电子产品可靠性评估方法培训 课程介绍： 作为快速发展的制造企业，产品可靠性的量化评估是一个难题，尤其是机械、电子、软件一体化的产品。针对此需求，本公司开发了《电子产品可靠性评估方法》课程，以期在以基于应力计数法的可靠性预计和分配、基于寿命鉴定的试验评估法两个方面提供对电子产品的评价数据。并在日常管理实践中，通过质量评价的方式，通过设计规范审查、FMEA分析发现评估中的关键问题点，以便更好地改进。 课程收益： 通过本课程的学习，可以了解电子产品的可靠性评估方法以及导致产品可靠性问题的问题点，为后期的质量管理统计和技术部门的解决问题提供工作依据。 课程时间：1天 【主办单位】中国电子标准协会培训中心 【协办单位】深圳市威硕企业管理咨询有限公司 【培训对象】本课程适于质量工程师、质量管理、测试工程师、技术工程师、测试部门等岗位。 课程特点： 讲师是可靠性技术+可靠性管理、军工科研+民品开发管理的综合背景； 课程包括开展可靠性评估工作的技术措施、管理手段，内容和授课方法着重于企业实践技术和学员的消化吸收效果。 课程本着“从实践中来，到实践中去，用实践所检验”的思想，可靠性设计培训面向设计生产实际，针对具体问题，充分结合同类公司现状，提炼出经过验证的军工和民用产品的可靠性
设计实用方法，帮助客户实现低成本地系统可靠性的开展和提升。 课程大纲： 一、可靠性评估基础 可靠性串并联模型 软件、机械、硬件的失效率曲线 可靠性计算 二、基于应力计数法的可靠性预计与分配 依据的标准 基于用户需求的设计输入应力条件 可靠性分配的计算方法和过程 基于应力计数法的可靠性预计 三、寿命鉴定试验评估方法 试验依据标准要求 试验过程 判定方式 四、产品质量与可靠性审查准则 基于失效机理的可靠性预防措施 系统设计准则（热设计、系统电磁兼容设计、接口设计准则） 机械可靠性设计准则 电路可靠性设计准则（降额、电子工艺、电路板电磁兼容、器件选型方法）嵌入式软件可靠性设计准则（接口设计、代码设计、软件架构、变量定义）五、DFMEA与PFMEA过程的潜在缺陷模式及影响分析方法
如何使用贝叶斯网络工具箱 2004-1-7版 翻译：By 斑斑（QQ：23920620） 联系方式：banban23920620@https://www.doczj.com/doc/552299792.html, 安装 安装Matlab源码 安装C源码 有用的Matlab提示 创建你的第一个贝叶斯网络 手工创建一个模型 从一个文件加载一个模型 使用GUI创建一个模型 推断 处理边缘分布 处理联合分布 虚拟证据 最或然率解释 条件概率分布 列表（多项式）节点 Noisy-or节点 其它（噪音）确定性节点 Softmax（多项式 分对数）节点 神经网络节点 根节点 高斯节点 广义线性模型节点 分类 / 回归树节点 其它连续分布 CPD类型摘要 模型举例 高斯混合模型 PCA、ICA等 专家系统的混合 专家系统的分等级混合 QMR 条件高斯模型 其它混合模型
参数学习 从一个文件里加载数据 从完整的数据中进行最大似然参数估计 先验参数 从完整的数据中（连续）更新贝叶斯参数 数据缺失情况下的最大似然参数估计（EM算法） 参数类型 结构学习 穷举搜索 K2算法 爬山算法 MCMC 主动学习 结构上的EM算法 肉眼观察学习好的图形结构 基于约束的方法 推断函数 联合树 消元法 全局推断方法 快速打分 置信传播 采样（蒙特卡洛法） 推断函数摘要 影响图 / 制定决策 DBNs、HMMs、Kalman滤波器等等
安装 安装Matlab代码 1.下载FullBNT.zip文件。 2.解压文件。 3.编辑"FullBNT/BNT/add_BNT_to_path.m"让它包含正确的工作路径。 4.BNT_HOME = 'FullBNT的工作路径'; 5.打开Matlab。 6.运行BNT需要Matlab版本在V5.2以上。 7.转到BNT的文件夹例如在windows下，键入 8.>> cd C:\kpmurphy\matlab\FullBNT\BNT 9.键入"add_BNT_to_path"，执行这个命令。添加路径。添加所有的文件夹在Matlab的路 径下。 10.键入"test_BNT"，看看运行是否正常，这时可能产生一些数字和一些警告信息。（你可 以忽视它）但是没有错误信息。 11.仍有问题？你是否编辑了文件？仔细检查上面的步骤。
大数据环境下的增强学习综述* 仵 博，冯延蓬，孟宪军，江建举，何国坤 （深圳职业技术学院 教育技术与信息中心，广东 深圳 518055） 摘 要：在大数据应用领域，如何快速地对海量数据进行挖掘是当前大数据应用基础研究的热点和难点，也是制约大数据真正应用的关键．而机器学习是解决该问题的有效途径，本文综述抽象增强学习、可分解增强学习、分层增强学习、关系增强学习和贝叶斯增强学习等五类增强学习方法的研究进展，分析了它们的优势和缺点，指出将监督学习或半监督学习与增强学习相结合是大数据机器学习的有效方法． 关键词：大数据；增强学习；维数灾 中图分类号：TP18 文献标志码：B 文章编号：1672-0318（2014）03-0071-05 增强学习（Reinforcement Learning，简称RL）是一种有效的最优控制学习方法，实现系统在模型复杂或者不确定等条件下基于数据驱动的多阶段优化学习控制，是近年来一个涉及机器学习、控制理论和运筹学等多个学科的交叉研究方向．