人工智能2013(4非经典推理)创新.pptVIP

第四章 非经典推理 信息学院 周桂红 例：设Ω＝｛a，b｝，且从不同知识源得到的概率分配函数分别为： m1（｛｝,｛a},｛b},{a,b}）＝（0，0.3，0.5，0.2） m2（｛｝,｛a},｛b},{a,b}）＝（0，0.6，0.3，0.1） 求正交和m= m1⊕m2 解： ＝1-(m1({a})× m2({b})+ m1({b})× m2({a})) =1-(0.3 ×0.3+0.3 ×0.6)=0.61 m({a})=1/0.61 ×(m1({a})× m2({a})+ m1({a})× m2({a,b})+ m1({a,b})× m2({a})) =1/0.61×(0.3×0.6+0.3×0.1+0.2×0.6)=0.54 同理：m({b})=0.43 m({a,b})=0.03 所以：m({},{a},{b},{a,b})={0,0.54,0.43,0.03} 2.D-S理论的推理模型 （1）特殊的概率分配函数 设Ω＝｛s1， s1，… sn},m为定义在2Ω上的概率分配函数，且m满足 （1)m({si})≥0 对任何si∈ Ω （2） （3） （4）当A Ω且|A|＞1或|A|=0时，m(A)=0 其中，|A|表示命题A所对应的集合中的元素个数。 只有单元素集的基本概率分配函数值才有可能大于0,由一个以上元素组成的子集的基本概率分配函数值均为0. 特殊的概率分配函数的信任函数、似然函数、正交和 对任何命题A Ω ，其信任函数为 对任何命题A Ω ，其似然函数为 Pl(A)=1-Bel(?A) ＝ ＝1-[1-m（Ω）－Bel(A）〕＝m(Ω)+Bel(A) Pl(Ω)=1-Bel(?Ω)=1-Bel(Φ)=1 对任何命题A Ω和B Ω均有 Pl(A)-Bel(A)=Pl(B)-Bel(B)=m(Ω) 表示对A（或B）不知道的程度。 设m1和m2是2Ω上的基本概率分配函数，其正交和为 其中 例：设Ω={红，黄，白}，有如下概率分配函数 m（{}，{红}，{黄}，{白}，{红，黄，白}）=（0，0.6，0.2，0.1，0.1）A＝｛红，黄｝，求m(Ω）、Bel（A)和Pl(A)的值。 m(Ω)=1-[m({红｝)+ m({黄｝)+ m({白｝)〕 ＝1-（0.6+0.2+0.1）＝0.1 Bel({红，黄})＝ m({红})+ m({黄})＝0.6+0.2＝0.8 Pl({红，黄})=m(Ω)+Bel({红，黄})=0.1+0.8=0.9 或Pl({红，黄})=1-Bel(?{红，黄})=1-Bel({白}) =1-0.1=0.9 （2）类概率函数 设Ω为有限域，对任何命题A Ω，命题A的类概率函数为 f(A)=Bel(A)+|A|/|Ω| ×[Pl(A)-Bel(A)] 其中，|A|和|Ω|分别是A及Ω中元素的个数。 类概率函数f(A)具有如下性质 2)对任何A Ω，有Bel(A)≤f(A) ≤Pl(A) 3)对任何A Ω，有f(?A)=1-f(A) 推论： 1）f(Φ）=0 2）f(Ω)=1 3)对任何A Ω,有0≤f(A) ≤1 例：设Ω={红，黄，白}，概率分配函数 m（{}，{红}，{黄}，{白}，{红，黄，白}）=（0，0.6，0.2，0.1，0.1）若A＝｛红，黄｝，求f(A)的值 f(A)=Bel(A)+|A|/|Ω| ×[Pl(A)-Bel(A)] ＝m({红})+ m({黄｝)＋2/3×m({红，黄，白｝) ＝0.6+0.2+2/3×0.1＝0.87 （3)知识不确定性的表示 IF E THEN H={h1,h2,…,hn} CF={c1,c2,…,cn} 其中：E是前提 H是结论 CF是可信度因子 （4)证据不确定性的表示 在证据理论中，所有输入的已知数据，规则前提条件及结论部分的命题都称为证据。 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 1 如果A的所有元素都出现在E’中 MD(A/E’)= 0 否则 条件部分命题A的确定性为 CER(A)=MD(A/E’) ×f(A) CER(A)∈[0,1] (5)组合证据非精确性的表示 证据合取情况： E= E1 AND E2 AND．．．AND En CER(E)=min{