第二章课后习题与答案.docx

第二章课后习题与答案.docx

《第二章课后习题与答案.docx》由会员分享，可在线阅读，更多相关《第二章课后习题与答案.docx（22页珍藏版）》请在冰豆网上搜索。

第二章课后习题与答案

第2章人工智能与知识工程初步

1.设有如下语句，请用相应的谓词公式分别把他们表示出来：

s

（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d

P（x）：

x是人

L（x,y）：

x喜欢y

其中，y的个体域是{梅花，菊花}。

将知识用谓词表示为：

（

x）（P（x）→L（x,梅花）∨L（x,菊花）∨L（x,梅花）∧L（x,菊花））

（2）有人每天下午都去打篮球。

解：

定义谓词

P（x）：

x是人

B（x）：

x打篮球

A（y）：

y是下午

将知识用谓词表示为：

a

（

x）（

y）（A（y）→B（x）∧P（x））

（3）新型计算机速度又快，存储容量又大。

解：

定义谓词

NC（x）：

x是新型计算机

F（x）：

x速度快

B（x）：

x容量大

将知识用谓词表示为：

（

x）（NC（x）→F（x）∧B（x））

（4）不是每个计算机系的学生都喜欢在计算机上编程序。

解：

定义谓词

S（x）：

x是计算机系学生

L（x,pragramming）：

x喜欢编程序

U（x,computer）：

x使用计算机

将知识用谓词表示为：

¬（

x）（S（x）→L（x,pragramming）∧U（x,computer））

（5）凡是喜欢编程序的人都喜欢计算机。

解：

定义谓词

P（x）：

x是人

L（x,y）：

x喜欢y

将知识用谓词表示为：

（

x）（P（x）∧L（x,pragramming）→L（x,computer））

2请对下列命题分别写出它们的语义网络：

（1）每个学生都有一台计算机。

解：

（2）高老师从3月到7月给计算机系学生讲《计算机网络》课。

解：

（3）学习班的学员有男、有女、有研究生、有本科生。

解：

参例2.14

（4）创新公司在科海大街56号，刘洋是该公司的经理，他32岁、硕士学位。

解：

参例2.10

（5）红队与蓝队进行足球比赛，最后以3：

2的比分结束。

解：

2.19请把下列命题用一个语义网络表示出来：

（1）树和草都是植物；

解：

（2）树和草都有叶和根；

解：

（3）水草是草，且生长在水中；

解：

（4）果树是树，且会结果；

解：

（5）梨树是果树中的一种，它会结梨。

解：

第5章计算智能部分参考答案

5.15对遗传法的选择操作：

设种群规模为4，个体采用二进制编码，适应度函数为f（x）=x2，初始种群情况如下表所示：

编号

个体串

x

适应值

百分比

累计百分比

选中次数

S01

1010

10

S02

0100

4

S03

1100

12

S04

0111

7

若规定选择概率为100%,选择算法为轮盘赌算法，且依次生成的4个随机数为0.42,0.16,0.89,0.71，请填写上表中的全部内容，并求出经本次选择操作后所得到的新的种群。

解：

表格的完整内容为：

编号

个体串

x

适应值

百分比

累计百分比

选中次数

S01

1010

10

100

32.36

32.36

1

S02

0100

4

16

5.18

37.54

0

S03

1100

12

144

44.60

84.14

2

S04

0111

7

49

15.86

100

1

本次选择后所得到的新的种群为：

S01=1100

S02=1010

S03=0111

S04=1100

5.18设某小组有5个同学，分别为S1,S2,S3,S4,S5。

若对每个同学的“学习好”程度打分：

S1:

95S2:

85S3:

80S4:

70S5:

