簡介：在“轉(zhuǎn)人工分析”的“轉(zhuǎn)人工知識(shí)高頻列表”里，有一部分“給出回復(fù)但轉(zhuǎn)人工”的問題，關(guān)于這一部分問題出現(xiàn)的原因，以下描述哪一個(gè)是正確的A商家沒有配置該問題的答案B只配置了一個(gè)關(guān)聯(lián)商品的答案，買家提問的商品不在關(guān)聯(lián)商品列表中C商家配置了通用答案，但是答案內(nèi)容比較籠統(tǒng)D該場景商家配置勾選了“人工直連”訓(xùn)練師柳柳發(fā)現(xiàn)，很多買家來咨詢時(shí)，會(huì)習(xí)慣性先發(fā)送一個(gè)寶貝鏈接，如果她想在買家發(fā)送寶貝鏈接的時(shí)候，推送對應(yīng)的寶貝介紹給買家，那么她該按照以下哪一個(gè)方法來進(jìn)行配置A在“有沒有貨”中配置寶貝的介紹并關(guān)聯(lián)對應(yīng)商品B在“發(fā)送了一個(gè)寶貝鏈接”中配置寶貝的介紹并關(guān)聯(lián)對應(yīng)商品C在“商品當(dāng)前什么價(jià)格”中配置寶貝的介紹并關(guān)聯(lián)對應(yīng)商品D在“你好，在嗎”中配置寶貝的介紹并關(guān)聯(lián)對應(yīng)商品訓(xùn)練師鴻鴻想要在搜索框里搜索官方知識(shí)庫，她可以通過以下哪一個(gè)選項(xiàng)中的方法來進(jìn)行搜索A搜分類、搜問題、搜答案B搜問題、搜商品ID、搜時(shí)效C搜時(shí)效、搜分類D搜商品ID、搜咨詢量、搜問題機(jī)器人賬號店鋪名服務(wù)助手“北京發(fā)什么快遞”是否屬于“默認(rèn)快遞”場景是否“請問鞋子幾天能收到貨”應(yīng)該歸屬于下列哪一個(gè)分類通常發(fā)貨時(shí)間通常到貨時(shí)間指定快遞催促快遞關(guān)于測試窗的描述，以下哪個(gè)說法是錯(cuò)誤的124某店鋪在“全自動(dòng)機(jī)器人機(jī)器人服務(wù)設(shè)置配置生效時(shí)間”中，添加自定義時(shí)間段，設(shè)置時(shí)間為10001200，當(dāng)前選擇的服務(wù)模式是人工優(yōu)先，且店鋪白天人工客服持續(xù)在線，針對該店鋪，以下哪個(gè)描述是正確的店小蜜在10001200期間，自動(dòng)開啟助手優(yōu)先，幫助人工接待買家當(dāng)人工客服全部掛起，則自動(dòng)由店小蜜進(jìn)行接待在10001200期間，機(jī)器人會(huì)自動(dòng)生效當(dāng)人工客服接待的買家開始出現(xiàn)排隊(duì)情況，則機(jī)器人自動(dòng)生效“我這里挺偏的，你們都發(fā)什么快遞的”，與這句話意思相似的是以下哪一個(gè)選項(xiàng)134

簡介：人工智能對社會(huì)的影響人工智能在給它的創(chuàng)造者和用戶帶來經(jīng)濟(jì)利益的同時(shí)，就象任何新技術(shù)一樣，它的發(fā)展也引起或即將出現(xiàn)許多問題，并使一些人感到擔(dān)心或懊惱。1勞務(wù)就業(yè)問題由于人工智能能夠代替人類進(jìn)行各種腦力勞動(dòng)，將會(huì)使一部分人不得不改變他們的工種，甚至造成失業(yè)。人工智能在科技和工程中的應(yīng)用，會(huì)使一些人失去介入信息處理活動(dòng)如規(guī)劃、診斷、理解和決策等的機(jī)會(huì)，甚至不得不改變自己的工作方式。2社會(huì)結(jié)構(gòu)變化人們一方面希望人工智能和智能機(jī)器能夠代替人類從事各種勞動(dòng)，另一方面又擔(dān)心它們的發(fā)展會(huì)引起新的社會(huì)問題。實(shí)際上，近十多年來，社會(huì)結(jié)構(gòu)正在發(fā)生一種靜悄悄的變化?！叭藱C(jī)器“的社會(huì)結(jié)構(gòu)，終將為“人智能機(jī)器機(jī)器“的社會(huì)結(jié)構(gòu)所取代。智能機(jī)器人就是智能機(jī)器之一?，F(xiàn)在和將來的很多本來是由人承擔(dān)的工作將由機(jī)器人來擔(dān)任，因此，人們將不得不學(xué)會(huì)與有智能的機(jī)器相處，并適應(yīng)這種變化了的社會(huì)結(jié)構(gòu)。3思維方式與觀念的變化人工智能的發(fā)展與推廣應(yīng)用，將影響到人類的思維方式和傳統(tǒng)觀念，并使它們發(fā)生改變。例如，傳統(tǒng)知識(shí)一般印在書本報(bào)刊或雜志上，因而是固定不變的，而人工智能系統(tǒng)的知識(shí)庫的知識(shí)卻是可以不斷修改、擴(kuò)充和更新的。又如，一旦專家系統(tǒng)的用戶開始相信系統(tǒng)智能機(jī)器的判斷和決定，那么他們就可能不愿多動(dòng)腦筋，變得懶惰，并失去對許多問題及其求解任務(wù)的責(zé)任感和敏感性。那些過分依賴計(jì)算器的學(xué)生，他們的主動(dòng)思維能力和計(jì)算能力也會(huì)明顯下降。過分地依賴計(jì)算機(jī)的建議而不加分析地接受，將會(huì)使智能機(jī)器用戶的認(rèn)知能力下降，并增加誤解。在設(shè)計(jì)和研制智能系統(tǒng)時(shí)，應(yīng)考慮到上述問題，盡量鼓勵(lì)用戶在問題求解中的主動(dòng)性，讓他們的的人稱之為“智能犯罪“。同時(shí)，人類有足夠的智慧和信心，能夠研制出防范、檢測和偵破各種智能犯罪活動(dòng)的智能手段。6引起的法律問題人工智能的應(yīng)用技術(shù)不僅代替了人的一些體力勞動(dòng)，也代替了人的某些腦力勞動(dòng)，有時(shí)甚至行使著本應(yīng)由人擔(dān)任的職能，免不了引起法律糾紛。比如醫(yī)療診斷專家系統(tǒng)萬一出現(xiàn)失誤，導(dǎo)致醫(yī)療事故，怎么樣來處理，開發(fā)專家系統(tǒng)者是否要負(fù)責(zé)任，使用專家系統(tǒng)者應(yīng)負(fù)什么責(zé)任，等等。人工智能的應(yīng)用將會(huì)越來越普及，正在逐步進(jìn)入家庭，使用“機(jī)頂盒“技術(shù)的智能化電器已問世?？梢灶A(yù)料，將會(huì)出現(xiàn)更多的與人工智能的應(yīng)用有關(guān)的法律問題，需要社會(huì)在實(shí)踐的基礎(chǔ)上從法律角度作出對這些問題的解決方案。要通過法律手段，對利用人工智能技術(shù)來反對人類和危害社會(huì)的犯罪行為進(jìn)行懲罰，使人工智能技術(shù)為人類的利益作貢獻(xiàn)。

簡介：人工智能實(shí)驗(yàn)一題目人工智能實(shí)驗(yàn)一題目一、實(shí)驗(yàn)?zāi)康囊?、?shí)驗(yàn)?zāi)康恼莆债a(chǎn)生式系統(tǒng)解決漢諾塔算法的基本思想。掌握產(chǎn)生式系統(tǒng)解決漢諾塔算法的基本思想。二、問題描述如圖所示放置3根柱子，其中一根從上往下按由小到大順序串有若干個(gè)圓盤，要求通過3根柱子移動(dòng)圓盤。若規(guī)定每次只能移動(dòng)1片，且不許大盤放在小盤之上，最后要將圓盤從一根柱子移動(dòng)到另一根柱子上。三、問題分析及基本思想漢諾塔也被稱為梵塔問題有很多解決方法，比較典型的是使用遞歸算法，而本次設(shè)計(jì)的算法則是應(yīng)用人工智能中產(chǎn)生式相關(guān)知識(shí)進(jìn)行的求解。數(shù)學(xué)模型描述如下1、設(shè)計(jì)該問題的狀態(tài)。使用了二維數(shù)組描述漢諾塔的狀態(tài)，對N個(gè)盤子由大到小分別用數(shù)組N、N12、1描述。例如當(dāng)N＝4時(shí)，二維數(shù)組為1002003004002、定義目標(biāo)狀態(tài)。當(dāng)N＝4時(shí)，這里是001002003004依據(jù)如下規(guī)則定義產(chǎn)生式規(guī)則1、在移動(dòng)盤子時(shí)，每次只移動(dòng)ABC柱子上可以移動(dòng)的盤子中最大的盤子。2、如果上一次已經(jīng)移動(dòng)了某個(gè)盤子，則下一次不能繼續(xù)移動(dòng)，即一個(gè)盤子不能被連續(xù)移動(dòng)兩次。如某次操作將1號盤子由A柱子移動(dòng)到B柱子，那么在選擇下一個(gè)要移動(dòng)的盤子時(shí)應(yīng)不在考慮1號盤。五、運(yùn)行示例（4層漢諾塔移動(dòng)過程演示）

簡介：人工智能人工智能課程體系及程體系及項(xiàng)目實(shí)戰(zhàn)實(shí)戰(zhàn)1、機(jī)器學(xué)、機(jī)器學(xué)習(xí)課習(xí)課程大程大綱第一第一課PYTHON基礎(chǔ)與科學(xué)與科學(xué)計(jì)算庫NUMPY1PYTHON語言基言基礎(chǔ)8MATPLOTLIB條形條形圖直方直方圖四分四分圖繪圖繪制9MATPLOTLIB數(shù)據(jù)可數(shù)據(jù)可視化分析化分析第三第三課回回歸算法算法1機(jī)器學(xué)機(jī)器學(xué)習(xí)要解決的任要解決的任務(wù)2有監(jiān)督與無督與無監(jiān)督問題問題3線性回性回歸算法原理推算法原理推導(dǎo)4實(shí)現(xiàn)簡實(shí)現(xiàn)簡易回易回歸算法算法5邏輯邏輯回歸算法原算法原題6實(shí)戰(zhàn)實(shí)戰(zhàn)梯度下降算法梯度下降算法第四第四課案例案例實(shí)戰(zhàn)實(shí)戰(zhàn)信用卡欺信用卡欺詐檢測詐檢測1數(shù)據(jù)與算法數(shù)據(jù)與算法簡介2樣本不平衡本不平衡問題問題解決思路解決思路3下采下采樣解決方案解決方案4正則化參數(shù)化參數(shù)選擇選擇

簡介：人工智能發(fā)展史人工智能的現(xiàn)狀和發(fā)展呈現(xiàn)出如下特點(diǎn)多種途徑齊頭并進(jìn)，多種方法協(xié)作互補(bǔ)。新思想、新技術(shù)不斷涌現(xiàn)，新領(lǐng)域、新方向不斷開拓。理論研究更加深入，應(yīng)用研究愈加廣泛。研究隊(duì)伍不斷壯大，社會(huì)影響與日俱增。人工智能的新春（1993現(xiàn)在）年過半百的AI終于實(shí)現(xiàn)了它最初的一些目標(biāo)。它已被成功地用在技術(shù)產(chǎn)業(yè)中，不過有時(shí)是在幕后。這些成就有的歸功于計(jì)算機(jī)性能的提升，有的則是在高尚的科學(xué)責(zé)任感驅(qū)使下對特定的課題不斷追求而獲得的。不過，至少在商業(yè)領(lǐng)域里AI的聲譽(yù)已經(jīng)不如往昔了。各種因素的合力將AI拆分為各自為戰(zhàn)的幾個(gè)子領(lǐng)域，有時(shí)候它們甚至?xí)眯旅~來掩飾“人工智能”這塊被玷污的金字招牌。AI比以往的任何時(shí)候都更加謹(jǐn)慎，卻也更加成功。1997年5月11日，“更深的藍(lán)”成為戰(zhàn)勝國際象棋世界冠軍卡斯帕羅夫的第一個(gè)計(jì)算機(jī)系統(tǒng)。90年代，被稱為“智能代理”的新范式被廣泛接受。盡管早期研究者提出了模塊化的分治策略，但是直到朱迪亞珀?duì)?，紐厄爾等人將一些概念從決策理論和經(jīng)濟(jì)學(xué)中引入AI之后現(xiàn)代智能代理范式才逐漸形成。當(dāng)經(jīng)濟(jì)學(xué)中的“理性代理”與計(jì)算機(jī)科學(xué)中的“對象”或“模塊”相結(jié)合，“智能代理”范式就完善了。越來越多的AI研究者們開始開發(fā)和使用復(fù)雜的數(shù)學(xué)工具。人們廣泛地認(rèn)識(shí)到，許多AI需要解決的問題已經(jīng)成為數(shù)學(xué)，經(jīng)濟(jì)學(xué)和運(yùn)籌學(xué)領(lǐng)域的研究課題。數(shù)學(xué)語言的共享不僅使AI可以與其他學(xué)科展開更高層次的合作，而且使研究結(jié)果更易于評估和證明。AI已成為一門更嚴(yán)格的科學(xué)分支。這些變化被視為一場“革命”和“簡約派的勝利”。AI研究者們開發(fā)的算法開始變?yōu)檩^大系統(tǒng)的一部分。AI曾經(jīng)解決了大量的難題，這些解決方案在產(chǎn)業(yè)界起到了重要作用。應(yīng)用了AI技術(shù)的有數(shù)據(jù)挖掘，工業(yè)機(jī)器人，物流，語音識(shí)別，銀行業(yè)軟件，醫(yī)療診斷和GOOGLE搜索引擎等。90年代的許多AI研究者故意用其他一些名字稱呼他們的工作，例如信息學(xué)，知識(shí)系統(tǒng)，認(rèn)知系統(tǒng)或計(jì)算智能。部分原因是他們認(rèn)為他們的領(lǐng)域與AI存在根本的不同，不過新名字也有利于獲取經(jīng)費(fèi)。2005年，斯坦福開發(fā)的一臺(tái)機(jī)器人在一條沙漠小徑上成功地自動(dòng)行駛了131英里，贏得了DARPA挑戰(zhàn)大賽頭獎(jiǎng)。2007年，奇耶等人創(chuàng)立SIRI，當(dāng)時(shí)的SIRI只是IOS中的一個(gè)應(yīng)用。蘋果公司在2010年4月28日完成像，并且像人一樣推理的機(jī)器。其他國家紛紛作出響應(yīng)，DARPA也行動(dòng)起來，組織了戰(zhàn)略計(jì)算促進(jìn)會(huì)，其1988年向AI的投資是1984年的三倍。80年代早期另一個(gè)令人振奮的事件是約翰霍普菲爾德和大衛(wèi)魯姆哈特使神經(jīng)網(wǎng)絡(luò)重獲新生。AI再一次獲得了成功。1982年年初，硅谷著名人工智能公司TEKNOWLEDGE終于能夠用兩個(gè)月的時(shí)間處理100萬美元的業(yè)務(wù)了。1986年，在里根時(shí)代“星球大戰(zhàn)計(jì)劃”（SDI）的推動(dòng)下，美國與人工智能相關(guān)的軟硬件銷售額高達(dá)425億美元。人工智能的第一次低谷（20世紀(jì)7080年代）70年代初，AI遭遇了瓶頸。當(dāng)時(shí)的計(jì)算機(jī)有限的內(nèi)存和處理速度不足以解決任何實(shí)際的AI問題。要求程序?qū)@個(gè)世界具有兒童水平的認(rèn)識(shí)，研究者們很快發(fā)現(xiàn)這個(gè)要求太高了1970年沒人能夠做出如此巨大的數(shù)據(jù)庫，也沒人知道一個(gè)程序怎樣才能學(xué)到如此豐富的信息。由于缺乏進(jìn)展，對AI提供資助的機(jī)構(gòu)（如英國政府，DARPA和NRC）對無方向的AI研究逐漸停止了資助。NRC（美國國家科學(xué)委員會(huì)）在撥款二千萬美元后停止資助。單克用“蕪雜（SCRUFFY）”一詞描述他們“反邏輯”的方法，與麥卡錫等人的“簡約（NEAT）”方案相對。在1975年的一篇開創(chuàng)性論文中，明斯基注意到與他共事的“蕪雜派”研究者在使用同一類型的工具，即用一個(gè)框架囊括所有相關(guān)的常識(shí)性假設(shè)。他稱之為“腳本（S）”，基于這一想法他使程序能夠回答關(guān)于一篇英語短文的提問。多年之后的面向?qū)ο缶幊滩杉{了AI“框架”研究中的“繼承（INHERITANCE）”概念。1977年，SRI的人工智能研究員哈特和杜達(dá)開發(fā)了PROSPECT，用于探測礦藏。約翰塞爾于1980年提出“中文房間”實(shí)驗(yàn)，試圖證明程序并不“理解”它所使用的符號，即所謂的“意向性”問題。SEARLE認(rèn)為，如果符號對于機(jī)器而言沒有意義，那么就不能認(rèn)為機(jī)器是在“思考”。人工智能的黃金時(shí)代（20世紀(jì)5070年代）1956年戴沃爾與約瑟夫恩格爾博格，創(chuàng)建了世界上第一家機(jī)器人公司，名為“尤尼梅新”。1956年，奧利弗薩爾夫瑞德研制出第一個(gè)字符識(shí)別程序，開辟了模式識(shí)別這一新的領(lǐng)域。1957年，紐厄爾和西蒙等開始研究一種不依賴于具體領(lǐng)域的通用問題求解器，他們稱之為GPS（GENERALPROBLEMSOLVER），這一時(shí)期，搜索式推理是許多AI程序使用相同的基本算法。1958年，約翰麥卡錫發(fā)明LISP計(jì)算機(jī)分時(shí)編程語言，該語言至今仍在人工智能領(lǐng)域廣泛使用。1958年，美國國防部先進(jìn)研究項(xiàng)目局（DEFENSEADVANCEDRESEARCHPROJECTSAGENCY）成立，主要負(fù)責(zé)高新技術(shù)的研究、開發(fā)

簡介：人工智能課程教學(xué)大綱（ARTIFICIALINTELLIGENCE）課程性質(zhì)院公選課適用專業(yè)各專業(yè)先修課程離散數(shù)學(xué)、數(shù)據(jù)結(jié)構(gòu)、操作系統(tǒng)原理后續(xù)課程總學(xué)分2學(xué)分一、教學(xué)目的與要求1教學(xué)目的人工智能主要研究解釋和模擬人類智能、智能行為及其規(guī)律的一門學(xué)科，其主要任務(wù)是建立智能信息處理理論，進(jìn)而設(shè)計(jì)可以展現(xiàn)某些近似于人類智能行為的計(jì)算機(jī)系統(tǒng)。本課程要求學(xué)生掌握人工智能的基本原理，了解人工智能中常用的基本技術(shù)，諸如知識(shí)表示技術(shù)、搜索技術(shù)、自動(dòng)推理技術(shù)以及專家系統(tǒng)等，同時(shí)學(xué)會(huì)運(yùn)用PROLOG語言求解人工智能的實(shí)際問題。2教學(xué)要求學(xué)生必須具有離散數(shù)學(xué)、程序設(shè)計(jì)、數(shù)據(jù)結(jié)構(gòu)、操作系統(tǒng)方面的知識(shí)。二、課時(shí)安排序號教學(xué)內(nèi)容講課學(xué)時(shí)實(shí)驗(yàn)學(xué)時(shí)1人工智能概述42人工智能程序設(shè)計(jì)語言63基于謂詞邏輯的機(jī)器推理64圖搜索技術(shù)85產(chǎn)生式系統(tǒng)46知識(shí)表示4合計(jì)32三、教學(xué)內(nèi)容1人工智能概述（4學(xué)時(shí)）（1）教學(xué)基本要求了解人工智能的發(fā)展概況理解人工智能的概念掌握人工智能的研究途徑與方法、人工智能的分支領(lǐng)域靈活運(yùn)用人工智能的基本技術(shù)（2）教學(xué)內(nèi)容（1）教學(xué)基本要求掌握產(chǎn)生式規(guī)則、產(chǎn)生式系統(tǒng)靈活運(yùn)用產(chǎn)生式系統(tǒng)了解產(chǎn)生式系統(tǒng)的程序?qū)崿F(xiàn)（2）教學(xué)內(nèi)容①產(chǎn)生式規(guī)則重點(diǎn)②產(chǎn)生式系統(tǒng)重點(diǎn)③產(chǎn)生式系統(tǒng)與圖搜索重點(diǎn)④產(chǎn)生式系統(tǒng)的應(yīng)用⑤產(chǎn)生式系統(tǒng)的程序?qū)崿F(xiàn)難點(diǎn)6知識(shí)表示（4學(xué)時(shí)）（1）教學(xué)基本要求掌握知識(shí)及其表示靈活運(yùn)用框架和語義網(wǎng)絡(luò)（2）教學(xué)內(nèi)容①知識(shí)及其表示重點(diǎn)②框架重點(diǎn)、難點(diǎn)③語義網(wǎng)絡(luò)重點(diǎn)、難點(diǎn)四、授課方式及考核方法1授課方式講授2考核方法考試形式閉卷或論文寫作課程成績構(gòu)成平時(shí)成績占30％，期末考試成績占70％。五、教材與參考書目1廉師友人工智能技術(shù)導(dǎo)論（第二版）西安西安電子科技大學(xué)出版社20022陳世福陳兆乾人工智能與知識(shí)工程南京南京大學(xué)出版社，19974NILSSONJ人工智能（英文版）北京機(jī)械工業(yè)出版社，1999

