__不确定性推理解决方案.ppt

* 可信度方法是由E.H.Shortliffe等人在确定性理论的基础上,结合概率提出的一种不确定性推理方法,首先在Mycin系统中得到了成功的应用。 其核心思想是：利用确定性因子CF(值)Ⅰ. 联系于具体的断言Ⅱ. 联系于每条规则Ⅲ. 通过CF的计算传播不确定性 可信度方法 * 可信度 根据经验对一个事物或现象为真的相信程度。 C-F模型C-F 模型是基于可信度表示的不确定性推理的基本方法. * 知识不确定性的表示 在C-F模型中,知识是用产生式规则表示的,其一般形式是:if E then H (CF(H, E))其中,E:是知识的前提条件,它既可以是一个单个条件,也可以是用 and 及 or 连接起来的复合条件;H:是结论，它可以是一个单一结论,也可以是多个结论.CF(H,E):是该条知识的可信度，称为可信度因子或规则强度。（Certainty Factor） CH(H,E) 在[-1,1]上取值,它指出当前提条件 E 所对应的证据为真时,它对结论为真的支持程度。 * 确定因子法 ⑴ 知识的不确定性表示 MYCIN系统称规则强度为规则确定性因子（Certainty Factor）CF(H,E)，它表示在已知证据的情况下，对假设的确信程度。 CF(H,E)定义如下： * MB：称为信任增长度,它表示因与前提条件 E 匹配的证据的出现，使结论H为真的信任增长度. MD：称为不信任增长度,它表示因与前提条件E匹配的证据的出现,使结论H为真的不信任增长度.  规则的不确定性 * ●??在环境E 下，若两个证据的合取或析取支持结论H，则可表示为 证据的不确定性组合定义为 CF(E1∧E2, E ) = min[CF(E1, E ), CF(E2, E )]CF(E1∨E2, E ) = max[CF(E1, E ), CF(E2, E )]当两条规则支持同一结论H时，可表示为???????????? ???????????? 不确定性的组合 * 不确定性的组合 当组合证据是多个单一证据的合取时,即:E = E1 and E2 and … and En若已知 CF(E1), CF(E2),…, CF(En),则CF(E) = min {CF(E1), CF(E2),…, CF(En) } 当组合证据是多个单一证据的析取时,即:E = E1 or E2 or … or En若已知 CF(E1), CF(E2),…, CF(En),则CF(E) = max {CF(E1), CF(E2),…, CF(En) }  * 结论不确定性的合成算法 若由多条不同知识推出了相同的结论,但可信度不同,则可用合成算法求出综合可信度. 设有如下知识: if E1 then H (CF(H, E1)) if E2 then H (CF(H, E2))则结论 H 的综合可信度可分如下两步算出: * 结论不确定性的合成 首先分别对每一条知识求出 CF(H):CF1(H) = CF(H, E1) max { 0, CF(E1) }CF2(H) = CF(H, E2) max { 0, CF(E2) }然后用下述公式求出 E1 与 E2 对 H 的综合影响所形成的可信度:CF1(H) + CF2(H) – CF1(H) CF2(H) 若 CF1(H) ≥0,  CF2(H) ≥ 0CF1(H) + CF2(H) + CF1(H) CF2(H) 若 CF1(H) ＜ 0,  CF2(H) ＜0 CF1(H) + CF2(H) 1 – min { | CF1(H) | , | CF2(H) | } 若 CF1(H) CF2(H) ＜0  * 实例 有下列一组知识:r1: if E1 then H ( 0.8 )r2: if E2 then H ( 0.6 )r3: if E3 then H ( - 0.5 )r4: if E4 and ( E5 or E6 ) then E1 ( 0.7 )r5: if E7 and E8 then E3 ( 0.8 )已知: CH ( E2 ) = 0.8, CH ( E4 ) = 0.5,CH ( E5 ) = 0.6, CH ( E6 ) = 0.7,CH ( E7