第四章不确定性推理讲解.pptVIP

2. 已知规则的可信度为：r1:IF E1 THEN H1 (0.7) r2:IF E2 THEN H1 (0.6) r3:IF E3 THEN H1 (0.4) r4:IF (H1 AND E3) THEN H2 (0.2) 且已知CF(E1)= CF(E2)= CF(E3)= CF(E4)= 0.5, H1的初始可信度一无所知，H2的初始可信度 CF0(H2)= =0.3, 求结论H2的可信度CF(H2) 3. 设有下列知识：IF E1 THEN H={h1, h2,h3} (CF=0.2,0.4,0.1) IF E2 THEN H={h1, h2,h3} (CF=0.1,0.3,0.4) 且已知初始证据的信任度分别为f(E1)=0.53 f(E2)=0.49 ，如果|D|=15，求结论H的信任度f(H) 设U=V={1,2,3,4,5,6}，且有如下推理规则： 其中A,B分别是U和V上的模糊集 A=0.9/1+0.7/2+0.4/3， B=0.3/3+0.7/4+0.9/5， 已知事实为x is A’ 如果A’的模糊集为A’=0.8/1+0.5/2+0.2/3 请用模糊关系Rm求出模糊结论B’ 谢 谢 ! * * Content Layouts * Content Layouts 4.5.2 不确定性的表示 不确定性证据E的信任度用f(E)表示。对于初始证据，其确定性由用户给出；当用前面推理所得结论作为当前推理的证据时，其确定性由推理得到。f(E)的取值范围为[0,1]。 1． 组合证据不确定性的算法 当组合证据是多个证据的合取，即 E1 and E2 and…and En， 则E的信任度f(E)=min{f(E1),f(E2),…,f(En)} 当组合证据是多个证据的析取，即 E1 or E2 or…or En 时， 则E的信任度f(E)=max{f(E1),f(E2),…,f(En)} 2.证据表示 4.5.2 不确定性的表示 在该模型中，不确定性知识用如下的产生式规则表示： IF E THEN H={h1,h2,…,hn} CF ={c1,c2,…,cn} 其中， （1）E为前提条件，它是样本空间D的子集。E既可以是简单 条件，也可以是用AND或OR连接起来的复合条件。 （2）H是结论，它用样本空间中的子集表示， h1,h2,…,hn 是该子集中的元素。 （3）CF 是可信度因子，用集合形式表示，其中,ci用来指出 hi(i=1,2,…n)的可信度，ci 与hi一一对应, ci应满足如下条件 3.知识的表示 1.求出H的概率分配函数 ( 1）如果只有一条知识支持结论H，即 IF E THEN H={h1,h2,…,hn} CF ={c1,c2,…,cn} 结论H的确定性通过下述步骤求出。 对于上述知识，H的概率分配函数规定为 M({h1},{h2},…,{hn})={f(E)×c1, f(E)× c2,…, f(E)× cn} 4.5.3 不确定性的传递计算 （2）如果有两条知识支持同一结论，即 IF E1 THEN H={h1,h2,…,hn} CF ={c1,c2,…,cn} 　IF E2 THEN H={h1,h2,…,hn} CF ={c‘1,c’2,…,c‘n} 首先分别对每一条知识求出概率分配函数： 然后再用公式 ，求M1与M2正交和，从而得到H的概率分配函数M。 对那条知识则有 4.5.3 不确定性的传递计算 2.求出H的信任度函数f(H) 最后求出 4.5.3 不确定性的传递计算 4.5.4 应用举例 例4.5.1 已知下列知识： IF （A1 and A2) ThEN B={b1,b2} CF(0.3,0.5} f(A1)=0.8,f(A2)=0.6,|D|=20, 计算f(B)。 解(1)计算B的概率分配函数 f(A1and A2)=min{f(A1),f(A2)}=min{0.8,0.6}=0.6 M({b1},{b2})= (0.6×0.3,0.6×0.5)=(0.18,0.3) 4.6.5 例子 (2)计算信任函数和似然函数 (3)计算f(B) 4.5.4 应用举例 例4.5.2 已知下列知识： IF A1 ThEN B={b1,b2,b3} CF(0.1,0.5,0.3} IF A2 ThEN B={b1,b2,b3} CF