簡介：,5G,為人工智能與智能制造賦能,,,,,,,,一,,,,,5G正在到來,,,,,二,,,,5G主要體系架構(gòu),,,,,三,,,,5G加速人工智能,,,,,,,,,,,,,,,目錄,,,,,四,,,,5G助推智能制造,,,5G正在到來,,,,一,（一）為何是5G,,一、5G正在到來,,移動(dòng)通信的發(fā)展演變,一、5G正在到來,,（二）5G能實(shí)現(xiàn)什么場景,一、5G正在到來,,物聯(lián)網(wǎng)、大數(shù)據(jù)和人工智能,一、5G正在到來,傳統(tǒng)產(chǎn)業(yè)的智能化升級,,一、5G正在到來,（三）5G能產(chǎn)生多少價(jià)值,,,,,,,,直接產(chǎn)出按照2020年5G正式商用算起，預(yù)計(jì)當(dāng)年將帶動(dòng)約4840億元的直接產(chǎn)出，2025年、2030年將分別增長到33萬億、63萬億元，十年間的年均復(fù)合增長率為29。,一、5G正在到來,2020年、2025年和2030年，5G將分別帶動(dòng)12萬億、63萬億和106萬億元，年均復(fù)合增長率為24。間接產(chǎn)出,,5G產(chǎn)業(yè)鏈,一、5G正在到來,,,來自用戶和其他行業(yè)的終端設(shè)備支出和電信服務(wù)支出持續(xù)增長，預(yù)計(jì)到2025年，上述兩項(xiàng)支出分別為14萬億和07萬億元，占到直接經(jīng)濟(jì)總產(chǎn)出的64。,,,運(yùn)營商大規(guī)模開展網(wǎng)絡(luò)建設(shè)，5G網(wǎng)絡(luò)設(shè)備投資帶來的設(shè)備制造商收入將成為5G直接經(jīng)濟(jì)產(chǎn)出的主要來源，預(yù)計(jì)2020年，網(wǎng)絡(luò)設(shè)備和終端設(shè)備收入合計(jì)約4500億元，占直接經(jīng)濟(jì)總產(chǎn)出的94。,,,互聯(lián)網(wǎng)企業(yè)與5G相關(guān)的信息服務(wù)收入增長顯著，成為直接產(chǎn)出的主要來源，預(yù)計(jì)2030年，互聯(lián)網(wǎng)信息服務(wù)收入達(dá)到26萬億元，占直接經(jīng)濟(jì)總產(chǎn)出的42。,,,,,,,,,,,,2020年,2025年,2030年,,,5G商用中期,,,5G商用初期,,,5G商用中后期,一、5G正在到來,從產(chǎn)出結(jié)構(gòu)看，拉動(dòng)產(chǎn)出增長的動(dòng)力隨5G商用進(jìn)程的深化而相繼轉(zhuǎn)換,,,5G主要體系架構(gòu),,,,二,（一）核心是網(wǎng)絡(luò)部署,頻率擴(kuò)展,站點(diǎn)更密,頻效提升,,,,,,,,,,,,,,,800M900M23G26G,35G,,,,,470M790M18G21G當(dāng)前頻譜,6G–100G高頻,5G頻譜,MASSIVEMIMO（大規(guī)模天線）,,,300M500M站間距,20M50M站間距,,,ULTRADENSENETWORK（超密集組網(wǎng)）SPECTRUMATHIGHFREQUENCY（高頻通訊）,,二、5G主要體系架構(gòu),,中國電信運(yùn)營商5G頻段,二、5G主要體系架構(gòu),5G三大亮點(diǎn)之一毫米波,,二、5G主要體系架構(gòu),5G三大亮點(diǎn)之二微基站,,,,二、5G主要體系架構(gòu),,ULTRADENSENETWORK（超密集組網(wǎng)）,,二、5G主要體系架構(gòu),5G三大亮點(diǎn)之三多天線,,二、5G主要體系架構(gòu),,,,4,,,,,二、5G主要體系架構(gòu),（二）重要支撐是邊緣計(jì)算,,移動(dòng)邊緣計(jì)算（MEC）在靠近移動(dòng)用戶的位置上提供信息技術(shù)服務(wù)環(huán)境和云計(jì)算能力；將內(nèi)容分發(fā)推送到靠近用戶側(cè)（如基站）；應(yīng)用、服務(wù)和內(nèi)容都部署在高度分布的環(huán)境中；可以更好的支持5G網(wǎng)絡(luò)中低時(shí)延和高帶寬的業(yè)務(wù)要求。,二、5G主要體系架構(gòu),,,,,,,,,,,,網(wǎng)絡(luò)功能,,,,,,,網(wǎng)絡(luò)功能實(shí)例,,,1共享的網(wǎng)絡(luò)功能,切片模板倉庫,2,15,6,切片B實(shí)例1,3,4,切片A實(shí)例243,切片A實(shí)例1,,,,,,,,,,,3,,,,,,1,2,4切片模板A,,,,,,,5,,,1,,,6,,,3,,,4,切片模板B,,,,,網(wǎng)絡(luò)即服務(wù),,,,,,,,,,,,移動(dòng)邊緣計(jì)算,,,車聯(lián)網(wǎng),,,互聯(lián)網(wǎng),面向應(yīng)用定義網(wǎng)絡(luò)切片,,不同應(yīng)用場景，需要不同的網(wǎng)絡(luò)功能組合，生成不同的網(wǎng)絡(luò)切片高帶寬、低時(shí)延業(yè)務(wù)，需要在網(wǎng)絡(luò)邊緣執(zhí)行業(yè)務(wù)的終結(jié)，生成邊緣網(wǎng)絡(luò)切片,二、5G主要體系架構(gòu),,,,,,,,,,,,,同時(shí)支持各種支持面向客戶差異化場景的業(yè)務(wù)模式,支持業(yè)務(wù)快速支持更高性能建立和修改,,,,虛擬化,,,,,組件化,,,,可編排,二、5G主要體系架構(gòu),靈活彈性的網(wǎng)絡(luò)架構(gòu)各種不同的業(yè)務(wù)場景由不同的網(wǎng)絡(luò)切片來負(fù)責(zé)處理,,（三）主攻方向是行業(yè)應(yīng)用,二、5G主要體系架構(gòu),,二、5G主要體系架構(gòu),,,5G加速人工智能,,,,三,人工智能已經(jīng)無處不在,,,三、5G加速人工智能,人工智能的定義,,三、5G加速人工智能,人工智能的最新趨勢,,三、5G加速人工智能,,深度學(xué)習(xí)實(shí)現(xiàn)了真正的智能化,三、5G加速人工智能,,機(jī)器學(xué)習(xí)與深度學(xué)習(xí)的比較,三、5G加速人工智能,,人工智能寫劇本,三、5G加速人工智能,,人工智能陪護(hù)老人,三、5G加速人工智能,人工智能技術(shù)核心算法,,三、5G加速人工智能,人工智能技術(shù)基礎(chǔ)條件計(jì)算和數(shù)據(jù)（云計(jì)算和大數(shù)據(jù)）,,三、5G加速人工智能,,,ALPHAGO怎么做到的,,三、5G加速人工智能,人工智能再度受到社會(huì)各界關(guān)注,,三、5G加速人工智能,2017年7月國務(wù)院發(fā)布新一代人工智能發(fā)展規(guī)劃,,三、5G加速人工智能,,,六大重點(diǎn)任務(wù),,,,,,,,,,,重點(diǎn)任務(wù),,,,,培育高端高效的智能經(jīng)濟(jì),,,,,構(gòu)建開放協(xié)同的人工智能科技創(chuàng)新體系,,,,,建設(shè)安全便捷的智能社會(huì),,,,,構(gòu)建泛在安全高效的智能化基礎(chǔ)設(shè)施體系,,,,,加強(qiáng)人工智能領(lǐng)域軍民融合,,,,,前瞻布局新一代人工智能重大科技項(xiàng)目,三、5G加速人工智能,發(fā)展智能經(jīng)濟(jì)（1）,,,,,,,,,,,,,,,,,,,,,,,,智能軟硬件,智能運(yùn)載工具,智能終端,虛擬現(xiàn)實(shí)與增強(qiáng)現(xiàn)實(shí),智能機(jī)器人,物聯(lián)網(wǎng)基礎(chǔ)器件,,,,,,,,大力發(fā)展人工智能新興產(chǎn)業(yè),,三、5G加速人工智能,智能服務(wù)機(jī)器人案例從分揀，搬運(yùn)到送貨,,,,安徽郵政運(yùn)營了安徽第一條“小黃人”機(jī)器人自動(dòng)分揀系統(tǒng),,三、5G加速人工智能,智能無人機(jī)案例亞馬遜將人工智能應(yīng)用在物流領(lǐng)域,,三、5G加速人工智能,,虛擬現(xiàn)實(shí)設(shè)備應(yīng)用,,三、5G加速人工智能,,物聯(lián)網(wǎng)傳感器飛機(jī)發(fā)動(dòng)機(jī),,三、5G加速人工智能,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,智能制造,,智能農(nóng)業(yè),,智能物流,,智能金融,,智能商務(wù),加快推進(jìn)產(chǎn)業(yè)智能化升級,發(fā)展智能經(jīng)濟(jì)（2）,,智能家居,,三、5G加速人工智能,,,智能農(nóng)業(yè),,圖127,,,三、5G加速人工智能,智能農(nóng)機(jī),,,三、5G加速人工智能,,,智能養(yǎng)殖,,,三、5G加速人工智能,,,,智能物流,,三、5G加速人工智能,智能金融,,,,,,,,智能金融,,前臺(tái)智能客服智能支付,,中臺(tái)智能風(fēng)控智能投顧智能投研,,后臺(tái)智能數(shù)據(jù),,,,,三、5G加速人工智能,,,人臉識(shí)別技術(shù)40,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,19641990年,19912000年,20012010年,2011,,,,,三、5G加速人工智能,,,人臉識(shí)別流程,,,三、5G加速人工智能,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,網(wǎng)絡(luò)行為數(shù)據(jù)第三方合作機(jī)構(gòu)數(shù)據(jù)公開數(shù)據(jù)授權(quán)數(shù)據(jù)用戶交易數(shù)據(jù)用戶偏好數(shù)據(jù)其他數(shù)據(jù),數(shù)據(jù)采集,行為建模,用戶畫像,風(fēng)險(xiǎn)核定,,,申請模型行為監(jiān)控模型欺詐模型違約模型催收策略模型,,,文本挖掘機(jī)器學(xué)習(xí)聚類分析自然語言處理預(yù)測算法,,,基本信息購買能力消費(fèi)習(xí)慣消費(fèi)傾向社交網(wǎng)絡(luò)行為特征,,,,,,,,,,,,,,,,,,,,,,智能風(fēng)控四個(gè)流程,三、5G加速人工智能,發(fā)展智能經(jīng)濟(jì)（3）,,大力發(fā)展智能企業(yè),推廣應(yīng)用智能工廠,加快培育人工智能產(chǎn)業(yè)領(lǐng)軍企業(yè),大規(guī)模推動(dòng)企業(yè)智能化升級,,,,,三、5G加速人工智能,發(fā)展智能經(jīng)濟(jì)（4）,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,建設(shè)國家人工智能產(chǎn)業(yè)園,,建設(shè)國家人工智能眾創(chuàng)基地,,,,,,,,,,,,,,,,,,開T展E人XT工,IN智能H創(chuàng)E新RE,應(yīng)用試點(diǎn)示范,,,,,,,,,,三、5G加速人工智能,建設(shè)智能社會(huì)（1）,,,智能教育,,智能醫(yī)療,,智能健康和養(yǎng)老,,,發(fā)展便捷高效的智能服務(wù),,三、5G加速人工智能,斯坦福大學(xué)“人工智能百年研究”項(xiàng)目發(fā)表2030年人工智能與生命報(bào)告人工智能未來15年內(nèi)在課堂上占據(jù)顯著位置,人工智能未來15年內(nèi)在課堂上占據(jù)顯著位置,,,三、5G加速人工智能,智能教育海量知識(shí)的講師,,,三、5G加速人工智能,智能養(yǎng)老任勞任怨做家務(wù),,,,三、5G加速人工智能,,老齡化加劇,,三、5G加速人工智能,鼓勵(lì)基于人工智能開展大規(guī)?；蚪M識(shí)別、蛋白組學(xué)、代謝組學(xué)等研究和新藥研發(fā)，推進(jìn)醫(yī)藥監(jiān)管智能化,,,,,,智能診療,,,,,,手術(shù)機(jī)器人,,,,,,智慧醫(yī)院,,,,,,智能影像識(shí)別,,,,,,,,,,,智能醫(yī)學(xué)研究,,,,,,智能監(jiān)測和防控,,,,智能制藥智能醫(yī)療,三、5G加速人工智能,手術(shù)機(jī)器人不受心情左右的醫(yī)生,,,三、5G加速人工智能,案例DAVINCI手術(shù)機(jī)器人,,直覺外科公司（NASDAQISRG）1995年成立，2000年上市時(shí)股價(jià)為10美元，目前為435美元，總市值493億美元。其中，2016年?duì)I收突破了27億美元，凈利潤達(dá)到74億美元。過去15年積累的超過350萬的實(shí)際手術(shù)案例，而且這個(gè)數(shù)字現(xiàn)在正以每年超過70萬的數(shù)字增加。,,三、5G加速人工智能,日本大冢制藥公司與美國PROTEUSDIGITALHEALTH（普羅透斯）公司的新藥案例,,,2017年11月美國食品及藥品監(jiān)督管理局（FDA）批準(zhǔn)全球首例帶芯片的“數(shù)字藥物”，每年為美國節(jié)省近3千億美元,三、5G加速人工智能,,,新藥研發(fā),,,三、5G加速人工智能,建設(shè)智能社會(huì)（2）,,,,,,,,,,,,,,,,,,,,,,,,,,,,,智能政務(wù),,,,,,,,,,,,,,,,,,,,,智慧法庭,,,,,,,,,,,,,,,,,,,,,智慧城市,,,,,,,,,,,,,,,,,,,,,智能交通,,,,,,,,,,,,,,,,,,,,,智能環(huán)保,,,,,,,,,,,,,推進(jìn)社會(huì)治理智能化,,,三、5G加速人工智能,智慧法庭驅(qū)動(dòng)因素分析,,,三、5G加速人工智能,人工智能在法律領(lǐng)域的應(yīng)用,,,三、5G加速人工智能,智慧法庭的益處,,,三、5G加速人工智能,智慧城市,,,三、5G加速人工智能,城市30,,,三、5G加速人工智能,,圖218,三、5G加速人工智能,智能交通,智能交通永不相撞的汽車,,,三、5G加速人工智能,,,智能網(wǎng)聯(lián)汽車,,,三、5G加速人工智能,,,汽車網(wǎng)聯(lián)化的等級劃分界定為三個(gè)層次,,,三、5G加速人工智能,智能環(huán)保,,,三、5G加速人工智能,,,,,,,,,,,,,,,,,,促進(jìn)人工智能在公共安全領(lǐng)域的深度應(yīng)用，推動(dòng)構(gòu)建公共安全智能化監(jiān)測預(yù)警與控制體系。圍繞社會(huì)綜合治理、新型犯罪偵查、反恐等迫切需求，研發(fā)集成多種探測傳感技術(shù)、視頻圖像信息分析識(shí)別技術(shù)、生物特征識(shí)別技術(shù)的智能安防與警用產(chǎn)品，建立智能化監(jiān)測平臺(tái)。加強(qiáng)對重點(diǎn)公共區(qū)域安防設(shè)備的智能化改造升級，支持有條件的社區(qū)或城市開展基于人工智能的公共安防區(qū)域示范。強(qiáng)化人工智能對食品安全的保障，圍繞食品分類、預(yù)警等級、食品安全隱患及評估等，建立智能化食品安全預(yù)警系統(tǒng)。加強(qiáng)人工智能對自然災(zāi)害的有效監(jiān)測，圍繞地震災(zāi)害、地質(zhì)災(zāi)害、氣象災(zāi)害、水旱災(zāi)害和海洋災(zāi)害等重大自然災(zāi)害，構(gòu)建智能化監(jiān)測預(yù)警與綜合應(yīng)對平臺(tái)。,利用人工智能提升公共安全保障能力,建設(shè)智能社會(huì)（3）,,三、5G加速人工智能,,,,,,,,,,,,,,,,,促進(jìn)社會(huì)交往共享互信,,,,,,,,,充分發(fā)揮人工智能技術(shù)在增強(qiáng)社會(huì)互動(dòng)、促進(jìn)可信交流中的作用。加強(qiáng)下一代社交網(wǎng)絡(luò)研發(fā)，加快增強(qiáng)現(xiàn)實(shí)、虛擬現(xiàn)實(shí)等技術(shù)推廣應(yīng)用，促進(jìn)虛擬環(huán)境和實(shí)體環(huán)境協(xié)同融合，滿足個(gè)人感知、分析、判斷與決策等實(shí)時(shí)信息需求，實(shí)現(xiàn)在工作、學(xué)習(xí)、生活、娛樂等不同場景下的流暢切換。針對改善人際溝通障礙的需求，開發(fā)具有情感交互功能、能準(zhǔn)確理解人的需求的智能助理產(chǎn)品，實(shí)現(xiàn)情感交流和需求滿足的良性循環(huán)。促進(jìn)區(qū)塊鏈技術(shù)與人工智能的融合，建立新型社會(huì)信用體系，最大限度降低人際交往成本和風(fēng)險(xiǎn)。,建設(shè)智能社會(huì)（4）,,三、5G加速人工智能,,,社會(huì)50?智能社會(huì),,,三、5G加速人工智能,,,5G助推智能制造,,,,四,,,,,,,03,01,02,04,,,,,,,,,,,,,,,,,四、5G助推智能制造,,,,,,未來制造業(yè)發(fā)展主題促進(jìn)制造業(yè)創(chuàng)新發(fā)展,,四、5G助推智能制造,,,,,,力爭用十年時(shí)間，邁入制造強(qiáng)國行列。,,,,到2035年，我國制造業(yè)整體達(dá)到世界制造強(qiáng)國陣營中等水平。,,,,新中國成立一百年時(shí)，制造業(yè)大國地位更加鞏固，綜合實(shí)力進(jìn)入世界制造強(qiáng)國前列。,,,,制造強(qiáng)國建設(shè)三個(gè)十年“三步走”的戰(zhàn)略,,四、5G助推智能制造,,,四、5G助推智能制造,,,,,,,,,,,,,,,,,,,,,,,,新一代信息通信技術(shù)產(chǎn)業(yè),,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,航空航天裝備,四、5G助推智能制造,先進(jìn)軌道交通裝備,電力裝備,新材料,高檔數(shù)控機(jī)床和機(jī)器人,海洋工程裝備及高技術(shù)船舶,節(jié)能與新能源汽車,農(nóng)機(jī)裝備,生物醫(yī)藥及高性能醫(yī)療器械,10大重點(diǎn)領(lǐng)域,,,四、5G助推智能制造,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,到2020年，制造業(yè)重點(diǎn)領(lǐng)域智能化水平顯著提升，試點(diǎn)示范項(xiàng)目運(yùn)營成本降低30，產(chǎn)品生產(chǎn)周期縮短30，不良品率降低30。到2025年，制造業(yè)重點(diǎn)領(lǐng)域全面實(shí)現(xiàn)智能化，試點(diǎn)示范項(xiàng)目運(yùn)營成本降低50，產(chǎn)品生產(chǎn)周期縮短50，不良品率降低50。,,,緊密圍繞重點(diǎn)制造領(lǐng)域關(guān)鍵環(huán)節(jié)，開展新一代信息技術(shù)與制造裝備融合的集成創(chuàng)新和工程應(yīng)用。,,,支持政產(chǎn)學(xué)研用聯(lián)合攻關(guān)，開發(fā)智能產(chǎn)品和自主可控的智能裝置并實(shí)現(xiàn)產(chǎn)業(yè)化。,,,依托優(yōu)勢企業(yè)，緊扣關(guān)鍵工序智能化、關(guān)鍵崗位機(jī)器人替代、生產(chǎn)過程智能優(yōu)化控制、供應(yīng)鏈優(yōu)化，建設(shè)重點(diǎn)領(lǐng)域智能工廠/數(shù)字化車間。,,,在基礎(chǔ)條件好、需求迫切的重點(diǎn)地區(qū)、行業(yè)和企業(yè)中，分類實(shí)施流程制造、離散制造、智能裝備和產(chǎn)品、新業(yè)態(tài)新模式、智能化管理、智能化服務(wù)等試點(diǎn)示范及應(yīng)用推廣。,,,建立智能制造標(biāo)準(zhǔn)體系和信息安全保障系統(tǒng)，搭建智能制造網(wǎng)絡(luò)系統(tǒng)平臺(tái)。,四、5G助推智能制造,主攻方向推進(jìn)智能制造,,,,本質(zhì)是基于5G實(shí)現(xiàn)“信息物理融合”打造“智能工廠”核心是基于5G實(shí)現(xiàn)智能配置的生產(chǎn)方式關(guān)鍵是5G等新一代信息技術(shù)應(yīng)用,智能制造技術(shù)構(gòu)成,,四、5G助推智能制造,,,（一）本質(zhì)是基于5G實(shí)現(xiàn)“信息物理融合”打造“工業(yè)互聯(lián)網(wǎng)”,,,,物理,,,,信息,,,,,,,CPS,四、5G助推智能制造,系統(tǒng)通信,信息計(jì)算,物理控制,,,信息物理系統(tǒng),,,四、5G助推智能制造,,,3C,,,四、5G助推智能制造,,,6C,,,,,,,,,,,,,,,,,,,,,,,CPS,,計(jì)算（COMPUTING，云計(jì)算等）,社群（COMMUNITY，協(xié)同合作）,定制化（CUSTOMIZATION，個(gè)性化定制）,控制（CONTROL，傳感器、執(zhí)行器等）,通信（COMMUNICATION，5G等無線通信等）,內(nèi)容（CONTENT，語義分析）,,四、5G助推智能制造,,工業(yè)互聯(lián)網(wǎng),,四、5G助推智能制造,,,,,實(shí)現(xiàn)大規(guī)模定制，滿足不確定情況下的市場需求，提升生產(chǎn)調(diào)度管理水平,這是強(qiáng)化競爭力的根源。包括如何提高能源、資源的使用效率等,縮短創(chuàng)新周期，解決產(chǎn)品的復(fù)雜性，運(yùn)用大數(shù)據(jù)的挖掘分析作用,,,,,縮短產(chǎn)品上市時(shí)間,,,,,,,,,提高生產(chǎn)率,,,,,,,,,提升靈活性,,,,,強(qiáng)化競爭力,,,,,四、5G助推智能制造,,,（二）核心是基于5G實(shí)現(xiàn)智能配置的生產(chǎn)方式,,,四、5G助推智能制造,,,汽車生產(chǎn)線的變遷,,,,四、5G助推智能制造,,,寶馬汽車案例未來工廠機(jī)器人接管一切,,四、5G助推智能制造,,,,,,,,產(chǎn)品服務(wù)坐標(biāo),,,,,,,,,,,,,,,買方交易,,,,,,,,,,客戶,,價(jià)值鏈坐標(biāo),,企業(yè)坐標(biāo),,,CRM,,,SCM供應(yīng)商,,,管理ERPPLM賣方交易,,,物流交易C3P產(chǎn)品開發(fā)MES生產(chǎn),,,數(shù)據(jù)交換,四、5G助推智能制造,（三）關(guān)鍵是5G等新一代信息技術(shù)應(yīng)用,,,,,四、5G助推智能制造,王喜文簡介（微信號WANGNM0323）,,,王喜文，工學(xué)博士，博士后，高級工程師，九三學(xué)社中央科技委委員。曾在北京第一機(jī)床廠工作2年，為日本開發(fā)10年計(jì)算機(jī)軟件，在科技部從事博士后研究工作2年，在北京市房山區(qū)掛職經(jīng)信委副主任1年，在國家工信部工作8年，曾任電子商務(wù)研究所所長、工業(yè)40研究所所長、工業(yè)經(jīng)濟(jì)研究所所長。出版工業(yè)40最后一次工業(yè)革命、中國制造2025解讀、工業(yè)互聯(lián)網(wǎng)中美德制造業(yè)三國演義、機(jī)器人戰(zhàn)略行動(dòng)路線圖、智能制造、新產(chǎn)業(yè)政策、貿(mào)易戰(zhàn)40、智能等專著共計(jì)20多本。近年來，受邀為多個(gè)政府機(jī)構(gòu)、大型企業(yè)以及大學(xué)院校主講工業(yè)40、人工智能、中美貿(mào)易戰(zhàn)、智能制造、5G、中國制造2025、機(jī)器人產(chǎn)業(yè)、工業(yè)互聯(lián)網(wǎng)等400多場。,,

