人工智能原理及应用 教学课件 作者 罗 兵 第4章 不确定性推理方法.ppt

4.6 模糊推理 4.6.2 模糊知识的表示和模糊概念的匹配 规则的前提条件与证据可能一个是精确概念，另一个是模糊概念。对任意x∈U， 表示x属于模糊概念A的隶属度。 组合条件与多个证据的模糊匹配的步骤如下： 选择一种计算单一条件与单一证据匹配度的方法，分别对规则组合条件中的每一个子条件计算出与相应证据的匹配度。 选择一种计算总匹配度的方法，计算组合条件与证据的总匹配度。对于合取组合条件，计算总匹配度的方法有“取极小”和“相乘”方法， 若总匹配度 大于等于规则的阈值λ， 则可匹配；否则，不可匹配。 4.6 模糊推理 4.6.3 匹配模糊规则推理方法 模糊规则的推理，实质上就是： 1）把智能问题的已知条件表达为其前提和证据； 2）通过模糊集合，可进行包含、交、并、补等运算，构成相关的模糊命题； 3）按照模糊计算规则进行匹配，完成推理过程。其结论就是推理最终所得到的模糊命题。 对照模糊计算有假言推理、拒取式推理及假言三段论推理的三种基本模式，相应于模糊推理也有这样三种基本模式，即模糊假言推理、模糊拒取式推理和模糊三段论推理。 4.6 模糊推理 4.6.3 匹配模糊规则推理方法 （1）模糊假言推理模式：设A, B分别为论域U，V中的模糊集合，即A∈Ｆ(U)，B∈Ｆ(V)，若： 意即A与A’能够模糊匹配时，则可得结论：y is B’ 对于复合条件，可用下列模式表示： 如果在规则知识及事实中还带有可信度因子，则还需在结论中对其可信度因子依某种算法进行计算。 4.6 模糊推理 4.6.3 匹配模糊规则推理方法 （2）模糊拒取式推理： 模糊拒取式推理可用如下模式予以直观表示：设A, B分别为论域U，V中的模糊集合，即A∈Ｆ(U)，B∈Ｆ(V)，若： （3）模糊三段论推理： 模糊三段论推理可用模式表示如下：设A，B，C分别为论域U，V，W中的模糊集合，即A∈Ｆ(U)，B∈Ｆ(V)，C∈Ｆ(W)，若有： 4.6 模糊推理 4.6.3 匹配模糊规则推理方法 例: 对于规则： If a is A, Then b is B 已知输入的模糊集合A和输出的模糊集合B： 已知证据是 a is A’的输入模糊集为： 求 b is B’的输出模糊集 B’。 4.6 模糊推理 4.6.3 匹配模糊规则推理方法 解： 依前已经求出规则的模糊关系为： 因此有： 因此输出模糊集 B’为： 本章小结 在现实世界中，能够进行精确描述的问题只占较少一部分，而大多数问题是不确定的。不确定性是智能问题的一个本质特征，为满足现实世界的问题求解需求，研究不确定性推理是人工智能的一项基本内容。 不确定推理方法大多是在确定性推理方法的基础上发展起来的，或者说是对确定性推理的扩展和改进。既然人的信念经常是不确定的，就存在关于信念强度的问题，即确定性程度到底是多少。最常见的方式是把指示确定性程度的数据附加到推理规则，并由此发展了主观Bayes方法、确定性方法和D-S证据理论等. 尽管这些方法提出的不确定推理常不够严谨，使用上也有许多局限性，但尚能解决一些问题，符合人认识世界的直觉，并可对推理的结果给出令人接受的解释。 * 4.5 证据理论 4.5.2 证据理论的不确定性推理模型 4.5.2.2 证据的不确定性表示 定义4.21 设A是规则条件部分的命题， E’是外部输入的证据和已证实的命题。在证据E’的条件下，命题A与证据 E’的匹配程度为： 定义4.22 条件部分命题A的确定性为： 其中， 为类概率函数，由于 ∈[0，1]，有 ∈[0，1]。 4.5 证据理论 4.5.2 证据理论的不确定性推理模型 4.5.2.3 基于证据理论的不确定性推理 设有知识： 则求结论H的 的过程如下： （1）求出H的概率分配函数： ? 若两条知识支持同一个结论集合H，先求出各自的M1，M2，再求正交和M1?M2。 4.5 证据理论 4.5.2 证据理论的不确定性推理模型 4.5.2.3 基于证据理论的不确定性推理 设有知识： 则求结论H的 的过程如下： （2）求出Bel(H，Pl(H)，f(H)： （3）求出H的不确定性的值： 4.5 证据理论 4.5.3 证据理论应用举例 例：设有规则如下： 用户给出的初始证据确定性为：