、联系和运动等的认识。 经过人的思维整理过的信息、数据、形象、意象、价值标准以及社会的其他符号产物，不仅包括科学技术知识----知识中最重要的部分，还包括人文社会科学的知识、商业活动、日常生活和工作中的经验和知识，人们获取、运用和创造知识的知识，以及面临问题做出判断和提出解决方法的知识。 知识是把有关的信息关联在一起，形成的关于客观世界某种规律性认识的动态信息结构。 知识=事实+规则+概念 事实就是指人类对客观世界、客观事物的状态、属性、特征的描述，以及对事物之间关系的描述。 规则是指能表达在前提和结论之间的因果关系的一种形式； 概念主要指事实的含义、规则、语义、说明等。 (1) 知识只有相对正确的特性。 常言道：实践出真理。只是源于人们生活、学习与工作的实践，知识是人们在信息社会中各种实践经验的汇集、智慧的概括与积累。 只是爱源于人们对客观世界运动规律的正确认识，是从感知认识上升成为理性认识的高级思维劳动过程的结晶，故相应于一定的客观环境与条件下，只是无疑是正确的。然而当客观环境与条件发生改变时，知识的正确性就接受检验，必
第31卷第3期 唐山师范学院学报 2009年5月 Vol. 31 No. 3 Journal of Tangshan Teachers College May 2009 ────────── 收稿日期：2008-10-14 作者简介：刘淑芬（1981-），女，河北唐山人，硕士，湛江师范学院人文学院助教，研究方向为对外汉语教学。 -24- 上下文语境在对外汉语教学词语义分析中的重要作用 刘淑芬 （湛江师范学院 人文学院，广东 湛江 524048） 摘 要：在对外汉语词汇教学中，词语义分析恰当与否直接影响留学生汉语词语学习效果。词汇教学过程中，要求留学生掌握词语义并会灵活运用，留学生往往能够记住大量词义，但却不能灵活运用之。利用上下文语境进行对外汉语词语义分析对留学生掌握并正确运用词语具有举足轻重的作用。 关键词：上下文语境;词汇教学;词语义分析 中图分类号： H 195 文献标识码：A 文章编号：1009-9115(2009)03-0024-03 Importance of Context in the Vocabulary Analysis of TCSL LIU Shu-Fen (College of Humanity, Zhanjiang Teachers College, Zhanjiang Guangdong 063000, China) Abstract: In the vocabulary teaching of Teaching Chinese as a Second Language (TCSL), the vocabulary analysis has impacts on the effect of foreign students’ learning. In the process of the vocabulary teaching, it requires foreign students to master and apply flexibly. Foreign students are able to remember a lot of meaning, but they can not use them freely. It has vital importance for foreign students to master and rightly use the vocabulary meaning of TCSL by context. Key words: context; vocabulary teaching; vocabulary analysis 在对外汉语教学中，词汇教学具有重要地位，对外汉语教学应以词汇教学为中心[1]。词汇教学过程中，教师如何进行词义分析对留学生学习词汇的效果有重要影响。语词的意义是在和其他意义组合在一起而存在的。语词的意义只有通过语境才能学到。要想记住意义就必须在各种使用场合去接触它，就好比要记住一个人的面孔应从不同的角度去看它一样[2]。汉语的词汇越是常用，词义就越多。孤立地讲解词义一方面会使学生产生畏难情绪；另一方面，即使学生懂了，也不会用。因此，我们认为，应当尽量把词置于一定的语境中进行讲解，词在一定的语境中的意义是唯一的。