增强学习因其具有较强的在线自适应性和对复杂系统的自学能力，使其在机器人导航、非线性控制、复杂问题求解等领域得到成功应用[1-4]．经典增强学习算法按照是否基于模型分类，可分为基于模型（Model-based）和模型自由（Model-free）两类．基于模型的有TD学习、Q学习、SARSA和ACTOR-CRITIC等算法．模型自由的有DYNA-Q和优先扫除等算法．以上经典增强学习算法在理论上证明了算法的收敛性，然而，在实际的应用领域，特别是在大数据环境下，学习的参数个数很多，是一个典型的NP难问题，难以最优化探索和利用两者之间的平衡[5-8]．因此，经典增强学习算法只在理论上有效． 为此，近年来的增强学习研究主要集中在减少学习参数数量、避免后验分布全采样和最小化探索次数等方面，达到算法快速收敛的目的，实现探索和利用两者之间的最优化平衡．当前现有算法按照类型可分为五类：1）抽象增强学习；2）可分解增强学习；3）分层增强学习；4）关系增强学习；5）贝叶斯增强学习． 1 抽象增强学习 抽象增强学习（Abstraction Reinforcement Learning，简称ARL）的核心思想是忽略掉状态向量中与当前决策不相关的特征，只考虑那些有关的或重要的因素，达到压缩状态空间的效果[9]．该类算法可以在一定程度上缓解“维数灾”问题．状态抽象原理如图1所示． 目前，状态抽象方法有状态聚类、值函数逼近和自动状态抽象等方法．函数逼近方法难于确保增强学习算法能够收敛，采用线性拟合和神经网络等混合方法来实现函数逼近是当前的研究热点和方向．状态聚类利用智能体状态空间中存在的对称性来压缩状态空间，实现状态聚类．自动状态抽象增 深圳职业技术学院学报 2014年第3期 No.3, 2014 收稿日期：2013-10-14 *项目来源：广东省自然科学基金项目（S2011040004769）和深圳市科技研发资金项目（JCYJ20120617134831736） 作者简介：仵 博（1979-），男，河南桐柏人，副教授，博士，主要研究领域为序贯决策、机器学习和大数据. 冯延蓬（1980-），男，山东潍坊人，讲师，硕士，主要研究领域为无线传感器网络、智能决策和大数据. 孟宪军（1979-），男，北京大兴人，助理研究员，博士，主要研究领域为数据挖掘、自然语言处理和机器学习. 江建举（1976-），男，河南内乡人，高级工程师，硕士，主要研究机器人控制、群智能和大数据. 何国坤（1980-），男，广东深圳人，高级工程师，硕士，主要研究领域为软件工程、机器学习和大数据. https://www.doczj.com/doc/552299792.html,- 71 -
可靠性概念理解： 可靠性是部件、元件、产品、或系统的完整性的最佳数量的度量。可靠性是指部件、元件、产品或系统在规定的环境下、规定的时间内、规定条件下无故障的完成其规定功能的概率。从广义上讲，“可靠性”是指使用者对产品的满意程度或对企业的信赖程度。 可靠性的技术是建立在多门学科的基础上的，例如：概率论和数理统计，材料、结构物性学，故障物理，基础试验技术，环境技术等。 可靠性技术在生产过程可以分为：可靠性设计、可靠性试验、制造阶段可靠性、使用阶段可靠性、可靠性管理。我们做的可靠性评估应该就属于使用阶段的可靠性。 机床的可靠性评定总则在GB/T23567中有详细的介绍，对故障判定、抽样原则、试验方式、试验条件、试验方法、故障检测、数据的采集、可靠性的评定指标以及结果的判定都有规范的方法。对机床的可靠性评估时，可以在此基础上加上自己即时的方法，做出准确的评估和数据的收集。 可靠性研究的方法大致可以分为以下几种： 1）产品历史经验数据的积累； 2）通过失效分析（Failure Analyze）方法寻找产品失效的机理； 3）建立典型的失效模式； 4）通过可靠性环境和加速试验建立试验数据和真实寿命之间的对应关系；5）用可靠性环境和加速试验标准代替产品的寿命认证； 6）建立数学模型描述产品寿命的变化规律； 7）通过软件仿真在设计阶段预测产品的寿命； 大致可把可靠性评估分为三个阶段：准备阶段、前提工作、重点工作。 准备阶段：数据的采集（《数控机床可靠性试验数据抽样方法研究》北京科技大学张宏斌） 用于收集可靠性数据, 并对其量化的方法是概率数学和统计学。在可靠性工程中要涉及到不确定性问题。我们关心的是分布的极尾部状态和可能未必有的载荷和强度的组合, 在这种情形下, 经常难以对变异性进行量化, 而且数据很昂贵。因此, 把统计学理论应用于可靠性工程会更困难。当前，对于数控机床可靠性研究数据的收集方法却很少有人提及, 甚至可以说是一片空白。目前, 可靠性数据的收集基本上是以简单随机抽样为主, 甚至在某些情况下只采用了某一个厂家在某一个时间段内生产的机床进行统计分析。由此所引发的问题就是: 这样收集的数据不能够很好地反映数控机床可靠性的真实状况, 同时其精度也不能够令人满意。 由于现在数控机床生产厂家众多、生产量庞大、机床型号多以及成产的批次多，这样都对数据的收集带来了很大的困难。因此，在数据采样时： （1）必须采用合理的抽样方法来得到可靠性数据; （2）简单随机抽样是目前普遍应用的抽样方法,但是必须抽取较大的样本量才能够获得较高的精度和信度; 针对以上的特点有三种数据采集的方法可以选择：简单随机抽样、二阶抽样、分层抽样。 （1）简单随机抽样：从总体N个单元中，抽取n个单元，保证抽取每个单元或者几个单元组合的概率相等。