簡介：20166,人工智能引領(lǐng)投資新方向,桂征輝博時(shí)基金指數(shù)與量化投資部,主要內(nèi)容,,,,,人工智能基礎(chǔ)知識(shí),,人工智能在金融中的應(yīng)用舉例,02,,思考與展望,03,,01,2,人工智能基礎(chǔ)知識(shí),3,,4,關(guān)聯(lián)NETFLIX,豆瓣的電影推薦引擎AMAZON的圖書推薦有監(jiān)督學(xué)習(xí)分類各種識(shí)別物體，人臉，車牌，語音回歸廣告點(diǎn)擊率預(yù)測無監(jiān)督學(xué)習(xí)聚類文本主題自動(dòng)發(fā)掘強(qiáng)化學(xué)習(xí)棋類ALPHAGO，自動(dòng)駕駛,基礎(chǔ)知識(shí)AI,ML,PR,DM,DS,機(jī)器學(xué)習(xí)MACHINELEARNINGISPROGRAMMINGCOMPUTERSTOOPTIMIZEAPERFORMANCECRITERIONUSINGEXAMPLEDATAORPASTEXPERIENCE,,80年代,9005年代,人工神經(jīng)網(wǎng)絡(luò),BOOSTING,LOGISTICREGRESSION,SVM,06,HINTON,深度神經(jīng)網(wǎng)絡(luò)DNN,05至今,概率圖模型,大致階段劃分及代表算法,5,,深度學(xué)習(xí)超越人類,6,12年9層15年152層,人工智能在金融領(lǐng)域的應(yīng)用舉例,7,,8,對沖基金巨頭在AI領(lǐng)域招兵買馬,主要應(yīng)用領(lǐng)域,股票領(lǐng)域應(yīng)用與大數(shù)據(jù)結(jié)合，產(chǎn)生新的ALPHA來源直接預(yù)測金融時(shí)間序列資產(chǎn)配置，擇時(shí)，選股，套利構(gòu)建更智能的量化模型交易組合優(yōu)化金融領(lǐng)域的智能問答KENSHO其他金融領(lǐng)域應(yīng)用違約監(jiān)測信用卡欺詐檢測衍生品定價(jià),,9,傳統(tǒng)量化日漸成熟何處尋找新的ALPHA來源數(shù)據(jù)即信息，新的信息可以帶來新的收益,人工智能從大數(shù)據(jù)挖掘新的ALPHA因子,從大數(shù)據(jù)挖掘新的ALPHA因子,10,文本公告新聞研報(bào)社交網(wǎng)絡(luò)投資者情緒度量搜索熱度股吧評論社交媒體的情緒基本面數(shù)據(jù)線上線下的銷售數(shù)據(jù)合理預(yù)測,,博時(shí)基金大數(shù)據(jù)系列產(chǎn)品,11,旗艦產(chǎn)品淘金100156成立相對中證500超額收益年化25，月勝率近75，IR42016年至今20160616，相對中證500超額收益10,年化20,金融時(shí)間序列預(yù)測,12,金融時(shí)間序列預(yù)測,,13,金融時(shí)間序列預(yù)測,CLASSICATIONBASEDFINANCIALMARKETSPREDICTIONUSINGDEEPNEURALNETWORKSMATTHEWDIXONETC2016數(shù)據(jù)43種大宗商品和外匯期貨1991到2014年，5分鐘線數(shù)據(jù)25,000個(gè)觀測作為訓(xùn)練，12,500作為測試9895個(gè)特征，包括自身的MA,LAG的回報(bào),互相的相關(guān)等等方法5層神經(jīng)網(wǎng)絡(luò)，第一個(gè)隱層包含1000個(gè)神經(jīng)元，最后一層129（343）對應(yīng)每個(gè)品種的三種狀態(tài)，一共12,174,500個(gè)權(quán)重。結(jié)果,14,更智能的量化模型,,YINLUO,ETC2012THERISEOFMACHINE傳統(tǒng)多因子模型ADABOOST,15,交易,MACHINELEARNINGFORMARKETMICROSTRUCTUREANDHIGHFREQUENCYTRADING通過增強(qiáng)學(xué)習(xí)獲得最佳執(zhí)行指定時(shí)間和買賣股數(shù)，最佳執(zhí)行方法RL,定義狀態(tài)和目標(biāo)，學(xué)習(xí)ACTION類比VWAP,只有時(shí)間和未執(zhí)行股數(shù)。,16,思考與展望,17,思考,機(jī)器學(xué)習(xí)能擬合任何函數(shù),能處理上千萬甚至更多的數(shù)據(jù),18,挑戰(zhàn),小數(shù)據(jù)低信噪比黑箱技術(shù)壁壘市場信息不對稱市場進(jìn)化缺少理論基礎(chǔ),19,展望,在復(fù)雜的金融市場，可預(yù)見的未來，人工智能還是不能取代人類大數(shù)據(jù)人工智能提供決策依據(jù)利用金融領(lǐng)域知識(shí)，挖掘市場無效性，提取更好的，更可區(qū)分的新特征因子，在此基礎(chǔ)上采用機(jī)器學(xué)習(xí)的方法能夠進(jìn)一步提高在外界突發(fā)干擾較少，模式重現(xiàn)性較高,數(shù)據(jù)量大的高頻領(lǐng)域更有用武之地,20,博時(shí)量化,起步早，人員多，經(jīng)驗(yàn)豐富量化產(chǎn)品業(yè)績突出產(chǎn)品線豐富,管理資產(chǎn)規(guī)模大指數(shù)黃金，標(biāo)普，債券，A股，大數(shù)據(jù)指數(shù)）指數(shù)增強(qiáng)裕富滬深300，社保委托專戶主動(dòng)量化絕對收益專戶,21,,博時(shí)基金大數(shù)據(jù)系列產(chǎn)品,22,旗艦產(chǎn)品淘金100156成立相對中證500超額收益年化25，月勝率近75，IR42016年至今20160616，相對中證500超額收益10,年化20,

簡介：第五章不確定性推理,基本概念概率方法主觀BAYES方法可信度方法證據(jù)理論,,第五章不確定性推理,基本概念概率方法主觀BAYES方法可信度方法證據(jù)理論,,基本概念,不精確思維并非專家的習(xí)慣或愛好所至，而是客觀現(xiàn)實(shí)的要求。很多原因?qū)е峦唤Y(jié)果推理所需的信息不完備背景知識(shí)不足信息描述模糊信息中含有噪聲規(guī)劃是模糊的推理能力不足解題方案不唯一,基本概念,什么是不確定性推理從不確定性的初始證據(jù)出發(fā)，通過運(yùn)用不確定性的知識(shí)，最終推出具有一定程度的不確定性但卻是合理或者近乎合理的結(jié)論的思維過程。事實(shí)與結(jié)論之間存在著不確定的因果關(guān)系，且事實(shí)也是不確定的。,基本概念不確定推理的基本問題,不確定問題的數(shù)學(xué)模型表示的3方面問題表示問題采用什么方法描述不確定性，這是解決不確定推理關(guān)鍵的一步。計(jì)算問題不確定性的傳播和更新。也是獲取新信息的過程。語義問題上述表示和計(jì)算的含義是什么。,,基本概念不確定推理的基本問題,表示問題表達(dá)要清楚。表示不僅僅是數(shù)，還要有語義描述。通常有數(shù)值表示和非數(shù)值表示方法，兩者都不夠完善。數(shù)值表示便于計(jì)算、比較，再考慮到定性的非數(shù)值描述才能較好的解決不確定問題。知識(shí)的不確定性描述（靜態(tài)強(qiáng)度）通常是一數(shù)值，一般由領(lǐng)域?qū)＜医o出。證據(jù)的不確定性描述（動(dòng)態(tài)強(qiáng)度）也是一數(shù)值，除初始證據(jù)由用戶給定外，一般通過傳遞算法計(jì)算得到。,OH|EPH|E/P?H|E為H的后驗(yàn)機(jī)率。則（3）式為同理，有即為修正的BAYES公式,主觀貝葉斯方法（規(guī)則的不確定性）,,幾率函數(shù)OH,OH的性質(zhì)PH0時(shí),OH0假PH05時(shí),OH1PH1時(shí),OH∞真0，事實(shí)上如果MB0，則MD0（E有利于H）；如果MD0，則MB0（E不利于H）。,規(guī)則規(guī)則的不確定性度量）,當(dāng)PH/E＞PH時(shí)，表示證據(jù)E支持結(jié)論H，則有MB0，MD0；反之，當(dāng)PH/E0；當(dāng)PH/E＝PH時(shí)，表示E對H無影響，則有MB＝MD＝0。值得注意的是，可信度CFH,E即MB,MD的值通常并不是經(jīng)由PH/E和PH來計(jì)算的，而是在建立規(guī)則庫時(shí)由領(lǐng)域?qū)＜覒{經(jīng)驗(yàn)主觀確定的。,規(guī)則規(guī)則的不確定性度量）,規(guī)則可信度CFH,E有性質(zhì)1因?yàn)??MBH,E?1,0?MDH,E?1,則1?CFH,E?12若E絕對肯定H，即PH|E1，則MBH,E1,MDH,E0,CFH,E1DC13若E絕對否定H，即P?H|E1，則MBH,E0,MDH,E1,CFH,E1DC24若E不能證實(shí)H或E、H獨(dú)立，即PH|EPH，則MBH,E0,MDH,E0,CFH,E0DC45對同一個(gè)證據(jù)E，支持若干個(gè)互斥的結(jié)論HI，則?CFHI,E?1DC3,規(guī)則規(guī)則的不確定性度量）,規(guī)則E→H，可信度表示為CFH,E。,規(guī)則規(guī)則的不確定性度量）,CFH,E表示的意義證據(jù)為真時(shí)相對于P?H1PH來說，E對H為真的支持程度。即E發(fā)生更支持H發(fā)生。此時(shí)CFH,E≥0?；颍鄬τ赑H來說，E對H為真的不支持程度。即E發(fā)生不支持H發(fā)生。此時(shí)CFH,E1或|A|0時(shí),這里定義了基本理論的一個(gè)特殊情況，僅單個(gè)元素組成的子集的概率分配數(shù)大于等于0；由一個(gè)以上元素組成的子集概率分配數(shù)均為0。,證據(jù)理論應(yīng)用模型,則1）BELA∑M{SI}對任何SI∈A2BELDM{SI}MD13PLA1BEL┒A1∑M{SI}對任何SI∈┒A11MDBELAMDBELA4）PLD1BEL┒D1BELΦ1,證據(jù)理論證據(jù)的不確定性,定義命題A的類概率函數(shù)其中|A|、|D|為集合內(nèi)元素個(gè)數(shù)。性質(zhì)對于A?D∑FSI1，I1,2,,NBELA≤FA≤PLAF┒A1FA,FΦ0，F(xiàn)D1，0≤FA≤1,證據(jù)理論規(guī)則的不確定性,推理形式設(shè)子集合E、A，其中E{E1,E2,,EL},A{A1,A2,,AK}，用相應(yīng)的向量C1,C2,,CK描述規(guī)則E→A，其中CI≥0,1≤I≤K,且∑CJ≤1，1≤J≤K用于指示前提E成立時(shí)假設(shè)AI成立的可信度。已知事件E，由FE求MAK,MAKFECK,證據(jù)理論證據(jù)的不確定性,設(shè)規(guī)則E?A{A1，A2，，AM},CF其中CF{C1，C2，，CM}證據(jù)E的不確定性可以用類概率函數(shù)FE表示，原始證據(jù)的FE應(yīng)由用戶給定，作為中間結(jié)果的證據(jù)則由下面的不確定性傳遞算法確定。,證據(jù)理論證據(jù)的不確定性,命題的確定性CER定義設(shè)A是規(guī)則條件部分的命題，E’是外部輸入的證據(jù)和已證實(shí)的命題，命題A與E’的匹配程度MDA|E’為若A的所有元素出現(xiàn)在E’里，則MDA|E’1，否則MDA|E’0則CERAMDA|E’FA稱為命題A的確定性。可以證明0≤CERA≤1,證據(jù)理論不確定性傳遞算法,對于上述具有不確定性的規(guī)則，定義I1,2,,M或縮簡記為規(guī)定，則對于U的所有其它子集H，均有MH＝0；所以當(dāng)A為U的真子集時(shí)，有進(jìn)一步可以計(jì)算PLA和FA。,證據(jù)理論,概述證據(jù)的不確定性規(guī)則的不確定性推理計(jì)算,證據(jù)理論,概述證據(jù)的不確定性規(guī)則的不確定性推理計(jì)算,證據(jù)理論推理計(jì)算,FE1∧E2MIN{FE1,FE2}FE1∨E2MAX{FE1,FE2}已知FE，E→A，C1,C2,,CK。求FA規(guī)定M{A1},{A2},,{AK}FEC1,FEC2,,FECKMD1–,證據(jù)理論推理計(jì)算,證據(jù)的組合M1,M2在D上的合成（對于同樣的證據(jù)，由于來源不同，得到二個(gè)概率分配函數(shù)M1,M2）定義MM1⊙M2規(guī)定MΦ0，M{SI}其中K＝M1DM2D,證據(jù)理論舉例,設(shè)有如下推理規(guī)則,,,,,證據(jù)理論舉例,EI（I1,2,,6）是原始證據(jù)，用戶在系統(tǒng)運(yùn)行時(shí)已給定它們的類概率如下設(shè)定|U|＝10，求假設(shè)A的確定性。這些規(guī)則形成與或形推理樹（如圖）。,,,,,證據(jù)理論舉例,,,,,050709090807,證據(jù)理論優(yōu)缺點(diǎn),,,,,優(yōu)點(diǎn)直觀地表示了不了解的部分。缺點(diǎn)推理（如辨別框的劃分）較困難，缺乏實(shí)踐檢驗(yàn)。,第五章不確定性推理,基本概念概率方法主觀BAYES方法,,,,,,可信度方法證據(jù)理論貝葉斯網(wǎng)絡(luò),第五章不確定性推理,基本概念概率方法主觀BAYES方法,,,,,,可信度方法證據(jù)理論貝葉斯網(wǎng)絡(luò),,貝葉斯網(wǎng)絡(luò),二十世紀(jì)八十年代貝葉斯網(wǎng)絡(luò)（BAYESNETWORK）成功地應(yīng)用于專家系統(tǒng)，成為表示不確定性專家知識(shí)和推理的一種流行的方法。基于貝葉斯方法的貝葉斯網(wǎng)絡(luò)是一種適應(yīng)性很廣的手段和工具，具有堅(jiān)實(shí)的數(shù)學(xué)理論基礎(chǔ)。在綜合先驗(yàn)信息（領(lǐng)域知識(shí)）和數(shù)據(jù)樣本信息的前提下，還可避免只使用先驗(yàn)信息可能帶來的主觀偏見。雖然很多貝葉斯網(wǎng)絡(luò)涉及的學(xué)習(xí)問題是NP難解的。但是，由于已經(jīng)有了一些成熟的近似解法，加上一些限制后計(jì)算可大為簡化，很多問題可以利用近似解法求解。,貝葉斯網(wǎng)絡(luò),貝葉斯網(wǎng)絡(luò)方法的不確定性表示基本上是保持了概率的表示方式，可信度計(jì)算也是概率計(jì)算方法，只是在實(shí)現(xiàn)時(shí)，各具體系統(tǒng)根據(jù)應(yīng)用背景的需要采用各種各樣的近似計(jì)算方法。推理過程稱為概率推理。因此，貝葉斯網(wǎng)絡(luò)沒有其它確定性推理方法擁有的確定性表示、計(jì)算、語義解釋等問題。本節(jié)只介紹貝葉斯網(wǎng)絡(luò)的基本概念和簡單的推理方法。,貝葉斯網(wǎng)絡(luò)（事件的獨(dú)立性）,獨(dú)立如果X與Y相互獨(dú)立，則PX,YPXPYPX|YPX條件獨(dú)立如果在給定Z的條件下，X與Y相互獨(dú)立，則PX|Y,ZPX|Z實(shí)際中，條件獨(dú)立比完全獨(dú)立更重要,貝葉斯網(wǎng)絡(luò)（聯(lián)合概率）,聯(lián)合概率PX1,X2,,XN二值，則有2N可能的值，其中2N1個(gè)獨(dú)立。如果相互獨(dú)立PX1,X2,,XNPX1PX2PXN,貝葉斯網(wǎng)絡(luò)（聯(lián)合概率）,條件概率PX1,X2,,XNPX1|X2,,XNPX2,,XN迭代表示PX1,X2,,XNPX1PX2|X1PX3|X2X1PXN|XN1,,X1PXNPXN1|XNPXN2|XN1XNPX1|X2,,XN實(shí)際應(yīng)用中就是利用條件獨(dú)立性的性質(zhì)簡化網(wǎng)絡(luò)復(fù)雜性的。,貝葉斯網(wǎng)絡(luò)（基本概念）,貝葉斯網(wǎng)絡(luò)一系列變量的聯(lián)合概率分布的圖形表示。一個(gè)表示變量之間的相互依賴關(guān)系的數(shù)據(jù)結(jié)構(gòu)；圖論與概率論的結(jié)合。,貝葉斯網(wǎng)絡(luò)（因果關(guān)系網(wǎng)絡(luò)）,假設(shè)命題SSMOKER該患者是一個(gè)吸煙者命題CCOALMINER該患者是一個(gè)煤礦礦井工人命題LLUNGCANCER他患了肺癌命題EEMPHYSEMA他患了肺氣腫由專家給定的假設(shè)可知，命題S對命題L和命題E有因果影響，而C對E也有因果影響。,貝葉斯網(wǎng)絡(luò)（因果關(guān)系圖例）,命題之間的關(guān)系可以描繪成因果關(guān)系網(wǎng)。每一個(gè)節(jié)點(diǎn)代表一個(gè)證據(jù)，每一條弧代表一條規(guī)則（假設(shè)），連接結(jié)點(diǎn)的弧表達(dá)了有規(guī)則給出的，節(jié)點(diǎn)間的直接因果關(guān)系。,因果關(guān)系圖例其中，節(jié)點(diǎn)S，C是節(jié)點(diǎn)L和E的父節(jié)點(diǎn)或稱雙親節(jié)點(diǎn)，同時(shí)，L，E也稱為是S和C的子節(jié)點(diǎn)或稱后代節(jié)點(diǎn)。,貝葉斯網(wǎng)絡(luò)（貝葉斯網(wǎng)絡(luò)）,貝葉斯網(wǎng)就是一個(gè)在弧的連接關(guān)系上加入連接強(qiáng)度的因果關(guān)系網(wǎng)絡(luò)。如果A是B的父結(jié)點(diǎn)，PB|A就是這兩個(gè)結(jié)點(diǎn)的連接強(qiáng)度；如果C也是B的一個(gè)雙親結(jié)點(diǎn)，則用聯(lián)合概率PB|AC來描述。當(dāng)結(jié)點(diǎn)沒有父結(jié)點(diǎn)時(shí)，稱為頂點(diǎn)。貝葉斯網(wǎng)必須指定頂點(diǎn)的先驗(yàn)概率。,貝葉斯網(wǎng)絡(luò)（圖例）,,貝葉斯網(wǎng)絡(luò)圖例無環(huán)圖和指定概率值PA,PC,PB|AC,PE|B,PB|D,PF|E,PG|DEF,貝葉斯網(wǎng)絡(luò)（圖例）,貝葉斯網(wǎng)是一個(gè)有向無環(huán)圖。如果結(jié)點(diǎn)間有反饋回路，從各個(gè)方向就可以得到不同的連接權(quán)值，而使得最后難以確定。右圖是一個(gè)有環(huán)的網(wǎng)絡(luò)，不是貝葉斯網(wǎng)。,非貝葉斯網(wǎng)絡(luò)圖例,貝葉斯網(wǎng)絡(luò)（定義）,兩個(gè)部分貝葉斯網(wǎng)絡(luò)結(jié)構(gòu)圖，這是一個(gè)有向無環(huán)圖（DAGDIRECTEDACYCLICGRAPH），其中圖中的每個(gè)節(jié)點(diǎn)代表相應(yīng)的變量。當(dāng)有向弧由節(jié)點(diǎn)A指向節(jié)點(diǎn)B時(shí)，則稱A是B的父節(jié)點(diǎn)；B是A的子節(jié)點(diǎn)。節(jié)點(diǎn)和節(jié)點(diǎn)之間的條件概率表（CONDITIONALPROBABILITYTABLE,CPT），也就是一系列的概率值，表示了局部條件概率分布。PNODE|PARENTS。目的由證據(jù)得出原因發(fā)生的概率。即觀察到PY，求PX|Y,貝葉斯網(wǎng)絡(luò)（如何構(gòu)造）,選擇變量，生成節(jié)點(diǎn)從左至右（從上到下），排列節(jié)點(diǎn)填充網(wǎng)絡(luò)連接弧，表示節(jié)點(diǎn)之間的關(guān)系得到條件概率關(guān)系表,貝葉斯網(wǎng)絡(luò)（計(jì)算）,有向非循環(huán)圖是各個(gè)節(jié)點(diǎn)變量關(guān)系傳遞的合理表達(dá)形式。條件概率的引入使得計(jì)算較之全連接網(wǎng)絡(luò)有了大大的簡化。條件概率表（CPT表）相對比較容易得到。有時(shí)可以用某種概率分布表示，需要做的指示計(jì)算表示的參數(shù)。,