利用上下文释义，结合上下文，就是在具体的语境中解释词的特定含义。学生掌握了该词在这个语境中的语义，即便于记忆，又能掌握用法[3]。上下文语境在对外汉语教学词语义分析中起着重要作用。 一、词汇教学中存在的问题 在传统的对外汉语教学中，常常把汉语言教学简单地看 成是词汇加语法，过分重视词语解释、句子分析、语段大意和篇章的串讲，忽视了语境因素教学。其实，在教学中不仅仅要对课文中词语的所谓“词典意义”、“词汇意义”进行解释，还需要根据篇章中特定的语言环境能够决定词语的具体语用意义或言语意义，即教学中常说的“在这里指的是什么意思”。教学中如果太过于依赖词典，忽视结合语境对词语和课文意义的讲解，将会大大降低教学效果。尤其在讲解课文中，单纯地解释词语的词典意义、抽象地分析句子是远远不够的。留学生大多为成年人，都已具有了一定的查阅词典的能力，最希望教师来讲解特定语境中具体的用意。 在大部分对外汉语教材中，课文的前或后一般列有生词表，教师通常是先教生词，对生词进行音、形、义的教学，然后再进行课文内容的讲解教学。但在实践中我们发现，这种教法其实并不科学。特别是对欧、美学生来说，他们最怕的就是让他们一下子学习那么多的孤零零的词语。学生比较喜欢在句子中或者在文章中学习，因为生词总是在具体的语言环境里学习才能更好地理解和掌握。
《神经网络原理》 一、填空题 1、从系统的观点讲，人工神经元网络是由大量神经元通过极其丰富和完善的连接而构成的自适应、非线性、动力学系统。 2、神经网络的基本特性有拓扑性、学习性和稳定收敛性。 3、神经网络按结构可分为前馈网络和反馈网络，按性能可分为离散型和连续型，按学习方式可分为有导师和无导师。 4、神经网络研究的发展大致经过了四个阶段。 5、网络稳定性指从t=0时刻初态开始，到t时刻后v(t+△t)=v(t)，(t>0)，称网络稳定。 6、联想的形式有两种，它们分是自联想和异联想。 7、存储容量指网络稳定点的个数，提高存储容量的途径一是改进网络的拓扑结构，二是改进学习方法。 8、非稳定吸引子有两种状态，一是有限环状态，二是混沌状态。 9、神经元分兴奋性神经元和抑制性神经元。 10、汉明距离指两个向量中对应元素不同的个数。 二、简答题 1、人工神经元网络的特点？ 答：（1）、信息分布存储和容错性。 （2）、大规模并行协同处理。 （3）、自学习、自组织和自适应。 （4）、人工神经元网络是大量的神经元的集体行为，表现为复杂
的非线性动力学特性。 （5）人式神经元网络具有不适合高精度计算、学习算法和网络设计没有统一标准等局限性。 2、单个神经元的动作特征有哪些？ 答：单个神经元的动作特征有：（1）、空间相加性；（2）、时间相加性；（3）、阈值作用；（4）、不应期；（5）、可塑性；（6）疲劳。 3、怎样描述动力学系统？ 答：对于离散时间系统，用一组一阶差分方程来描述： X(t+1)=F[X(t)]； 对于连续时间系统，用一阶微分方程来描述： dU(t)/dt=F[U(t)]。 4、F(x)与x 的关系如下图，试述它们分别有几个平衡状态，是否为稳定的平衡状态？ 答：在图（1）中，有两个平衡状态a 、b ，其中，在a 点曲线斜率|F ’(X)|>1，为非稳定平稳状态；在b 点曲线斜率|F ’(X)|<1，为稳定平稳状态。 在图（2）中，有一个平稳状态a ，且在该点曲线斜率|F ’(X)|>1，为非稳定平稳状态。
人工智能(部分习题答 案)..
1.什么是人类智能？它有哪些特征或特点？ 定义：人类所具有的智力和行为能力。 特点：主要体现为感知能力、记忆与思维能力、归纳与演绎能力、学习能力以及行为能力。 2.人工智能是何时、何地、怎样诞生的？ 解：人工智能于1956年夏季在美国Dartmouth大学诞生。此时此地举办的关于用机器模拟人类智能问题的研讨会，第一次使用“人工智能”这一术语，标志着人工智能学科的诞生。 3.什么是人工智能？它的研究目标是？ 定义：用机器模拟人类智能。 研究目标：用计算机模仿人脑思维活动，解决复杂问题；从实用的观点来看，以知识为对象，研究知识的获取、知识的表示方法和知识的使用。 4.人工智能的发展经历了哪几个阶段？ 解：第一阶段：孕育期（1956年以前）；第二阶段：人工智能基础技术的研究和形成（1956~1970年）；第三阶段：发展和实用化阶段（1971~1980年）；第四阶段：知识工程和专家系统（1980年至今）。 