阅读总结 1、目前（无线）网络故障的检测、预防和根因分析有哪些框架、方 法和工具？ 1）方法：告警关联（alarm correlation） 系统：IMPACT（利用了告警关联），可用于告警过滤（context-dependent alarm filtering）、告警泛化（alarm generalization）、网络错误诊断、产生纠正的行为（generation of corrective actions）、主动维护（proactive maintenance）、网络行为趋势分析。 ——出自《Alarm Correlation》2）系统：ANSWER，可用于告警过滤，智能告警交付 ——出自《ANSWER: Network Monitoring Using Object-Oriented Rules》3）系统：Max和Opti-Max系统，用于定位本地环路中的问题 工具：Trouble Locator，用于定位有线电话网络中的问题。 工具：TASA，发现频繁发生的警报事件（告警模式） 系统：4ESS-ES，针对4ESS开关的网络管理（执行诊断测试和过滤警报），已被ANSWER替代。 系统：Scout，通过数据挖掘来发现网络错误 方法：挖掘时序数据来预测通信设备错误 ——出自《Intelligent Telecommunication Technologies》4）系统：Timeweaver，从网络告警日志信息中识别预测通信设备故障。 ——出自《Timeweaver: a Genetic Algorithm for Identifying Predictive Patterns in Sequences of Events》 2、实现这些的关键技术有哪些？用到数据挖掘、知识发现、机器学 习、以及人工智能的哪些算法？ 1）告警关联用到了基于MBR（Model-based Reasoning）的方法 2）ANSWER采用了基于规则和面向对象的技术 3）Max(Maintenance administrator expert)系统是基于规则的专家系统 4）Trouble Locator应用了数据挖掘的贝叶斯网络和贝叶斯推导 5）TASA应用的技术是知识发现的关联规则 6）4ESS-ES是专家系统 7）Scout使用机器学习和关联技术来挖掘历史通信数据 8）Timeweaver应用了遗传算法。 规则导出和贝叶斯网络是两种广泛用于通讯产业的数据挖掘方法。决策树和
基于贝叶斯网络的人因可靠性评价 * 孙 旋1,2 牛秦洲1 教授 徐和飞1 巫世晶2 秦 明2 黄河潮 3 (1桂林工学院电子计算机系,桂林541004 2武汉大学动力与机械学院,武汉430072 3香港城市大学建筑系) 学科分类与代码:620.20 中图分类号:X914 文献标识码:A =摘 要> 提出一种贝叶斯网络的人因可靠性评价(HRAB N)方法,其中的每个因子对应于贝叶斯网络中的节点,该方法可对人因可靠性作定量分析和定性分析。在定性分析上,节点的因果关系(HRA 中的因子关系)及需要改进的薄弱节点都直观地显示在层次图中;在定量分析方面,对节点因子后验概率的推断通过HRA 中的先验信息(包含仿真数据、现场操作及专家知识等)和最新信息得到。如果人因可靠性贝叶斯网络中的每个节点的先验概率分布和后验概率分布都已知,模型的可信性就可通过贝叶斯因子进行定量验证。贝叶斯网络扩展性好,当有新的节点因子需要考虑时,只需要补充对应的节点;笔者的方法也能很好地应用在不同行业的HRA 。 =关键词> 人因可靠性分析(HRA); HRA 模型; 模型的可信性; 贝叶斯网络; 贝叶斯因子 Human Reliabili ty Assessment Based on Bayesian Networks SUN Xuan 1 NIU Qin -zhou 1,Prof. XU He -fei 1 W U Sh -i jing 2 QIN Ming 2 HUANG He -chao 3 (1Department of Computer,Guilin University of Technology,Guilin 541004,China 2School of Mechanical &Po wer Engineering,Wuhan University,Wuhan 430072,China 3Department of Architecture,City University of Hong Kong,Hong Kong,China) Abstract: A human reliability assessment method using Bayesian networks is presented,in which each factor in the human reliability assessment corresponds to a node in the Bayesian networks,and could be used in qual-i tative and quantitative analyses.In the qualitative analysis,the causality of the nodes (the factors in the HRA)and the weak points need to be improved will be shown directly through hierarchical graph.In the quantitative analysis,the