人工智能不确定性推理.pptVIP

* * * * * * * * * * * * * * * * * * * * * * * * * * * * 3. 不确定性的传递算法 不带加权因子时： CF(H)=[(1-max{0,cf1-cf’1})×(1-max{0,cf2-cf’2})×…×(1-max{0,cfn-cf’n})]×CF(H,E) 带加权因子时： CF(H)=[(ω1×(1-max{0,cf1-cf’1}))×(ω2×(1-max{0,cf2-cf’2}))×…×(ωn×(1-max{0,cfn-cf’n}))]×CF(H,E) * 优点： 简单、直观。 缺点： 可信度因子依赖于专家主观指定，没有统一、客观的尺度，容易产生片面性。 可信度数字上的语义不标准。 随着推理延伸，可信度越来越不可靠，误差越来越大。当推理深度达到一定深度时，有可能出现推出的结论不再可信的情况。 * 待续…… * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * 逆概率法在实际中有很多应用。比如：把Hi (i=1,2,…,n)当作可能发生的疾病；把Ej (j=1,2,…,n)当作相应的症状；P(Hi)是从大量实践中得到的疾病Hi的先验概率；P(Ej|Hi)是疾病Hi发生时观察到症状Ej的条件概率。则当对某病人观察到有症状E1,E2,…,Em时，应用上述Bayes公式就可计算出P(Hi|E1E2…Em)，从而得知病人患疾病Hi的可能性。 优点： 逆概率法有较强的理论背景和良好的数学特性，当证据及结论都彼此独立时计算的复杂度比较低。 缺点： 逆概率法要求给出结论Hi的先验概率P(Hi)及证据Ej的条件概率P(Ej|Hi)。尽管有些时候P(Ej|Hi)比P(Hi|Ej)相对容易得到，但仍然相当困难。另外Bayes公式的应用条件很严格。 * * 在主观Bayes方法中，证据的不确定性也用概率表示。对于证据E，由用户根据观察S给出P(E|S)，即动态强度。 由于主观给定P(E|S)有所困难，所以实际中可以用可信度C(E|S)代替P(E|S)。例如在PROSPECTOR中C(E|S)和P(E|S)遵从如下关系： * 可以采用最大最小法。 当组合证据是多个单一证据的合取时，即 E=E1 AND E2 AND … AND En 则：P(E|S)=min{P(E1|S),P(E2|S),…,P(En|S)} 当组合证据是多个单一证据的析取时，即 E=E1 OR E2 OR … OR En 则：P(E|S)=max{P(E1|S),P(E2|S),…,P(En|S)} 对于“?”运算则： P(?E|S)=1-P(E|S) * 主观Bayes方法推理的任务就是根据证据E的概率P(E)及LS、LN的值，把H的先验概率P(H)更新为后验概率P(H|E)或P(H|?E)。即 确定后验概率的方法随着证据肯定存在，肯定不存在，或者不确定而有所不同。 * 引入几率函数Θ(x),它与概率的关系为： Θ(x)=P(x)/(1-P(x)), P(x)=Θ(x)/(1+Θ(x)) 在证据肯定存在时，P(E)=P(E|S)=1。 由Bayes公式得： P(H|E)=P(E|H)×P(H)/P(E) (1) P(?H|E)=P(E|?H)×P(?H)/P(E) (2) (1)式除以(2)式得： P(H|E)/P(?H|E)=P(E|H)/P(E|?H)×P(H)/P(?H) 由LS和几率函数的定义得： Θ(H|E)=LS×Θ(H) 即 P(H|E)=LS×P(H)/[(LS-1)×P(H)+1] * 在证据肯定不存在时，P(E)=P(E|S)=0， P(?E)=1。 由Bayes公式得： P(H|?E)=P(?E|H)×P(H)/P(?E) (1) P(?H|?E)=P(?E|?H)×P(?H)/P(?E) (2) (1)式除以(2)式得： P(H|?E)/P(?H|?E)=P(?E|H)/P(?E|?H)×P(H)/P(?H) 由LN和几率函数的定义得： Θ(H|?E)=LN×Θ(H) 即 P(H|?E)=LN×P(H)/[(LN-1)×P(H)+1] * 当0P(E|S)1时，应该用杜达等人1976年证明的下述公式计算后验概率P(H|S)： P(H|S)=P(H|E)×P(E|S)+P(H|?E)×P(?E|S) 当P(E|S)=1时，证据肯定存在。 当P(E|S)=0时，证据肯定不存在。 当P(E|S)=P(E)时，证据E与观察S无关。由全概率公式得： P(H|S)=P(H|E)×P(E)+P(H|?E)×P(?E)＝P(H) 当P(E|S)为其它值时，通过分段线性插值计算P(H|S)，即 * 当LS1时， Θ(H|E)=LS×