5.人工智能研究的基本内容有哪些？ 解：知识的获取、表示和使用。 6.人工智能有哪些主要研究领域？ 解：问题求解、专家系统、机器学习、模式识别、自动定论证明、自动程序设计、自然语言理解、机器人学、人工神经网络和智能检索等。 7.人工智能有哪几个主要学派？各自的特点是什么？ 主要学派：符号主义和联结主义。 特点：符号主义认为人类智能的基本单元是符号，认识过程就是符号表示下的符号计算，从而思维就是符号计算；联结主义认为人类智能的基本单元是神经元，认识过程是由神经元构成的网络的信息传递，这种传递是并行分布进行的。 8.人工智能的近期发展趋势有哪些？ 解：专家系统、机器人学、人工神经网络和智能检索。 9.什么是以符号处理为核心的方法？它有什么特征？ 解：通过符号处理来模拟人类求解问题的心理过程。 特征：基于数学逻辑对知识进行表示和推理。 11.什么是以网络连接为主的连接机制方法？它有什么特征？ 解：用硬件模拟人类神经网络，实现人类智能在机器上的模拟。 特征：研究神经网络。 1.请写出用一阶谓词逻辑表示法表示知识的步骤。 步骤：（1）定义谓词及个体，确定每个谓词及个体的确切含义；（2）根据所要表达的事物或概念，为每个谓词中的变元赋予特定的值；（3）根据所要表达的知识的语义用适当的联接符号将各个谓词联接起来，形成谓词公式。 2.设有下列语句，请用相应的谓词公式把它们表示出来： （1）有的人喜欢梅花，有的人喜欢菊花，有的人既喜欢梅花又喜欢菊花。 解：定义谓词如下： Like(x,y)：x喜欢y。 Club(x)：x是梅花。 Human(x)：x是人。 Mum(x)：x是菊花。 “有的人喜欢梅花”可表达为：(?x)(Human(x)∧Like(x,Club(x))) “有的人喜欢菊花”可表达为：(?x)(Human(x)∧Like(x,Mum(x))) “有的人既喜欢梅花又喜欢菊花”可表达为：(?x)(Human(x)∧Like(x,Club(x))∧ Like(x,Mum(x))) （1）他每天下午都去玩足球。 解：定义谓词如下： PlayFootball(x)：x玩足球。 Day(x)：x是某一天。 则语句可表达为：(?x)(D(x)→PlayFootball(Ta)) （2）太原市的夏天既干燥又炎热。 解：定义谓词如下：
1.什么是人类智能？它有哪些特征或特点？ 定义：人类所具有的智力和行为能力。 特点：主要体现为感知能力、记忆与思维能力、归纳与演绎能力、学习能力以及行为能力。 2.人工智能是何时、何地、怎样诞生的？ 解：人工智能于1956年夏季在美国Dartmouth大学诞生。此时此地举办的关于用机器模拟人类智能问题的研讨会，第一次使用“人工智能”这一术语，标志着人工智能学科的诞生。 3.什么是人工智能？它的研究目标是？ 定义：用机器模拟人类智能。 研究目标：用计算机模仿人脑思维活动，解决复杂问题；从实用的观点来看，以知识为对象，研究知识的获取、知识的表示方法和知识的使用。 4.人工智能的发展经历了哪几个阶段？ 解：第一阶段：孕育期（1956年以前）；第二阶段：人工智能基础技术的研究和形成（1956~1970年）；第三阶段：发展和实用化阶段（1971~1980年）；第四阶段：知识工程和专家系统（1980年至今）。 5.人工智能研究的基本内容有哪些？ 解：知识的获取、表示和使用。 6.人工智能有哪些主要研究领域？ 解：问题求解、专家系统、机器学习、模式识别、自动定论证明、自动程序设计、自然语言理解、机器人学、人工神经网络和智能检索等。 7.人工智能有哪几个主要学派？各自的特点是什么？ 主要学派：符号主义和联结主义。 特点：符号主义认为人类智能的基本单元是符号，认识过程就是符号表示下的符号计算，从而思维就是符号计算；联结主义认为人类智能的基本单元是神经元，认识过程是由神经元构成的网络的信息传递，这种传递是并行分布进行的。 8.人工智能的近期发展趋势有哪些？ 解：专家系统、机器人学、人工神经网络和智能检索。 9.什么是以符号处理为核心的方法？它有什么特征？ 解：通过符号处理来模拟人类求解问题的心理过程。 特征：基于数学逻辑对知识进行表示和推理。 11.什么是以网络连接为主的连接机制方法？它有什么特征？ 