山东大学软件学院_人工智能导论期末复习

人工智能导论期末

由 JingYang 专用于学弟学妹复习参考，请勿进行任何资料买卖行为。笔者在此门考试中考得成绩为98分，则此门课程的特点在于只要掌握了相关知识内容即可轻松获得优异的学习成果。希望对大家有所帮助。

文章目录

• 人工智能导论课程期末考核：...
• 蚀菌学原理：...
• 分子生物学基础：...
• 历年试题回顾（避免重复呈现以往考题）
• 23年：

  • 基本概念解释

  • 简答题集锦

  • 问答题解析

    • • 名词解释

  • 简答题

  • 问答题

    • • 名词解释

  • 简答题

  • 大题

    • • 名词解释

蚁群算法

蚂蚁觅食行为的启发

在自然界里,蚂蚁觅食路径并非直线型,而在遵循生态学规律的基础上,并按照一定的步骤进行持续改进。

• 蚂蚁释放了一种被称为信息素的化学物质Pheromone来标记路径。
  • 当蚂蚁在选择路径时，则会趋向于选择那些信息素浓度较高的路线。
  • 随着时间推移信息素分子则逐渐减少。
  • 最终整个蚂蚁群体则趋于会选择一条最优的路线。

蚁群算法正是模仿这种自生自化的行为模式，在信息素的累积与散发过程中完成对优化目标的实现。

蚁群算法的核心思想

蚁群算法由一群人工蚂蚁协同工作而形成，并持续探索问题的解直至趋近于最优解。其核心机制涉及多个关键组成部分：信息素更新规则和路径选择模型等。

信息素更新机制：

• 释放更多化学物质：当蚂蚁走过路径时，在路径上释放出额外的化学物质以增强信息素浓度。
• 通过扩散降低浓度：为了避免过度积累和陷入局部最优状态，在经过一定时间后这些化学物质会逐渐扩散到环境中降低浓度水平。

启发式辅助决策依据 ： 蚂蚁在选择路径时不仅受到信息素浓度的影响还需要结合辅助决策依据（例如路径长度或成本因素）。 基于综合权重的选择策略 ： 每只蚂蚁基于路径的综合权重进行随机概率选择其中综合权重包括信息素浓度与辅助决策依据两部分指标。

蚁群算法的实现步骤 初始化 ：

*初始化时设定初始的信息素水平；明确并确定蚂蚁数量、迭代次数以及影响信息素传播程度的挥发因子和启发性权重等因素的具体数值。

路径构建 ：

每只蚂蚁从起点出发，依次选择下一步路径，直到形成完整解。

路径选择的概率模型式为：
P_{ij} = \frac{\tau_{ij}^{\alpha}\cdot\eta_{ij}^{\beta}}{\sum_{k \in \text{allowed}} \tau_{ij}^{\alpha}\cdot\eta_{ij}^{\beta}}
其中\tau代表信息素强度因子；\eta代表可见度因子；\alpha和\beta分别为信息素衰减系数和可见度衰减系数；求和符号表示所有允许的目标节点；分子部分表示目标节点间的信息素与可见度加权乘积；分母部分表示所有允许目标节点间的信息素与可见度加权乘积之和

• P_{ij}: 从节点 iii 到 jjj 的选择可能性。
  * \tau_{ij}: 路径上的信息素水平。
  * \eta_{ij}: 启发式信息程度（通常与路径的吸引力成反比）。
  * α,β: 权重系数，分别调节信息素和启发式因素的影响程度。

信息素更新 ：

对每只蚂蚁的路径进行信息素增强：

\tau_{ij} \gets (1-\rho ) \cdot \tau_{ij} + \sum_{\text{蚂蚁}} \Delta \tau_{ij}

• \rho: 信息素挥发系数。
  • \Delta \tau_{ij}: 蚂蚁经过路径时释放的信息素量, 一般与其路径长度呈反比关系。

迭代优化 ：

 * 重复路径构建和信息素更新过程，逐步优化解。

终止条件 ：

 * 达到最大迭代次数或信息素分布稳定。

粒子群算法

粒子群优化算法（PSO）本质上是一种基于群体协作的知识传播机制，在复杂决策空间中进行信息共享与优化实现全局最佳配置的过程。每个粒子都象征着一种可能的状态，在D维搜索空间中自由移动并相互影响以探索其自身及群体潜在的最佳状态值（即全局最优位置）。

• • • • 粒子、速度和位置

粒子的位置信息 ：对应于一个潜在的解决方案,例如
X_i = (x_{i1},x_{i2},...,x_{iD})
每个粒子都有独立确定的空间坐标位置,类似于鸟群在天空中自由活动的状态。

2. 

