人工智能第四章非经典推理.pptVIP

4.1 不确定性推理 不确定性推理是研究复杂系统不完全性和不确定性的有力工具。 有三种不确定性，即关于知识的不确定、关于证据的不确定性和关于结论的不确定性。 2、C-F模型 （1）知识的不确定性 在C-F模型中，知识是用产生式规则表示的。 IF E THEN H （CF(H,E)) E是知识的前提条件（证据），可以是一个简单条件，也可以是由合取和析取构成的复合条件。 H是知识的结论，可以是一个或多个结论。 （4）不确定性推理算法 E肯定存在 在证据E肯定存在时有CF(E)＝1，那么结论H的确定性因子为规则的确定性因子，即 CF(H)＝CF(H，E) E不是肯定存在 在客观的现实世界中，对证据的观察往往也是不确定的。除此之外，证据E可能还是另一条规则的结论，这时也常常是不确定的。在这种情况下，结论H的确定性因子CF(H)不仅取决于规则的确定性因子CF(H，E)，而且还取决于证据E的确定性因子CF(E)。计算公式为 CF(H)＝CF(H，E)×max{0，CF(E)} 证据是多个条件的逻辑组合 证据是合取连接 即 E= E1 AND E2 AND．．．AND En 则 CF(E)＝CF(E1 AND E2 AND...AND En) ＝min{CF(E1)，CF(E2)，... ，CF(En)} 证据是析取连接 这时，E＝E1 OR E2 OR ... OR En，有 CF(E)＝CF(E1 OR E2 0R ... OR En) ＝max{CF(E1)，CF(E2)，... ，CF(En)} （5）结论不确定性的合成 当多条知识推出相同结论，且这些知识的前提相互独立，结论的可信度又不相同，则可用不确定性的合成算法求出该结论的综合可信度。 若有两条规则分别是 IF E1 THEN H (CF(H，E1)) IF E2 THEN H (CF(H，E2)) 那末首先分别计算出CF1(H)和CF2(H)： CF1(H)＝CF(H，E1) × max{0，CF(E1)} CF2(H)＝CF(H，E2) × max{0，CF(E2)} 然后用公式 CF1(H)十CF2(H)-CF1(H)×CF2(H) 若CF1(H)≥0 且CF2(H)≥0 CF12(H)＝ CF1(H)十CF2(H)十CF1(H)×CF2(H)； 若CF1(H)＜0且CF2(H)＜0 (CF1(H)十CF2(H))/(1-min{|CF1(H)|,|CF2(H)|})； 其他 计算出由E1和E2组合而导出的确定性因子CF12(H)。 举例 有如下的推理规则： Rule l：IF E1 THEN H (0.9) Rule 2：IF E2 THEN H (0.7) Rule 3：IF E3 THEN H (-0.8) Rule 4：IF E4 AND E5 THEN E1 (0.7) Rule 5：IF E6 AND (E7 0R E8) THEN E2 (1.0) CF模型的优点是： 简单、直观。主要表现在组合假设和证据的不确定性的计算十分简单，而且不需要把信任和不信任的判断知识表示成概率的形式。把某个值指派给一个假设的确定性因子要比把一个概率直接指派给一个假设要容易得多。 计算仅有线性的信息和时间的复杂度，而且推理的近似效果也比较理想。 推理的结果与证据提供的顺序无关。 推理过程中的阈值 推理所得到的结论中有的可信度很低，可以设定一个阈值，在推理过程中去掉那些可信度低于阈值的结论。 一般阈值定为0.2，当CF＜0.2时，置CF＝0，当CF≥0.2时，CF有意义。 主观Bayes方法的基本思想 由于证据E的出现，使得P (H)变为P(H|E) 主观Bayes方法,就是研究利用证据E，将先验概率P(H)更新为后验概率P(H|E) 根据Bayes公式有 P(H|E)＝P(E|H)P(H)/P(E) (1)