不确定性知识的表示与推理技术材料.ppt

第4章 不确定性知识的表示与推理技术 内容 4.1 不确定性知识表示与推理概述 4.2 确定性理论 4.3 主观贝叶斯方法 4.4 证据理论 4.5 基于贝叶斯网络的推理 4.6 模糊推理 4.7 不确定性推理的应用 4.1不确定性知识表示与推理概述 一般的（确定性）推理过程： 运用已有的知识由已知事实推出结论. 如已知: 事实 A，B 知识 A?B?C 可以推出结论C。 此时，只要求事实与知识的前件进行匹配。 问题：如果A可能为真，B比较真，知识A?B?C只在一定程度上为真，结论如何？ 4.1不确定性知识表示与推理概述 通过几个例子认识不确定性： 今天有可能下雨 如果乌云密布并且电闪雷鸣，则很可能要下暴雨。 小王是高个子 “秃子悖论” 4.1.1 不确定性及其类型(1) 不确定性： 知识和信息中含有的不肯定、不可靠、不准确、不精确、不严格、不严密、不完全甚至不一致的成分。 按性质分类： 随机不确定性 模糊不确定性 不完全性 不一致性 4.1.1 不确定性及其类型(2) 随机不确定性 随机不确定性是基于概率的一种衡量，即已知一个事件发生有多个可能的结果。虽然在该事件发生之前，无法确定哪个结果会出现，但是，可以预先知道每个结果发生的可能性。 例如： “这场球赛甲队可能取胜” “如果头疼发烧，则大概是患了感冒。” 2.模糊不确定性 模糊不确定性就是一个命题中所出现的某些言词其涵义不够确切，从概念角度讲，就是其代表的概念的内涵没有硬性的标准或条件，其外延没有硬性的边界。 例如： “小王是高个子。” “张三和李四是好朋友。” 把涵义不确切的言词所代表的概念称为软概念。 4.1.1 不确定性及其类型(3) 3.不完全性 对某事物了解得不完全或认识不够完整。 如，刑侦过程的某些阶段往往要针对不完全的证据进行推理。 4.不一致性 随着时间或空间的推移，得到了前后不相容或不一致的结论。 如，人们对太空的认识等。 4.1.2 不确定性推理（1） 1.不确定性推理方法的分类 4.1.2 不确定性推理概述（3） 2.不确定性推理需要解决的问题 1）不确定性的表示与度量 证据的不确定性 规则（知识）的不确定性 结论的不确定性 2）不确定性的匹配算法 3）不确定性的计算与传播 组合证据的不确定性计算(最大最小方法、概率方法、有界方法) 证据和知识的不确定性的传递 不同证据支持同一结论时其不确定性的合成 因此，不确定性推理的一般模式也可以简单地表示为： 不确定性推理=符号推演+不确定性计算 4.1.2 不确定性推理概述（2） 对比一下不确定性推理与通常的确定性推理的差别： (1) 不确定性推理中规则的前件能否与证据事实匹配成功，不但要求两者的符号模式能够匹配（合一），而且要求证据事实所含的信度必须达“标”，即必须达到一定的限度。这个限度一般称为“阈值”。 (2) 不确定性推理中一个规则的触发，不仅要求其前提能匹配成功，而且前提条件的总信度还必须至少达到阈值。 (3) 不确定性推理中所推得的结论是否有效，也取决于其信度是否达到阈值。 (4) 不确定性推理还要求有一套关于信度的计算方法，包括“与”关系的信度计算、 “或”关系的信度计算、“非”关系的信度计算和推理结果信度的计算等等。 4.2确定性理论 4.2.1 知识的不确定性表示 4.2.2 证据的不确定性表示 4.2.3 不确定性的传播与计算 4.2.4 确定性理论的特点及进一步发展 4.2.1知识的不确定性表示（1） 不确定性度量 知识的不确定性表示： if E then H (CF(H, E)) CF(H,E)：是该条知识的可信度，称为可信度因子或规则强度，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。 如： “如果头疼且流鼻涕，则患了感冒；(0.7)。” “如果乌云密布并且电闪雷鸣，则很可能要下暴雨。 (0.9)” 4.2.1知识的不确定性表示（2） 在CF模型中，CF的定义为 CF(H,E)=MB(H,E) - MD(H,E) 用P(H) 表示H的先验概率； P(H/E) 表示在前提条件E对应的证据出现的情况下，结论H的条件概率。 MB（Measure Belief）：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。 MB定义为： 4.2.1知识的不确定性表示（3） MD（Measure Disbelief）：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。MD定义为