解：用硬件模拟人类神经网络，实现人类智能在机器上的模拟。 特征：研究神经网络。 1.请写出用一阶谓词逻辑表示法表示知识的步骤。 步骤：（1）定义谓词及个体，确定每个谓词及个体的确切含义；（2）根据所要表达的事物或概念，为每个谓词中的变元赋予特定的值；（3）根据所要表达的知识的语义用适当的联接符号将各个谓词联接起来，形成谓词公式。 2.设有下列语句，请用相应的谓词公式把它们表示出来： （1）有的人喜欢梅花，有的人喜欢菊花，有的人既喜欢梅花又喜欢菊花。 解：定义谓词如下： Like(x,y)：x喜欢y。 Club(x)：x是梅花。 Human(x)：x是人。 Mum(x)：x是菊花。 “有的人喜欢梅花”可表达为：(?x)(Human(x)∧Like(x,Club(x))) “有的人喜欢菊花”可表达为：(?x)(Human(x)∧Like(x,Mum(x))) “有的人既喜欢梅花又喜欢菊花”可表达为：(?x)(Human(x)∧Like(x,Club(x))∧ Like(x,Mum(x))) （1）他每天下午都去玩足球。 解：定义谓词如下： PlayFootball(x)：x玩足球。 Day(x)：x是某一天。 则语句可表达为：(?x)(D(x)→PlayFootball(Ta)) （2）太原市的夏天既干燥又炎热。 解：定义谓词如下： Summer(x)：x的夏天。 Dry(x)：x是干燥的。 Hot(x)：x是炎热的。 则语句可表达为：Dry(Summer(Taiyuan))∧Hot(Summer(Taiyuan)) （3）所有人都有饭吃。
第二章知识表示方法 2-1 状态空间法、问题归约法、谓词逻辑法和语义网络法的要点是什么？它们有何本质上的联系及异同点? 答：状态空间法：基于解答空间的问题表示和求解方法，它是以状态和算符为基础来表示和求解问题的。一般用状态空间法来表示下述方法：从某个初始状态开始，每次加一个操作符，递增的建立起操作符的试验序列，直到达到目标状态为止。 问题规约法：已知问题的描述，通过一系列变换把此问题最终变成一个子问题集合：这些子问题的解可以直接得到，从而解决了初始问题。问题规约的实质：从目标（要解决的问题）出发逆向推理，建立子问题以及子问题的子问题，直至最后把出示问题规约为一个平凡的本原问题集合。 谓词逻辑法：采用谓词合式公式和一阶谓词算法。要解决的问题变为一个有待证明的问题，然后采用消解定理和消解反演莱证明一个新语句是从已知的正确语句导出的，从而证明这个新语句也是正确的。 语义网络法：是一种结构化表示方法，它由节点和弧线或链组成。节点用于表示物体、概念和状态，弧线用于表示节点间的关系。语义网络的解答是一个经过推理和匹配而得到的具有明确结果的新的语义网络。语义网络可用于表示多元关系，扩展后可以表示更复杂的问题 2-2 设有3个传教士和3个野人来到河边，打算乘一只船从右岸渡到左岸去。该船的负载能力为两人。在任何时候，如果野人人数超过传教士人数，那么野人就会把传教士吃掉。他们怎样才能用这条船安全地把所有人都渡过河去? 用S i(nC, nY) 表示第i次渡河后，河对岸的状态，nC表示传教士的数目，nY表示野人的数目，由于总人数的确定的，河对岸的状态确定了，河这边的状态也即确定了。考虑到题目的限制条件，要同时保证，河两岸的传教士数目不少于野人数目，故在整个渡河的过程中，允许出现的状态为以下3种情况： 1. nC=0 2. nC=3 3. nC=nY>=0 (当nC不等于0或3) 用d i(dC, dY)表示渡河过程中，对岸状态的变化，dC表示，第i次渡河后，对岸传教士数目的变化，dY表示，第i次渡河后，对岸野人数目的变化。当i为偶数时，dC,dY同时为非负数，表示船驶向对岸，i为奇数时，dC, dY同时为非正数，表示船驶回岸边。