posterior probability (the potential factor)is inferred by the prior information (including simulation data,onsite experience data and e xpertise kno wledge)and latest information of HRA.A certain potential human actions could be predicted by mathe matical expectation of the node .s posterior probability.The c onfidence of the model of HRAB N might be quantitatively analyzed if the prior probability distribution and posterior probability distribution of every node were known.In addition,the flexibility of Bayesian networks is well,only corre -sponding nodes are added when new factors must be taken into account.The method could be well applied to every aspect in HRA. Key w ords: Human Reliability Analysis(HRA); model of HRA; c onfidence of model; Bayesian networks; Bayesian factor 第16卷第8期 2006年8月 中国安全科学学报Chi na Safety Science Journal Vol .16No .8 Aug .2006 文章编号:1003-3033(2006)08-0022-06; 收稿日期:2006-02-21; 修稿日期:2006-07-28
《人工智能理论与应用》课程简介 课程编号：A0940111 课程名称：人工智能理论与应用 学分/学时：3/48 先修课程：《数据结构》、《离散数学》和《高级程序设计语言》 适用专业：计算机科学与技术 课程性质：限选 考核方式：考查 考核形式：大作业、实验评估 建议教材：人工智能教程，王士同主编，电子工业出版社，2006年2月第2版 内容简介：（200字以内）（黑体五号） 1、人工智能研究的发展和基本原则：人工智能的研究和应用；人工智能研究的发展；人工智能研究的成果；人工智能研究的基本原则；存在的问题和发展前景 2、一般图搜索：回溯策略、图搜索策略、无信息搜索过程、启发式图搜索过程、搜索算法讨论。 3、与或图搜索问题：与或图的搜索、与或图的启发式搜索算法AO*、博弈树的搜索。 4、谓词逻辑与归结原理：命题逻辑、谓词逻辑基础、谓词逻辑归结原理、HERBRAND定理。 5、知识表示：知识、知识表示、知识观、产生式表示方法、语义网络表示、框架表示以及其他表示方法。 6、不确定性推理方法：不确定性推理的基本问题、贝叶斯网络、主观贝叶斯方法、确定性方法、证据理论。 7、机器学习：机器学习概论、实例学习、基于解释的学习、决策树学习、神经网络学习、知识发现与数据挖掘。 8、高级搜索：基本概念、局部搜索算法、模拟退火算法、遗传算法等。
人工智能理论与应用 Artificial Intelligence Theory and Application 课程编号：A0940111 学分：3 学时：48 学时（讲课学时：32 实验学时：16） 先修课程：《数据结构》、《离散数学》和《高级程序设计语言》 适用专业：计算机科学与技术 建议教材：人工智能教程，王士同主编，电子工业出版社，2006年2月第2版 主要参考书： （1）高等学校规划教材:人工智能原理及其应用电子工业出版社王万森 2012 （2）人工智能及其应用(第4版) 蔡自兴、徐光祐清华大学出版社 2010 开课学院：计算机科学与工程学院 修订日期：2015年4月 一、课程说明（黑体五号） 人工智能是一门综合性前沿学科，是计算机学科的重要分支。通过对人工智能课程的学习，使学生掌握人工智能技术的基本原理；了解启发式搜索策略、与或图搜索问题、谓词逻辑与归结原理、知识表示、不确定性推理方法、机器学习和知识发现等目前人工智能的主要研究领域的原理、方法和技术；增强学生的逻辑思维与实验能力，为今后在各自领域开拓高水平的人工智能技术应用奠定基础。 二、课程目标（黑体五号）（需对应于本专业2014级培养方案中的毕业要求进行细化分解） 根据课程在知识结构中的作用，教学要求分为掌握、熟悉、了解、选学四个层次，具体要求如下。 1．掌握部分:一般图搜索（回溯策略、图搜索策略、无信息搜索过程、启发式图搜索过程）；与或图搜索问题包括与或图的启发式搜索算法AO*、博弈树的搜索；谓词逻辑与归结原理（谓词逻辑归结原理、HERBRAND定理）；知识表示（产生式表示方法、语义网络表示、框架表示）；不确定性推理方法（不确定性推理的基本问题、贝叶斯网络、主观贝叶斯方法、确定性方法）(对应毕业要求中的、、 2．熟悉部分： 不确定性推理方法之证据理论；机器学习（机器学习概论、实例学习、基于解释的学习、决策树学习、神经网络学习）。(对应毕业要求中的、