簡介：第四章知識(shí)表示,概述表示方法,第四章知識(shí)表示,概述表示方法,,概述41基本概念,人工智能研究中最基本的問題之一在知識(shí)處理中總要問到“如何表示知識(shí)”，“知識(shí)是用什么來表示的”。怎樣使機(jī)器能懂，能對之進(jìn)行處理，并能以一種人類能理解的方式將處理結(jié)果告訴人們。在AI系統(tǒng)中，給出一個(gè)清晰簡潔的描述是很困難的。有研究報(bào)道認(rèn)為。嚴(yán)格地說AI對知識(shí)表示的認(rèn)真、系統(tǒng)的研究才剛剛開始。,概述,知識(shí)的定義（難以給出明確的定義只能從不同側(cè)面加以理解）FEIGENBAUM知識(shí)是經(jīng)過削減、塑造、解釋和轉(zhuǎn)換的信息。BERNSTEIN知識(shí)是由特定領(lǐng)域的描述、關(guān)系和過程組成的。HAYESROTH知識(shí)是事實(shí)、信念和啟發(fā)式規(guī)則。知識(shí)庫的觀點(diǎn)知識(shí)是某領(lǐng)域中所涉及的各有關(guān)方面的一種符號表示。,概述,知識(shí)的定義,HAYESROTH知識(shí)的三維空間表示,概述,知識(shí)的分類事實(shí)性知識(shí)采用直接表示的形式如凡是猴子都有尾巴過程性知識(shí)描述做某件事的過程如電視維修法行為性知識(shí)不直接給出事實(shí)本身，只給出它在某方面的行為如微分方程、（事物的內(nèi)涵）,概述,知識(shí)的分類實(shí)例性知識(shí)只給出一些實(shí)例，知識(shí)藏在實(shí)例中。類比性知識(shí)即不給出外延，也不給出內(nèi)涵，只給出它與其它事物的某些相似之處如比喻、謎語元知識(shí)有關(guān)知識(shí)的知識(shí)。最重要的元知識(shí)是如何使用知識(shí)的知識(shí)，如何從知識(shí)庫中找到想要的知識(shí)。,概述,知識(shí)的要素事實(shí)事物的分類、屬性、事物間關(guān)系、科學(xué)事實(shí)、客觀事實(shí)等。（最低層的知識(shí)）規(guī)則與事物的行動(dòng)、動(dòng)作相聯(lián)系的因果關(guān)系知識(shí)。（啟發(fā)式規(guī)則）?？刂飘?dāng)有多個(gè)動(dòng)作同時(shí)被激活時(shí)，選擇哪一個(gè)動(dòng)作來執(zhí)行的知識(shí)。（技巧性）元知識(shí)高層知識(shí)。怎樣使用規(guī)則、解釋規(guī)則、校驗(yàn)規(guī)則、解釋程序結(jié)構(gòu)等知識(shí)。,概述,知識(shí)表示的定義知識(shí)表示是研究用機(jī)器表示知識(shí)的可行性、有效性的一般方法，是數(shù)據(jù)結(jié)構(gòu)與系統(tǒng)控制結(jié)構(gòu)的統(tǒng)一。知識(shí)表示是理智推理的部分理論。知識(shí)表示是有效計(jì)算的載體知識(shí)表示是交流的媒介（如語義網(wǎng)絡(luò)）,概述,知識(shí)表示的定義知識(shí)表示是對知識(shí)的一種描述、一組約定、一種計(jì)算機(jī)可以接受的數(shù)據(jù)結(jié)構(gòu)；是知識(shí)的符號化過程。知識(shí)表示的主要問題是設(shè)計(jì)各種數(shù)據(jù)結(jié)構(gòu)，研究表示與控制的關(guān)系、表示與推理的關(guān)系；表示與所表示領(lǐng)域的關(guān)系。,概述,選取知識(shí)表示的因素表示范圍是否廣泛是否適于推理是否適于計(jì)算機(jī)處理是否有高效的算法能否表示不精確知識(shí)能否模塊化總之,知識(shí)和元知識(shí)能否用統(tǒng)一的形式表示是否加入啟發(fā)信息過程性表示還是說明性表示表示方法是否自然,概述,選取知識(shí)表示的因素總之，人工智能問題的求解是以知識(shí)表示為基礎(chǔ)的。如何將已獲得的有關(guān)知識(shí)以計(jì)算機(jī)內(nèi)部代碼形式加以合理地描述、存儲(chǔ)、有效地利用便是表示應(yīng)解決的問題。,概述,研究內(nèi)容表示觀的研究認(rèn)識(shí)論、本體論、知識(shí)工程表示方法的研究直接法、代替法局部、分布，,概述,知識(shí)表示研究的特點(diǎn)智能行為特有的靈活性。“常識(shí)問題”不能概括為一類簡潔的理論，是大量小理論的集合。AI的任務(wù)受到計(jì)算裝置的約束。這導(dǎo)致了所采用的“表示”必須同時(shí)滿足“刻畫智能現(xiàn)象”與“計(jì)算裝置可以接受”，這兩個(gè)有時(shí)是矛盾的條件。,第四章知識(shí)表示,概述表示方法,,第四章知識(shí)表示,概述表示方法,,,表示方法,概述直接表示邏輯表示產(chǎn)生式規(guī)則表示法語義網(wǎng)絡(luò)表示法,框架表示法腳本方法過程表示混合型知識(shí)表示方法面向?qū)ο蟮谋硎痉椒?表示方法,概述直接表示邏輯表示產(chǎn)生式規(guī)則表示法語義網(wǎng)絡(luò)表示法,框架表示法腳本方法過程表示混合型知識(shí)表示方法面向?qū)ο蟮谋硎痉椒?表示方法概述,表示方法可以分成2類替代表示法局部表示類最充分也是正統(tǒng)AI最經(jīng)常使用的分布表示法對局部表示法在智能行為表述尚不夠充分而作的補(bǔ)充。直接表示法正在引起越來越多AI研究者的注意。不可完全獨(dú)立考慮到“任何表示方法必須被計(jì)算機(jī)所接受”這個(gè)先決條件，直接表示需要借助局部或部分表示形式。,表示方法概述,表示方法,分布表示,局部表示,陳述性表示,過程性表示,語義網(wǎng)絡(luò)表示,產(chǎn)生式表示,邏輯表示,框架表示,腳本表示,替代表示,,直接表示,表示方法,概述直接表示邏輯表示產(chǎn)生式規(guī)則表示法語義網(wǎng)絡(luò)表示法,框架表示法腳本方法過程表示混合型知識(shí)表示方法面向?qū)ο蟮谋硎痉椒?表示方法,概述直接表示邏輯表示產(chǎn)生式規(guī)則表示法語義網(wǎng)絡(luò)表示法,框架表示法腳本方法過程表示混合型知識(shí)表示方法面向?qū)ο蟮谋硎痉椒?表示方法直接表示,1963年由GELERNTER提出的。用于基于傳統(tǒng)歐氏幾何證明的幾何定理證明器。它的輸入是對前提和目標(biāo)的陳述以及圖示（圖示是用一系列坐標(biāo)來表示的）。在證明過程中，證明器把圖示作為啟發(fā)式信息，排除在圖示中不正確的子目標(biāo)。從而大大地減少了搜索空間。但,表示方法直接表示,1963年由GELERNTER提出的。用于基于傳統(tǒng)歐氏幾何證明的幾何定理證明器。它的輸入是對前提和目標(biāo)的陳述以及圖示（圖示是用一系列坐標(biāo)來表示的）。在證明過程中，證明器把圖示作為啟發(fā)式信息，排除在圖示中不正確的子目標(biāo)。從而大大地減少了搜索空間。但,表示方法直接表示,但，長期以來直接表示沒有得到長足發(fā)展。原因如下計(jì)算機(jī)對直接表示的信息難以處理。直接表示難以表示定量信息（語言設(shè)計(jì)失?。┲苯颖硎静荒苊枋鲎匀皇澜绲娜啃畔⑦@兩年直接表示有所發(fā)展，因?yàn)?，現(xiàn)在認(rèn)識(shí)到，可以用其它媒體表示的方法去補(bǔ)充直接表示的不足。將被發(fā)展成多媒體。引申的研究是臨場AI與臨境技術(shù)。近幾年AI對自主智能系統(tǒng)研究（完全機(jī)器做人不干預(yù)）的失望，導(dǎo)致對建立人機(jī)一體智能系統(tǒng)的嘗試。這樣系統(tǒng)所需環(huán)境的要求是直接表示興起的原因之一。,表示方法,概述直接表示邏輯表示產(chǎn)生式規(guī)則表示法語義網(wǎng)絡(luò)表示法,框架表示法腳本方法過程表示混合型知識(shí)表示方法面向?qū)ο蟮谋硎痉椒?表示方法,概述直接表示邏輯表示產(chǎn)生式規(guī)則表示法語義網(wǎng)絡(luò)表示法,框架表示法腳本方法過程表示混合型知識(shí)表示方法面向?qū)ο蟮谋硎痉椒?表示方法一階謂詞邏輯表示法,一階謂詞邏輯是謂詞邏輯中最直觀的一種邏輯。它以謂詞形式來表示動(dòng)作的主體、客體?？腕w可以多個(gè)。謂詞邏輯規(guī)范表達(dá)式PX1,X2,X3,，這里P是謂詞,XI是主體與客體。,表示方法一階謂詞邏輯表示法,例王的職業(yè)為教師。設(shè)謂詞PX,APWANG,TEACHER所有男性年齡大于60歲則退休。設(shè)謂詞AY,B,GX,Y,SZ,C,RT?U{SU,MALE??XAU,X?GX,60?RU},表示方法邏輯表示法,例兔子FX比烏龜GY跑得快HX,Y?X?YFX?GY?HX,Y有的兔子比所有烏龜跑得快?XFX??YGY?HX,Y并不是所有的兔子都比烏龜跑得快??X?YFX?GY?HX,Y不存在跑得一樣快LX,Y的兩子兔子??X?YFX?GY?LX,Y,表示方法邏輯表示法,謂詞邏輯法是應(yīng)用最廣的方法之一，其原因是謂詞邏輯與數(shù)據(jù)庫，特別是關(guān)系數(shù)據(jù)庫就有密切的關(guān)系。一階謂詞邏輯具有完備的邏輯推理算法。謂詞邏輯本身具有比較扎實(shí)的數(shù)學(xué)基礎(chǔ)，知識(shí)的表達(dá)方式?jīng)Q定了系統(tǒng)的主要結(jié)構(gòu)。邏輯推理是公理集合中演繹而得出結(jié)論的過程。,表示方法邏輯表示法,存在問題謂詞表示越細(xì)，推理越慢、效率越低，但表示清楚。實(shí)際中是要折衷的。,,表示方法語義網(wǎng)絡(luò)表示法,舉例表示多元關(guān)系A(chǔ)C米蘭與國際米蘭之間的一場球賽比分01。解決方法將多元關(guān)系轉(zhuǎn)換成一組二元關(guān)系的組合（合?。＜碦X1,X2,,XN轉(zhuǎn)換為R1X11,X12?R2X21,X22?R3X31,X32??RKXK1,XK2,表示方法語義網(wǎng)絡(luò)表示法,AC米蘭與國際米蘭之間的一場球賽比分01。,,,,,ISA,SCORE,HOST,GUEST,表示方法語義網(wǎng)絡(luò)表示法,舉例表示連接詞、量詞合取不加注任何標(biāo)志。析取加注析取界限，并記DIS標(biāo)志。否定直接加注?或～標(biāo)志。例?ISAA,B∨PART_OFB,C,表示方法語義網(wǎng)絡(luò)表示法,舉例表示連接詞、量詞蘊(yùn)涵用標(biāo)志ANTE和CONSE界限來表示蘊(yùn)涵關(guān)系的前提和結(jié)論部分。EVERYONEWHOLIVESAT37MAPLESTREETISPROGRAMMER,Y,X,OX,Y,表示特定地址事件,表示與此事件相關(guān)的人,變量,函數(shù)形式,為一個(gè)特定職業(yè)事件,?,表示方法語義網(wǎng)絡(luò)表示法,舉例表示連接詞、量詞存在量詞直接用ISA鏈。全稱量詞采用分塊語義網(wǎng)絡(luò)。例每一個(gè)教師均掌握一門語言?XTEACHERX??YLANGUAGESY∧KNOWX,Y,表示方法語義網(wǎng)絡(luò)表示法,每一個(gè)教師均掌握一門語言?XTEACHERX??YLANGUAGESY∧KNOWX,Y,TEACHER,KNOW,LANGUAGES,L,K,T,G,GS,,,AGENT,OBJECT,,概念節(jié)點(diǎn),表示具有全稱量化的一般事件陳述句,整個(gè)陳述句,斷言一個(gè)實(shí)例,表示方法語義網(wǎng)絡(luò)表示法,推理特點(diǎn)不十分明了，有繼承規(guī)則?？梢杂藐P(guān)系如成員聯(lián)系、特征聯(lián)系、相互作用聯(lián)系、集合聯(lián)系、合成聯(lián)系、因果聯(lián)系、活動(dòng)方式聯(lián)式、活動(dòng)目標(biāo)聯(lián)系、蘊(yùn)含聯(lián)系等。還可以將語義網(wǎng)絡(luò)引入邏輯含義。表示∧，∨，～關(guān)系，是用歸結(jié)推理法。,表示方法語義網(wǎng)絡(luò)表示法,推理方式繼承和匹配繼承把對事物的描述從概念節(jié)點(diǎn)或類節(jié)點(diǎn)傳遞到實(shí)例節(jié)點(diǎn)。通過繼承可以得到所需節(jié)點(diǎn)的一些屬性值，它通常是沿著IS－A，A－KIND－OF等繼承弧進(jìn)行的。值繼承如果需要繼承默認(rèn)繼承,表示方法語義網(wǎng)絡(luò)表示法,繼承（例）,LENGTH,3,,表示方法語義網(wǎng)絡(luò)表示法,值繼承算法（求給定節(jié)點(diǎn)F的S鏈的值）建立一個(gè)由F以及所有和F以ISA鏈相連的類節(jié)點(diǎn)的表，在表中F節(jié)點(diǎn)排在第一個(gè)位置。檢查表中第一個(gè)元素的S鏈中是否有值，直到表為空或找到一個(gè)值。若表中第一個(gè)元素在S鏈中有值，就認(rèn)為找到了一個(gè)值。否則，從表中刪除第一個(gè)元素，并把以AKO鏈和此第一個(gè)元素相連的節(jié)點(diǎn)加入到這個(gè)表的末尾。若找到一個(gè)值，就說找到的這個(gè)值是F節(jié)點(diǎn)的S鏈的值，否則宣布失敗。,表示方法語義網(wǎng)絡(luò)表示法,推理方式繼承和匹配匹配根據(jù)待求解問題或詢問，構(gòu)造一個(gè)語義網(wǎng)絡(luò)片斷，然后查找語義網(wǎng)絡(luò)的知識(shí)庫，在匹配過程中，只有當(dāng)片斷中的變量節(jié)點(diǎn)能使得匹配完全成功，它們的值才能被約束。有時(shí)匹配是不精確的或不能匹配匹配的盲目搜索是費(fèi)時(shí)的，應(yīng)采用控制策略,表示方法語義網(wǎng)絡(luò)表示法,推理方式繼承和匹配匹配的主要過程◇根據(jù)問題的要求構(gòu)造網(wǎng)絡(luò)片斷，該網(wǎng)絡(luò)片斷中有些結(jié)點(diǎn)或弧為空，標(biāo)記待求解的問題?！蟾鶕?jù)該語義片斷在知識(shí)庫中尋找相應(yīng)的信息?！螽?dāng)待求解的語義網(wǎng)絡(luò)片斷和知識(shí)庫中的語義網(wǎng)絡(luò)片斷相匹配時(shí)，則與詢問處（也就是待求解的地方）相匹配的事實(shí)就是問題的解。,表示方法語義網(wǎng)絡(luò)表示法,推理方式繼承和匹配匹配舉例問CLYDE擁有什么構(gòu)造語義網(wǎng)絡(luò)片段與知識(shí)庫中的語義網(wǎng)絡(luò)匹配得到結(jié)論,表示方法語義網(wǎng)絡(luò)表示法,結(jié)論語義網(wǎng)絡(luò)圖的好處是直觀、清晰缺點(diǎn)是表達(dá)范圍有限。如，一旦有十個(gè)結(jié)點(diǎn)，而且各結(jié)點(diǎn)之間又有聯(lián)系，則這個(gè)網(wǎng)絡(luò)就很難辨請了。,框架中槽的設(shè)置與組織,表示方法框架表示法,例關(guān)于汽車的框架NAMESUPER_CLASS運(yùn)載工具SUB_CLASS轎車，面包車，客車，貨車WHEEL_NUMBERVALUE_CLASSINTVALUEDEFAULT4LENGTHVALUE_CLASSINTVALUE,表示方法框架表示法,例1關(guān)于教職工的框架AGEINT18,60HEALTHONEOFE,G,N,PDEFAULTNRETIREIFNEEDEDIFSEXMANDAGE60ORSEXWANDAGE55THENR,表示方法框架表示法,例2關(guān)于教師的框架ISAAGEIFNEEDEDAGEW_YEAR23LANRANGEASUBSETOFE,J,F,G,RDEFAULTELEVELONEOFE,G,N,PADDANADDRESSDEFAULT,表示方法框架表示法,例3關(guān)于具體教師的框架ISANAMELIMINGSEXMALEAGEW_YEAR20LANRANGEE,JLEVELGWORKTEACHINGADDRELATION,表示方法框架表示法,事件（災(zāi)害）用框架表示下述報(bào)道的風(fēng)災(zāi)事件【虛擬新華社6月24日電】國家氣象局命名的“2001年2號”臺(tái)風(fēng)于昨晚10時(shí)20分在福建福清市登陸。據(jù)專家經(jīng)驗(yàn)，風(fēng)力達(dá)到12級以上。但中心風(fēng)力的準(zhǔn)確值，有待數(shù)據(jù)處理，目前尚未發(fā)布。此次臺(tái)風(fēng)造成的損失，尚未得到報(bào)告。若需詳細(xì)的損失數(shù)據(jù)，可電詢自然災(zāi)害統(tǒng)計(jì)中心。另據(jù)介紹，事前曾得到國際氣象組織預(yù)報(bào)，昨天上午有高壓氣旋將于福建登陸。依照國際慣例將其命名為“飛燕”，我國也予以承認(rèn)。至于“飛燕”是否就是登陸的“2001年2號”，尚須另外加以核查。（提示分析、概括用下劃線標(biāo)出的要點(diǎn)，經(jīng)過概念化形成槽、側(cè)面值）,表示方法框架表示法,ISA臺(tái)風(fēng)名VALUE2001年2號臺(tái)風(fēng)IFADDED飛燕時(shí)間年2001月6日23時(shí)22分20地點(diǎn)風(fēng)力VALUENILDEFAULT12損失VALUENILIFNEEDEDASK,表示方法框架表示法,推理方法沒有固定的推理機(jī)理。遵循匹配和繼承的原理。推理活動(dòng)填槽框架中未知的內(nèi)容的槽需要填寫。匹配根據(jù)已知的事實(shí)尋找合適的框架，并將該內(nèi)容填入槽中。,推理形式默認(rèn)推理子框架的槽繼承父框架相應(yīng)槽的槽值。匹配根據(jù)已知信息，與預(yù)先存儲(chǔ)的框架進(jìn)行匹配，形成假設(shè)，尋找進(jìn)一步的支持。逐槽比較的過程。,表示方法框架表示法,性質(zhì)對事物進(jìn)行描述。而且對其中某些細(xì)節(jié)做進(jìn)一步描述。則可將其擴(kuò)充為另外一些框架。如汽車載貨或人可以通過它對一些從感官中沒有直接得到的信息進(jìn)行預(yù)測，對于人來說這種功能是很強(qiáng)的。如一想到桌子就可以想到它腿的形狀與位置。可以在它基礎(chǔ)上進(jìn)行判斷推理?？赏ㄟ^它來認(rèn)識(shí)某一類事物?？梢酝ㄟ^一系列實(shí)例來修正框架對某些事物的不完整描述。（填充空的框架，修改默認(rèn)值）,,表示方法,概述直接表示邏輯表示產(chǎn)生式規(guī)則表示法語義網(wǎng)絡(luò)表示法,框架表示法腳本方法過程表示混合型知識(shí)表示方法面向?qū)ο蟮谋硎痉椒?表示方法,概述直接表示邏輯表示產(chǎn)生式規(guī)則表示法語義網(wǎng)絡(luò)表示法,框架表示法腳本方法過程表示混合型知識(shí)表示方法面向?qū)ο蟮谋硎痉椒?表示方法腳本表示法,腳本方式是采用一個(gè)專用的框架，用來表示特定領(lǐng)域的知識(shí)。腳本通過一些元語作為槽名來代表要表示的對象的基本行為。腳本是框架的一種特殊形式，它用一組槽來描述某些事件的發(fā)生序列，就像電影劇本中的事件序列一樣，故稱為腳本。,表示方法腳本表示法,一個(gè)腳本一般由以下各部分組成開場條件給出在劇本中描述的事件發(fā)生的前提條件。角色用來表示在劇本所描述的事件中可能出現(xiàn)的有關(guān)人物的一些槽。道具這是用來表示在劇本所描述的事件中可能出現(xiàn)的有關(guān)物體的一些槽。場景描述事件發(fā)生的真實(shí)順序，可以由多個(gè)場景組成，每個(gè)場景又可以是其它的劇本。結(jié)果給出在劇本所描述的事件發(fā)生以后通常所產(chǎn)生的結(jié)果。,表示方法腳本表示法,例子關(guān)于餐廳的腳本,表示方法腳本表示法,一旦腳本被啟用，則可以應(yīng)用它來進(jìn)行推理。其中最重要的是運(yùn)用劇本可以預(yù)測沒有明顯提及的事件的發(fā)生。腳本結(jié)構(gòu)，比起框架這樣的一些通用結(jié)構(gòu)來，要呆板得多，知識(shí)表達(dá)的范圍也很窄，因此不適用于表達(dá)各種知識(shí)，但對于表達(dá)預(yù)先構(gòu)思好的特定知識(shí)，如理解故事情節(jié)等，是非常有效的。,表示方法,概述直接表示邏輯表示產(chǎn)生式規(guī)則表示法語義網(wǎng)絡(luò)表示法,框架表示法腳本方法過程表示混合型知識(shí)表示方法面向?qū)ο蟮谋硎痉椒?表示方法,概述直接表示邏輯表示產(chǎn)生式規(guī)則表示法語義網(wǎng)絡(luò)表示法,框架表示法腳本方法過程表示混合型知識(shí)表示方法面向?qū)ο蟮谋硎痉椒?表示方法過程表示法,前面的幾種知識(shí)表示方法均是知識(shí)和事實(shí)的一種靜止的表示方法。我們稱這類知識(shí)表示方式為陳述式表達(dá)。