粒子的速度参数反映了其飞行方向及运动速率。例如，在群体优化算法中,速度参数是一个重要的控制变量,它不仅影响个体的移动方向,还决定了种群中每个体在下一轮迭代中的迁移位置。速度参数由两部分组成:一是惯性因子,反映个体历史轨迹的影响程度;二是加速因子,反映个体之间相互作用的影响程度。

• • • • 目标

粒子的主要任务是寻觅"食物"这一问题的最优解。每个粒子在选择路径时会受到以下两个因素的影响：

这个系统中之前找到的最优位置（ p_{best}）。整个群体或邻居曾经记录过最优的位置（ g_{best}）。

• • • • 速度更新公式

速度的更新公式：

v_{id}=w*v_{id-1}+c_1*r_1*(p_{id}-x_{id})+c_2*r_2*(p_{gd}-x_{id})

可以分成三部分：

1. **惯性部分 $w*v_{id-1}$**：

反映粒子的“惯性思维”。

表示粒子想保持原来的飞行方向和速度（类似惯性）。

惯性权重 w决定了这种惯性有多强：

*w 较大值时, 粒子更倾向于深入探索更远的区域(全局搜索)。
w 较小值时, 粒子更倾向于细致地在周围区域内进行局部搜索.

2. 

认知部分 c_1*r_1*(p_{id}-x_{id})：

• 具备粒子的自我学习能力。

  • 根据粒子找到的历史最优位置（p_{best}）来调整飞行方向。

社会部分 c_2*r_2*(p_{gd}-x_{id})：

• 反映粒子群的群体学习行为能力。

  • 粒子群成员在寻找到达最佳位置（g_{best}）的过程中表现出趋向于趋近的行为模式，并主要体现在粒子群趋向于趋近于寻找到达最佳位置（g_{best}）的过程中体现出跟随具有领导作用的个体（‘领头鸟’）的行为模式。
• • • • 位置更新公式

位置的更新公式：

x_{id+1}=x_{id}+v_{id}

简单理解就是：

* 下一步的位置 = 当前的位置 + 当前的速度。

例如鸟类从当前位置朝着指定的方向飞行了一定的距离，则其新位置即为飞行后的目标位置

• • • • 粒子的协作

1. 每个微粒会保存自身历史上的最佳坐标 ，并朝着该方向移动。
2. 同时，每个微粒会观察整个微粒群（或其邻域）中的最佳点，并朝那个方向趋近。
3. 通过持续优化过程，在最终步骤中所有微粒群达到全局最优解。

• • • • 参数的作用

惯性权重 w :

• 较大时, 粒子具有更强的全局搜索能力, 覆盖更大的搜索空间.
• 较小时, 粒子将专注于局部区域进行深入探索.

3. 学习因子 c₁, c₂：

   • c₁ 调节自我学习的影响程度。
   • c₂ 调节群体学习的作用。
   • 通常推荐使用 c₁ = c₂ = 2 的设置来实现个体探索与群体合作的最佳平衡。

