数理逻辑—推理理论

简介: 数理逻辑—推理理论

正文


1 推理的通俗解释


推理是从前提推出结论的思维过程,前提是指已知的命题公式,结论是指从前提出发应用推理规则推出的命题公式,当推理正确且前提也正确时,结论一定正确。


2 构造证明法——证明推理正确的方法之一


构造证明法是按照给定的规则进行,其中有些规则建立在推理定律(即重言蕴含式)的基础之上。


推理定律:

00000000000000000000000.png

根据公理和上述推理定律,可以得到下面的常用推理规则


000000000000000000.png


其中,A 1 , A 2 , . . . , A k ⊨ B 表示B 是A 1 , A 2 , . . . , A k  的逻辑结论,若A 1 , A 2 , . . . , A k  已经得证,则可以引入B


构造证明法举例

构造下列推理的证明:

前提:p → ( q ∨ r ) , s → ¬ q , p , s

结论:r

证明:


p(qr)(前提引入)

p(前提引入)

qr(①②假言推理)

s¬q(前提引入)

s(前提引入)

¬q(④⑤假言推理)

r(③⑥析取三段论,得证)


2.1 附加前提证明法


结论为蕴含式时适用该技巧,蕴含式的前件即为附加的前提,这时可以将附加的前提作为前提使用。

附加前提证明法举例

构造下列推理的证明:

前提:p → ( q → r ) , ¬ s ∨ p , q

结论:s → r

证明:

¬s

s(前提引入)

p(①②析取三段论)

p(qr)(前提引入)

qr(③④假言推理)

q(前提引入)

r(⑤⑥假言推理,得证)


2.2 归谬法


当结论简单时(通常为一个命题变项)适用该技巧,将结论的否定式引入证明,观察证明结果的真假,若证明结果为假,则说明前提与结论的否定式不相容,推理正确。

归谬法举例

构造下列推理的证明:

构造下列推理的证明:

前提:p → ( ¬ ( r ∧ s ) → ¬ q ) , p , ¬ s

结论:¬ q

证明:


p(¬(rs)¬q)(前提引入)

p(前提引入)

¬(rs)¬q(①②假言推理)

¬(¬q)(结论的否定式引入)

q(④置换)

rs(③⑤拒取式)

¬s(前提引入)

s(⑥简化)

s¬s(⑦⑧合取)

0(结论为假,得证)


相关文章
|
13天前
|
机器学习/深度学习 存储 人工智能
一阶优化算法启发,北大林宙辰团队提出具有万有逼近性质的神经网络架构的设计方法
【4月更文挑战第19天】北京大学林宙辰团队在深度学习领域取得突破,提出基于一阶优化算法的神经网络设计方法,构建具有万有逼近性质的模型,提升训练速度和泛化能力。该方法利用一阶导数信息,高效处理大规模问题。虽然面临非光滑优化和收敛速度挑战,但团队通过正则化和自适应学习率等策略进行改进,相关研究在多个标准数据集上表现出色。
10 1
|
12月前
|
机器学习/深度学习 算法 Serverless
瞎聊深度学习——神经网络基础(概念,正则化)
瞎聊深度学习——神经网络基础(概念,正则化)
|
12月前
|
机器学习/深度学习 自然语言处理 算法
学习=拟合?深度学习和经典统计学是一回事?哈佛理论计算机科学家细数二者差异(2)
学习=拟合?深度学习和经典统计学是一回事?哈佛理论计算机科学家细数二者差异
|
12月前
|
机器学习/深度学习 算法 数据建模
学习=拟合?深度学习和经典统计学是一回事?哈佛理论计算机科学家细数二者差异(1)
学习=拟合?深度学习和经典统计学是一回事?哈佛理论计算机科学家细数二者差异
|
12月前
|
机器学习/深度学习 存储 算法
大脑带来的启发:深度神经网络优化中突触整合原理介绍
大脑带来的启发:深度神经网络优化中突触整合原理介绍
124 0
|
机器学习/深度学习 算法
【吴恩达深度学习笔记-改善深层神经网络】——第一周深度学习的实用层面(1.2)
【吴恩达深度学习笔记-改善深层神经网络】——第一周深度学习的实用层面(1.2)
【吴恩达深度学习笔记-改善深层神经网络】——第一周深度学习的实用层面(1.2)
|
机器学习/深度学习 存储
【吴恩达深度学习笔记-改善深层神经网络】——第一周深度学习的实用层面(1.4)
【吴恩达深度学习笔记-改善深层神经网络】——第一周深度学习的实用层面(1.4)
【吴恩达深度学习笔记-改善深层神经网络】——第一周深度学习的实用层面(1.4)
|
机器学习/深度学习 算法 网络架构
【吴恩达深度学习笔记-改善深层神经网络】——第一周深度学习的实用层面(1.3)
【吴恩达深度学习笔记-改善深层神经网络】——第一周深度学习的实用层面(1.3)
【吴恩达深度学习笔记-改善深层神经网络】——第一周深度学习的实用层面(1.3)
|
机器学习/深度学习 算法 测试技术
【吴恩达深度学习笔记-改善深层神经网络】——第一周深度学习的实用层面(1.1)
【吴恩达深度学习笔记-改善深层神经网络】——第一周深度学习的实用层面(1.1)
【吴恩达深度学习笔记-改善深层神经网络】——第一周深度学习的实用层面(1.1)
|
机器学习/深度学习 人工智能 自然语言处理
深度学习系统理论
深度学习是学习样本数据的内在规律和表示层次,这些学习过程中获得的信息对诸如文字,图像和声音等数据的解释有很大的帮助。它的最终目标是让机器能够像人一样具有分析学习能力,能够识别文字、图像和声音等数据。 深度学习是一个复杂的机器学习算法,在语音和图像识别方面取得的效果,远远超过先前相关技术。深度学习在搜索技术,数据挖掘,机器学习,机器翻译,自然语言处理,多媒体学习,语音,推荐和个性化技术,以及其他相关领域都取得了很多成果。深度学习使机器模仿视听和思考等人类的活动,解决了很多复杂的模式识别难题,使得人工智能相关技术取得了很大进步。
198 0
深度学习系统理论