现代汉语“使”字句的语义分析 本文结合认知理论对“使”字句的语义结构进行分析，指出“使”字句表层句法结构是致使义深层语义结构的“直接映射”；并对“使”字句的语义特征进行考察，发现绝大部分“使”字句具有[－动态性]、[－自主性]和[＋已然性]的特征。 标签：“使”字句“致使” [-动态性] [-自动型] [+已然性] 本文所说的“使”字句是指带有“使”字且表示致使意义的句式，如“虚心使人进步，骄傲使人落后”。“使”字句是现代汉语中表达“致使”意义的典型句式，语法学界对此看法基本上一致。下面我们将尝试着结合认知理论进一步探讨“使”字句是如何表达“致使”意义的。 程琪龙认为，致使语义结构可以分解为：致使者、致使方式、致使对象及其变化的倾向。致使过程始于致使者，致使者影响致使对象使其变，变化倾向可以有结果，也可以没有结果。那么，“使”字句是如何体现“致使”语义的呢？ “她的话使三位老者的心立刻都缩紧。”（老舍《四世同堂》）此例中，主语“她的话”对应于致使语义结构中的“致使者”；宾语“三位老者的心”对应于“致使对象”，在“致使者”的影响下出现某种变化或状态；“老者的心立刻都缩紧”对应于“致使倾向”，表明一种变化。在“使”字句中，我们看不到具体的“致使方式”。谓语动词“使”是一个虚化的动词，它只表示致使者对致使对象施加了某种抽象的影响，并不指出具体的致使方式。这句话中的原因事件可以描述为“她的话对三位老者的心施加影响”，结果事件为“三位老者的心立刻都缩紧”。 从认知语法的观点看，人们在经验结构中所形成的语义范畴，要在语法结构中得到反映。也就是说，句法结构不是任意的，而是具有一定程度的“象似性”。所谓“象似性”就是指“某一语言表达式在外形、长度、复杂性以及构成成分之间的各种相互关系上平行于这一表达式所编码的概念、经验或交际策略”。① 通过观察我们发现，“使”字句的句法结构成分对应于致使情景的构成要素，“使”字句句法成分的序列对应于致使情景要素的序列，原因事件和结果事件的先后顺序对应于人们经验结构中的先后顺序。因此我们可以说，“使”字句表层句法结构是致使义深层语义结构的“直接映射”。 从以上的分析还可以看出，“使”字句因为虚化了致使方式，只是表示致使者对致使对象施加了某种抽象的影响，把焦点放在受影响后的人或事物所表现出的结果或状态，整个句式语义呈现出相对静止的状态。所以如果我们把“使”字句的句法结构概括成“Ａ使Ｂ＋Ｃ”，那么“使”字句的句式语义可以概括为：因为Ａ的影响，Ｂ出现了Ｃ所描述的变化、结果或状态。它表达的是一种因果致使关系。 对“使”字句所表现出的语义特征进行考察，我们发现绝大部分“使”字句具有[－动态性]、[－自主性]和[＋已然性]的特征。
神经网络学习 假设w1(0)=0.2, w2(0)=0.4, θ(0)=0.3, η=0.4，请用单层感知器完成逻辑或运算的学习过程。 解：根据“或”运算的逻辑关系，可将问题转换为： 输入向量：X1=[0, 0, 1, 1] X2=[0, 1, 0, 1] 输出向量：Y=[0, 1, 1, 1] 由题意可知，初始连接权值、阈值，以及增益因子的取值分别为： w1(0)=0.2, w2(0)=0.4, θ(0)=0.3，η=0.4 即其输入向量X(0)和连接权值向量W(0)可分别表示为： X(0)=(-1, x1 (0), x2 (0)) W(0)=(θ(0), w1(0), w2 (0)) 根据单层感知起学习算法，其学习过程如下： 设感知器的两个输入为x1(0)=0和x2(0)=0，其期望输出为d(0)=0，实际输出为：y(0)=f(w1(0) x1(0)+ w2(0) x2(0)-θ(0)) =f(0.2*0+0.4*0-0.3)=f(-0.3)=0 实际输出与期望输出相同，不需要调节权值。 再取下一组输入：x1(0)=0和x2(0)=1，其期望输出为d(0)=1，实际输出为： y(0)=f(w1(0) x1(0)+ w2(0) x2(0)-θ(0)) =f(0.2*0+0.4*1-0.3)=f(0.1)=1 实际输出与期望输出相同，不需要调节权值。 再取下一组输入：x1(0)=1和x2(0)=0，其期望输出为d(0)=1，实际输出为： y(0)=f(w1(0) x1(0)+ w2(0) x2(0)-θ(0)) =f(0.2*1+0.4*0-0.3) =f(-0.1)=0 实际输出与期望输出不同，需要调节权值，其调整如下： θ(1)=θ(0)+η(d(0)- y(0))*(-1)=0.3+0.4*(1-0)*(-1)= -0.1 w1(1)=w1(0)+η(d(0)- y(0))x1(0)=0.2+0.4*(1-0)*1=0.6 w2(1)=w2(0)+η(d(0)- y(0))x2(0)=0.4+0.4*(1-0)*0=0.4 再取下一组输入：x1(1)=1和x2(1)=1，其期望输出为d(1)=1，实际输出为： y(1)=f(w1(1) x1(1)+ w2(1) x2(1)-θ(1)) =f(0.6*1+0.4*1+0.1) =f(1.1)=1 实际输出与期望输出相同，不需要调节权值。 再取下一组输入：x1(1)=0和x2(1)=0，其期望输出为d(0)=0，实际输出为： y(1)=f(w1(1) x1(1)+ w2(1) x2(1)-θ(1)) =f(0.6*0+0.4*0 + 0.1)=f(0.1)=1