4. 随机数 r1,r2 ： * 通过引入随机因素来使粒子避免遵循单一路径运动，并防止陷入局部最优解。

通俗总结 *

粒子群优化算法就像一群寻找食物的鸟。

每个鸟类个体在飞行过程中都会保存自身最优位置（p_{best}），并且也能够追踪群体整体的最优位置（g_{best}）。

它们的速率由惯性效应、自主调节能力以及社会学习机制共同作用导致，在逐渐趋近于最佳状态的过程中不断优化自身行为（最终寻找到食物）。

历年题整理（重复的往年题不再列出）

23年

名词解释

数据挖掘

答：数据挖掘（DM）是指从数据库中挖掘知识

eg：知识发现是指从数据库中发现知识

不确定性推理方法

答：基于不确定性 的初始证据，在回答相关问题时我们通过利用不确定性的知识 推导出一个结果的过程

推理即基于已有的事实（证据），通过逻辑分析与理论推导检验假设是否成立的过程。

专家系统：

*答：专家系统是一种基于知识表示与推理技术的智能化软件系统；它通过运用知识库和推理算法来进行分析与决策；以解决高度复杂的专业领域问题

状态空间法：

• 答：

深度学习

* 答：指基于深层神经网络模型和方法的机器学习

简答题

• 简述证据理论中的似然函数与信任函数的区别与联系

简述卷积神经网络的卷积层和池化层的基本思想

• 卷积：卷积层利用可调整的过滤器对输入数据执行过滤操作以识别并提取关键细节，在此过程中实现了空间局域性的同时实现了参数共用机制。
• 池化（pooling）：池化层通过降维技术降低空间维度并对相邻区域的信息进行综合汇总从而有效降低冗余计算同时保留重要特征信息。

简述BP神经网络的学习过程

简述遗传算法的基本思想

在求解问题时采用多个初始解，并根据特定的规则逐步应用以生成新解

* 初始种群→计算适应度→选择/交叉/变异→下一代

画出专家系统的一般结构，并解释其核心部件

核心部件：

• 知识库 主要用于存放专家积累的专业知识以支持问题求解 *
• 推理机 的作用是模仿人类专家进行推理的过程以完成问题求解 *

问答题

用一阶谓词公式表示下列关系(谓词逻辑公式) （5分*3 = 15分）

（1）老李的儿子是教师

Teacher(son(Li)) （个体是函数）

（2）Smith作为一名工程师在IBM工作

Work (work engineer (Smith), the company IBM)
（3）小明擅长篮球或足球
Plays (Xiaoming, basketball) ∨ Plays (Xiaoming, football)

任何人的兄弟不可能是女生

任何人的姐妹必然是女生

前提事实:mary和bill是姐妹

证明:mary不可能是tom的兄弟.（10分）

特别地，在运用归结原理进行子句归结的过程中，请注意适当替换变元名称以确保一致性与准确性。这将有助于实现预期的结果并避免潜在矛盾的发生。同时，在随后的ANSWER求解阶段中，请严格按照要求执行相关操作以保证系统的正确性与可靠性。通过这种严谨的操作流程可以有效避免错误的发生并最终获得正确的解答结果

求解步骤：

请绘制八数码问题中A*搜索算法的流程图，并详细说明最短路径（最优选择路径）的具体实现过程。其中，启发式函数定义为：h(n)衡量当前状态与目标状态之间的差异程度。（15分）

请确保您熟悉教材第133至134页的内容。
请注意，在书中关于启发策略的描述中提到了"不在位"的位置数码数量问题，请注意这一细节。
因此我们可以通过计算在位数码的数量来确定相关的数值。
在进行启发式搜索时，默认会按照状态评估成本对open表中的节点进行排序（默认情况下会将高成本状态优先处理）。
请说明以下哪种算法属于A*算法：
* w(n) = h(n)，表示当前状态与目标状态不符程度的数量；
* w(n) = p(n)，表示各数字从当前位置到目标位置所需移动的距离之和；

简述人工智能的研究领域和发展前景。

研究领域：

• 自动化定理证明
• 博弈理论
• 模式识别技术
• 计算机视觉技术
• 自然语言处理技术
• 智能化信息检索系统
• 数据挖掘与知识提取方法
• 专家系统平台
• 自动化程序开发技术
• 机器人技术
• 组合优化问题研究
• 人工神经网络体系及其应用
• 分布式人工智能体系及其应用领域分析
• 智能控制理论及应用研究
• 智能仿真技术分析
• 智能化计算机辅助设计方法研究
• 智能化教学辅助系统研究（补充说明：这里的表述更加具体）

• 动态规划算法改进型的设计方案（补充说明：避免直接使用"动态规划算法的改进方法"）
• 基于细胞学的人工生命研究（补充说明：避免直接使用"人工生命"）

研究的基本内容：

  * 知识表示
  * 机器感知
  * 机器思维
  * 机器学习
  * 机器行为

未来发展趋势表明人工智能将在自动驾驶、医疗以及金融等多个领域不断扩展。随着深度学习与强化学习的进一步发展，在处理复杂任务以及大数据分析方面人工智能的应用前景更加广阔。与此同时，在人工智能技术的实际应用中所涉及的伦理与安全问题将成为未来研究的重要议题。（非书上）

