第四章 不确定性推理 人工智能课件.ppt

IF E THEN H (CF(H,E),λ) 2. 证据不确定性的表示 证据E的可信度仍为CF(E)，但其取值范围为：[0，1] CF(E)=1 表示证据绝对存在; CF(E)=0 表示证据绝对不存在。 3．组合证据的不确定性 4. 不确定性的传递算法 当CF(E)≥λ时，CF(H)=CF(H,E)×CF(E) 注意： CF(H,E)表示证据E为真的条件下结论H为真的可能性。 5. 结论不确定性的合成算法 设有多条规则有相同的结论，即 IF E1 THEN H (CF(H,E1),λ1) IF E2 THEN H (CF(H,E2),λ2) … IF En THEN H (CF(H,En),λn) 如果这n条规则都满足：CF(Ei)≥λi，i=1,2,…,n 且都被启用，则首先分别对每条知识求出它对CFi(H)； 然后求结论H的综合可信度CF(H)。 求综合可信度的几种方法 极大值法： CF(H)=max{CF1(H),CF2(H),…,CFn(H)} 加权求和法： 有限和法： 递推法： C1=CF(H,E1)×CF(E1) Ck=Ck-1+(1-Ck-1)×CF(H,Ek)×CF(Ek) 4.4.3 加权的可信度模型 考虑复合前提条件： E=E1 AND E2 AND…AND En 前面所讨论的模型都认为各个子条件的重要性是完全相等的，各个子条件之间的地位是完全平等的。但是现实中并非都是如此。很可能有一些子条件对结论的影响相对其它更大一些；有些子条件更重要一些。 如果 学生善于思考 并且 动手能力强 并且 经常上自习 并且 坚持锻炼身体 并且 不抽烟 那么 该生成绩较好 1. 知识的不确定性 IF E1(ω1) AND E2(ω2) AND…AND En(ωn) THEN H (CF(H,E),λ) 其中ωi(i=1,2,…,n)是加权因子，λ是阈值，其值均由专家给出。 加权因子的取值范围一般为[0,1],且应满足归一条件，即 2. 组合证据的不确定性 若有CF(E1)，CF(E2)，…，CF( En)，则组合证据的可信度为： 3. 不确定性的传递算法 当一条知识的CF(E)满足如下条件时， CF(E)≥λ 该知识就可被应用。结论H的可信度为： CF(H)=CF(H,E)×CF(E) 加权因子的引入不仅可以区分不同证据的重要性，同时还可以解决证据不全时的推理问题。 4.4.4 前件带不确定性的可信度模型 1. 知识不确定性的表示 IF E1(cf1) AND E2(cf2) AND…AND En(cfn) THEN H (CF(H,E),λ) 其中，cfi为子条件Ei(i=1,2,…,n）的可信度。cfi在[0,1]上取值，其值由专家给出，反映了专家对子证据可信度的一种要求。 IF E1(cf1,ω1) AND E2(cf2,ω2) AND…AND En(cfn,ωn) THEN H (CF(H,E),λ) 证据不确定性的表示：子证据Ei的可信度记为cf’i,其取值范围在[0,1]上。 2. 不确定性匹配算法 不带加权因子的不确定性匹配算法： 知识：IF E1(cf1) AND E2(cf2) AND…AND En(cfn) THEN H (CF(H,E),λ) 条件：E1(cf’1)，E2(cf’2)，…， En(cf’n) 匹配算法： max{0,cf1-cf’1}+max{0,cf2-cf’2}+…+ max{0,cfn-cf’n}≤λ 带加权因子的不确定性匹配算法： 知识：IF E1(cf1,ω1) AND E2(cf2,ω2) AND…AND En(cfn,ωn) THEN H (CF(H,E),λ) 匹配算法： (ω1×max{0,cf1-cf’1})+(ω2×max{0,cf2-cf’2})+…+(ωn×max{0,cfn-cf’n}) ≤λ 3. 不确定性的传递算法 不带加权因子时： CF(H)=[(1-max{0,cf1-cf’1})×(1-max{0,cf2-cf’2})×…×(1-max{0,cfn-cf’n})]×CF(H,E) 带加权因子时： CF(H)=[(ω1×(1-m