知识总结和概念（知识的基本概念）

2.1.1知识的层次进度：已阅读

人们描述客观世界的数据、信息、知识等具有如下的金字塔型层次结构。

数据

知识处理中的数据不同于通常意义上的 “数”，它具有更广泛的含义。例如，符号3 ，赋予不同的物质就可以代表不同的含义。无论3个人或者3棵树，表达了相同的数量。另外， 颜色属性、尺寸大小等等都可以作为数据进行记录。这里，数据可以定义为：“客观事物的数量、属性、位置及其相互关系等的抽象表示”。

信息

信息是“数据所表示的含义”。如上述同一个数据“3 ”在不同的具体场合代表着不同的含义，可以是人、树或是任何其他的物质，从而获得不同的解释，产生不同的信息。因此，可以这样来表述数据和信息的关系：数据是信息的载体和表示，而信息是对数据的解释。 一般地说，一个信息可用一组描述词及其值来描述：〈描述词1：值1；…；描述词n：值n〉它描述一件事、—个物体或一种现象的有关属性、状态、地点、程度、方式等等。

知识

Feigenbaunm认为知识是经过整理、加工、解释和转换的信息。Bernstein认为它是由特定领域的描述、关系和过程组成的。Hayes Roth则将知识用三维空间来描述，即知识=事实 信念 启发式规则。而从知识库的观点看，知识则是某领域中所涉及的各有关方面、状态的一种符号表示。

目前所认可的定义是：“知识是一个或多个信息的关联”。就是说，知识是把有关信息关联在一起所形成的信息结构。它反映了客观世界中事物的关系，不同事物或者相同事物间的不同关系形成了不同的知识。

元知识

元知识是有关知识的知识，是知识库中的高层知识。包括怎样使用规则、解释规则、校验规则、解释程序结构等知识。元知识存于知识库中，指定可用的数据库资源，并在一个域中确定最为适用的规则组。

2.1.1知识的层次进度：已阅读

人们描述客观世界的数据、信息、知识等具有如下的金字塔型层次结构。

数据

知识处理中的数据不同于通常意义上的 “数”，它具有更广泛的含义。例如，符号3 ，赋予不同的物质就可以代表不同的含义。无论3个人或者3棵树，表达了相同的数量。另外， 颜色属性、尺寸大小等等都可以作为数据进行记录。这里，数据可以定义为：“客观事物的数量、属性、位置及其相互关系等的抽象表示”。

信息

信息是“数据所表示的含义”。如上述同一个数据“3 ”在不同的具体场合代表着不同的含义，可以是人、树或是任何其他的物质，从而获得不同的解释，产生不同的信息。因此，可以这样来表述数据和信息的关系：数据是信息的载体和表示，而信息是对数据的解释。 一般地说，一个信息可用一组描述词及其值来描述：〈描述词1：值1；…；描述词n：值n〉它描述一件事、—个物体或一种现象的有关属性、状态、地点、程度、方式等等。

知识

Feigenbaunm认为知识是经过整理、加工、解释和转换的信息。Bernstein认为它是由特定领域的描述、关系和过程组成的。Hayes Roth则将知识用三维空间来描述，即知识=事实 信念 启发式规则。而从知识库的观点看，知识则是某领域中所涉及的各有关方面、状态的一种符号表示。

目前所认可的定义是：“知识是一个或多个信息的关联”。就是说，知识是把有关信息关联在一起所形成的信息结构。它反映了客观世界中事物的关系，不同事物或者相同事物间的不同关系形成了不同的知识。

元知识

元知识是有关知识的知识，是知识库中的高层知识。包括怎样使用规则、解释规则、校验规则、解释程序结构等知识。元知识存于知识库中，指定可用的数据库资源，并在一个域中确定最为适用的规则组。

2.1.2知识的属性进度：已阅读

知识的属性

真伪性

知识是客观事物及客观世界的反映，它具有真伪性，可以通过实践检验其真伪，或用逻辑推理证明其真伪。

相对性

一般知识不存在绝对的真假，都是具有相对性的。在一定条件下或特定时刻为真的知识，当时间、条件或环境发生变化时可能变成假。

不完全性

知识往往是不完全的。这里的不完全大致分为条件不完全和结论不完全两大类。

不确定性，即模糊性和不精确性。

现实中的知识的真与假，往往并不总是“非真即假”，可能处于某种中间状态，即所谓具有真与假之间的某个“真度”，即模糊度和不精确度。例如“人老了就可能糊涂”，“老了”、“可能”和“糊涂”都是一些模糊概念。在知识处理中必须用模糊数学或统计方法等来处理模糊的或不精确的知识。

可表示性

知识作为人类经验存在于人脑之中，虽然不是一种物质东西，但可以用各种方法表示出来。一般表示方式包括符号表示法、图形表示法和物理表示法。

可存储性、可传递性和可处理性。

既然知识可以表示出来，那么就可以把它存储起来；知识既可以通过书本来传递，也可以通过教师的讲授来传播，还可以通过计算机网络等来传输，知识可以从一种表示形式转换为另一种表示形式；知识一旦表示出来，就可以同数据一样进行处理。