20

名词解释

演绎推理

基于3.1.2节的内容可知，在演绎推理中，我们是从全称命题推导出单称命题的过程。具体而言，在这种逻辑过程中，我们通过从普遍原则导出具体实例的方式得出结论。这属于从一般到个别的推理过程。

基于一组已知为真且明确的事实基础...的过程称为自然演绎推理 。其基本推演规则主要包括P规则、T规则、假言推理和拒取式推演等

规则：

P规则

在推理的任何步骤上都可引入前提。

T规则

在推理过程中，在前一步骤中如果存在一个或多个公式逻辑上必然导致结果为S，则可以在该推理过程中将S纳入到后续的推演步骤中进行处理。

CP规则：

当且仅当任取一个命题R和前提集合时，能够导出S，则能够导出 R→S。

反证法 *

假言推理 ：通过两个假言命题推导出新的假言命题。

p→q，q→r，推导出 p→r。

拒取式推理 ：逻辑谬误，错误地通过否定前件来推导否定后件。

p→q，¬p，推导出 ¬q（错误）。

智能计算

*源自自然界与生物界的运行规律，在其原理基础上人们进行了大量仿生设计工作，并开发出多种求解问题的方法包括人工神经网络系统模糊逻辑系统以及遗传算法等这些方法统称为智能计算也被广泛认为是计算智能的基础框架。

启发式搜索

• 基于特定领域内的知识基础，在动态分析过程中根据具体情况灵活确定调用操作算子的顺序，并倾向于选择那些在当前环境下表现更为有效的操作算子序列。通过最大限度地减少不必要的探索空间，在最短时间内实现问题解决方案的目标。（利用启发信息的搜索过程）
• 与之相对的是盲目搜索，在缺乏对特定问题深入了解的情况下必须按照既定程序（依次或随机调用操作算子）执行探查过程。

前束范式

• 所有量词（∀、∃）均位于公式的最前端。
• 该过程应与教材中将公式转化为前束形式的步骤相对应。

简答题

模糊推理中模糊关系的合成有哪些方法？

简述产生式系统的工作过程。

（1）从规则库中选择与综合数据库中的已知事实进行匹配。

（2）匹配成功的规则可能不止一条，进行冲突消解。

（3）当执行某条规则时，若其后部包含一个或多个结果，则将这些结果整合进综合数据库中；若其后部包含一个或多个动作，则实施这些动作。

（4）在执行每一条规则的过程中，并非没有考虑前提条件和后置步骤；而是需要严格按照既定程序进行操作；同时，在实际应用中需要注意以下几点：第一点是关于数据质量的问题；第二点是关于模型适用性的问题；第三点则是关于结果解释性的问题；第四点则是关于结果可信度的问题；第五点则是关于结果可操作性的问题；第六点则是关于结果可扩展性的问题；第七点则是关于结果可持续性的问题；第八点则是关于结果安全性和合规性问题等等。

（5）检查综合数据库中是否包含了最终结论，决定是否停止系统的运行。

简述Agent合同网的协商过程。

* 不在考试范围

问答题

用一阶谓词公式表示下列关系

有一个人是所有人的经理。

∃x∀y Manager(x,y)

某些人对食物过敏。

∃x Allergy(x,food)

喜欢读《红楼梦》的人，一定喜欢读《京华烟云》。

∀x (Likes(x,“红楼梦”)→Likes(x,“京华烟云”))

有些大学生运动员是国家选手。

∃x(StudentAthlete(x)∧NationalPlayer(x))

不是每个软件学院的学生喜欢在开发板上编程。

¬∀x (Student(x)∧From(x,“软件学院”)→LikesProgramming(x,“开发板”))

假设所有获得计算机考试通过并获奖的人都是快乐的。假设任何愿意学习或运气好的人都能取得所有考试的通过。小张不愿意学习但却非常幸运。通过归结法证明：小张是快乐的人。

这题为我们提供了指导，在逻辑推理过程中指出了一些需要注意的要点：即在归一化过程中某些子表达式是可以重复使用的,而另一些则仅需使用一次即可满足要求。如果遇到无法直接得出结论的情况,建议你可以先试着通过分析题目条件一步步推导出最终答案,按照解题步骤进行归纳总结即可完成任务。这也提醒我们切勿自以为是,许多看似简单的题目如果不主动动手分析可能会遇到意想不到的问题