一、填空： 1.人工智能的研究途径有心理模拟、生理模拟和行为模拟。 2.任意列举人工智能的四个应用性领域智能控制、智能管理、智能决策、智能仿真。 3.人工智能的基本技术包括表示、运算、搜索归纳技术、联想技术。 4.谓词逻辑是一种表达能力很强的形式语言，其真值的特点和命题逻辑的区别是（10）。 5.谓词逻辑中，重言式（tautlogy）的值是（11）。 6.设P是谓词公式，对于P的任何论域，存在P为真的情况，则称P为（12）。 7.在著名的医疗专家系统MYCIN中规定，若证据A的可信度CF（A）=0，则意味着 13 ，CF（A）=-1，则意味着（14），CF（A） =1，则意味着（15）。 8.谓词公式G是不可满足的，当且仅当对所有的解释（16）。 9.谓词公式与其子句集的关系是（17）。 10.利用归结原理证明定理时，若得到的归结式为（18），则结论成立。 11.若C1=┐P∨Q，C2=P∨┐Q，则C1和C2的归结式R（C1，C2）= （19）。 12.若C1=P(x) ∨Q(x)，C2=┐P(a) ∨R(y)，则C1和C2的归结式R（C1，C2）= （20）。 13.有谓词公式G，置换δ，则G·ε= （21），δ·ε= （22）。 14.有子句集S=｛P(x),P(y)｝，其MGU= （23）。 15.在归结原理中，几种常见的归结策略并且具有完备性的是（24），（25），（26）。 16.状态图启发式搜索算法的特点是（27）。 17.广度优先搜索算法中，OPEN表的数据结构实际是一个（28），深度优先搜索算法中，OPEN表的数据结构实际是一个（29）。 18.产生式系统有三部分组成（30），（31）和推理机。其中推理可分为（32）和（33）。 19.专家系统的结构包含人机界面、（34），（35），（36），（37）和解释模块。 20.在MYCIN推理中，对证据的可信度CF（A）、CF（A1）、CF（A2）之间，规定如下关系：CF（~A）= （38），CF（A1∧A2 ）= （39），CF（A1∨A2 ）= （40）。 21.开发专家系统所要解决的基本问题有三个，那就是知识的获取、知识的表示和（41），知识表示的方法主要有（42），（43）， （44）和语义网络等，在语义网络表示知识时，所使用的推理方法有（45）和（46）。 22.MYCIN系统中使用不确定推理，规则A→B由专家指定其可信度CF（B，A），若A真支持B真，则指定CF（B，A）（与零比较） 应（47）；若A真不支持B真，则指定CF（B，A）应（48）。 23.机器学习的含义是（49）。 24.自然语言理解不仅包括计算机能正确理解人们用自然语言输入的信息，能正确回答输入信息中的有关问题，而且还包括 （50）、（51）、（52）。 25.设U={a,b,c,d}，A={a,b}，B={a,b,c}，m(A)=0.6，m(U)=0.4，U的其它子集的基本概率分配函数m值均为0，则Bel(A)= （53）， Bel(B)= （54）。 26.证据理论中集合A的信任区间为[1，1]，则其语意解释为（55）。 27.人工智能三大学派是。 28.化成子句形式为：。 29.从已知事实出发，通过规则库求得结论的产生式系统的推理方式是。 30.AI的英文缩写是。 31.在谓词公式中，紧接于量词之后被量词作用的谓词公式称为该量词的，而在一个量词的辖域中与该量词的指导变 元相同的变元称为，其他变元称为。 32.假言推理（A→B）∧A?，假言三段论（A→B）∧（B→C）?。 33.几种常用的归结策略：、支持集策略、线形归结策略、输入归结策略、单元归结策略。 34.在诸如走迷宫、下棋、八数码游戏等游戏中，常用到的一种人工智能的核心技术称为技术，解这类问题时，常把 在迷宫的位置、棋的布局、八数码所排成的形势用图来表，这种图称为。 35.在启发式搜索当中，通常用来表示启发性信息。 36.在二人博弈问题中，最常用的一种分析技术是，这种方法的思想是先生成一棵博弈树，然后再计算其倒推值。但