相容性

相容性是关于知识集合的一个属性。即存在于一体（如专家系统的知识库）的所有知识之间应该是相互不矛盾的，即从这些知识出发，不能推出相互矛盾的命题。

知识的分类进度：已阅读

​从知识的确定程度来分，知识可分为确定性知识和不确定性知识两类。

√ 确定性知识是可以给出其真值为“真”或“假”的知识。这些知识是可以精确表示的知识，即可以用经典逻辑命题来描述。不确定性知识是指具有“不确定”特性的知识。

√不确定性的概念包含不精确、不完备和模糊。若知识并非“非真即假”，可能处于某种中间状态，这类知识往往要用模糊命题或模态命题来表达。

知识按其性质分，可分为概念、命题、公理、定理、规则和方法等。知识按其含义分，大致可分为：事实、规则、规律、推理方法。

√事实是对客观事物属性的值的描述。一般这种知识中不含任何变量，可以用一个值为“真”的命题来表达。

√规则是可分解为前提和结论两部分的用以表达因果关系的知识，一般形式为：“如果A则B”，其中A表示前提，B表示结论。规则还可进一步分为不带变量的规则和带变量的规则两种。

√规律是事物之间的内在的必然联系。

知识按其作用分，可分为事实性知识、过程性知识和控制性知识。

√事实性知识（亦称为叙述性知识）是用来描述问题或事物的概念、属性、状态、环境及条件等情况的知识。事实性知识主要反映事物的静态特征，一般采用直接表达形式。

√过程性知识一般由与所求解问题有关的规则、定律、定理及经验来构成。其表示方法主要有产生式规则、语义网络等。

√控制性知识（亦称无知识或超知识）是关于如何运用已有知识进行问题求解的知识，因此，也称为关于知识的知识。例如，问题求解中的推理策略（如正向推理、逆向推理）、搜索策略（如广度优先、深度优先、启发式）和不确定性的传播策略等。

知识按其应用范围可分为常识性知识和领域性知识。

√常识性知识是指通用通识的知识。即人们普遍知道的、适应于所有领域的知识，包括领域问题求解有关的已被接受的定义、事实和各种理论方法。

√领域性知识是指面向某个具体专业的专业性知识，这些知识只有该领域的专业人员才能够掌握和运用它。

知识按其在问题求解过程中的作用可分为静态知识和动态知识两类。

√静态知识主要指对象性知识，是关于问题领域内事物的事实、关系等，它包括了事物的概念、事物的分类、事物的描述等。

√动态知识是关于问题求解的知识，它常常是一种过程，说明怎样操作已有的数据和静态知识以达到问题的求解，是反映动作过程的过程，如一个问题领域内关于推理路径的方向、推理过程、可理解性等方面的知识、启发性方法等。

按知识的层次性可分为表层知识和深层知识。

√表层知识是指客观事物的现象以及这些现象与结论之间关系的知识。例如，经验性知识、感性知识等。表层知识形式简洁、易表达、易理解，但它并不能反映事物的本质。

√深层知识描述客观事物本质、内涵等的知识。例如:理论知识等。

知识按其等级性可分为零级知识、一级知识和二级知识三个层次。

√零级知识是常识性知识和原理性知识，是关于问题领域的事实、定理、方程、实验对象和操作等等。

√一级知识是经验性知识，这是由于零级知识对求解不良结构问题常常失灵，因而出现启发性方法等，如单凭经验的规则，含义模糊的建议，不确切的判断标准等等。

√二级知识是运用上述两级知识的知识。这种知识层次还可以继续划分下去，把零级知识和一级知识称为领域(或目标)知识，把二级以上知识称为元知识。高级知识对低级知识有指导意义。在专家系统设计中，领域知识是必不可少的。

2.1.4知识表示的基本概念进度：已阅读

知识表示的基本概念

一个智能系统的智能性很大程度上取决于知识的数量及其可利用的程度。系统中可利用的知识越多，其智能性就可能越高。知识表示就是研究和解决如何将所需要的知识用适当的形式表示出来并存放到计算机中，即将知识表示成为计算机可以接受的形式。

知识表示方法研究各种数据结构的设计，通过这种数据结构把问题领域的各种知识结合到计算机系统的程序设计过程。

一般来说，对于同一种知识可以采用不同的表示方法，反过来，一种知识表示方法可以表达多种不同的知识。然而，在求解某一问题时，不同的表示方法会产生完全不同的效果。

迄今为止，人们还没有找到一种通用、完善的知识表示模式，知识表示还没有完善的理论可循。

2.1.5知识表示方法的分类进度：已阅读

知识表示方法的分类

​对知识表示方法的研究离不开对知识的研究与认识。由于目前对人类知识的结构及其机制还没有完全搞清楚，因此关于知识表示的理论及其规范尚未建立起来。尽管如此，人们对智能系统的研究及其建立过程中。还是结合具体研究提出了一些知识表示方法。