21

名词解释

知识发现

从数据库中发现知识

双倍体遗传算法

该方法基于遗传算法实现优化，在运用显性和隐性的染色体时同时完成进化过程

简答题

人工智能的发展经历了哪几个阶段，分别有什么特点

孕育阶段（1956年前）

特点： * 这一阶段并非人工智能的正式诞生期，但为人工智能的诞生奠定了理论和技术基础。人类自古以来就尝试通过各种机械装置来替代或增强人类的脑力劳动。
* 古代的自动机械、算盘、逻辑学、图灵机等思想和发明都对后来的人工智能产生了影响。
* 重要事件：
* 图灵机（Turing Machine） ：艾伦·图灵提出的“图灵机”理论（1936年）为后来的计算机科学和人工智能奠定了基础。
* 图灵测试（Turing Test） ：图灵在1950年提出的“图灵测试”作为判断机器是否具备智能的标准，也为人工智能研究提供了理论框架。

形成阶段（1956-1969）

特点： *

当前阶段中人工智能概念逐渐清晰地形成，在这一时期中学术界对这一现象引起了广泛关注与深入探讨。研究者们正在探讨机器是否能够达到类似人类的认知能力，并试图理解其背后的基本原理。

在1956年时, 人工智能被正式命名为一个学科领域, 并逐渐发展成为独立的研究方向. 这一时期被视为人工智能发展的初期阶段, 在此期间学术界与研究机构积极投身于人工智能领域的探索与研究.

重要事件：

1956年达特茅斯人工智能研究会议 上，约翰·麦卡锡、艾伦·纽厄尔教授与赫伯特·西蒙博士等学者首次系统性地提出并明确定义了"人工智能"的概念，并主张所有智能行为均可以通过机器模拟实现。

符号主义（Symbolic AI） ：该时期的机器智能研究主要依赖于symbolic AI方法论，在这种框架下研究者们普遍认为人类智能的本质是基于符号的操作，并且特别关注计算机系统如何有效地表示并处理这些符号信息。

早期程序和系统 ：

• 逻辑理论家（Logic Theorist） ：是由艾伦·纽厄尔与赫伯特·西蒙所开发的程序之一； * 通用问题求解器（General Problem Solver） ：也是由纽厄尔与西蒙所研发的一种旨在模拟人类解决问题过程的经典工具。

发展阶段（1970年以后）

特点： * 随着计算机硬件性能的提升和技术算法的进步, 人工智能研究已进入一个较为成熟的发展阶段, 并在知识表示与推理等核心领域取得了显著进展。

• 这一阶段的人工智能应用逐渐向各个领域延伸, 如医疗诊断、工业自动化控制等实际应用场景中得到广泛应用。
• 然而, 由于计算能力和现有算法的局限性, 人工智能技术仍面临诸多瓶颈问题, 特别是在解决复杂问题方面的能力仍有待提升, 经常被称为"人工智能寒冬"。
• 关键事件:
  • 专家系统 ：专家系统作为一种模仿人类专家在特定领域中决策过程的有效工具，在这一时期得到了快速发展。具有代表性的系统包括MYCIN（医学诊断系统）。
  • 机器学习与推理 ：该阶段的人工智能研究逐步扩展到了机器学习、搜索算法以及逻辑推理等多个方面, 然而这些研究仍主要停留在理论探索层面。
  • AI寒冬 ：鉴于技术和应用领域的限制因素, 人工智能的研发投入与社会关注度在1970年代末至1980年代初出现明显减少现象, 被视为"人工智能寒冬"的一个重要标志。

大数据驱动人工智能发展期（2011年以后）

特点： * 当前阶段人工智能迎来了新一轮的发展高潮,其背后的关键驱动力在于数据规模的快速增长以及计算能力的大幅提升,特别是在GPU加速计算的帮助下,深度学习等新兴技术的有效应用推动了这一变革。