90

这样就确定了一个模糊集F，它表示该小组同学对“学习好”这一模糊概念的隶属程度，请写出该模糊集。

解：

对模糊集为F，可表示为：

F=95/S1+85/S2+80/S3+70/S4+90/S5

或

F={95/S1,85/S2,80/S3,70/S4,90/S5}

5.19设有论域

U={u1,u2,u3,u4,u5}

并设F、G是U上的两个模糊集，且有

F=0.9/u1+0.7/u2+0.5/u3+0.3/u4

G=0.6/u3+0.8/u4+1/u5

请分别计算F∩G，F∪G，﹁F。

解：

F∩G=（0.9∧0）/u1+（0.7∧0）/u2+（0.5∧0.6）/u3+（0.3∧0.8）/u4+（0∧1）/u5

=0/u1+0/u2+0.5/u3+0.3/u4+0/u5

=0.5/u3+0.3/u4

F∪G=（0.9∨0）/u1+（0.7∨0）/u2+（0.5∨0.6）/u3+（0.3∨0.8）/u4+（0∨1）/u5

=0.9/u1+0.7/u2+0.6/u3+0.8/u4+1/u5

﹁F=（1-0.9）/u1+（1-0.7）/u2+（1-0.5）/u3+（1-0.3）/u4+（1-0）/u5

=0.1/u1+0.3/u2+0.5/u3+0.7/u4+1/u5

5.21设有如下两个模糊关系：

请写出R1与R2的合成R1οR2。

解：

R（1,1）=（0.3∧0.2）∨（0.7∧0.6）∨（0.2∧0.9）=0.2∨0.6∨0.2=0.6

R（1,2）=（0.3∧0.8）∨（0.7∧0.4）∨（0.2∧0.1）=0.3∨0.4∨0.1=0.4

R（2,1）=（1∧0.2）∨（0∧0.6）∨（0.4∧0.9）=0.2∨0∨0.4=0.4

R（2,2）=（1∧0.8）∨（0∧0.4）∨（0.4∧0.1）=0.8∨0∨0.1=0.8

R（3,1）=（0∧0.2）∨（0.5∧0.6）∨（1∧0.9）=0.2∨0.6∨0.9=0.9

R（3,2）=（0∧0.8）∨（0.5∧0.4）∨（1∧0.1）=0∨0.4∨0.1=0.4

因此有

5.22设F是论域U上的模糊集，R是U×V上的模糊关系，F和R分别为：

求模糊变换FοR。

解：

={0.1∨0.4∨0.6,0.3∨0.6∨0.3,0.4∨0.6∨0}

={0.6,0.6,0.6}

第6章不确定性推理部分参考答案

6.8设有如下一组推理规则:

r1:

IFE1THENE2（0.6）

r2:

IFE2ANDE3THENE4（0.7）

r3:

IFE4THENH（0.8）

r4:

IFE5THENH（0.9）

且已知CF（E1）=0.5,CF（E3）=0.6,CF（E5）=0.7。

求CF（H）=?

解：

（1）先由r1求CF（E2）

CF（E2）=0.6×max{0,CF（E1）}

=0.6×max{0,0.5}=0.3

（2）再由r2求CF（E4）

CF（E4）=0.7×max{0,min{CF（E2）,CF（E3）}}

=0.7×max{0,min{0.3,0.6}}=0.21

（3）再由r3求CF1（H）

CF1（H）=0.8×max{0,CF（E4）}

=0.8×max{0,0.21）}=0.168

（4）再由r4求CF2（H）

CF2（H）=0.9×max{0,CF（E5）}

=0.9×max{0,0.7）}=0.63

（5）最后对CF1（H）和CF2（H）进行合成，求出CF（H）

CF（H）=CF1（H）+CF2（H）+CF1（H）×CF2（H）

=0.692

6.10 设有如下推理规则

r1:

IFE1THEN（2,0.00001）H1

r2:

IFE2THEN（100,0.0001）H1

r3:

IFE3THEN（200,0.001）H2

r4:

IFH1THEN（50,0.1）H2

且已知P（E1）=P（E2）=P（H3）=0.6,P（H1）=0.091,P（H2）=0.01,又由用户告知：

P（E1|S1）=0.84,P（E2|S2）=0.68,P（E3|S3）=0.36

请用主观Bayes方法求P（H2|S1,S2,S3）=?