它所強(qiáng)調(diào)的是事物所涉及的對象是什么，是對事物有關(guān)知識(shí)的靜態(tài)描述，是知識(shí)的一種顯式、說明性知識(shí)表達(dá)形式。說明性表示知識(shí)給出事物本身的屬性及事物之間的相互關(guān)系。對問題的解答就隱含在這些知識(shí)之中。而過程性知識(shí)則給出解決一個(gè)問題的具體過程。,表示方法過程表示法,過程性知識(shí)舉例BRUNCLEYZGOALBROTHERXYGOALFATHERXZINSERTUNCLEYZRETURN對應(yīng)的說明性知識(shí)?X?Y?ZBROTHERX,Y?FATHERX,Z?UNCLEY,Z,表示方法過程表示法,說明性知識(shí)和過程性知識(shí)相比說明性知識(shí)比較簡要、清晰、可靠、便于修改。但往往效率低。過程性知識(shí)比較直截了當(dāng)，效率高。但由于詳細(xì)地給出了解決過程，使這種知識(shí)表示顯得復(fù)雜、不直觀、容易出錯(cuò)、不便于修改。實(shí)際上，說明性表示和過程性表示實(shí)際上沒有絕對的分界線。因此，任何說明性知識(shí)如果要被實(shí)際使用，必須有一個(gè)相應(yīng)的過程去解釋執(zhí)行它。對于一個(gè)以使用說明性表示為主的系統(tǒng)來說，這種過程往往是隱含在系統(tǒng)之中，而不是面向用戶。,表示方法過程表示法,知識(shí)過程性的兩個(gè)含義含義1把解決一個(gè)問題的過程描述出來。可以稱它為解題知識(shí)的過程表示。含義2把客觀事物的發(fā)展過程用某種方式表示出來。在某些情況下，這兩種含義是很難決然分開的。如，任何一個(gè)解題系統(tǒng)的基本構(gòu)成都是一個(gè)數(shù)據(jù)集，一組運(yùn)算符和一個(gè)解釋程序。過程性知識(shí)使用狀態(tài)來表示，在狀態(tài)空間運(yùn)作。,表示方法過程表示法,過程式表示定義過程式表示就是將有關(guān)某一問題領(lǐng)域的知識(shí)連同如何使用這些知識(shí)的方法均隱式地表達(dá)為一個(gè)求解過程。它所給出的是事物的一些客觀規(guī)律，表達(dá)的是如何求解問題，知識(shí)的描述形式就是程序。所有信息均隱含在程序中效率高、沒有固定形式。如何描述知識(shí)完全取決定于具體的問題。,實(shí)際上的系統(tǒng)都是陳述與過程觀點(diǎn)的結(jié)合。陳述之中多少包含了過程方法。,表示方法,概述直接表示邏輯表示產(chǎn)生式規(guī)則表示法語義網(wǎng)絡(luò)表示法,框架表示法腳本方法過程表示混合型知識(shí)表示方法面向?qū)ο蟮谋硎痉椒?表示方法,概述直接表示邏輯表示產(chǎn)生式規(guī)則表示法語義網(wǎng)絡(luò)表示法,框架表示法腳本方法過程表示混合型知識(shí)表示方法面向?qū)ο蟮谋硎痉椒?表示方法混合型知識(shí)表示法,上述的知識(shí)表示雖各有特點(diǎn)，而且適用的領(lǐng)域也不同。如謂詞邏輯方法只適用于確定性、陳述性、靜態(tài)性知識(shí)，而對動(dòng)態(tài)的、變化性、模糊性知識(shí)則很難表示。產(chǎn)生式規(guī)則方法推理方法太單一，如果前提條件太多，或規(guī)則條數(shù)太多，則推理的速度將慢得驚人?？蚣芊椒ū硎镜闹R(shí)橫向關(guān)系不太明確。（縱向從屬繼承關(guān)系很明確）語義網(wǎng)絡(luò)方法表達(dá)的知識(shí)面比較窄。對于復(fù)雜的、深層次的知識(shí)，就很難用一種知識(shí)表示來解決問題。,

簡介：PATTERNRECOGNITIONPARTITIONTHEDATAWITHTHE3MEANPOINTSSTEP2ESTEPSTEP3EMALGORITHMDOMSTEPESTEPUNTILCONVERGENCE,55,STEP1INITIALIZETHEPARTITION,56,57,58,IMAGESEGMENTATIONUSINGEM,STEP1FEATUREEXTRACTIONSTEP2IMAGESEGMENTATIONUSINGEM,SYMBOLS,THEFEATUREVECTORFORPIXELIISCALLEDXITHEREAREGOINGTOBEKSEGMENTSKISGIVENTHEJTHSEGMENTHASAGAUSSIANDISTRIBUTIONWITHPARAMETERS?J?J,?J?JSARETHEWEIGHTSWHICHSUMTO1OFGAUSSIANS?ISTHECOLLECTIONOFPARAMETERS??1,,?K,?1,,?K,INITIALIZATION,EACHOFTHEKGAUSSIANSWILLHAVEPARAMETERS?J?J,?J,WHERE?JISTHEMEANOFTHEJTHGAUSSIAN?JISTHECOVARIANCEMATRIXOFTHEJTHGAUSSIANTHECOVARIANCEMATRICESAREINITIALEDTOBETHEIDENTITYMATRIXTHEMEANSCANBEINITIALIZEDBYFINDINGTHEAVERAGEFEATUREVECTORSINEACHOFKWINDOWSINTHEIMAGETHISISDATADRIVENINITIALIZATION,ESTEP,MSTEP,SAMPLERESULTS,KEYPOINTS,MAXIMUMLIKELIHOODESTIMATIONGMMEMSTEPS,

簡介：PATTERNRECOGNITIONIRANDPERMNMXI1K,MOMFORN1MAX_ITSFORK1KDIST,KSUMXREPMATMK,,N,12,2ENDI,JMINDIST,,2FORK1KIFSIZEFINDJK0MK,MEANXFINDJK,ENDEND,劃分聚類法–KMEANS,ZZEROSN,KFORM1NZM,JM1ENDESUMSUMZDIST/NFPRINTFDERRORF\N,N,EMOMEND,MATLAB程序?qū)崿F(xiàn)（續(xù)）,劃分聚類法–KMEANS,CLOSEALLCLEARALLCLCC_SEGMENTS5IMG_ORIGINALIMREADDOGPNG讀入圖像FIGURE,IMSHOWIMG_ORIGINAL,TITLE原始圖像顯示原圖像M,N,DEPTHSIZEIMG_ORIGINAL獲取圖像的長寬將圖像進(jìn)行RGB3通道分解將RGB分量各轉(zhuǎn)為KMEANS使用的數(shù)據(jù)格式N行，一樣本ARESHAPEIMG_ORIGINAL,,1,MN,1BRESHAPEIMG_ORIGINAL,,2,MN,1CRESHAPEIMG_ORIGINAL,,3,MN,1DATABCRGB分量組成樣本的特征，每個(gè)樣本有三個(gè)屬性值，共WIDTHHEIGHT個(gè)樣本CRGBKMEANSDOUBLEDAT,C_SEGMENTS,20RRGBRESHAPECRGB,M,N反向轉(zhuǎn)化為圖片形式FIGURE,IMSHOWLABEL2RGBRRGB,,TITLE分類結(jié)果顯示分割結(jié)果,劃分聚類法–KMEANS,分割后的效果,應(yīng)用實(shí)例,劃分聚類法–KMEANS,,劃分聚類法–KMEANS,應(yīng)用實(shí)例,注聚類中心個(gè)數(shù)為5，最大迭代次數(shù)為10。,思路將聚類問題中的類定義為模糊集合，用模糊集的隸屬度函數(shù)定量描述樣本點(diǎn)與類之間的從屬關(guān)系，并通過尋找使目標(biāo)函數(shù)最小化的隸屬度函數(shù)，實(shí)現(xiàn)聚類。算法關(guān)鍵點(diǎn)隸屬度函數(shù)的數(shù)學(xué)定義模糊類中心的更新,劃分聚類法–模糊C均值聚類FUZZYCMEANS,變量定義數(shù)據(jù)集X{X1,X2,,XN}C個(gè)模糊類樣本XK對第I類的模糊隸屬度為UIK，滿足條件隸屬度矩陣U{UIK}第I類的類中心為VI聚類中心矩陣為V{V1,V2,,VC}建立基于隸屬度矩陣U和聚類中心矩陣V的目標(biāo)函數(shù)JMU,V,劃分聚類法–模糊C均值聚類FUZZYCMEANS,目標(biāo)函數(shù)最小化求解,劃分聚類法–模糊C均值聚類FUZZYCMEANS,這里M1,是隸屬度的加權(quán)指數(shù)為第I個(gè)聚類中心與第K個(gè)數(shù)據(jù)樣本之間的歐幾里得距離,限定條件,最小化上述函數(shù)可以用拉格朗日乘子法求解,目標(biāo)函數(shù)最小化求解對上式進(jìn)行求導(dǎo)，使其達(dá)到最小的必要條件為,劃分聚類法–模糊C均值聚類FUZZYCMEANS,公式（1）,公式（2）,模糊C均值聚類算法具體步驟,劃分聚類法–模糊C均值聚類FUZZYCMEANSFCM,確定聚類類別數(shù)目C、加權(quán)指標(biāo)M，用01的隨機(jī)值初始化隸屬矩陣U0，并滿足令迭代次數(shù)為B，B0,1,2BMAX根據(jù)公式（2）計(jì)算各個(gè)類的中心VIB根據(jù)公式（1）更新UB為UB1；比較UB和UB1之間的差別，如果或者迭代達(dá)到最大次數(shù)，則聚類結(jié)束；否則，置BB1并返回第3步。,,劃分聚類法–模糊C均值聚類FUZZYCMEANS,MATLAB中提供了FCM函數(shù)CENTER,U,OBJ_FCNFCMDATA,CLUSTER_N,OPTIONS輸入DATANXM矩陣,表示N個(gè)樣本,每個(gè)樣本具有M的維特征值N_CLUSTER標(biāo)量,表示聚合中心數(shù)目,即類別數(shù)OPTIONS4X1矩陣，其中OPTIONS1隸屬度矩陣U的指數(shù)，1缺省值20OPTIONS2最大迭代次數(shù)缺省值100OPTIONS3隸屬度最小變化量,迭代終止條件缺省值1E5OPTIONS4每次迭代是否輸出信息標(biāo)志缺省值1輸出CENTER聚類中心U隸屬度矩陣OBJ_FCN目標(biāo)函數(shù)值,,劃分聚類法–模糊C均值聚類FUZZYCMEANS,應(yīng)用實(shí)例,CLOSEALLCLEARALLCLCC_SEGMENTS4IMG_ORIGINALIMREADPEPPERPNG讀入圖像FIGURE,IMSHOWIMG_ORIGINAL,TITLE原始圖像顯示原圖像M,N,PSIZEIMG_ORIGINAL獲取圖像的長寬將圖像進(jìn)行RGB3通道分解將RGB分量各轉(zhuǎn)為KMEANS使用的數(shù)據(jù)格式N行，一樣本ARESHAPEIMG_ORIGINAL,,1,MN,1BRESHAPEIMG_ORIGINAL,,2,MN,1CRESHAPEIMG_ORIGINAL,,3,MN,1DATABCRGB分量組成樣本的特征，每個(gè)樣本有三個(gè)屬性值，共WIDTHHEIGHT個(gè)樣本,,聚類法–模糊C均值聚類FUZZYCMEANS,應(yīng)用實(shí)例,CENTER,U,FCTFCMDOUBLEDAT,C_SEGMENTS,LABELMAXU,,1FIGURELABRESHAPELABEL,M,NIMSHOWLAB,FIGUREMAP000CENTER1,1/255,CENTER1,2/255,CENTER1,3/255IMSHOWLAB1,COLORMAPMAPFIGUREMAP000CENTER2,1/255,CENTER2,2/255,CENTER2,3/255IMSHOWLAB2,COLORMAPMAPFIGUREMAP000CENTER3,1/255,CENTER3,2/255,CENTER3,3/255IMSHOWLAB3,COLORMAPMAPFIGUREMAP000CENTER4,1/255,CENTER4,2/255,CENTER4,3/255IMSHOWLAB4,COLORMAPMAP,,聚類法–模糊C均值聚類FUZZYCMEANS,應(yīng)用實(shí)例,分割結(jié)果,,劃分聚類法–KMEDOIDS,K中心點(diǎn)KMEDOIDS不采用簇中對象的平均值作為參照點(diǎn),而是選用簇中位置最中心的對象,即中心點(diǎn)MEDOID作為參照點(diǎn),,劃分聚類法–KMEDOIDS,基本思想找聚類中的代表對象中心點(diǎn)PAMPARTITIONINGAROUNDMEDOIDS首先為每個(gè)簇隨意選擇一個(gè)代表對象,剩余的對象根據(jù)其與代表對象的距離分配給最近的一個(gè)簇然后反復(fù)地用非代表對象來替代代表對象，以改進(jìn)聚類的質(zhì)量PAM對于較小的數(shù)據(jù)集非常有效,但不能很好地?cái)U(kuò)展到大型數(shù)據(jù)集。,劃分聚類法–KMEDOIDS,為了判定一個(gè)非代表對象ORANDOM是否是當(dāng)前一個(gè)代表對象OJ的好的替代,對于每一個(gè)非代表對象P,考慮下面的四種情況第一種情況P當(dāng)前隸屬于代表對象OJ如果OJ被ORANDOM所代替,且P離OI最近,I≠J,那么P被重新分配給OI第二種情況P當(dāng)前隸屬于代表對象OJ如果OJ被ORANDOM代替,且P離ORANDOM最近,那么P被重新分配給ORANDOM,劃分聚類法–KMEDOIDS,第三種情況P當(dāng)前隸屬于OI，I≠J。如果OJ被ORANDOM代替，而P仍然離OI最近，那么對象的隸屬不發(fā)生變化第四種情況P當(dāng)前隸屬于OI，I≠J。如果OJ被ORANDOM代替，且P離ORANDOM最近，那么P被重新分配給ORANDOM,劃分聚類法–KMEDOIDS,算法K中心點(diǎn)1隨機(jī)選擇K個(gè)對象作為初始的代表對象；2REPEAT3指派每個(gè)剩余的對象給離它最近的代表對象所代表的簇；4隨意地選擇一個(gè)非代表對象ORANDOM；5計(jì)算用ORANDOM代替OJ的總距離E,如果E比取代前下降則則用ORANDOM替換OJ，形成新的K個(gè)代表對象的集合，返回（4）；6UNTIL不發(fā)生變化7如果所有非代表對象都無法取代已存在的簇中心，則結(jié)束替代過程，并輸出結(jié)果,劃分聚類法–KMEDOIDS,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,0,1,2,3,4,5,6,7,8,9,10,0,1,2,3,4,5,6,7,8,9,10,,,,K2,,ARBITRARYCHOOSEKOBJECTASINITIALMEDOIDS,,,ASSIGNEACHREMAININGOBJECTTONEARESTMEDOIDS,,RANDOMLYSELECTANONMEDOIDOBJECT,ORAMDOM,,COMPUTETOTALCOSTOFSWAPPING,TOTALCOST26,,SWAPPINGOANDORAMDOMIFQUALITYISIMPROVED,DOLOOPUNTILNOCHANGE,劃分聚類法–KMEDOIDS,當(dāng)存在噪音和孤立點(diǎn)時(shí),PAM比K平均方法更健壯這是因?yàn)橹行狞c(diǎn)不象平均值那么容易被極端數(shù)據(jù)影響PAM對于小數(shù)據(jù)集工作得很好,但不能很好地用于大數(shù)據(jù)集每次迭代OKNK2其中N是數(shù)據(jù)對象數(shù)目,K是聚類數(shù),CLARACLUSTERINGLARGEAPPLICATIONS,IMPROVEMENTOVERPAMFINDSMEDOIDSINASAMPLEFROMTHEDATASETIDEAIFTHESAMPLESARESUFFICIENTLYRANDOM,THEMEDOIDSOFTHESAMPLEAPPROXIMATETHEMEDOIDSOFTHEDATASETHEURISTICS5SAMPLESOFSIZE402KGIVESSATISFACTORYRESULTSWORKSWELLFORLARGEDATASETSN1000,K10,劃分聚類法–KMEDOIDS,CLARACLUSTERINGLARGEAPPLICATIONS,劃分聚類法–KMEDOIDS,DRAWMULTIPLESAMPLESOFTHEDATASETSAMPLESHOULDBEABLETOREPRESENTTHEDATASETAPPLYPAMTOEACHSAMPLERETURNTHEBESTCLUSTERING,SETMINCOSTTOMAXIMUMREPEATQTIMES//DRAWSQSAMPLESCREATESBYDRAWINGSOBJECTSRANDOMLYFROMDGENERATETHESETOFMEDOIDSMFROMSBYAPPLYINGTHEPAMALGORITHMCOMPUTECOSTM,DIFCOSTM,DMINCOSTMINCOSTCOSTM,DBESTSETMENDIFENDREPEATRETURNBESTSET,ALGORITHMS,CLARACLUSTERINGLARGEAPPLICATIONS,劃分聚類法–KMEDOIDS,STHESIZEOFTHESAMPLEKNUMBEROFCLUSTERSNNUMBEROFOBJECTS,COMPLEXITYOFEACHITERATIONISOKS2KNK,CLARACLUSTERINGLARGEAPPLICATIONS,劃分聚類法–KMEDOIDS,PAMFINDTHEBESTKMEDOIDSFROMAGIVENDATASETCLARAFINDSTHEBESTKMEDOIDSFROMSEVERALSELECTEDSAMPLES,PROBLEMSTHEBESTKMEDOIDSMAYNOTBESELECTEDDURINGTHESAMPLINGPROCESS,INTHISCASE,CLARAWILLNEVERFINDTHEBESTCLUSTERINGIFTHESAMPLINGISBIASED,WECANNOTHAVEAGOODCLUSTERINGTRADEOFFOFEFFICIENCY,CLARANSCLUSTERINGLARGEAPPLICATIONSBASEDONRANDOMIZEDSEARCH,劃分聚類法–KMEDOIDS,ITWASPROPOSEDTOIMPROVETHEQUALITYANDSCALABILITYOFCLARAITCOMBINESSAMPLINGTECHNIQUESWITHPAMITDOESNOTCONFINEITSELFTOANYSAMPLEATAGIVENTIMEITDRAWSASAMPLEWITHSOMERANDOMNESSINEACHSTEPOFTHESEARCH,CLARANSDRAWSSAMPLEINSOLUTIONSPACEDYNAMICALLYASOLUTIONISASETOFKMEDOIDSTHESOLUTIONSSPACECONTAINSCNKSOLUTIONSINTOTALTHESOLUTIONSPACECANBEREPRESENTEDBYAGRAPHWHEREEVERYNODEISAPOTENTIALSOLUTION,IE,ASETOFKMEDOIDS,CLARANS,劃分聚類法–KMEDOIDS,EVERYNODEISAPOTENTIALSOLUTIONKMEDOIDEVERYNODEISASSOCIATEDWITHASQUAREDERRORTWONODESAREADJACENTIFTHEYDIFFERBYONEMEDOIDEVERYNODEHASKN?KADJACENTNODES,,{O1,O2,,OK},,{OK1,O2,,OK},,{OKN,O2,,OK},,,,,NKNEIGHBORSFORONEMEDOID,,KN?KNEIGHBORSFORONENODE,,,劃分聚類法–KMEDOIDSCLARANS,STARTWITHARANDOMLYSELECTEDNODE,CHECKATMOSTMNEIGHBORSRANDOMLYIFABETTERADJACENTNODEISFOUND,MOVESTONODEANDCONTINUEOTHERWISE,CURRENTNODEISLOCALOPTIMUMRESTARTSWITHANOTHERRANDOMLYSELECTEDNODETOSEARCHFORANOTHERLOCALOPTIMUMWHENHLOCALOPTIMUMHAVEBEENFOUND,RETURNSBESTRESULTASOVERALLRESULT,劃分聚類法–KMEDOIDSCLARANS,,,COMPARENOMORETHANMAXNEIGHBORTIMES,,BESTNODE,劃分聚類法–KMEDOIDSCLARANS,ALGORITHMS,SETMINCOSTTOMAXIMUMFORI1TOHDO//FINDHLOCALOPTIMUMRANDOMLYSELECTANODEASTHECURRENTNODECINTHEGRAPHJ1//COUNTEROFNEIGHBORSREPEATRANDOMLYSELECTANEIGHBORNOFCIFCOSTN,DMUPDATEMINCOSTWITHCOSTC,DIFAPPLICABLEENDFORENDFORRETURNBESTNODE,劃分聚類法–KMEDOIDSCLARANS,ALGORITHMS,NOTES,EACHVERTEXISASETOFKREPRESENTATIVEOBJECTSMEANS,MODES,MEDOIDSEACHITERATIONPRODUCESANEWSETOFKREPRESENTATIVEOBJECTSWITHLOWEROVERALLDISSIMILARITYITERATIONSCORRESPONDTOAHILLDESCENTPROCESSINALANDSCAPEGRAPHOFVERTICES,劃分聚類法–KMEDOIDSCLARANS,ADVANTAGESCLARANSISMOREEFFECTIVETHANBOTHPAMANDCLARAHANDLESOUTLIERSDISADVANTAGESCOMPUTATIONALCOMPLEXITYOFCLARANSISON2THECLUSTERINGQUALITYDEPENDSONTHESAMPLINGMETHOD,小結(jié),掌握劃分聚類算法的基本思想和局限性掌握常用的劃分聚類的思想和優(yōu)缺點(diǎn)以及適用范圍KMEANS,FCM,KMEDOIDSPAM,CLARA,CLARANS能夠利用代碼實(shí)現(xiàn)上述方法，并且結(jié)合實(shí)際應(yīng)用設(shè)計(jì)相應(yīng)的輸入輸出,

