人工智能导论第4章 不确定性推理方法.ppt

第 4 章 不确定性推理方法 教材： 王万良《人工智能导论》（第3版） 高等教育出版社，2011. 2 第4章 不确定性推理方法 4.1 不确定性推理的基本概念 4.2 可信度方法 4.3 证据理论 4.4 模糊推理方法 第4章 不确定性推理方法 4.1 不确定性推理中的基本问题 4.2 可信度方法 4.3 证据理论 4.4 模糊推理方法 4.1 不确定性推理中的基本问题 推理：从已知事实（证据）出发，通过运用相关知识逐步推出结论或者证明某个假设成立或不成立的思维过程。 不确定性推理：从不确定性的初始证据出发，通过运用不确定性的知识，最终推出具有一定程度的不确定性但却是合理或者近乎合理的结论的思维过程。 不确定性的表示与量度 不确定性匹配算法及阈值的选择 组合证据不确定性的算法 不确定性的传递算法 结论不确定性的合成 4.1 不确定性推理中的基本问题 1. 不确定性的表示与量度 （1）知识不确定性的表示 （2）证据不确定性的表示——证据的动态强度 （3）不确定性的量度 4.1 不确定性推理中的基本问题 2. 不确定性匹配算法及阈值的选择 不确定性匹配算法：用来计算匹配双方相似程度的算法。 阈值：用来指出相似的“限度”。 3. 组合证据不确定性的算法： 最大最小方法、Hamacher方法、概率方法、 有界方法、Einstein方法等。 4.1 不确定性推理中的基本问题 4. 不确定性的传递算法 （1）在每一步推理中，如何把证据及知识的不确定性 传递给结论。 （2）在多步推理中，如何把初始证据的不确定性传递 给最终结论。 5. 结论不确定性的合成 第4章 不确定性推理方法 4.1 不确定性推理的基本概念 4.2 可信度方法 4.3 证据理论 4.4 模糊推理方法 1975年肖特里菲（E. H. Shortliffe）等人在确定性理论（theory of confirmation）的基础上，结合概率论等提出的一种不确定性推理方法。 优点：直观、简单，且效果好。 可信度：根据经验对一个事物或现象为真的相信程度。 可信度带有较大的主观性和经验性，其准确性难以把握。 C－F模型：基于可信度表示的不确定性推理的基本方法。 产生式规则表示: ：可信度因子（certainty factor），反映前提条件与结论的联系强度 。 CF（H，E）的取值范围: [-1,1]。 若由于相应证据的出现增加结论 H 为真的可信度，则 CF（H，E）> 0，证据的出现越是支持 H 为真，就使CF（H，E) 的值越大。 反之，CF（H，E）< 0，证据的出现越是支持 H 为假，CF（H，E）的值就越小。 若证据的出现与否与 H 无关，则 CF（H，E）= 0。 证据E的可信度取值范围：[-1，1] 。 对于初始证据，若所有观察S能肯定它为真，则CF(E)= 1。 若肯定它为假，则 CF(E) = –1。 若以某种程度为真，则 0 < CF(E) < 1。 若以某种程度为假，则 －1 < CF(E) < 0 。 若未获得任何相关的观察，则 CF(E) = 0。 组合证据：多个单一证据的合取 则 组合证据：多个单一证据的析取 则 C－F模型中的不确定性推理：从不确定的初始证据出发，通过运用相关的不确定性知识，最终推出结论并求出结论的可信度值。结论 H 的可信度由下式计算： 设知识： （2）求出 与 对H的综合影响所形成的可信度 ： 例4.1 设有如下一组知识： 解： 第一步：对每一条规则求出CF（H）。 解： 第一步：对每一条规则求出CF（H）。 解： 第一步：对每一条规则求出CF（H）。 第二步：根据结论不确定性的合成算法得到： 第4章 不确定性推理方法 4.1 不确定性推理的基本概念 4.2 可信度方法 4.3 证据理论 4.4 模糊推理方法 4.3 证据理论 证据理论(theory of evidence)：又称D－S理论，是德普斯特（A. P. Dempster）首先提出，沙佛（G. Shafer）进一步发展起来的一种处理不确定性的理论。 1981年巴纳特（J. A. Barnett）把该理论引入专家系统中，同年卡威（J. Garvey）等人用它实现了不确定性推理。 目前，在证据理论的基础上已经发展了多种不确定性推理模