第四讲 确定性因子理论.docVIP

第四讲 确定性因子理论 （the Theory of Certainty Factors） 研究背景 确定性因子理论，也被称为确定性因子，确定性因子方法。使用确定性因子处理不确定性的方法，最初是为专家系统MYCIN提出的。 贝叶斯定理在医疗诊断中的准确使用取决于要知道许多概率值。例如，在给定某些证据的前提下，贝叶斯定理可用于确定某病人Pa患某种疾病的可能性： (2.1.1) 其中，关于j的求和遍及所有的疾病，Di表示第i种疾病，E是与Di有关的证据，P(Di)是在未获得任何证据之前病人Pa患疾病Di的先验概率，P(E|Di)是在假设疾病Di存在的前提下病人Pa显现出证据E的条件概率。 要想确定出所有这些概率值，并且所有这些被确定出的概率值又都是相互一致的，通常是极其困难的，甚至是不可能的。 实际上，证据是趋向于一件件积累的。表达增量证据的一个贝叶斯定理的方便形式是 (2.1.2) 其中，E2是添加到现存证据体E1的新证据，由于E2的添加产生了新证据， . 尽管公式 (2.1.2) 是精确的，但是，式中的所有概率值通常是不知道的。并且，随着证据积聚的数量的增多，所需的概率值的数量会增加得更多，就是说情况会变得更糟。 §1 信任和不信任（Belief and Disbelief） 伴随医学专家出现的另一个问题是信任与不信任之间的关系。乍看起来，因为不信任显然简单的是信任的反面，由此得出似乎这一问题并不重要。但事实上，概率论要求 即 . 对于依赖于证据E的后验假说H，有 (2.1.3) 然而，当建造MYCIN的知识工程们开始访问医学专家时，知识工程们发现内科医生极其不愿意用公式 (2.1.3) 的形式去陈述他们（或她们）的知识。 例如，让我们考虑下述的一条MYCIN规则（Shortliffe，85） IF 1) 生物的染色体是革兰氏阳性，并且 2) 生物的结构是球菌，并且 3) 生物的生长形态是链状的 THEN 有一个强度为0.7的参考性证据说明该生物的类别是链球菌 这条规则可写成后验概率形式 0.7 (2.1.4) 其中，Ei （i =1，2，3）对应前件的三个模式。 建造MYCIN的知识工程们又发现即使当一个内科医学专家同意了公式 (2.1.4) ，但他们对下述的概率结果却予以拒绝 (2.1.5) 内科专家不同意式 (2.1.5) 说明数字0.7和0.3是信任的似然性度量，而不是信任的概率值。 这个基本问题是：P( H | E ) 蕴涵了E和H之间的原因和结果关系，但E和( H之间也许没有或者不一定有原因与结果关系。 如果 E和H之间有原因和结果关系，并且 公式P( H | E ) = 1－P( ( H | E ) 是正确的，那么就蕴涵着：E和( H之间也有原因和结果关系。 由于概率论的这些问题导致肖特里夫（Shortliffe，1975年）研究表达不确定性的其它方式。用于MYCIN的方法是以从卡纳普（Carnap，1950年）的确认理论导出的确定因子为基础的。 §2 信任和不信任的度量 确定性因子的定义 在MYCIN中，确认度最初被定义为确定因子，它是信任和不信任之间的差。 CF( H , E) = MB( H , E)－MD( H , E) 其中， CF是在证据E存在前提下关于H的确定因子，MB是由于E之存在所引起的关于H的信任增长的度量，MD是由于E之存在所引起的关于H的不信任增长的度量。 信任和不信任之度量通过概率被定义的 (2.1.6) (2.1.7) 把1和0分别写成max [1 , 0] 和min [ 1 , 0] 是为了公式(2.1.6) 和 (2.1.7) 之间具有对称性。要想把MB之公式变成MD之公式，只须将MB之公式中的max换成min . 由公式(2.1.6) 和 (2.1.7) 可得到表1中所列的结论： 表 1 结 论 MB , MD , CF的取值 假说肯定为真，即P(H | E) = 1 MB = 1 , MD = 0 , CF = 1 假说肯定为假，即P((H | E) = 1 MB = 0 , MD = 1 , CF = (1 缺乏证据，P(H | E) = P(H) MB = 0, MD = 0