人工智能与专家系统研讨.ppt

* 当已知 P(H) 和 P(H/E) 的值时，通过运用上述公式，可以求出CF(H,E)。但是，在实际应用中， P(H) 和 P(H/E) 的值是难以获得的。 因此，CF(H,E) 的值要求领域专家直接给出。其原则是： 若由于相应证据的出现增加结论 H 为真的可信度，则使CF(H,E)0，证据的出现越是支持 H 为真，就使CF(H,E)的值越大；反之，使CF(H,E)0，证据的出现越是支持 H 为假，就使CF(H,E)的值越小；若证据的出现与否与 H 无关，则使 CF(H,E)=0。 * Ⅱ. 证据不确定的表示 在该模型中，证据的不确定性也用可信度因子表示。如： CF(E)=0.6 表示证据 E 的可信度为 0.6。 证据可信度值的来源分为两种情况： ? 对于初始证据，其可信度的值由提供证据的用户给出； ? 对于用先前推出的结论作为当前推理的证据，其可信度值在推出该结论时通过不确定性传递算法计算得到。 证据 E 的可信度 CF(E) 也是在[-1，1]之间取值。 * Ⅲ. 组合证据不确定性的算法 ? 当组合证据是多个单一证据的合取时，即： E = E1 and E2 and … and En 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) } * Ⅳ. 不确定性的传递算法 C-F 模型中的不确定性推理是从不确定的初始证据出发，通过运用相关的不确定性知识，最终推出结论并求出结论的可信度值。 结论 H 的可信度由下式计算： CF(H) = CF(H,E) ? max { 0, CF(E) } * Ⅴ. 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： * ? 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) ? 0 CF1(H) + CF2(H) + CF1(H) ? CF2(H)