解：

（1）由r1计算O（H1|S1）

先把H1的先验概率更新为在E1下的后验概率P（H1|E1）

P（H1|E1）=（LS1×P（H1））/（（LS1-1）×P（H1）+1）

=（2×0.091）/（（2-1）×0.091+1）

=0.16682

由于P（E1|S1）=0.84>P（E1），使用P（H|S）公式的后半部分，得到在当前观察S1下的后验概率P（H1|S1）和后验几率O（H1|S1）

P（H1|S1）=P（H1）+（（P（H1|E1）–P（H1））/（1-P（E1）））×（P（E1|S1）–P（E1））

=0.091+（0.16682–0.091）/（1–0.6））×（0.84–0.6）

=0.091+0.18955×0.24=0.136492

O（H1|S1）=P（H1|S1）/（1-P（H1|S1））

=0.15807

（2）由r2计算O（H1|S2）

先把H1的先验概率更新为在E2下的后验概率P（H1|E2）

P（H1|E2）=（LS2×P（H1））/（（LS2-1）×P（H1）+1）

=（100×0.091）/（（100-1）×0.091+1）

=0.90918

由于P（E2|S2）=0.68>P（E2），使用P（H|S）公式的后半部分，得到在当前观察S2下的后验概率P（H1|S2）和后验几率O（H1|S2）

P（H1|S2）=P（H1）+（（P（H1|E2）–P（H1））/（1-P（E2）））×（P（E2|S2）–P（E2））

=0.091+（0.90918–0.091）/（1–0.6））×（0.68–0.6）

=0.25464

O（H1|S2）=P（H1|S2）/（1-P（H1|S2））

=0.34163

（3）计算O（H1|S1,S2）和P（H1|S1,S2）

先将H1的先验概率转换为先验几率

O（H1）=P（H1）/（1-P（H1））=0.091/（1-0.091）=0.10011

再根据合成公式计算H1的后验几率

O（H1|S1,S2）=（O（H1|S1）/O（H1））×（O（H1|S2）/O（H1））×O（H1）

=（0.15807/0.10011）×（0.34163）/0.10011）×0.10011

=0.53942

再将该后验几率转换为后验概率

P（H1|S1,S2）=O（H1|S1,S2）/（1+O（H1|S1,S2））

=0.35040

（4）由r3计算O（H2|S3）

先把H2的先验概率更新为在E3下的后验概率P（H2|E3）

P（H2|E3）=（LS3×P（H2））/（（LS3-1）×P（H2）+1）

=（200×0.01）/（（200-1）×0.01+1）

=0.09569

由于P（E3|S3）=0.36

P（H2|S3）=P（H2|¬E3）+（P（H2）–P（H2|¬E3））/P（E3））×P（E3|S3）

由当E3肯定不存在时有

P（H2|¬E3）=LN3×P（H2）/（（LN3-1）×P（H2）+1）

=0.001×0.01/（（0.001-1）×0.01+1）

=0.00001

因此有

P（H2|S3）=P（H2|¬E3）+（P（H2）–P（H2|¬E3））/P（E3））×P（E3|S3）

=0.00001+（（0.01-0.00001）/0.6）×0.36

=0.00600

O（H2|S3）=P（H2|S3）/（1-P（H2|S3））

=0.00604

（5）由r4计算O（H2|H1）

先把H2的先验概率更新为在H1下的后验概率P（H2|H1）

P（H2|H1）=（LS4×P（H2））/（（LS4-1）×P（H2）+1）

=（50×0.01）/（（50-1）×0.01+1）

=0.33557

由于P（H1|S1,S2）=0.35040>P（H1），使用P（H|S）公式的后半部分，得到在当前观察S1,S2下H2的后验概率P（H2|S1,S2）和后验几率O（H2|S1,S2）