簡介：PATTERNRECOGNITIONARTIFICIALINTELLIGENCELECTURE7聚類算法（三CONTS）,1,主要內(nèi)容,HIERARCHICALCLUSTERINGREALIZATION基于分層的聚類算法代碼實(shí)現(xiàn),BIRCH利用層次方法的平衡迭代歸約和聚類,,01,CHAMELEON利用動(dòng)態(tài)建模的層次聚類算法,,04,ROCK分類屬性的層次聚類算法,,02,CURE基于質(zhì)心和基于代表對象方法之間的中間策略,,03,2,BIRCH,BIRCHBALANCEDITERATIVEREDUCINGANDCLUSTERINGUSINGHIERARCHIESAGGLOMERATIVECLUSTERINGDESIGNEDFORCLUSTERINGALARGEAMOUNTOFNUMERICALDATAWHATBIRCHALGORITHMTRIESTOSOLVEMOSTOFTHEEXISTINGALGORITHMSDONOTCONSIDERTHECASETHATDATASETSCANBETOOLARGETOFITINMAINMEMORYTHEYDONOTCONCENTRATEONMINIMIZINGTHENUMBEROFSCANSOFTHEDATASETI/OCOSTSAREVERYHIGHTHECOMPLEXITYOFBIRCHISONWHERENISTHENUMBEROFOBJECTSTOBECLUSTERED,BIRCHTHEIDEABYEXAMPLE,DATAOBJECTS,,1,CLUSTERINGPROCESSBUILDATREE,,,,CLUSTER1,,1,2,3,4,5,6,2,,IFCLUSTER1BECOMESTOOLARGENOTCOMPACTBYADDINGOBJECT2,THENSPLITTHECLUSTER,LEAFNODE,BIRCHTHEIDEABYEXAMPLE,DATAOBJECTS,1,CLUSTERINGPROCESSBUILDATREE,,,,CLUSTER1,,1,2,3,4,5,6,2,LEAFNODE,,,CLUSTER2,ENTRY1,ENTRY2,LEAFNODEWITHTWOENTRIES,BIRCHTHEIDEABYEXAMPLE,DATAOBJECTS,1,CLUSTERINGPROCESSBUILDATREE,,,,CLUSTER1,,1,2,3,4,5,6,2,LEAFNODE,,,CLUSTER2,3,ENTRY1ISTHECLOSESTTOOBJECT3IFCLUSTER1BECOMESTOOLARGEBYADDINGOBJECT3,THENSPLITTHECLUSTER,ENTRY1,ENTRY2,BIRCHTHEIDEABYEXAMPLE,DATAOBJECTS,1,CLUSTERINGPROCESSBUILDATREE,,,,CLUSTER1,,1,2,3,4,5,6,2,LEAFNODE,,CLUSTER2,3,,,ENTRY1,,ENTRY2,ENTRY3,CLUSTER3,LEAFNODEWITHTHREEENTRIES,BIRCHTHEIDEABYEXAMPLE,DATAOBJECTS,1,CLUSTERINGPROCESSBUILDATREE,,,,CLUSTER1,,1,2,3,4,5,6,2,LEAFNODE,,CLUSTER2,3,,,ENTRY1,,ENTRY2,ENTRY3,CLUSTER3,4,ENTRY3ISTHECLOSESTTOOBJECT4CLUSTER2REMAINSCOMPACTWHENADDINGOBJECT4THENADDOBJECT4TOCLUSTER2,,CLUSTER2,BIRCHTHEIDEABYEXAMPLE,DATAOBJECTS,1,CLUSTERINGPROCESSBUILDATREE,,,,CLUSTER1,,1,2,3,4,5,6,2,LEAFNODE,3,,,ENTRY1,,ENTRY2,ENTRY3,CLUSTER3,4,ENTRY2ISTHECLOSESTTOOBJECT5CLUSTER3BECOMESTOOLARGEBYADDINGOBJECT5THENSPLITCLUSTER3BUTTHEREISALIMITTOTHENUMBEROFENTRIESANODECANHAVETHUS,SPLITTHENODE,,CLUSTER2,5,BIRCHTHEIDEABYEXAMPLE,DATAOBJECTS,1,CLUSTERINGPROCESSBUILDATREE,,,CLUSTER1,,1,2,3,4,5,6,2,LEAFNODE,3,,CLUSTER3,4,,CLUSTER2,5,,,ENTRY1,ENTRY2,,,ENTRY11,ENTRY12,,,ENTRY21,ENTRY22,LEAFNODE,NONLEAFNODE,,CLUSTER4,,,BIRCHTHEIDEABYEXAMPLE,DATAOBJECTS,1,CLUSTERINGPROCESSBUILDATREE,,,CLUSTER1,,1,2,3,4,5,6,2,LEAFNODE,3,,CLUSTER3,4,,CLUSTER2,5,,,ENTRY1,ENTRY2,,,ENTRY11,ENTRY12,,,ENTRY21,ENTRY22,LEAFNODE,NONLEAFNODE,,CLUSTER4,,,6,ENTRY12ISTHECLOSESTTOOBJECT6CLUSTER3REMAINSCOMPACTWHENADDINGOBJECT6THENADDOBJECT6TOCLUSTER3,,CLUSTER3,BIRCHKEYCOMPONENTS,CLUSTERINGFEATURECFSUMMARYOFTHESTATISTICSFORAGIVENCLUSTERTHE0TH,1STAND2NDMOMENTSOFTHECLUSTERFROMTHESTATISTICALPOINTOFVIEWUSEDTOCOMPUTECENTROIDS,ANDMEASURESTHECOMPACTNESSANDDISTANCEOFCLUSTERSCFTREEHEIGHTBALANCEDTREETWOPARAMETERSNUMBEROFENTRIESINEACHNODETHEDIAMETEROFALLENTRIESINALEAFNODELEAFNODESARECONNECTEDVIAPREVANDNEXTPOINTERS,CLUSTERINGFEATURE,CLUSTERINGFEATURECFCFN,LS,SSNNUMBEROFDATAPOINTSLSLINEARSUMOFNPOINTSSSSQUARESUMOFNPOINTS,,,,,CLUSTER12,53,24,3,CF2?3,35,36,417,440?,,,,CLUSTER2,,CF1?3,234,523,223242,522232??3,9,10,29,38?,,CLUSTER3,CF3CF1CF2?33,935,1036,29417,38440??6,44,46,446,478?,PROPERTIESOFCLUSTERINGFEATURE,CFENTRYISASUMMARYOFSTATISTICSOFTHECLUSTERAREPRESENTATIONOFTHECLUSTERACFENTRYHASSUFFICIENTINFORMATIONTOCALCULATETHECENTROID,RADIUS,DIAMETERANDMANYOTHERDISTANCEMEASURESADDITIVELYTHEOREMALLOWSUSTOMERGESUBCLUSTERSINCREMENTALLY,DISTANCEMEASURES,GIVENACLUSTERWITHDATAPOINTS,CENTROIDRADIUSAVERAGEDISTANCEFROMANYPOINTOFTHECLUSTERTOITSCENTROIDDIAMETERSQUAREROOTOFAVERAGEMEANSQUAREDDISTANCEBETWEENALLPAIRSOFPOINTSINTHECLUSTER,CFTREE,BBRANCHINGFACTOR,MAXIMUMCHILDRENINANONLEAFNODETTHRESHOLDFORDIAMETERORRADIUSOFTHECLUSTERINALEAFLNUMBEROFENTRIESINALEAFCFENTRYINPARENTSUMOFCFENTRIESOFACHILDOFTHATENTRYINMEMORY,HEIGHTBALANCEDTREE,,,,,,,,,,,,ROOTLEVEL,FIRSTLEVEL,CFTREEINSERTION,STARTWITHTHEROOTFINDTHECFENTRYINTHEROOTCLOSESTTOTHEDATAPOINT,MOVETOTHATCHILDANDREPEATTHEPROCESSUNTILACLOSESTLEAFENTRYISFOUNDATTHELEAFIFTHEPOINTCANBEACCOMMODATEDINTHECLUSTER,UPDATETHEENTRYIFTHISADDITIONVIOLATESTHETHRESHOLDT,SPLITTHEENTRY,IFTHISVIOLATESTHELIMITIMPOSEDBYL,SPLITTHELEAFIFITSPARENTNODETOOISFULL,SPLITTHATANDSOONUPDATETHECFENTRIESFROMTHEROOTTOTHELEAFTOACCOMMODATETHISPOINT,,PHASE1LOADINTOMEMORYBYBUILDINGACFTREE,,PHASE2OPTIONALCONDENSETREEINTODESIRABLERANGEBYBUILDINGASMALLERCFTREE,,INITIALCFTREE,DATA,,PHASE3GLOBALCLUSTERING,,SMALLERCFTREE,,GOODCLUSTERS,PHASE4OPTIONALANDOFFLINECLUSTERREFINING,BETTERCLUSTERS,,,,BIRCHALGORITHM,BIRCHALGORITHMPHASE1,CHOOSEANINITIALVALUEFORTHRESHOLD,STARTINSERTINGTHEDATAPOINTSONEBYONEINTOTHETREEASPERTHEINSERTIONALGORITHMIF,INTHEMIDDLEOFTHEABOVESTEP,THESIZEOFTHECFTREEEXCEEDSTHESIZEOFTHEAVAILABLEMEMORY,INCREASETHEVALUEOFTHRESHOLDCONVERTTHEPARTIALLYBUILTTREEINTOANEWTREEREPEATTHEABOVESTEPSUNTILTHEENTIREDATASETISSCANNEDANDAFULLTREEISBUILTOUTLIERHANDLING,BIRCHALGORITHMPHASE2,3,AND4,PHASE2ABRIDGEBETWEENPHASE1ANDPHASE3BUILDSASMALLERCFTREEBYINCREASINGTHETHRESHOLDPHASE3APPLYGLOBALCLUSTERINGALGORITHMTOTHESUBCLUSTERSGIVENBYLEAFENTRIESOFTHECFTREEIMPROVESCLUSTERINGQUALITYPHASE4SCANTHEENTIREDATASETTOLABELTHEDATAPOINTSOUTLIERHANDLING,ROCK,SIMILARITYFUNCTIONNEIGHBORSLINKSCRITERIONFUNCTIONGOODNESSMEASURE,MAJORDEFINITIONS,ROCK,SIMILARITYFUNCTIONNEIGHBORSLINKSCRITERIONFUNCTIONGOODNESSMEASURE,MAJORDEFINITIONS,ROCK,SIMILARITYFUNCTION,LETSIMPI,PJBEASIMILARITYFUNCTIONTHATISUSEDTOMEASURETHECLOSENESSBETWEENPOINTSPIANDPJROCKASSUMESTHATSIMFUNCTIONISNORMALIZEDTORETURNAVALUEBETWEEN0AND1FORQURANTREASURESDATA,APOSSIBLEDEFINITIONFORTHESIMFUNCTIONISBASEDONTHEJACCARDCOEFFICIENT,ROCK,NEIGHBORSANDLINKS,,,NEIGHBORIFSIMILARITYBETWEENTWOPOINTSEXCEEDSCERTAINSIMILARITYTHRESHOLD?,THEYARENEIGHBORSLINKTHELINKFORPAIROFPOINTSISTHENUMBEROFTHEIRCOMMONNEIGHBORSOBVIOUSLY,LINKINCORPORATESGLOBALINFORMATIONABOUTTHEOTHERPOINTSINTHENEIGHBORHOODOFTHETWOPOINTSTHELARGERTHELINK,THEHIGHERPROBABILITYTHATTHISPAIROFPOINTSAREINTHESAMECLUSTERS,ROCK,CRITERIONFUNCTION,,,TOGETTHEBESTCLUSTERS,WEHAVETOMAXIMIZETHISCRITERIONFUNCTIONWHERECIDENOTESCLUSTERINIISTHENUMBEROFPOINTSINCIKISTHENUMBEROFCLUSTERS?ISTHESIMILARITYTHRESHOLDSUPPOSEINCI,EACHPOINTHASROUGHLYNFΘNEIGHBORSASUITABLECHOICEFORBASKETDATAISFΘ1Θ/1Θ,ROCK,GOODNESSMEASURE,,,GOODNESSFUNCTIONDURINGCLUSTERING,WEUSETHISGOODNESSMEASUREINORDERTOMAXIMIZETHECRITERIONFUNCTIONTHISGOODNESSMEASUREHELPSTOIDENTIFYTHEBESTPAIROFCLUSTERSTOBEMERGEDDURINGEACHSTEPOFROCK,ROCK,ALGORITHM,,,,INPUTASETSOFDATAPOINTSNUMBEROFKCLUSTERSTOBEFOUNDTHESIMILARITYTHRESHOLDOUTPUTGROUPSOFCLUSTEREDDATATHEROCKALGORITHMISDIVIDEDINTOTHREEMAJORPARTSDRAWARANDOMSAMPLEFROMTHEDATASETPERFORMAHIERARCHICALAGGLOMERATIVECLUSTERINGALGORITHMLABELDATAONDISKINOURCASE,WEDONOTDEALWITHAVERYHUGEDATASETSO,WEWILLCONSIDERTHEWHOLEDATAINTHEPROCESSOFFORMINGCLUSTERS,IEWESKIPSTEP1ANDSTEP3,ROCK,ALGORITHM,,,,PLACESEACHSINGLEDATAPOINTINTOASEPARATECLUSTERCOMPUTETHESIMILARITYMEASUREFORALLPAIRSOFCLUSTERSMERGETHETWOCLUSTERSWITHTHEHIGHESTSIMILARITYGOODNESSMEASUREVERIFYASTOPCONDITIONIFITISNOTMETTHENGOTOSTEPB,COMPUTATIONOFLINKSUSINGTHESIMILARITYTHRESHOLD?,WECANCONVERTTHESIMILARITYMATRIXINTOANADJACENCYMATRIXATHENWEOBTAINAMATRIXINDICATINGTHENUMBEROFLINKSBYCALCULATINGAXA,IE,BYMULTIPLYINGTHEADJACENCYMATRIXAWITHITSELF,ROCK,SUPPOSEWEHAVEFOURVERSESCONTAINSSOMESUBJECTS,ASFOLLOWSP1{JUDGMENT,FAITH,PRAYER,FAIR}P2{FASTING,FAITH,PRAYER}P3{FAIR,FASTING,FAITH}P4{FASTING,PRAYER,PILGRIMAGE}THESIMILARITYTHRESHOLD03,ANDNUMBEROFREQUIREDCLUSTERIS2USINGJACCARDCOEFFICIENTASASIMILARITYMEASURE,WEOBTAINTHEFOLLOWINGSIMILARITYTABLE,EXAMPLE,ROCK,EXAMPLE,SINCEWEHAVEASIMILARITYTHRESHOLDEQUALTO03,THENWEDERIVETHEADJACENCYTABLE?BYMULTIPLYINGTHEADJACENCYTABLEWITHITSELF,WEDERIVETHEFOLLOWINGTABLEWHICHSHOWSTHENUMBEROFLINKSORCOMMONNEIGHBORS?,ROCK,EXAMPLE,WECOMPUTETHEGOODNESSMEASUREFORALLADJACENTPOINTS,ASSUMINGTHATF?1?/1?WEOBTAINTHEFOLLOWINGTABLE?WEHAVEANEQUALGOODNESSMEASUREFORMERGINGP1,P2,P2,P1,P3,P1,ROCK,EXAMPLE,NOW,AFTERMERGINGP1ANDP2,WEHAVEONLYTHREECLUSTERSTHEFOLLOWINGTABLESHOWSTHENUMBEROFCOMMONNEIGHBORSFORTHESECLUSTERS?THENWECANOBTAINTHEFOLLOWINGGOODNESSMEASURESFORALLADJACENTCLUSTERS?,SINCETHENUMBEROFREQUIREDCLUSTERSIS2,THENWEFINISHTHECLUSTERINGALGORITHMBYMERGINGCP1,P2ANDP3,OBTAININGANEWCLUSTERCP1,P2,P3WHICHCONTAINS{P1,P2,P3}LEAVINGP4ALONEINASEPARATECLUSTER,