概括起来，这些方法可以分为如下两大类：符号表示法和连接机制表示法。

√符号表示法是用各种包含具体含义的符号，以各种不同的方式和次序组合起来表示知识的一类方法，它主要用来表示逻辑性知识。

√连接机制表示法是用神经网络技术表示知识的一种方法，它把各种物理对象以不同的方式及次序连接起来，并在其间互相传递及加工各种包含具体意义的信息，以此来表示相关的概念及知识。相对于符号表示法而言，连接机制表示法是一种隐式的表示知识方法，它特别适用于表示各种形象性的知识。

按照控制性知识的组织方式进行分类，表示法可分为：说明性表示法和过程性表示法。

√说明性表示法着重于对知识的静态方面，如客体、事件、事实及其相互关系和状态等，其控制性知识包含在控制系统中；

√ 过程性表示法强调的是对知识的利用，着重于知识的动态方面，其控制性知识全部嵌入于对知识的描述中，且将知识包含在若干过程之中。

目前用得较多的知识表示方法

2.1.6知识表示方法的衡量及特性进度：已阅读

知识表示方法的衡量及特性

既然有诸多的知识表示方法，那么怎样的方法才是合理有效的呢？好的知识表示方法又应当具备怎样的特性呢?下面对此做一讨论。

建立一种知识表示方法，要求有较强的表达能力和足够的精细度。其次，相应于表示方法的推理要保证正确性和效率。从使用者观点看，常常希望满足可读性好，模块性好等要求。

完备性

要求具有表达领域问题所需的各种知识的能力，即要求所采用的知识表示方法具有语法完备性和语义完备性，并便于知识库的检查与调试。目前的大多数知识表示方法都很难满足这一要求。由于专门知识、知识库的特点及建库方法所造成的原因，如果不选择表示能力强的方法，就很难使知识库具有某些有关的甚至是很重要的知识，严重影响专家系统的问题求解能力。

一致性

要求知识库中的知识必须具有一致性，不能相互产生矛盾。几乎所有的专家系统的研制者在开发自己的系统时，都在追求这个目标。由于专家的知识大多是启发性知识，具有不完全性和不确定性。因此，所采用的知识表示必须便于系统进行一致性检查，以便在使用中完善知识库，保证系统的求解质量。

正确性

知识表示必须能真实地反映知识的实际内涵，而不允许有偏差。只有这样，才能保证系统得出正确结论和合理建议。

灵活性

针对不同的专业领域，应当根据具体知识的特点及其自然结构的制约选用不同的知识表示方法。或是用单一方法，或是用混合方法，甚至设计研究新的表示方法，一定要具体问题具体分析，灵活掌握，切忌生搬硬套。

可扩充性

高性能知识库应当不需要作硬件上或控制结构上的修改就能对知识库进行扩充，即要求知识表示模式与运用知识的推理机制相互独立，在专家系统中一般采用知识库与推理机分离的手段来实现这一目的。另一方面，往往专家不能很快地把领域问题的所有知识定义为一个完整的知识库，通常先定义一个子集，不断增加、修改、删除来扩充和完善知识库，这种方法主张将专家系统的知识作为一个开放集来处理，并尽可能地模块化地存储知识条目，便于知识库的扩充。

可理解性

知识表示的可理解性指它表示的知识易于被人们理解的程度。易理解的表示模式的好处是显而易见的，它符合人们的思维习惯，便于知识库研制人员把专家的专门知识整理并形式化，也便于知识库的设计、实现和改进。

可利用性

知识表示的目的在于知识的利用，具体地说就是知识的检索和推理。知识的检索与推理是一种控制知识，在专家系统中，一旦知识表示模式被选定，它们也就相应地被确定下来。因此，所选择的知识表示方法应当便于对知识的利用，其数据结构应力求简单，并保持清晰一致。如果一种表示模式的数据结构过于复杂或者难于理解。使得推理不便于进行匹配、冲突消解以及不确定性的计算等处理，那么就势必影响智能系统的效率及其问题求解的能力。

可维护性

知识需要进行合理的组织，对于知识的组织是与其表示方法密切相关的，不同的表示方法对应于不同的组织方式。这就要求在设计和选择知识表示方法时，充分考虑将要对知识进行的组织方式。此外，知识还需要适当地增补、修改和删除，以保证知识的一致性和完整性，即需要进行知识的管理和维护。因此在选择知识表示方法时还应当充分考虑到知识管理和维护的方便性。

例如，在建造具体专家系统时，应当以有效地表示问题领域的专门知识，便于知识的获取，有利于运用知识进行推理的原则来选择知识表示方法。

,