P（H2|S1,S2）=P（H2）+（（P（H2|H1）–P（H2））/（1-P（H1）））×（P（H1|S1,S2）–P（H1））

=0.01+（0.33557–0.01）/（1–0.091））×（0.35040–0.091）

=0.10291

O（H2|S1,S2）=P（H2|S1,S2）/（1-P（H2|S1,S2））

=0.10291/（1-0.10291）=0.11472

（6）计算O（H2|S1,S2,S3）和P（H2|S1,S2,S3）

先将H2的先验概率转换为先验几率

O（H2）=P（H2）/（1-P（H2））=0.01/（1-0.01）=0.01010

再根据合成公式计算H1的后验几率

O（H2|S1,S2,S3）=（O（H2|S1,S2）/O（H2））×（O（H2|S3）/O（H2））×O（H2）

=（0.11472/0.01010）×（0.00604）/0.01010）×0.01010

=0.06832

再将该后验几率转换为后验概率

P（H2|S1,S2,S3）=O（H1|S1,S2,S3）/（1+O（H1|S1,S2,S3））

=0.06832/（1+0.06832）=0.06395

可见，H2原来的概率是0.01，经过上述推理后得到的后验概率是0.06395，它相当于先验概率的6倍多。

6.11设有如下推理规则

r1:

IFE1THEN（100,0.1）H1

r2:

IFE2THEN（50,0.5）H2

r3:

IFE3THEN（5,0.05）H3

且已知P（H1）=0.02,P（H2）=0.2,P（H3）=0.4，请计算当证据E1，E2，E3存在或不存在时P（Hi|Ei）或P（Hi|﹁Ei）的值各是多少（i=1,2,3）？

解：

（1）当E1、E2、E3肯定存在时，根据r1、r2、r3有

P（H1|E1）=（LS1×P（H1））/（（LS1-1）×P（H1）+1）

=（100×0.02）/（（100-1）×0.02+1）

=0.671

P（H2|E2）=（LS2×P（H2））/（（LS2-1）×P（H2）+1）

=（50×0.2）/（（50-1）×0.2+1）

=0.9921

P（H3|E3）=（LS3×P（H3））/（（LS3-1）×P（H3）+1）

=（5×0.4）/（（5-1）×0.4+1）

=0.769

（2）当E1、E2、E3肯定存在时，根据r1、r2、r3有

P（H1|¬E1）=（LN1×P（H1））/（（LN1-1）×P（H1）+1）

=（0.1×0.02）/（（0.1-1）×0.02+1）

=0.002

P（H2|¬E2）=（LN2×P（H2））/（（LN2-1）×P（H2）+1）

=（0.5×0.2）/（（0.5-1）×0.2+1）

=0.111

P（H3|¬E3）=（LN3×P（H3））/（（LN3-1）×P（H3）+1）

=（0.05×0.4）/（（0.05-1）×0.4+1）

=0.032

6.13设有如下一组推理规则:

r1:

IFE1ANDE2THENA={a}（CF={0.9}）

r2:

IFE2AND（E3ORE4）THENB={b1,b2}（CF={0.8,0.7}）

r3:

IFATHENH={h1,h2,h3}（CF={0.6,0.5,0.4}）

r4:

IFBTHENH={h1,h2,h3}（CF={0.3,0.2,0.1}）

且已知初始证据的确定性分别为：

CER（E1）=0.6,CER（E2）=0.7,CER（E3）=0.8,CER（E4）=0.9。

假设|Ω|=10，求CER（H）。

解：

其推理过程参考例6.9

具体过程略

6.15设

U=V={1，2，3，4}

且有如下推理规则：

IFxis少THENyis多

其中，“少”与“多”分别是U与V上的模糊集，设

少=0.9/1+0.7/2+0.4/3

多=0.3/2+0.7/3+0.9/4

已知事实为

xis较少

“较少”的模糊集为

较少=0.8/1+0.5/2+0.2/3

请用模糊关系Rm求出模糊结论。

解：

先用模糊关系Rm求出规则

IFxis少THENyis多

所包含的模糊关系Rm

Rm（1,1）=（0.9∧0）∨（1-0.9）=0.1

Rm（1,2）=（0.9∧0.3）∨（1-0.9）=0.3

Rm（1,3）=（0.9∧0.7）∨（1-0.9）=0.7

Rm（1,4）=（0.9∧0.9）∨（1-0.9）=0.7

Rm（2,1）=（0.7∧0）∨（1-0.7）=0.3

Rm（2,2）=（0.7∧0.3）∨（1-0.7）=0.3

Rm（2,3）=（0.7∧0.7）∨（1-0.7）=0.7

Rm（2,4）=（0.7∧0.9）∨（1-0.7）=0.7

Rm（3,1）=（0.4∧0）∨（1-0.4）=0.6

Rm（3,2）=（0.4∧0.3）∨（1-0.4）=0.6

Rm（3,3）=（0.4∧0.7）∨（1-0.4）=0.6

Rm（3,4）=（0.4∧0.9）∨（1-0.4）=0.6

Rm（4,1）=（0∧0）∨（1-0）=1

Rm（4,2）=（0∧0.3）∨（1-0）=1

Rm（4,3）=（0∧0.7）∨（1-0）=1

Rm（3,4）=（0∧0.9）∨（1-0）=1

即：

因此有

即，模糊结论为

Y’={0.3,0.3,0.7,0.8}

6.16设

U=V=W={1,2,3,4}

且设有如下规则：

r1：

IFxisFTHENyisG

r2：

IFyisGTHENzisH

r3：

IFxisFTHENzisH

其中，F、G、H的模糊集分别为：

F=1/1+0.8/2+0.5/3+0.4/4

G=0.1/2+0.2/3+0.4/4

H=0.2/2+0.5/3+0.8/4

请分别对各种模糊关系验证满足模糊三段论的情况。

解：

本题的解题思路是：

由模糊集F和G求出r1所表示的模糊关系R1m,R1c,R1g

再由模糊集G和H求出r2所表示的模糊关系R2m,R2c,R2g

再由模糊集F和H求出r3所表示的模糊关系R3m,R3c,R3g

然后再将R1m,R1c,R1g分别与R2m,R2c,R2g合成得R12m,R12c,R12g

最后将R12m,R12c,R12g分别与R3m,R3c,R3g比较

第7章机器学习参考答案

7-6设训练例子集如下表所示：

序号

属性

分类

x1

x2

1

T

T

+

2

T

T

+

3

T

F

-

4

F

F

+

5

F

T

_

6

F

T

_

请用ID3算法完成其学习过程。

解：

设根节点为S，尽管它包含了所有的训练例子，但却没有包含任何分类信息，因此具有最大的信息熵。

即：

H（S）=-（P（+）log2P（+）+P（-）log2P（-））

式中

P（+）=3/6，P（-）=3/6

分别是决策方案为“+”或“-”时的概率。

因此有

H（S）=-（（3/6）log2（3/6）+（3/6）log2（3/6））

=1

按照ID3算法，需要选择一个能使S的期望熵为最小的一个属性对根节点进行扩展，因此我们需要先计算S关于每个属性的条件熵：

H（S|xi）=（|ST|/|S|）*H（ST）+（|SF|/|S|）*H（SF）

其中，T和F为属性xi的属性值，ST和SF分别为xi=T或xi=F时的例子集，|S|、|ST|和|SF|分别为例子集S、ST和SF的大小。

下面先计算S关于属性x1的条件熵：

在本题中，当x1=T时，有：

ST={1，2，3}

当x1=F时，有：

SF={4，5，6}

其中，ST和SF中的数字均为例子集S中的各个例子的序号，且有|S|=6，|ST|=|SF|=3。

由ST可知，其决策方案为“+”或“-”的概率分别是：

　　　　PST（+）=2/3

PST（-）=1/3

因此有：

H（ST）=-（PST（+）log2PST（+）+PST（-）log2PST（-））

=-（（2/3）log2（2/3）+（1/3）log2（1/3））

=0.9183

再由SF可知，其决策方案为“+”或“-”的概率分别是：

　　　　PSF（+）=1/3

PSF（-）=2/3

则有：

H（SF）=-（PSF（+）log2PSF（+）+PSF（-）log2PSF（-））

=-（（1/3）log2（1/3）+（2/3）log2（2/3））

=0.9183

将H（ST）和H（SF）代入条件熵公式，有：

H（S|x1）=（|ST|/|S|）H（ST）+（|SF|/|S|）H（SF）

=（3/6）﹡0.9183+（3/6）﹡0.9183

=0.9183

下面再计算S关于属性x2的条件熵：