3.1 贝叶斯网络构建算法 算法3.1：构建完全连接图算法 输入：样本数据D ；一组n 个变量V={V l ，V 2，…，V n }变量。 输出：一个完全连接图S 算法： 1、 连接任意两个节点，即连接边 L ij=1，i ≠j 。 2、 为任一节点V i 邻接点集合赋值，B i= V\{V i }。 算法3.2：构建最小无向图算法 输入：样本数据D ；一组n 个变量V={V l ，V 2，…，V n }变量。及算法3.1中得到的邻接点集B i ，连接边集 L ij 先验知识：节点V i ,V j 间连接边是否存在 变量说明：L 为连接边，|L|=n(n –1)/2为连接边的数量，B i 表示变量V i 的直接邻近集，|B i |表示与变量B i 相邻的变量数。(V i ⊥V j |Z)表示V i 和V j 在Z 条件下条件独立，设∧(X ，Y)表示变量X 和Y 的最小d-分离集。 输出：最小无向图S 1、根据先验知识，如果V i 和V j 不相连接，则L ij =0 . 2、对任一相连接边，即L ij ≠0，根据式（3-12）计算互信息I （V i ,V j ） ),(Y X I =))()(|),((y p x P y x p D =????? ?)()(),(log ),(Y p X p Y X p E y x P (3-12) if I （V i ,V j ）ε≤ then { L ij =0 //V i 和V j 不相连接 B i= V\{V j }, B j= V\{V i } //调整V i 和V j 邻接集 } else I ij = I （V i ,V j ） //节点V i 和V j 互信息值 3、对所有连接边，并按I ij 升序排序 4、如果连接边集L ij 不为空，那么按序选取连接边L ij ,否则 goto 10 if |B i |≥ |B j |，令Z= B i else Z= B j //为后面叙述方便，这里先假设|B i |≥ |B j | 5、逐一计算L ij 的一阶条件互信息I(V i ,V j |Z 1)，Z 1={Y k }, Y k ∈Z, if I(V i ,V j |Z 1)ε≤ then { L ij =0 //V i 和V j 关于Z 1条件独立 B i= V\{V j }, B j= V\{V i } //调整V i 和V j 邻接集 d ij = Z 1 //L ij 最小d 分离集为Z 1 goto 4
addpath(genpathKPM(pwd)) N = 4; dag = zeros(N,N); C = 1; S = 2; R = 3; W = 4; dag(C,[R S]) = 1; dag(R,W) = 1; dag(S,W)=1; discrete_nodes = 1:N; node_sizes = 2*ones(1,N); bnet = mk_bnet(dag, node_sizes, 'discrete', discrete_nodes); onodes = []; bnet = mk_bnet(dag, node_sizes, 'discrete', discrete_nodes, 'observed', onodes); bnet = mk_bnet(dag, node_sizes, 'names', {'cloudy','S','R','W'}, 'discrete', 1:4); C = https://www.doczj.com/doc/552299792.html,s('cloudy'); % https://www.doczj.com/doc/552299792.html,s是一个关联数组； bnet.CPD{C} = tabular_CPD(bnet, C, [0.5 0.5]); CPT = zeros(2,2,2); CPT(1,1,1) = 1.0; CPT(2,1,1) = 0.1; CPT = reshape([1 0.1 0.1 0.01 0 0.9 0.9 0.99], [2 2 2]); bnet.CPD{W} = tabular_CPD(bnet, W, 'CPT', [1 0.1 0.1 0.01 0 0.9 0.9 0.99]); bnet.CPD{C} = tabular_CPD(bnet, C, [0.5 0.5]); bnet.CPD{R} = tabular_CPD(bnet, R, [0.8 0.2 0.2 0.8]); bnet.CPD{S} = tabular_CPD(bnet, S, [0.5 0.9 0.5 0.1]); bnet.CPD{W} = tabular_CPD(bnet, W, [1 0.1 0.1 0.01 0 0.9 0.9 0.99]); figure draw_graph(dag)