语义网络及其应用实例浅析 姓名：景飞 班级： 3005 学号：3113003029
摘要：本文从语义网络的实际应用为出发点，首先介绍了语义网络的基本概念，随后通过列举如何将其应用于家族人物关系的模型建立以及如何建立基于特征的零件知识语义网络两个实例，来说明语义网络在实际建模中的实用性和便捷性，以此说明语义网络的未来发展空间还很大，将其用在智能控制领域会有很大成果。 关键词：语义网络家族人物关系模型零件知识语义网络 一、语义网络概述 语义网络是一种出现较早的知识表达形式，并在人工智能中得到了比较广泛的应用。语义网络最早是1968年奎廉(Quillian)在他的博士论文中作为人类联想记忆的一个显式心理学模型提出的，认为记忆是由概念间的联系来是实现的，他主张处理问句时，将语义放在首位。当时的语义网络主要应用于自然语言理解系统中，表示事物之间的关系。由于其强大和直观的表示能力，不久就广泛应用于人工智能研究和应用开发的许多领域。1972年，西蒙正式提出语义网络的概念，讨论了它和一阶谓词的关系，并将语义网络应用到了自然语言理解的研究中。 语义网络采用网络形式表示人类的知识，其表示由词法部分、结构部分、过程部分和语义部分四部分组成。 一个语义网络是一个带标示的有向图。其中，带有标识的结点表示问题领域中的物体、概念、时间、动作或者态势。在语义网络知识表示中，结点一般划分为实例节点和类节点两种类型。结点之间带有标识的有向弧标识结点之间的语义联系，是语义网络组织知识的关键。 因为语义网络表示知识的实质是知识的图解表示，所以这种表示法容易把各种事物有机地联系起来，它特别适于表达关系知识。语义网络通过对于个体间的联系追溯到有关个体的节点，实现对知识的直接存取，能比较正确地反映人类对客观事物的本质认识。应用语义网络使得知识表示更为直观，便于理解。 语义网络的特征包括以下几个方面的内容： 1、重要的相关性得意明确表示； 2、相关事实可以从直接相连的节点推导出来，不必遍历整个庞大的知识库； 3、能够利用“IS-A”和“Subset”链在语义网络中建立属性继承的层次关 系； 4、易于对继承的属性进行演绎； 5、能够利用少量基本概念的几号建立状态和动作的描述。 下面我们通过一些简单语义网络表示知识的实例来进一步说明如何通过语义网络来实现知识的表示。
第九章 人工神经网络 9.1答： （1）误差纠正学习；?wkj = ηek(n)xj(n)；yk (n )为输入xk (n )时，神经元k 在n 时刻的实际输出，dk (n )表示应有的输出（可由训练样本给出）；其中η为学习步长，这就是通常所说的误差纠正学习规则（或称delta 学习规则）。 （2）Hebb 学习；?wkj(n) = F(yk(n),xj(n))；当某一突触（连接）两端的神经元同步激活（同为激活或同为抑制）时，该连接的强度应为增强，反之应减弱；由于Δwkj 与yk (n )，xj (n )的相关成比例，有时称为相关学习规则。 （3）竞争（Competitive ）学习； 若神经元j 竞争获胜 若神经元j 竞争失败；在竞争学习时，网络各输出单元互相竞争，最后达到只有一个最强者激活，最常见的一种情况是输出神经元之间有侧向抑制性连接，这样原来输出单元中如有某一单元较强，则它将获胜并抑制其它单元，最后只有此强者处于激活状态。 9.2答：略 9.3答：B-P 算法的学习过程如下： （1）选择一组训练样例，每一个样例由输入信息和期望的输出结果两部分组成。 （2）从训练样例集中取一样例，把输入信息输入到网络中。 （3）分别计算经神经元处理后的各层节点的输出。 （4）计算网络的实际输出和期望输出的误差。 （5）从输出层反向计算到第一个隐层，并按照某种能使误差向减小方向发展的原则，调整网络中各神经元的连接权值。 （6）对训练样例集中的每一个样例重复（3）—（5）的步骤，直到对整个训练样例集的误差达到要求时为止。 () ???-=?,0,ji i ji w x w η
