知識推理
出自 MBA智库百科(https://wiki.mbalib.com/)
知識推理(Knowledge Inference)
目錄 |
知識推理是指在電腦或智能系統中，模擬人類的智能推理方式，依據推理控制策略，利用形式化的知識進行機器思維和求解問題的過程。
智能系統的知識推理過程是通過推理機來完成的，所謂推理機就是智能系統中用來實現推理的程式。推理機的基本任務就是在一定控制策略指導下，搜索知識庫中可用的知識，與資料庫匹配，產生或論證新的事實。搜索和匹配是推理機的兩大基本任務。對於一個性能良好的推理機，應有如下基本要求：(1)高效率的搜索和匹配機制；(2)可控制性；(3)可觀測性；(4)啟發性。
智能系統的知識推理包括兩個基本問題：一是推理方法；二是推理的控制策略。推理方法研究的是前提與結論之間的種種邏輯關係及其信度傳遞規律等；而控制策略的採用是為了限制和縮小搜索的空間，使原來的指數型困難問題在多項式時間內求解。從問題求解角度來看，控制策略亦稱為求解策略，它包括推理策略和搜索策略兩大類。
知識推理的方法[1]
推理方法主要解決在推理過程中前提與結論之間的邏輯關係，以及在非精確性推理中不確定性的傳遞問題。
按照分類標準的不同，推理方法主要有以下三種分類方式：
從確定性上分，可分為精確推理和不精確推理；
從單調性上分，可分為單調推理和非單調推理。
知識推理的控制策略[1]
(1)推理策略。主要包括正向推理、反向推理和混合推理。正向推理又稱為事實驅動或數據驅動推理，其主要優點是比較直觀，允許用戶提供有用的事實信息，是產生式專家系統的主要推理方式之一。反向推理又稱目標驅動或假設驅動推理，其主要優點是不必使用與總目標無關的規則，且有利於向用戶提供解釋。正反向混合推理可以剋服正向推理和反向推理問題求解效率較低的缺點。基於神經網路的知識推理既可以實現正向推理，又可以實現反向推理。在研製結構選型智能設計系統時，應結合具體情況選擇合適的推理策略。
(2)搜索策略。搜索策略主要包括盲目搜索和啟髮式搜索，前者包括深度優先搜索和寬度優先搜索等搜索策略；後者包括局部擇優搜索法(如瞎子爬山法)和最好優先搜索法(如有序搜索法)等搜索策略。
對於不確定性信息，主要有兩類不確定性推理方法：一類是數值方法，包括確定性推理、概率推理(含主觀Bayes推理)、模糊推理、證據推理和合情推理等各種不精確推理方法；另一類是非數值方法，主要包括非單調推理和批註理論(Theory of endorsements)等。前已述及，結構的選型決策包含大量不確定性信息。我們認為，對於大型複雜結構智能選型的不確定性推理，應重點研究以下內容：
(1)基於信息融合技術的多源不確定性信息融合推理方法。信息融合技術實際生是一種多源信息的綜合技術，它通過電腦對來自不同信息源(如感測器、遙感系統、國際互聯網等)的數據信息進行自動分析和綜合，以完成所需的評價和決策任務。目前研製的建築結構選型專家系統，大多是針對模糊性信息採用模糊推理方法進行方案評價。但是在大型複雜結構選型中，尚有大量隨機性信息和未確知性信息，因此，應該重點研究模糊推理方法與概率推理和證據推理(對於未確知性信息)的綜合推理問題，即研究基於信息融合技術的多源不確定性信息融合推理方法。
(2)基於人工神經網路的知識處理。由於基於人工神經網路(包括模糊神經網路)。的知識處理具有集約特征，即知識的獲取、表示和推理合為一體，它們都是通過神經網路的學習訓練實現的，從而可以充分利用樣本性知識，而樣本性知識相對來說是最容易獲得的。因此，研究基於人工神經網路的大型複雜結構選型智能設計系統是本書的重點研究內容之一。
(3)基於實例的推理(Case-Based Reasoning，CBR)。CBR的核心思想是在進行設計問題求解時，使用以前的求解類似設計問題的經驗來進行設計推理，而不必從頭做起。從設計活動的推理機制來看，CBR基於以前的經驗實例，實例中包含有問題說明、解決方案等信息，使得它們能滿足當前設計問題。因而CBR適合於求解一些頻繁遇到的有相似性的設計問題。研究和開發基於實例推理的大型複雜結構選型智能設計系統，可以更好地利用設計專家豐富的設計經驗和設計成果，有利於存儲、檢索、調整和重用實例(包括成功的選型實例和失敗的選型實例)，對於協同式設計(Cooperation Design)、分散式設計(Distributed Design)和基於Internet的遠程設計(Remote Design)都有重要意義。因此，本書的另外一個重點就是研究基於實例推理的結構智能選型問題求解理論與方法。