• **深度学习（Deep Learning）**作为一种重要的机器学习方法,彻底改变了人工智能的主要应用场景,尤其是在图像识别与语音处理等方面展现出了卓越的能力。
• 在这一时期内,人工智能的应用场景得到了前所未有的拓展,不仅覆盖了互联网行业,还深入到了医疗健康、金融投资以及交通运输等多个领域,并在自动驾驶与智能制造等领域实现了广泛的应用。
• 重要事件方面:
  • AlexNet突破 :2012年,AlexNet在ImageNet图像识别大赛中取得了历史性突破,深度卷积神经网络（CNN）的成功应用为深度学习在计算机视觉领域的拓展开辟了新纪元。
  • 大数据支撑 :数据规模的快速增长为深度学习提供了充足的训练样本资源,使得机器学习算法在大规模数据集上的应用取得了显著进展。
  • GPU加速 :图形处理单元（GPU）的强大计算性能极大地提升了深度学习算法的训练效率,使复杂的神经网络模型得以实现与应用。
  • 普及影响 :从语音识别技术如Siri与Alexa到自动驾驶方案如特斯拉与Waymo,从信用评估到智能投资再到医疗诊断中的癌症筛查,人工智能技术正在逐步融入人们生活的方方面面。

总结

人工智能的发展经历了四个主要阶段：

萌芽时期 ：围绕着理论基础与思想萌芽而展开了系统的理论研究。
成长阶段 ：人工智能概念的确立及其初期学术探讨逐步深入和完善。
发展阶段 ：技术革新带来的应用拓展 initially 遭遇了冷冬时期的挑战。
数据驱动成长时期 ：随着深度学习的重大突破以及大数据与图形处理器（GPU）计算的支持，在这一时期人工智能迎来了快速增长的新机遇，并广泛应用于多个新兴领域。

每个阶段的特点和突破，都为人工智能的成熟和现代应用奠定了基础。

简述回溯搜索策略的基本思想

• 请注意，在NP/SP与NS中存在不同的数据结构划分方式：其中open相当于堆（queue），close相当于访问标记。特别地，在NP/SP中的某一点若被识别为死胡同，则会切换到NSS。

（1）用未处理状态表（NPS）使算法能返回（回溯）到其中任一状态。

（2）通过建立一张"死胡同"状态记录表(NSS)，我们可以防止算法在重新搜索过程中浪费时间在无法到达目标的情况。（当遇到某结点作为子树根的情况，并且该子树的所有叶子都不是目标结点时，则将其加入到死胡同表中。如果叶子本身也不是目标结点，则直接将其标记）

在PS表中存储搜索路径的信息状态，在达到目标时可将其作为最终结果返回。

为了避免陷入死循环的情况，请检查新产生的子状态，并判断它是否存在于这三个表格中。

熟悉121面的表如何画

粒子群算法的基本思想

将每个个体视为n维搜索空间中的无质量粒子，在一定速度下运动（其运动方向及移动距离由该速度确定）。这些粒子均具有由优化函数所确定的适应度值

什么是机器学习，简述学习系统的基本结构

使计算机具备模仿人类的学习行为，在主动地通过学习获取知识与技能的过程中持续优化性能，并促进自身发展

大题

* 做这题可以参考90面例4.1
* 几个需要的公式： 

该操作算子为MOVE（X,Y），其功能是将积木X移动至位于其上方的Y位置（其中Y可能是另一块积木或桌面）。该操作算子的使用必须满足以下前提条件：第一，在执行此操作时要求积木X的顶部为空；第二，在目标位置若放置另一块积木，则这一块目标位置上的那块积木也需处于空置状态；第三，在同一状态下不允许重复应用此操作。请绘制基于此规则的操作过程搜索树，并在最终状态时展示open和close列表。

在解题过程中发现，在展开树状结构时：

• 不允许回到父节点的状态
• 也不允许生成已存在的节点

简述你对人工神经网络的理解和看法

*书上第一章：由大量简单的处理单元通过广泛连接组成的结构，在模仿人类大脑的神经结构及其功能的基础上发展起来的人工智能学科分支。在人工智能领域中具有重要研究价值的人工神经网络，在其发展过程中积累了丰富的理论成果与实践经验。人工神经网络已在模式识别技术、图像处理系统以及各种复杂系统优化控制中展现出强大的应用能力，并取得显著的应用效果。

19

名词解释

弱人工智能被定义为一种无法真正实现推理与解决问题的智能机器类型；这类机器表面上表现出智能化特征，并非具备完整的认知能力和自主决策能力；同时也不具备自我意识或自我控制的能力。

DS模型(Dempster-Shafer Theory)

• CF模型（Certainty-Factor Model）
• 以可信度表示法为基础的不确定性推理的核心手段