人工智能复习参考（2012工程硕士） 第1部分绪论 什么是人工智能？试从学科和能力两方面加以说明。 答：从学科方面定义：人工智能是计算机科学中涉及研究、涉及应用智能机器的一个分支。它的近期主要目标在于研究用机器来模范和执行人脑的某些智力功能，并开发相关理论和技术。从能力方面定义：人工智能是智能机器所执行的通常与人类智能有关的智能行为，如判断、推理、证明、识别、感知、理解、通信、设计、思考、规划、学习和问题求解等思维活动。 在人工智能的发展过程中，有哪些思想和思潮起了重要作用？ 答：1)数理逻辑和关于计算本质的新思想, 提供了形式推理概念与即将发明的计算机之间的联系。 2)1956年第一次人工智能研讨会召开, 标志着人工智能学科的诞生. 3)控制论思想把神经系统的工作原理与信息理论、控制理论、逻辑以及计算联系起来。影响了许多早期人工智能工作者，成为他们的指导思想。 4)计算机的发明发展, 5)专家系统和知识工程 6)机器学习、计算智能、人工神经网络和行为主义研究, 推动人工智能研究的进一步发展。 为什么能够用机器（计算机）模仿人的智能？ 答：物理符号系统的假设：任何一个系统，如果它能够表现出智能，那么它就必定能执行输入符号、输出符号、存储符号、复制符号、建立符号结构、条件性迁移6种功能。反之，任何系统如果具有这6种功能，那么它就能够表现出智能(人类所具有的智能)。 物理符号系统的假设伴随有3个推论。 推论一: 既然人具有智能，那么他(她)就一定是个物理符号系统。 推论二: 既然计算机是一个物理符号系统，它就一定能够表现出智能。 推论三: 既然人是一个物理符号系统，计算机也是一个物理符号系统，那么我们就能够用计算机来模拟人的活动。 人工智能的主要研究内容和应用领域是什么？其中，哪些是新的研究热点？ 答：研究和应用领域：问题求解(下棋程序)，逻辑推理与定理证明(四色定理证明)，自然语言理解，自动程序设计，专家系统，机器学习，神经网络，机器人学(星际探索机器人)，模式识别(手写识别，汽车牌照识别，指纹识别)，机器视觉(机器装配，卫星图像处理)，智能控制，智能检索，智能调度与指挥(汽车运输高度，列车编组指挥)，系统与语言工具 新的研究热点：概率图模型（隐马尔可夫模型、贝叶斯网络）、统计学习理论(SLT) & 支持向量机(SVM)、数据挖掘与知识发现(超市市场商品数据分析)，人工生命 人工智能的发展对人类有哪些方面的影响？试结合自己了解的情况和理解，从经济、社会和文化等方面加以说明？1、人工智能对经济的影响：人工智能系统的开发和应用，已为人类创造出可观的经济效益，专家系统就是一个例子。随着计算机系统价格的继续下降，人工智能技术必将得到更大的推广，产生更大的经济效益。 2、人工智能对社会的影响：劳务就业问题；社会结构变化；思维方式与观念的变化；心理上的威胁；技术失控的危险。 3、人工智能对文化的影响：改善人类知识；改善人类语言；改善文化生活。 试评述人工智能的未来发展。 答：我认为主要有以下两个发展方向：1、计算机能直接而人类大脑实现人机交流。借助以上技术，人类可以用思维控制自己想看到的，想听到的，使媒体技术中的感官媒体更真实化，对虚拟的事物不仅可以看见听见，更可以摸得，闻得着。同时电脑可以进一步辅助人类做出一定的判断，储存大量信息，甚至可以以身体为媒介，执行电脑程序，是人类更快的学会各种技巧，掌握更多知识。同时，提高了生物验证的渠道，比如利用DNA染色体作为密码的载体，相信是很难伪造的。2、电脑拥有机器思维：机器学会人类的思维方式，帮助人更好的思考问题。 第2部分知识表示 什么是知识？知识的要素有哪些？知识的表示方法有哪些？ 答：Feigenbaum：知识是经过削减、塑造、解释和转换的信息。简单地说，知识是经过加工的信息。Bernstein：知识是由特定领域的描述、关系和过程组成的。Hayes-Roth：知识是事实、信念和启发式规则。从知识库的观点看，知识是某领域中所涉及的各有关方面的一种符号表示。 知识的要素有：事实：有关问题环境的一些事物的知识，常以“…是…”的形式出现。规则：有关问题中与事物的行动、动作相联系的因果关系知识，是动态的，常以“如果…那么…”形式出现。控制：有关问题的求解步骤、技巧性
贝叶斯方法评估系统（产品）的可靠性 用随机抽样进行统计分析计算的可靠性评估方法很多，而且都已标准化。但都要专门进行长时间的可靠性试验。这里介绍应用贝叶斯方法，推导了产品在研制中的增长评定方程式，充分利用产品在研制过程中和各现场试验信息，进行多母体统计分析，导出一种通用的故障率计算方程式，利用本方程式计算故障率，不仅简单、方便和经济，而且计算结果更符合产品的实际。 1 贝叶斯法可靠性评估模型 设产品研制分为m 个阶段，或产品的可靠性有m 次改进（一般m ＝2或m ＝3），每个阶段产品的故障率为λ1、λ2···λm ，且有λ1>λ2>···>λm ，各阶段的试验信息为（г1，r 1）、(г2，r 2)···(гm ，r m )，其中τi 和r i 分别为I 阶段的试验时间和故障数。根据贝叶斯公式，产品在（г1，r 1）···(гm ，r m )条件下，λ的分布密度函数由条件分布密度表示为： f[λ1···λm /(г1，r 1) ···(гm ，r m )] f[(г1，r 1) ···(гm ，r m ) ·λ1·λ2···λm ] = f[(г1，r 1) ···(гm ，r m )] 式中：f[λ1···λm /(г1，r 1) ···(гm ，r m )]为验后密度函数。 f （λ1···λm ）为验前分布函数 f[(г1，r 1) ···(гm ，r m )/ λ1···λm ]为似然函数 f[(г1，r 1) ···(гm ，r m )]为(г1，r 1) ···(гm ，r m )的边缘密度函数。 假设验前分布函数已知，通过贝叶斯公式可求得验后密度函数，进而可求得m 阶段故障率的密度函数f(λm )，最后可求得m 阶段产品故障率上限λmu 。 设产品寿命服从指数分布。在这种假设下，产品的验前分布为伽玛函数，即 f(λ1···λm )=∏=m i 1 ( λτ10000)-Γr r i r （e －r i 0λ ) 式中г0、r 0为验前分布参数。 似然函数为： f[(г1，r 1) ···(гm ，r m )/ λ1···λ m ] = ∏ =m i 1 ( λ τ r r i i i i i r )11 +Γ+（e － r i i λ) [(г1，r 1) ···(гm ，r m )]的边缘密度函数为： f[(г1，r 1) ···(гm ，r m )] =?? ∞ ∞ λm 0···?∞ λ2 (f λ1···λm ) · f[(г1，r 1) ···(гm ，r m )/ λ1···λm ]d λ1···d λm 经推导，验后密度函数为： f[(г1，r 1) ···(гm ，r m )/ λ1···λm ]