簡介：,主講夏幼明,人工智能示范課程,2,,①知識(shí)表示概述②命題邏輯的知識(shí)表示與推理③謂詞邏輯的知識(shí)表示與推理④產(chǎn)生式系統(tǒng)知識(shí)表示與推理⑤語義網(wǎng)絡(luò)知識(shí)表示與推理⑥框架知識(shí)表示與推理⑦腳本知識(shí)表示與推理⑧面向AGENT的知識(shí)表示與推理,“知識(shí)表示與推理”核心內(nèi)容,3,,①產(chǎn)生式系統(tǒng)定義②產(chǎn)生式系統(tǒng)的推理③產(chǎn)生式表示下的推理過程④產(chǎn)生式表示知識(shí)表示法的特點(diǎn)⑤產(chǎn)生式系統(tǒng)舉例,產(chǎn)生式系統(tǒng)知識(shí)表示與推理,4,,產(chǎn)生式系統(tǒng)定義1972年，紐厄爾和西蒙在研究人類的認(rèn)知模型中開發(fā)了基于規(guī)則的產(chǎn)生式系統(tǒng)，目前，產(chǎn)生式表示法已經(jīng)成了人工智能中應(yīng)用最多的一種知識(shí)表示模式?？杀硎镜闹R(shí)種類事實(shí)性、規(guī)則性知識(shí)以及它們的不確定度量。產(chǎn)生式表示法又稱為產(chǎn)生式規(guī)則表示法。,產(chǎn)生式系統(tǒng)知識(shí)表示與推理,5,,產(chǎn)生式系統(tǒng)定義產(chǎn)生式規(guī)則它是指形如Α?Β或IFΑTHENΒ或其等價(jià)形式的一條規(guī)則，其中Α稱為產(chǎn)生式的左部或前件；Β稱為產(chǎn)生式的右部或后件。①如果Α、Β分別代表需要注釋的一組條件及其成立時(shí)需要采取的行動(dòng)，那么稱為條件行動(dòng)型產(chǎn)生式；②如果Α、Β分別代表前提及其相應(yīng)的結(jié)論，那么稱為前提結(jié)論型產(chǎn)生式。,產(chǎn)生式系統(tǒng)知識(shí)表示與推理,6,,①產(chǎn)生式系統(tǒng)定義一個(gè)產(chǎn)生式系統(tǒng)由下列3部分組成一個(gè)總數(shù)據(jù)庫GLOBALDATABASE，它含有與具體任務(wù)有關(guān)的信息。一套規(guī)則，它對數(shù)據(jù)庫進(jìn)行操作運(yùn)算。每條規(guī)則由左右兩部分組成，左部鑒別規(guī)則的適用性或先決條件，右部描述規(guī)則應(yīng)用時(shí)所完成的動(dòng)作。應(yīng)用規(guī)則來改變數(shù)據(jù)庫。一個(gè)控制策略，它確定應(yīng)該采用哪一條適用規(guī)則，而且當(dāng)數(shù)據(jù)庫的終止條件滿足時(shí)，就停止計(jì)算。,產(chǎn)生式系統(tǒng)知識(shí)表示與推理,7,,①產(chǎn)生式系統(tǒng)定義一個(gè)產(chǎn)生式系統(tǒng)由下列3部分組成綜合數(shù)據(jù)庫是產(chǎn)生式系統(tǒng)所用的主要數(shù)據(jù)結(jié)構(gòu)，它主要用來表示問題的狀態(tài)，即初始狀態(tài)、中間狀態(tài)和目標(biāo)狀態(tài)等，以及狀態(tài)之間的關(guān)系。它不是固定不變的，在求解的過程中，它的內(nèi)容將越來越多，狀態(tài)之間的關(guān)系也越來越復(fù)雜。規(guī)則的一般形式是IF條件THEN操作；即滿足應(yīng)用的先決條件后，就對數(shù)據(jù)庫實(shí)行后面的操作?？刂撇呗砸?guī)定了操作的順序，即在任何條件下用什么規(guī)則進(jìn)行操作，什么條件下停止運(yùn)行，它規(guī)定了問題的求解的搜索策略和路線。,產(chǎn)生式系統(tǒng)知識(shí)表示與推理,8,,②產(chǎn)生式系統(tǒng)的推理產(chǎn)生式是系統(tǒng)的單元程序，它與常規(guī)程序不同之處在于，產(chǎn)生式是否執(zhí)行并不在事前硬性規(guī)定，各產(chǎn)生式之間也不能相互直接調(diào)用，而完全決定于該產(chǎn)生式的作用條件能否滿足，即能否與全局?jǐn)?shù)據(jù)庫的數(shù)據(jù)條款匹配。另一方面，產(chǎn)生式在執(zhí)行之后工作環(huán)境即發(fā)生變化，因而必須對全局?jǐn)?shù)據(jù)庫的條款作相應(yīng)修改，以反映新的環(huán)境條件。全部工作是在控制程序作用下進(jìn)行的?，F(xiàn)代產(chǎn)生式系統(tǒng)的一個(gè)工作循環(huán)通常包含匹配、選優(yōu)、行動(dòng)三個(gè)階段。,產(chǎn)生式系統(tǒng)知識(shí)表示與推理,9,,②產(chǎn)生式系統(tǒng)的推理推理方向產(chǎn)生式系統(tǒng)的推理分為正向推理和逆向推理。正向推理指的是從現(xiàn)有條件出發(fā)，自底向上地進(jìn)行推理（條件的綜合），直到預(yù)期目標(biāo)實(shí)現(xiàn)。逆向推理則從預(yù)期目標(biāo)出發(fā)，自頂向下地進(jìn)行推理（目標(biāo)的分析），直到符合當(dāng)前的條件。運(yùn)用逆向推理時(shí)，后件而不是前件引導(dǎo)產(chǎn)生式的搜索工作，因此按推理方向可將產(chǎn)生式系統(tǒng)分為前件驅(qū)動(dòng)和后件驅(qū)動(dòng)兩種類型。條件－行動(dòng)型產(chǎn)生式系統(tǒng)采用前件驅(qū)動(dòng)的工作方式。。,產(chǎn)生式系統(tǒng)知識(shí)表示與推理,10,,②產(chǎn)生式系統(tǒng)的推理推理方向產(chǎn)生式系統(tǒng)的推理分為正向推理和逆向推理。正向推理算法步1將初始事實(shí)/數(shù)據(jù)置入動(dòng)態(tài)數(shù)據(jù)庫；步2用動(dòng)態(tài)數(shù)據(jù)庫中的事實(shí)匹配目標(biāo)條件，若目標(biāo)條件滿足，推理成功，結(jié)束。步3用規(guī)則庫中各規(guī)則的前提匹配動(dòng)態(tài)數(shù)據(jù)庫中的事實(shí)，將匹配成功的規(guī)則組成待用規(guī)則集。步4若待用規(guī)則集為空，則運(yùn)行失敗，退出。步5將待用規(guī)則集中各規(guī)則的結(jié)論加入動(dòng)態(tài)數(shù)據(jù)庫，或者執(zhí)行其動(dòng)作，轉(zhuǎn)步2。,產(chǎn)生式系統(tǒng)知識(shí)表示與推理,11,,②產(chǎn)生式系統(tǒng)的推理推理方向產(chǎn)生式系統(tǒng)的推理分為正向推理和逆向推理。反向推理算法步1將初始事實(shí)/數(shù)據(jù)置入動(dòng)態(tài)數(shù)據(jù)庫，將目標(biāo)條件置入目標(biāo)鏈；步2若目標(biāo)鏈為空，則推理成功，結(jié)束。步3取出目標(biāo)鏈中第一個(gè)目標(biāo)，用動(dòng)態(tài)數(shù)據(jù)庫中的事實(shí)同其匹配，若匹配成功，轉(zhuǎn)步2。步4用規(guī)則集中的各規(guī)則的結(jié)論同該目標(biāo)匹配，若匹配成功，將第一個(gè)匹配成功且未用過的規(guī)則的前提作為新的目標(biāo)，并取代原來的父目標(biāo)加入目標(biāo)鏈，轉(zhuǎn)步3。步5若該目標(biāo)是初始目標(biāo)，則推理失敗，退出。步6將該目標(biāo)的父目標(biāo)移回目標(biāo)鏈，取代該目標(biāo)及其兄弟目標(biāo)，轉(zhuǎn)步3。,產(chǎn)生式系統(tǒng)知識(shí)表示與推理,12,,③產(chǎn)生式系統(tǒng)的推理過程給定一組事實(shí)之后可用匹配技術(shù)尋找可用產(chǎn)生式，其基本思想是將已知事實(shí)代入產(chǎn)生式的前件，若前件為真，則該產(chǎn)生式是可用的。提高匹配效率的方法索引匹配為狀態(tài)建立可用產(chǎn)生式索引表，減少可用產(chǎn)生式搜索范圍。分層匹配將產(chǎn)生式分成若干層或組，按一定特征進(jìn)行分層搜索。過濾匹配邊匹配邊按某些附加特征或參數(shù)對可用產(chǎn)生式進(jìn)行精選。,產(chǎn)生式系統(tǒng)知識(shí)表示與推理,13,,③產(chǎn)生式系統(tǒng)的推理過程如果一組事實(shí)可以同時(shí)使幾個(gè)產(chǎn)生式前提為真，常用以下方法進(jìn)行選擇（沖突消解策略）將所有產(chǎn)生式排序，選最早匹配成功的一個(gè)，不管其余的產(chǎn)生式；在所有匹配成功的產(chǎn)生式中取最強(qiáng)的，即前提條件最多或情況元素最多者；最近用過的產(chǎn)生式優(yōu)先（或反之）；給情況元素以不同的優(yōu)先權(quán)；使用估計(jì)函數(shù)FX排序；利用上下文限制。,產(chǎn)生式系統(tǒng)知識(shí)表示與推理,14,,③產(chǎn)生式系統(tǒng)的推理過程推理機(jī)一次運(yùn)行過程,產(chǎn)生式系統(tǒng)知識(shí)表示與推理,15,,④產(chǎn)生式知識(shí)表示法的特點(diǎn)產(chǎn)生式系統(tǒng)的優(yōu)點(diǎn)是①模塊性，每一產(chǎn)生式可以相對獨(dú)立地增加、刪除和修改；②均勻性，每一產(chǎn)生式表示整體知識(shí)的一個(gè)片段，易于為用戶或系統(tǒng)的其他部分理解；③自然性，能自然地表示直觀知識(shí)。它的缺點(diǎn)是執(zhí)行效率低，此外每一條產(chǎn)生式都是一個(gè)獨(dú)立的程序單元，一般相互之間不能直接調(diào)用也不彼此包含，控制不便，因而不宜用來求解理論性強(qiáng)的問題。,產(chǎn)生式系統(tǒng)知識(shí)表示與推理,16,,④產(chǎn)生式知識(shí)表示法的特點(diǎn)清晰性產(chǎn)生式表示格式固定，形式單一，規(guī)則（知識(shí)單位）間相互較為獨(dú)立，沒有直接關(guān)系，使知識(shí)庫的建立較為容易，處理較為簡單的問題是可取的。另外推理方式單純，也沒有復(fù)雜計(jì)算。模塊性知識(shí)庫與推理機(jī)是分離的，這種結(jié)構(gòu)給知識(shí)的修改帶來方便，無須修改程序，對系統(tǒng)的推理路徑也容易作出解釋。自然性直觀自然，便于推理。既可表示確定性知識(shí)，也可表示不確定性知識(shí)。實(shí)現(xiàn)用VISUALPROLOG語言表示產(chǎn)生式規(guī)則，甚至不用寫推理機(jī)程序。,產(chǎn)生式系統(tǒng)知識(shí)表示與推理,17,,④產(chǎn)生式知識(shí)表示法的特點(diǎn)全局?jǐn)?shù)據(jù)庫的內(nèi)容可以為所有規(guī)則所訪問，沒有任何部分是專為某一規(guī)則建立的，這種特性便于模仿智能行為中的強(qiáng)數(shù)據(jù)驅(qū)動(dòng)。規(guī)則本身不調(diào)用其他規(guī)則。規(guī)則之間的聯(lián)系必須通過全部數(shù)據(jù)庫聯(lián)系。全局?jǐn)?shù)據(jù)庫、規(guī)則和推理機(jī)之間相對獨(dú)立，這種積木式結(jié)構(gòu)便于整個(gè)系統(tǒng)增加和修改知識(shí)。,產(chǎn)生式系統(tǒng)知識(shí)表示與推理,18,,⑤產(chǎn)生式系統(tǒng)舉例R6IF動(dòng)物有犬齒AND有爪AND眼盯前方THEN該動(dòng)物是食肉動(dòng)物其中，R6是該產(chǎn)生式的編號；“動(dòng)物有犬齒AND有爪AND眼盯前方”是產(chǎn)生式的前提P；“該動(dòng)物是食肉動(dòng)物”是產(chǎn)生式的結(jié)論Q。,產(chǎn)生式系統(tǒng)知識(shí)表示與推理,19,,⑤產(chǎn)生式系統(tǒng)舉例例一條知識(shí)的原始形態(tài)是RA?B?C?D?E?F?GS引入中間結(jié)論S1，S2，形成一些小型的產(chǎn)生式R1A?BS1R2C?DS1R3E?FS2R4S1?GSR5S1?S2S,產(chǎn)生式系統(tǒng)知識(shí)表示與推理,20,,產(chǎn)生式系統(tǒng)舉例確定性規(guī)則知識(shí)的產(chǎn)生式表示P→Q或IFPTHENQ不確定性規(guī)則知識(shí)的產(chǎn)生式表示P→Q（可信度）或IFPTHENQ（可信度）。R6IF動(dòng)物有犬齒AND有爪AND眼盯前方THEN該動(dòng)物是食肉動(dòng)物其中，R6是該產(chǎn)生式的編號；“動(dòng)物有犬齒AND有爪AND眼盯前方”是產(chǎn)生式的前提P；“該動(dòng)物是食肉動(dòng)物”是產(chǎn)生式的結(jié)論Q。,產(chǎn)生式系統(tǒng)知識(shí)表示與推理,21,,產(chǎn)生式系統(tǒng)舉例確定性事實(shí)知識(shí)的產(chǎn)生式表示（三元組）（對象，屬性，值）或（關(guān)系，對象1，對象2）例如（雪，顏色，白色），（LI，AGE，40），F(xiàn)RIENDS，LI，ZHANG不確定性規(guī)則知識(shí)的產(chǎn)生式表示四元組（對象，屬性，值，可信度）或（關(guān)系，對象1，對象2，可信度）例如“老李年齡很可能是40歲（08）”，“老李和老張是朋友的可能性不大（01）”表示為（LI，AGE，40，08），F(xiàn)RIENDS，LI，ZHANG，01,產(chǎn)生式系統(tǒng)知識(shí)表示與推理,22,,⑤產(chǎn)生式系統(tǒng)舉例與蘊(yùn)涵式的主要區(qū)別1蘊(yùn)涵式表示的知識(shí)只能是精確的，產(chǎn)生式表示的知識(shí)可以是不確定的。其原因是蘊(yùn)涵式是一個(gè)邏輯表達(dá)式，其邏輯值只有真和假。2蘊(yùn)含式的匹配一定要求是精確的，而產(chǎn)生式的匹配可以是不確定的。其原因是產(chǎn)生式的前提條件和結(jié)論都可以是不確定的，因此其匹配也可以是不確定的。,產(chǎn)生式系統(tǒng)知識(shí)表示與推理,23,,⑤產(chǎn)生式系統(tǒng)舉例與條件語句的主要區(qū)別1前件結(jié)構(gòu)不同產(chǎn)生式的前件可以是一個(gè)復(fù)雜的的結(jié)構(gòu)，傳統(tǒng)程序設(shè)計(jì)語言中的左部僅僅是一個(gè)布爾表達(dá)式。2控制流程不同產(chǎn)生式系統(tǒng)中滿足前提條件的規(guī)則被激活后，不一定被立即執(zhí)行，能否執(zhí)行將取決于沖突消解策略；傳統(tǒng)程序設(shè)計(jì)語言中是嚴(yán)格地從一個(gè)條件語句向其下一個(gè)條件語句傳遞。,產(chǎn)生式系統(tǒng)知識(shí)表示與推理,24,,①語義網(wǎng)絡(luò)的概念②語義網(wǎng)絡(luò)中常用的語義聯(lián)系③語義網(wǎng)絡(luò)表示知識(shí)的方法④語義網(wǎng)絡(luò)表示下的推理過程⑤語義網(wǎng)絡(luò)表示法的特點(diǎn),語義網(wǎng)絡(luò)知識(shí)表示與推理,25,,語義網(wǎng)絡(luò)的概念語義網(wǎng)絡(luò)SEMANTICNETWORK是一種出現(xiàn)比較早的知識(shí)表達(dá)形式，在人工智能中得到了比較廣泛的應(yīng)用。語義網(wǎng)絡(luò)最早是1968年奎廉QUILLIAN在他的博士論文中作為人類聯(lián)想記憶的一個(gè)顯式心理學(xué)模型提出的。1972年，西蒙正式提出語義網(wǎng)絡(luò)的概念，討論了它和一階謂詞的關(guān)系，并將語義網(wǎng)絡(luò)應(yīng)用到了自然語言理解的研究中。語義網(wǎng)絡(luò)是一種采用網(wǎng)絡(luò)形式表示人類知識(shí)的方法。,語義網(wǎng)絡(luò)知識(shí)表示與推理,26,,語義網(wǎng)絡(luò)的概念一個(gè)語義網(wǎng)絡(luò)是一個(gè)帶標(biāo)識(shí)的有向圖。其中，帶有標(biāo)識(shí)的結(jié)點(diǎn)標(biāo)識(shí)問題領(lǐng)域中的物體、概念、時(shí)間、動(dòng)作或者態(tài)勢。在語義網(wǎng)絡(luò)知識(shí)表示中，結(jié)點(diǎn)一般劃分為實(shí)例節(jié)點(diǎn)和類節(jié)點(diǎn)兩種類型。結(jié)點(diǎn)之間帶有標(biāo)識(shí)的有向弧標(biāo)識(shí)結(jié)點(diǎn)之間的語義聯(lián)系，有向弧，即為邊，表示這些概念間的語義關(guān)系，是語義網(wǎng)絡(luò)組織知識(shí)的關(guān)鍵。語義網(wǎng)絡(luò)用來表達(dá)復(fù)雜的概念及其之間的相互關(guān)系，從而形成一個(gè)由節(jié)點(diǎn)和弧組成的語義網(wǎng)絡(luò)描述圖。,語義網(wǎng)絡(luò)知識(shí)表示與推理,27,,②語義網(wǎng)絡(luò)中常用的語義聯(lián)系以個(gè)體為中心組織知識(shí)的語義聯(lián)系ISA聯(lián)系的例子（1）實(shí)體聯(lián)系用于表示類節(jié)點(diǎn)與所屬實(shí)例節(jié)點(diǎn)之間的聯(lián)系，通常標(biāo)識(shí)為ISA。例如，“張三是一名教師”可以表示為右圖所示的語義網(wǎng)絡(luò)。,語義網(wǎng)絡(luò)知識(shí)表示與推理,28,,②語義網(wǎng)絡(luò)中常用的語義聯(lián)系（2）泛化聯(lián)系用于表示一種類節(jié)點(diǎn)與更抽象的類節(jié)點(diǎn)之間的聯(lián)系，通常用AKOAKINDOF表示。AKO聯(lián)系的例子,語義網(wǎng)絡(luò)知識(shí)表示與推理,29,,②語義網(wǎng)絡(luò)中常用的語義聯(lián)系（3）聚集聯(lián)系用于表示某一個(gè)個(gè)體與其組成成分之間的聯(lián)系，通常用PARTOF表示聚集聯(lián)系基于概念的分解性，將高層概念分解為若干低層概念的集合。聚集聯(lián)系的例子,語義網(wǎng)絡(luò)知識(shí)表示與推理,30,,②語義網(wǎng)絡(luò)中常用的語義聯(lián)系（4）屬性聯(lián)系用于表示個(gè)體、屬性及其取值之間的聯(lián)系。通常用有向弧表示屬性，用這些弧指向的結(jié)點(diǎn)表示各自的值。屬性聯(lián)系的例子,語義網(wǎng)絡(luò)知識(shí)表示與推理,31,,③語義網(wǎng)絡(luò)表示知識(shí)的方法相對于產(chǎn)生式規(guī)則主要用以描述因果知識(shí)，語義網(wǎng)絡(luò)則能夠用來表達(dá)更加復(fù)雜的概念及其之間的相互關(guān)系，形成一個(gè)由節(jié)點(diǎn)和弧組成的語義網(wǎng)絡(luò)描述圖。對于表示關(guān)系的標(biāo)簽中有兩個(gè)比較重要，其一是ISA關(guān)系，它表示A概念是B概念的一個(gè)實(shí)例，比如WINDOWS這個(gè)概念，我們這樣表示W(wǎng)INDOWSISAOPERATESYSTEM，就能把它從一般的描述窗戶的概念中區(qū)分出來，專指一種操作系統(tǒng)。,語義網(wǎng)絡(luò)知識(shí)表示與推理,32,,③語義網(wǎng)絡(luò)表示知識(shí)的方法對于表示關(guān)系的標(biāo)簽中有兩個(gè)比較重要，其二是AKO關(guān)系，它表示A概念是B概念的一個(gè)子類，人AKO動(dòng)物，就表示人是動(dòng)物中的一個(gè)子類。當(dāng)然，在語義網(wǎng)絡(luò)中還有其他的關(guān)系，比如HAVE、LOCATED、CAN、NEED、STUDYIN等等。語義網(wǎng)絡(luò)可以表示事實(shí)性知識(shí)，也可以表示事實(shí)性知識(shí)之間的聯(lián)系。主要體現(xiàn)在下面幾個(gè)方面1、表示事實(shí)；2、表示有關(guān)事物間的聯(lián)系；3、表示比較復(fù)雜的知識(shí)。,語義網(wǎng)絡(luò)知識(shí)表示與推理,33,,③語義網(wǎng)絡(luò)表示知識(shí)的方法1用語義網(wǎng)絡(luò)表示事實(shí),語義網(wǎng)絡(luò)知識(shí)表示與推理,34,,③語義網(wǎng)絡(luò)表示知識(shí)的方法1用語義網(wǎng)絡(luò)表示事實(shí),語義網(wǎng)絡(luò)知識(shí)表示與推理,合取、析取關(guān)系語義網(wǎng)絡(luò)示例,35,,③語義網(wǎng)絡(luò)表示知識(shí)的方法1用語義網(wǎng)絡(luò)表示事實(shí),語義網(wǎng)絡(luò)知識(shí)表示與推理,動(dòng)作作為節(jié)點(diǎn)的語義網(wǎng)絡(luò)示例,36,,③語義網(wǎng)絡(luò)表示知識(shí)的方法1用語義網(wǎng)絡(luò)表示事實(shí),語義網(wǎng)絡(luò)知識(shí)表示與推理,事件作為節(jié)點(diǎn)的語義網(wǎng)絡(luò)示例,37,,③語義網(wǎng)絡(luò)表示知識(shí)的方法2用語義網(wǎng)絡(luò)表示事實(shí)之間的關(guān)系,語義網(wǎng)絡(luò)知識(shí)表示與推理,分類關(guān)系示例,38,,③語義網(wǎng)絡(luò)表示知識(shí)的方法2用語義網(wǎng)絡(luò)表示事實(shí)之間的關(guān)系,語義網(wǎng)絡(luò)知識(shí)表示與推理,聚集關(guān)系示例,39,,③語義網(wǎng)絡(luò)表示知識(shí)的方法2用語義網(wǎng)絡(luò)表示事實(shí)之間的關(guān)系,語義網(wǎng)絡(luò)知識(shí)表示與推理,推論關(guān)系示例,時(shí)間、位置關(guān)系示例,40,,③語義網(wǎng)絡(luò)表示知識(shí)的方法3常用的語義聯(lián)系,語義網(wǎng)絡(luò)知識(shí)表示與推理,41,,③語義網(wǎng)絡(luò)表示知識(shí)的方法4謂詞聯(lián)系變量取值謂詞的形為RX1，X2，，XN，XI是謂詞變元，取值為AI。如何轉(zhuǎn)換為二元關(guān)系增加一個(gè)謂詞為ARGI說明R與XI的關(guān)系，于是有ARG1（R，X1），ARG2（R，X2），，ARGN（R，XN），用語義網(wǎng)絡(luò)表示為,語義網(wǎng)絡(luò)知識(shí)表示與推理,42,,③語義網(wǎng)絡(luò)表示知識(shí)的方法5蘊(yùn)含由“蘊(yùn)含”結(jié)點(diǎn)說明分別由兩條弧（ANTE、CONSE）指向的條件和結(jié)論結(jié)點(diǎn)之間的蘊(yùn)含的關(guān)系。