第二章知识表示习题参考解答 2.3 练习题 2.1 什么是知识?它有哪些特性?有哪几种分类方法? 2.2 何谓知识表示? 陈述性知识表示法与过程性知识表示法的区别是什么? 2.3 在选择知识的表示方法时，应该考虑哪些主要因素? 2.4 一阶谓词逻辑表示法适合于表示哪种类型的知识?它有哪些特点? 2.5 请写出用一阶谓词逻辑表示法表示知识的步骤。 2.6 设有下列语句，请用相应的谓词公式把它们表示出来： （1）有的人喜欢梅花，有的人喜欢菊花，有的人既喜欢梅花又喜欢菊花。 （2）他每天下午都去玩足球。 （3）太原市的夏天既干燥又炎热。 （4）所有人都有饭吃。 （5）喜欢玩篮球的人必喜欢玩排球。 （6）要想出国留学，必须通过外语考试。 2.7 房内有一只猴子、一个箱子，天花板上挂了一串香蕉，其位置关系如图2. 11所示，猴子为了拿到香蕉，它必须把箱子推到香蕉下面，然后再爬到箱子上。请定义必要的谓词，写出问题的初始状态（即图2.16所示的状态）、目标状态（猴子拿到了香蕉，站在箱子上，箱子位于位置b）。 图2.11 猴子摘香蕉问题 2.8 对习题2.7中的猴子摘香蕉问题，利用一阶谓词逻辑表述一个行动规划，使问题
从初始状态变化到目标状态。 2.9 产生式的基本形式是什么？它与谓词逻辑中的蕴含式有什么共同处及不同处？ 2.10 何谓产生式系统？它由哪几部分组成？ 2.11 产生式系统中，推理机的推理方式有哪几种？在产生式推理过程中，如果发生策略冲突，如何解决？ 2.12 设有下列八数码难题： 在一个3×3的方框内放有8个编号的小方块，紧邻空位的小方块可以移入到空位上，通过平移小方块可将某一布局变换为另一布局（如图2.12所示）。请用产生式规则表示移动小方块的操作。 283123 1684 754765 S0S g 图2.12 习题2.12的图图2.13 习题2.13的图 2.13 推销员旅行问题： 设有五个相互可直达且距离已知的城市A、B、C、D、E，如图2.13所示，推销员从城市A出发，去其它四城市各旅行一次，最后再回到城市A，请找出一条最短的旅行路线。用产生式规则表示旅行过程。 2.14 何谓语义网络？语义网络表示法的特点是什么？ 2.15 语义网络表示法与产生式表示法、谓词逻辑表示法之间的关系如何？ 2.16 用语义网络表示下列知识： （1）所有的鸽子都是鸟； （2）所有的鸽子都有翅膀； （3）信鸽是一种鸽子，它有翅膀，能识途。
4.5语义网络表示法 4.5.1 语义网络 语义网络是一种用实体及其语义关系来表达知识的有向图。结点：代表实体，表示各种事物、概念、情况、属性、状态、事件、动作等； 弧：代表语义关系，表示它所连接的两个实体之间的语义联系。 在语义网络中，每一个结点和弧都必须带有标识，这些标识用来说明它所代表的实体或语义。 语义网络是J.R.Quillian 1968年在研究人类联想记忆时提出的一种心理学模型，他认为记忆是由概念间的联系实现的。随后，J.R.Quillian又把它用作知识表示。1972年，西蒙在他的自然语言理解系统中也采用了语义网络表示法。1975年，G .G .Hendrix 又对全称量词的表示提出了语义网络分区技术。目前，语义网络已经成为人工智能中应用较多的一种知识表示方法，尤其是在自然语言处理方面的应用。 从结构上来看，语义网络一般由一些最基本的语义单元组成。这些最基本的语义单元被称为语义基元。可用如下三元组来表示： （结点1，弧，结点2） t4-结点1_swf.htm 当把多个语义基元用相应的语义联系关联在一起的时候，就形成了一个语义网络。
注意：在语义网络中，弧是有向弧，方向不能随意调换。 语义网络表示法和产生式表示法及谓词逻辑表示法之间有着对应的表示能力。 思考题： 语义网络 t4-banana_swf.htm 对应的产生式表示法及逻辑表示法是什么？ 对比谓词逻辑表示法，Relation（Object1，Object2），语义网络表示法为（Object1，Relation，Object2）。可以认为，语义网络中连接弧上的语义关系对应于逻辑表示法中的谓词关系。 4.5.2 基本的语义关系 从功能上说，语义网络可以描述任何事物间的任意复杂关系。从一些基本的语义关系组合成任意复杂的语义关系是可行的。 下面的例子可以表明一些复杂的语义关系。 图4-3 语义网络图 t4-3图_swf.htm ◇类属关系 类属关系是指具体有共同属性的不同事物间的分类关系、成员关系或实例关系。 它体现的是“具体与抽象”、“个体与集体”的概念。类属关系