人工智能不确定性处理.pptVIP

可以证明，信任函数有如下性质： (1)Bel(Φ)＝0，Bel(Ω)＝1，且对于2Ω中的任意元素A，有0≤Bel(A)≤1。 (2)信任函数为递增函数。即若 ，则Bel(A1)≤Bel(A2)。 ? (3)Bel(A)＋Bel(A′)≤1 (A′为A的补集) 例7.10 : 由例7.9可知 Bel({a，b})＝m({a})＋m({b})＋m({a，b})＝0.4＋0＋0＝0.4 4.似真函数 Pl(A)＝1－Bel(A′)（A∈2Ω，A′为A的补集） 称为A的似真函数(Plausible function)，函数值称为似真度。 似真函数又称为上限函数，它表示对A非假的信任程度。 例7.11 由例7.9、例7.10可知 Pl({a，b})＝1-Bel({a，b}′)＝1-({c})＝1-0＝1 5.信任区间 设Bel (A)和Pl(A)分别表示A的信任度和似真度，称二元组 ［Bel(A)，Pl(A)］ 为A的一个信任区间。 6. Dempster 证据组合规则 1) 基本的组合规则 设m1(A)和m2(A)（A∈2Ω）是识别框架Ω基于不同证据的两个基本概率分配函数，则将二者可按下面的 Dempster组合规则合并： 表达式一般称为m1与m2的正交和，并记为 m＝m1+m2。 不难证明，组合后的m(A)满足 例7.12 设识别框架Ω＝{a，b，c}，若基于 两组不同证据而导出的基本概率分配函数分别为： m1({a})＝0.4 m1({a，c})＝0.4 m1({a，b，c})＝0.2 m2({a})＝0.6 m2({a，b，c})＝0.4 将m1和m2合并 m({a})＝ ＝m1({a})m2({a})＋m1({a})m2({a，b，c}) ＋m1({a，c})m2({a}) ＋m1({a，b，c})m2({a}) ＝0.76 m({a，c})＝m1({a，c})m2({a，b，c})＝0.16 m({a，b，c})＝m1({a，b，c})m2({a，b，c})＝0.08 2) 含冲突修正的组合规则 上述组合规则在某些情况下会有问题。考察两个不同的基本概率分配函数m1和m2，若存在集合B、C，B∩C＝Φ，且m1(A)0，m2(B)0，这时使用 Dempster组合规则将导出 这与概率分配函数的定义冲突。这时将Dempster 组合规则进行如下修正： 规范数K的引入，实际上是把空集所丢弃的正交和按比例地补到非空集上，使m(A)仍然满足 如果所有交集均为空集，则出现K＝∞，显然，Dempster组合规则在这种情况下将失去意义。 其中K为规范数，且 7.5.2基于证据理论的不确定性推理 基于证据理论的不确定性推理，大体可分为以下步骤： (1)建立问题的识别框架Ω； (2)给幂集2Ω定义基本概率分配函数； (3)计算所关心的子集A(A∈2Ω）的信任函数值Bel(A)、似真函数值Pl(A)； (4)由Bel(A)、Pl(A)得出结论。 例7.13 设有规则: (1)如果流鼻涕则感冒但非过敏性鼻炎(0.9)或过敏性鼻炎但非感冒(0.1) (2)如果眼发炎则感冒但非过敏性鼻炎(0.8)或过敏性鼻炎但非感冒(0.05) 括号中的数字表示规则前提对结论的支持程度。又有事实: (1)小王流鼻涕(0.9) (2)小王眼发炎(0.4) 括号中的数字表示事实的可信程度。 问:小王患什么病？ 用证据理论求解这一医疗诊断问题。 首先，取识别框架