下例表示如果車庫起火，那么用CO2或沙來滅火,語義網(wǎng)絡(luò)知識(shí)表示與推理,43,,③語義網(wǎng)絡(luò)表示知識(shí)的方法6在語義網(wǎng)絡(luò)中變元和量詞的表示存在量詞通過用“ISA”弧表示各概念與具體特例關(guān)系，以此表示特例事實(shí)的存在。ADOGHASBITTENAPOSTMAN,語義網(wǎng)絡(luò)知識(shí)表示與推理,44,,③語義網(wǎng)絡(luò)表示知識(shí)的方法6在語義網(wǎng)絡(luò)中變元和量詞的表示全稱量詞通過分塊技術(shù)，每個(gè)分塊表示一個(gè)事實(shí)，成為FORM，增加G和GS結(jié)點(diǎn)，G是GS的成員，用ISA表示它們之間的聯(lián)系。GS與分塊之間是FORM關(guān)系，與要說明的概念之間是全稱或存在的聯(lián)系。EVERYDOGHASBITTENEVERYPOSTMAN,語義網(wǎng)絡(luò)知識(shí)表示與推理,45,,③語義網(wǎng)絡(luò)表示知識(shí)的方法5語義網(wǎng)絡(luò)系統(tǒng)中求解問題的基本過程語義網(wǎng)絡(luò)系統(tǒng)的組成語義網(wǎng)絡(luò)構(gòu)成的知識(shí)庫用于求解問題的解釋程序語義網(wǎng)絡(luò)推理機(jī)求解問題的過程根據(jù)待求解問題的要求構(gòu)造一個(gè)網(wǎng)絡(luò)片段，其中有些節(jié)點(diǎn)或弧的標(biāo)識(shí)是空的，反映待求解的問題依次網(wǎng)絡(luò)片段到知識(shí)庫中去尋找可匹配的網(wǎng)絡(luò)，以找出需要的信息。主要解決不確定性匹配問題。當(dāng)問題的語義網(wǎng)絡(luò)片段與知識(shí)庫中的某語義網(wǎng)絡(luò)片段匹配時(shí)，則與詢問處匹配的事實(shí)就是問題的解。,語義網(wǎng)絡(luò)知識(shí)表示與推理,46,,④語義網(wǎng)絡(luò)表示下的推理過程應(yīng)用語義網(wǎng)絡(luò)的主要推理方式是以關(guān)系弧作為索引，快速地在網(wǎng)絡(luò)中搜索到所需的信息。支持搜索的最重要技術(shù)是層次分類和特性繼承。（1）層次分類世界萬物都遵從層次分類法則。用前述關(guān)系弧AKO很容易建立起面向?qū)哟畏诸惖恼Z義網(wǎng)絡(luò)。再通過關(guān)系弧ISA就可把個(gè)體事物關(guān)聯(lián)到分布于層次分類網(wǎng)絡(luò)中的各個(gè)概念節(jié)點(diǎn)（視類名為概念）。,語義網(wǎng)絡(luò)知識(shí)表示與推理,47,,④語義網(wǎng)絡(luò)表示下的推理過程設(shè)置層次分類網(wǎng)絡(luò)的顯著優(yōu)點(diǎn)是可以分別存儲(chǔ)個(gè)體事物的共性，進(jìn)而大幅度提高信息的存儲(chǔ)效率。廣義上，節(jié)點(diǎn)間關(guān)系弧指示事物的屬性（特性）；可以把個(gè)體事物的公共屬性值和典型屬性值存放于個(gè)體事物所屬的類或超類節(jié)點(diǎn)中，而個(gè)體事物節(jié)點(diǎn)本身只存放其特有的信息。,語義網(wǎng)絡(luò)知識(shí)表示與推理,48,,④語義網(wǎng)絡(luò)表示下的推理過程（2）特性繼承與建立層次分類網(wǎng)絡(luò)緊密相關(guān)的是特性繼承技術(shù)，可以說正是由于有特性繼承技術(shù)的支持，才使層次分類網(wǎng)絡(luò)得以實(shí)用化。特性繼承原理可非形式地闡述如下當(dāng)取用不記載于個(gè)體事物節(jié)點(diǎn)的公共或典型特性值時(shí)，可以沿ISA和AKO關(guān)系?。ㄒ卜Q為鏈）追溯到存放這些特性值的類或超類節(jié)點(diǎn)。,語義網(wǎng)絡(luò)知識(shí)表示與推理,49,,④語義網(wǎng)絡(luò)表示下的推理過程在語義網(wǎng)絡(luò)知識(shí)表達(dá)方法中，沒有形式語義，也就是說，和謂詞邏輯不同，對所給定的表達(dá)結(jié)構(gòu)表示什么語義沒有統(tǒng)一的表示法。賦予網(wǎng)絡(luò)結(jié)構(gòu)的含義完全決定于管理這個(gè)網(wǎng)絡(luò)的過程的特性。已經(jīng)設(shè)計(jì)了很多種以網(wǎng)絡(luò)為基礎(chǔ)的系統(tǒng)，它們各自采用完全不同的推理過程。語義網(wǎng)絡(luò)中的推理過程主要有兩種，一種是繼承，另一種是匹配。,語義網(wǎng)絡(luò)知識(shí)表示與推理,50,,④語義網(wǎng)絡(luò)表示下的推理過程繼承所謂的繼承是把對事物的描述從概念節(jié)點(diǎn)或類節(jié)點(diǎn)傳遞到實(shí)例節(jié)點(diǎn)。例如在圖中BRICK是概念節(jié)點(diǎn)，BRICK12是一個(gè)實(shí)例節(jié)點(diǎn)。BRICK節(jié)點(diǎn)在SHAPE（外形）邊，其中填入了RECTANGULAR（矩形），說明磚塊的外形是矩形的。這個(gè)描述可以通過ISA鏈傳遞給實(shí)例節(jié)點(diǎn)BRICK12。因此，雖然BRICK12節(jié)點(diǎn)沒有SHAPE邊，但可以從這個(gè)語義網(wǎng)絡(luò)推理出BRICK12的外形是矩形的。,語義網(wǎng)絡(luò)知識(shí)表示與推理,51,,④語義網(wǎng)絡(luò)表示下的推理過程繼承所謂的繼承是把對事物的描述從概念節(jié)點(diǎn)或類節(jié)點(diǎn)傳遞到實(shí)例節(jié)點(diǎn)。,語義網(wǎng)絡(luò)知識(shí)表示與推理,52,,④語義網(wǎng)絡(luò)表示下的推理過程繼承這種推理過程，類似于人的思維過程。一旦知道了某種事物的身份以后，可以聯(lián)想起很多關(guān)于這件事物的一般描述。例如，我們通常認(rèn)為鯨魚很大，鳥比較小，城堡很古老，運(yùn)動(dòng)員很健壯。這就像我們用每種事物的典型情況來描述各種事物那樣鯨魚、鳥、城堡和運(yùn)動(dòng)員。一共有3種繼承過程值繼承、“如果需要”繼承和“默認(rèn)”繼承。,語義網(wǎng)絡(luò)知識(shí)表示與推理,53,,④語義網(wǎng)絡(luò)表示下的推理過程繼承（1）值繼承除了ISA鏈以外，另外還有一種AKO（是某種）鏈也可被用于語義網(wǎng)絡(luò)中的描述或特性的繼承。AKO是A－KIND－OF的縮寫。ISA和AKO鏈直接地表示類的成員關(guān)系以及子類和類之間的關(guān)系，提供了一種把知識(shí)從某一層傳遞到另一層的途徑。為了能利用語義網(wǎng)絡(luò)的繼承特性進(jìn)行推理，還需要一個(gè)搜索程序用來在合適的節(jié)點(diǎn)尋找合適的邊。,語義網(wǎng)絡(luò)知識(shí)表示與推理,54,,④語義網(wǎng)絡(luò)表示下的推理過程繼承值繼承程序設(shè)F是給定的節(jié)點(diǎn)。S是給定的邊。①建立一個(gè)由F以及所有和F以ISA鏈相連的類節(jié)點(diǎn)的表。在表中F節(jié)點(diǎn)排在第一個(gè)位置。②檢查表中第一個(gè)元素的S邊是否有值，直到表為空或找到一個(gè)值。A如果表中第一個(gè)元素在S邊中有值，就認(rèn)為找到了一個(gè)值。B否則，從表中刪除第一個(gè)元素，并把以AKO鏈與此第一個(gè)元素相連的節(jié)點(diǎn)，加入到這個(gè)表的末尾。C如果找到了一個(gè)值，那么就說這個(gè)值是F節(jié)點(diǎn)的S邊的值；否則就宣布失敗。因?yàn)樵谏鲜鏊惴ㄖ校碌念惞?jié)點(diǎn)是放在節(jié)點(diǎn)表的末尾，所以這樣的值繼承過程所進(jìn)行的是寬度優(yōu)先搜索。又因?yàn)樵谝粋€(gè)邊中可能有不止一個(gè)值，所以可能發(fā)現(xiàn)一個(gè)以上的值。這時(shí)，所有發(fā)現(xiàn)的值都要記錄。,語義網(wǎng)絡(luò)知識(shí)表示與推理,55,,④語義網(wǎng)絡(luò)表示下的推理過程繼承（2）“如果需要”繼承在某些情況下，當(dāng)我們不知道邊值時(shí)，可以利用已知信息來計(jì)算。例如，我們可以根據(jù)體積和物質(zhì)的密度來計(jì)算積木的重量。進(jìn)行上述計(jì)算的程序稱為IFNEEDED（如果需要）程序。為了儲(chǔ)存進(jìn)行上述計(jì)算的程序，我們需要改進(jìn)節(jié)點(diǎn)邊值的結(jié)構(gòu)，允許邊有幾種類型的值，而不只是一個(gè)類型。為此，每個(gè)邊又可以有若干個(gè)側(cè)面，以儲(chǔ)存這些不同類型的值。這樣，以前我們討論的原始意義上的值就放在“值側(cè)面”中，IFNEEDED程序，存放在IFNEEDED側(cè)面中。,語義網(wǎng)絡(luò)知識(shí)表示與推理,56,,④語義網(wǎng)絡(luò)表示下的推理過程繼承（2）“如果需要”繼承“如果需要”（IF－NEED）繼承程序設(shè)F是給定的節(jié)點(diǎn)，S是給定的邊。①建立一個(gè)由F以及所有和F以ISA鏈相連的類節(jié)點(diǎn)的表。在此表中，F(xiàn)節(jié)點(diǎn)排在第一個(gè)位置。②檢查表中第一個(gè)元素的S邊的IFNEEDED側(cè)面中是否存有一個(gè)過程，直到表為空或找到一個(gè)成功的IFNEEDED過程為止。,語義網(wǎng)絡(luò)知識(shí)表示與推理,57,,④語義網(wǎng)絡(luò)表示下的推理過程繼承（2）“如果需要”繼承“如果需要”（IF－NEED）繼承程序設(shè)F是給定的節(jié)點(diǎn)，S是給定的邊。A如果側(cè)面中存有一個(gè)過程，并且如果這個(gè)過程產(chǎn)生一個(gè)值，那么，就認(rèn)為已找到一個(gè)值。B否則，從表中刪除這第一個(gè)元素，并把以AKO鏈和此第一個(gè)元素相連的節(jié)點(diǎn)，加入到這個(gè)表的末尾。③如果一個(gè)過程找到一個(gè)值，那么就說所找到的值是F節(jié)點(diǎn)的邊值；否則，宣布失敗。,語義網(wǎng)絡(luò)知識(shí)表示與推理,58,,④語義網(wǎng)絡(luò)表示下的推理過程繼承（3）“缺省”繼承某些情況下，我們對事物所作的假設(shè)不是十分有把握時(shí)，最好對所作的假設(shè)加上“可能”這樣的字眼。例如，我們可以認(rèn)為法官可能是誠實(shí)的，但不一定是；或認(rèn)為寶石可能是很昂貴的，但不一定是。我們把這種具有相當(dāng)程度的真實(shí)性，但又不能十分肯定的值稱為“缺省”值。這種類型的值被放入邊的DEFAULT（缺?。﹤?cè)面中。,語義網(wǎng)絡(luò)知識(shí)表示與推理,59,,④語義網(wǎng)絡(luò)表示下的推理過程繼承（3）“缺省”繼承缺省DEFAULT繼承程序設(shè)F是給定的節(jié)點(diǎn)。S是給定的邊。①建立一個(gè)由F以及所有和F以ISA鏈相連的類節(jié)點(diǎn)表。表中，F(xiàn)節(jié)點(diǎn)排在第一個(gè)位置。②檢查表中第一個(gè)元素的S邊的DEFAULT側(cè)面中是否有值，直到表為空或找到一個(gè)缺省值為止。A如果表中第一個(gè)元素的S邊的DEFAULT側(cè)面中有值，就認(rèn)為已找到了一個(gè)值。B否則，從表中刪除第一個(gè)元素，并把以AKO鏈和此第一個(gè)元素相連的節(jié)點(diǎn)加入到這個(gè)表的末尾。C如果找到了一個(gè)值，那么就說所找到的值是F節(jié)點(diǎn)的S邊的缺省值。,語義網(wǎng)絡(luò)知識(shí)表示與推理,60,,⑤語義網(wǎng)絡(luò)表示法的特點(diǎn)（1）能把實(shí)體的結(jié)構(gòu)、屬性與實(shí)體間的因果關(guān)系顯式地和簡明地表達(dá)出來，與實(shí)體相關(guān)的事實(shí)、特征和關(guān)系可以通過相應(yīng)的節(jié)點(diǎn)弧線推導(dǎo)出來。這樣便以聯(lián)想方式實(shí)現(xiàn)對系統(tǒng)的解釋。（2）由于與概念相關(guān)的屬性和聯(lián)系被組織在一個(gè)相應(yīng)的節(jié)點(diǎn)中，因而使概念易于受訪和學(xué)習(xí)。（3）知識(shí)的表現(xiàn)問題更加直觀，更易于理解，適于知識(shí)工程師與領(lǐng)域?qū)＜覝贤?。語義網(wǎng)絡(luò)中的繼承方式也符合人類的思維習(xí)慣。,語義網(wǎng)絡(luò)知識(shí)表示與推理,61,,⑤語義網(wǎng)絡(luò)表示法的特點(diǎn)（4）語義網(wǎng)絡(luò)結(jié)構(gòu)的語義解釋依賴于該結(jié)構(gòu)的推理過程而沒有結(jié)構(gòu)的約定，因而得到的推理不能保證像謂詞邏輯法那樣有效。（5）節(jié)點(diǎn)間的聯(lián)系可能是線狀、樹狀或網(wǎng)狀的，甚至是遞歸狀的結(jié)構(gòu)，使相應(yīng)的知識(shí)存儲(chǔ)和檢索可能需要比較復(fù)雜的過程。,語義網(wǎng)絡(luò)知識(shí)表示與推理,62,,①框架的定義及組成②用框架的表示知識(shí)③框架系統(tǒng)舉例④框架表示下的推理過程框架表示法的特點(diǎn)產(chǎn)生式框架的知識(shí)表示法,框架知識(shí)表示與推理,63,,①框架的定義及組成框架表示法是一種關(guān)于事物內(nèi)部結(jié)構(gòu)化描述的表示法，最早由明斯基于1975年提出，作為理解視覺、自然語言和其它復(fù)雜行為的一種基礎(chǔ)，現(xiàn)已發(fā)展為廣泛應(yīng)用的知識(shí)表示方法?？蚣鼙硎痉梢暂^好地反映人觀察事物的思維方式，即人對自己熟悉的事物早在頭腦中形成了抽象模型。,框架知識(shí)表示與推理,64,,①框架的定義及組成框架通常由描述事物各個(gè)方面的槽（SLOT）組成，每個(gè)槽有多個(gè)側(cè)面（ASPECT）側(cè)面又可有多個(gè)值，其中槽值和側(cè)面值可以是數(shù)值、字符串、布爾值，也可以是一個(gè)動(dòng)作或過程，甚至還可以是另一個(gè)框架的名字。用BNF定義框架的形式化表示如下FRAME{；}{{}框架內(nèi)部結(jié)構(gòu)的豐富程度取決于事物描述本身的需要。一般來講，表示概念（例如類概念）的框架結(jié)構(gòu)復(fù)雜，而表示個(gè)體事物的框架就很簡單。,框架知識(shí)表示與推理,65,,①框架的定義及組成事物的抽象模型可以通過表示概念的框架來加以定義。由于每個(gè)事物有多個(gè)屬性（特性），而每個(gè)屬性又需從多個(gè)側(cè)面加以描述，所以表示概念的框架往往有復(fù)雜的表示結(jié)構(gòu)。,框架知識(shí)表示與推理,66,,②用框架的表示知識(shí)應(yīng)用領(lǐng)域問題的求解往往涉及到相互關(guān)聯(lián)的許多框架，這些框架聯(lián)合起來構(gòu)成框架系統(tǒng)?？蚣艿哪承┎鄣膫?cè)面值可以是其它框架，從而能建立起節(jié)點(diǎn)是框架的網(wǎng)絡(luò)。較常用的框架系統(tǒng)有以下二類事物組成和分類體系。,框架知識(shí)表示與推理,67,,②用框架的表示

簡介：PATTERNRECOGNITIONARTIFICIALINTELLIGENCELECTURE2特征選擇與提?。ㄒ唬?主要內(nèi)容,1引言2類別可分離性判據(jù)3特征選擇4特征提取,,1引言,【問題的提出】,,【問題的提出】,,【問題的提出】,【問題的提出】,方案2強(qiáng)調(diào)分析不同截面的信號，如在框架的若干部位沿不同方向截取截面分析從背景到字，以及從字到背景轉(zhuǎn)換的情況,如AB截面切割字符三次，CD截面切割字符一次等。,【問題的提出】,例用RGB顏色空間和HSI顏色空間,【問題的提出】,【問題的提出】,【問題的提出】,【概念】,【概念】,,【概念】,,2類別可分離性判據(jù),【概念】,特征選擇與提取的任務(wù)是找出一組對分類最有效的特征，因此需一準(zhǔn)則。,概念數(shù)學(xué)上定義的用以衡量特征對分類的效果的準(zhǔn)則實(shí)際問題中需根據(jù)實(shí)際情況人為確定。,誤識(shí)率判據(jù)理論上的目標(biāo)，實(shí)際采用困難（密度未知，形式復(fù)雜，樣本不充分，）,可分性判據(jù)實(shí)用的可計(jì)算的判據(jù),【概念】,1與誤判概率或誤分概率的上界、下界有單調(diào)關(guān)系。,2當(dāng)特征相互獨(dú)立時(shí)，判據(jù)有可加性，即,,類可分別判斷函數(shù),【概念】,,3判據(jù)具有“距離”的某些特性，即,4對特征數(shù)目是單調(diào)不減，即加入新的特征后，判據(jù)值不減。,類可分別判斷函數(shù),【概念】,19,,值得注意的是上述的構(gòu)造可分性判據(jù)的要求，即“單調(diào)性”、“疊加性”、“距離性”、“單調(diào)不減性”。在實(shí)際應(yīng)用并不一定能同時(shí)具備，但并不影響它在實(shí)際使用中的價(jià)值。,類可分別判斷函數(shù),類可分別判斷依據(jù)的常用方法基于幾何距離的可分性判據(jù)基于概率密度的可分性判據(jù)基于熵的類可分性判據(jù),基于幾何距離的類可分離判據(jù),一般來講，不同類的模式可以被區(qū)分是由于它們所屬類別在特征空間中的類域是不同的區(qū)域。顯然，區(qū)域重疊的部分越小或完全沒有重疊，類別的可分性就越好。因此可以用距離或離差測度（散度）來構(gòu)造類別的可分性判據(jù)。,基于幾何距離的類可分離判據(jù),一點(diǎn)與點(diǎn)的距離,二點(diǎn)到點(diǎn)集的距離,用均方歐氏距離表示,基于幾何距離的類可分離判據(jù),三類內(nèi)及總體的均值矢量,各類模式的總體均值矢量,類的均值矢量,為相應(yīng)類的先驗(yàn)概率，當(dāng)用統(tǒng)計(jì)量代替先驗(yàn)概率時(shí)，總體均值矢量可表示為,基于幾何距離的類可分離判據(jù),,四類內(nèi)距離,,,類內(nèi)均方歐氏距離,類內(nèi)均方距離也可定義為,,基于幾何距離的類可分離判據(jù),,,,,五類內(nèi)離差矩陣,顯然,六兩類之間的距離,基于幾何距離的類可分離判據(jù),,,,,七各類模式之間的總的均方距離,當(dāng)取歐氏距離時(shí)，總的均方距離為,基于幾何距離的類可分離判據(jù),,,,,八多類情況下總的類內(nèi)、類間及總體離差矩陣,類內(nèi)離差,類間離差,總體離差,易導(dǎo)出,各模式之間總的均方距離,基于幾何距離的類可分離判據(jù),,,,,基于幾何距離的類可分離判據(jù),,,,,在特征空間中，當(dāng)類內(nèi)模式較密聚，而不同類的模式相距較遠(yuǎn)時(shí)，從直覺上我們知道分類就較容易，由各判據(jù)的構(gòu)造可知，這種情況下所算得的判據(jù)值也較大。由判據(jù)的構(gòu)造我們還可以初步了解運(yùn)用這類判據(jù)的原則和方法。,選擇原則,II計(jì)算簡單，易于實(shí)現(xiàn)。,III數(shù)學(xué)上容易處理。,準(zhǔn)則函數(shù)的遞推計(jì)算問題每增/減一個(gè)特征，只影響向量中的一個(gè)元素，矩陣的一行和一列。,I實(shí)際分類問題需要，找與分類性能關(guān)系密切者。,基于幾何距離的類可分離判據(jù),基于概率分布的可分性判據(jù),考查兩類分布密度之間的交疊程度,基于概率分布的可分性判據(jù),32,可用兩類概密函數(shù)的重疊程度來度量可分性，構(gòu)造基于類概密的可分性判據(jù)。此處的所謂重疊程度是指兩個(gè)概密函數(shù)相似的程度。,,基于概率分布的可分性判據(jù),基于概率分布的可分性判據(jù),證明設(shè),為誤分概率，則最小誤分概率為,基于概率分布的可分性判據(jù),（二）,CHERNOFF,判據(jù),,,,,,基于概率分布的可分性判據(jù),,,,JC具有如下性質(zhì),,基于概率分布的可分性判據(jù),,,,JC具有如下性質(zhì),基于概率分布的可分性判據(jù),,,,JC性質(zhì)（1）證明,考慮函數(shù)FSSA1SBASB1SA,B0,因?yàn)?，?dāng)0?S?1時(shí)F’’SASB1SLNALNB20，??1。不同的?值可得不同的可分性度量。,當(dāng)??1時(shí)，由洛必達(dá)法則可得SHANNON熵,當(dāng)?2時(shí)，可得平方熵,熵可分性判據(jù),使用判據(jù)進(jìn)行特征提取與選擇時(shí)，我們的目標(biāo)是使,小結(jié),可分性判據(jù)距離類內(nèi)距離，類間距離，離差矩陣概率密度JB，JC，JD判據(jù)熵熵和概率的關(guān)系，以及熵和判別函數(shù)的關(guān)系,