贝叶斯网络 2007-12-27 15:13 贝叶斯网络 贝叶斯网络亦称信念网络(Belief Network)，于1985 年由Judea Pearl 首先提出。它是一种模拟人类推理过程中因果关系的不确定性处理模型，其网络拓朴结构是一个有向无环图(DAG)。它的节点用随机变量或命题来标识，认为有直接关系的命题或变量则用弧来连接。例如，假设结点E 直接影响到结点H，即E→H，则建立结点E 到结点H 的有向弧(E,H)，权值(即连接强度)用条件概率P(H/E)来表示，如图所示： 一般来说，有 n 个命题 x1,x2,,xn 之间相互关系的一般知识可用联合概率分布来描述。但是，这样处理使得问题过于复杂。Pearl 认为人类在推理过程中，知识并不是以联合概率分布形表现的，而是以变量之间的相关性和条件相关性表现的，即可以用条件概率表示。如 例如，对如图所示的 6 个节点的贝叶斯网络，有 一旦命题之间的相关性由有向弧表示，条件概率由弧的权值来表示，则命题之间静态结构关系的有关知识就表示出来了。当获取某个新的证据事实时，要对每个命题的可能取值加以综合考查，进而对每个结点定义一个信任度，记作 Bel(x)。可规定 Bel(x) = P(x=xi / D) 来表示当前所具有的所有事实和证据 D 条件下，命题 x 取值为 xi 的可信任程度，然后再基于 Bel 计算的证据和事实下各命题
的可信任程度。 团队作战目标选择 在 Robocode 中，特别在团队作战中。战场上同时存在很多机器人，在你附近的机器人有可能是队友，也有可能是敌人。如何从这些复杂的信息中选择目标机器人，是团队作战的一大问题，当然我们可以人工做一些简单的判断，但是战场的信息是变化的，人工假定的条件并不是都能成立，所以让机器人能自我选择，自我推理出最优目标才是可行之首。而贝叶斯网络在处理概率问题上面有很大的优势。首先，贝叶斯网络在联合概率方面有一个紧凑的表示法，这样比较容易根据一些事例搜索到可能的目标。另一方面，目标选择很容易通过贝叶斯网络建立起模型，而这种模型能依据每个输入变量直接影响到目标选择。 贝叶斯网络是一个具有概率分布的有向弧段（DAG）。它是由节点和有向弧段组成的。节点代表事件或变量，弧段代表节点之间的因果关系或概率关系，而弧段是有向的，不构成回路。下图所示为一个简单的贝叶斯网络模型。它有 5 个节 点和 5 个弧段组成。图中没有输入的 A1 节 点称为根节点，一段弧的起始节点称为其末节点的母节点，而后者称为前者的子节点。 简单的贝叶斯网络模型 贝叶斯网络能够利用简明的图形方式定性地表示事件之间复杂的因果关系或概率关系，在给定某些先验信息后，还可以定量地表示这些关系。网络的拓扑结构通常是根据具体的研究对象和问题来确定的。目前贝叶斯网络的研究热点之一就是如何通过学习自动确定和优化网络的拓扑结构。 变量 由上面贝叶斯网络模型要想得到理想的目标机器人，我们就必须知道需要哪些输入变量。如果想得到最好的结果，就要求我们在 Robocode 中每一个可知的数据块都要模拟为变量。但是如果这样做，在贝叶斯网络结束计算时，我们会得到一个很庞大的完整概率表，而维护如此庞大的概率表将会花费我们很多的系统资源和计算时间。所以在开始之前我们必须要选择最重要的变量输入。这样从比赛中得到的关于敌人的一些有用信息有可能不会出现在贝叶斯网络之内，比如速
摘要: 本文主要介绍了贝叶斯网的基本概念以及重要性抽样方法的基本理论和概率推理, 重点介绍了两种重要的抽样方法, 即逻辑抽样方法和似然加权法, 并且比较了它们的优缺点 关键词: 贝叶斯网 抽样法 无偏估计 1．引言 英国学者T.贝叶斯1763年在《论有关机遇问题的求解》中提出一种归纳推理的理论, 后被一些统计学者发展为一种系统的统计推断方法, 称为贝叶斯方法．采用这种方法作统计推断所得的全部结果, 构成贝叶斯统计的内容．认为贝叶斯方法是唯一合理的统计推断方法的统计学者, 组成数理统计学中的贝叶斯学派, 其形成可追溯到 20世纪 30 年代．到50～60年代, 已发展为一个有影响的学派．Zhang 和Poole 首先提出了变量消元法, 其原理自关于不定序动态规划的研究（Bertele and Brioschi,1972）．相近的工作包括D`Ambrosio （1991）、Shachter （1994）、Shenoy （1992）等人的研究．近期关于变量消元法的研究可参见有关文献【1】由于变量消元法不考虑步骤共享, 故引进了团树传播法, 如Hugin 方法．在实际应用中, 网络节点往往是众多的, 精确推理算法是不适用的, 因而近似推理有了进一步的发展. 重要性抽样法（Rubinstein, 1981）是蒙特尔洛积分中降低方差的一种手段, Henrion （1988）提出了逻辑抽样, 它是最简单也是最先被用于贝叶斯网近似推理的重要性抽样算法. Fung 和Chang （1989）、Shachter 和Peot （1989）同时提出了似然加权算法. Shachter 和Peot （1989）还提出了自重要性抽样和启发式重要性抽样算法. Fung 和Favero （1994）提出了逆序抽样（backward sam-pling ）, 它也是重要性抽样的一个特例. Cheng 和Druzdzel （2000）提出了自适应重要性抽样算法, 同时也给出了重要性抽样算法的通用框架, 这就是各种抽样方法的发展状况. 本文就近似推理阐述了两种重要的抽样方法即逻辑抽样方法和似然加权法, 并比较了它们的优缺点． 2. 基本概念 2.1 贝叶斯网络的基本概念 贝叶斯网络是一种概率网络, 用来表示变量之间的依赖关系, 是带有概率分布标注的有向无环图, 能够图形化地表示一组变量间的联合概率分布函数． 贝叶斯网络模型结构由随机变量（可以是离散或连续）集组成的网络节点, 具有因果关系的网络节点对的有向边集合和用条件概率分布表示节点之间的影响等组成．其中节点表示了随机变量, 是对过程、事件、状态等实体的某些特征的描述; 边则表示变量间的概率依赖关系．起因的假设和结果的数据均用节点表示, 各变量之间的因果关系由节点之间的有向边表示, 一个变量影响到另一个变量的程度用数字编码形式描述．因此贝叶斯网络可以将现实世界的各种状态或变量画成各种比例, 进行建模． 2.2重要性抽样法基本理论 设()f X 是一组变量X 在其定义域n X R Ω?上的可积函数．考虑积分 ()()X I f X d X Ω= ? (2.2.1)
8-level Vestigial Side Band (8-VSB) 八级残余边带 A-law Ａ-律 AAL 1 circuit emulation mode AAL1 电路仿真模式 AC signaling 交流信令 ACK cycle 确认周期 ADSL transceiver unit (ATU) ADSL 收发器单元 AFE analog front end 模拟前端 AND 逻辑和 AND gate 和门 APD avalanche photodiode 雪崩光电二极管 ASCII 美国国家信息交换标准代码 ASCII asynchronous support package (AASP) ASCII 异步支持程序包 ASIC cell 专用集成电路单元，专用集成电路组 AT command set AT 命令集 ATM adaptation layer (AAL) ATM 适配层 ATM bearer service ATM 承载电路业务 ATM cell ATM 信元 ATM management objects ATM 管理对象 ATM network integrated processing (NIP) ATM 网络综合处理 ATM switch ATM 交换 Accelerated Hub Architecture 加速中枢架构 Advanced Research Project Agency (ARPA) [ 美国国防部]高级研究计划局Advanced Research Projects Agency Network (ARPAnet) ARPA 网 Advanced SCSI Programming Interface (ASPI) 先进SCSI（小型电脑系统接口）编程接口 Advanced Television Systems Committee (ATSC) 先进电视系统委员会 Aerial Cable 架空电缆 Aloha Aloba 多点同时传送[接入控制技术] American Electronics Association (AEA) 美国电子商联会 American National Standards Institute (ANSI) 美国国家标准学会 American Standard Code for Information Interchange (ASCII) 美国信息交换标准代码 American Wire Gauge (AWG) 美式线计量标准 AppleShare AppleShare 软件 AppleTalk AppleTalk 局域网 AppleTalk control protocol (ATCP) AppleTalk 控制协议 AppleTalk filing protocol (AFP) AppleTalk 文件应用协议 Applied Research Laboratories (ARL) 应用研究实验室 Archie Archie 程序，阿奇程序 Architecture, Open Cooperative Computing (OCCA) 合作开放式运算（体系）结构 Architecture, Scalable Processor (SPARC) 可定标处理器（体系）结构 Ardis Ardis 公共数据通信无线网 Article Number Association(ANA) 英国商品编码协会 Association of Radio Industry Business (ARIB) 无线电工商业协会 Association, American Electronics (AEA) 美国电子商协会