华中科技大学人工智能第五章不确定性推理解释.ppt

不确定性 现实世界中的事物以及事物之间的关系是极其复杂的，由于客观上存在的随机性、模糊性以及某些事物或现象暴露的不充分性，导致人们对它们的认识往往是不精确、不完全的，具有一定程度的不确定性。 这种认识上的不确定性反映到知识以及由观察所得到的证据上来，就分别形成了不确定性的知识及不确定性的证据。 另外，正如费根鲍姆所说的那样，大量未解决的重要问题往往需要运用专家的经验。我们知道，经验性知识一般都带有某种程度的不确定性。 不确定性推理的提出 已知事实和知识是构成推理的两个基本要素。 在确定性推理中，已知事实以及推理时所依据的知识都是确定的 推出的结论或证明了的假设也都是精确的，其真值或者为真，或者为假 在事物和知识存在不确定性情况下，若用经典逻辑做精确处理，将把这种不确定性化归为确定性的，在本来不存在明确类属界限人为地划定界限，这无疑会舍弃事物的某些重要属性，从而失去了真实性。 由此开始了对不确定性的表示及处理的研究，有了不确定性推理的理论和方法,这将使计算机对人类思维的模拟更接近于人类的思维。 不确定性推理 不确定性推理是建立在非经典逻辑基础上的一种推理，它是对不确定性知识的运用与处理。 严格地说，所谓不确定性推理就是从不确定性的初始证据出发，通过运用不确定性的知识，最终推出具有一定程度的不确定性但却是合理或者近乎合理的结论的思维过程。 不确定性的类型 不确定性一般包括： 证据的不确定性：例如，当你观察某种动物的颜色时，你可能说是白色的，也可能是灰色的。 知识不确定性：也称为知识的静态强度。例如，如果“启动器发出刺耳声” 则“启动器坏”，这条规则有多大的可靠性呢？ 结论的不确定性：在不确定证据下，用不确定的规则推出的结论，具有不确定性。例如，“启动器好象发出刺耳声” 那么我们在多大程度上认为“启动器坏”呢？ 知识不确定性的表示 知识的表示与推理是密切相关的两个方面，不同的推理方法要求有相应的知识表示模式与之对应。 知识的静态强度可以用该知识在应用中成功的概率，或者该知识的可信程度等来表示 如果用知识在应用中成功的概率来表示，则其取值范围为[0，1]，该值越接近于1，说明该知识越“真”；其值越接近于0，说明该知识越“假”。 如果用可信度来表示知识的静态强度，取值范围没有一个统一的区间。著名的MYCIN系统采用[-1，1]区间，也有的系统用[0，1]区间 证据不确定性的表示 证据有两种： 一种是求解问题时所提供的初始证据 另一种是在推理中得出的中间结果 证据的不确定性表示应该与知识的不确定性表示保持一致，以便推理过程能对不确定性进行统一处理。 不确定性推理的类型 有多种不同的分类方法，如果按照是否采用数值来描述不确定性，可分为： 数值方法：用数值对不确定性进行定量表示和处理的方法。 非数值方法：除数值方法以外的其他各种对不确定性进行表示和处理的方法，如非单调推理等。 数值方法又可按所依据的理论分为两类： 基于概率论的有关理论：称为基于概率的模型，如确定性理论、主观Bayes方法、证据理论、等。 基于模糊逻辑理论：称为模糊推理 基于概率的推理方法 随机事件A的概率P(A)表示A发生的可能性 因而可用它来表示事件A的确定性程度。 由条件概率的定义及Bayes定理可得出： 在一·个事件发生的条件下另一个事件发生的概率 这可用于基于产生式规则的不确定性推理，其中有两种简单的不确定性推理方法： 经典概率方法 逆概率方法 经典概率方法 若有推理规则： IF E THEN H 其中，E为前提条件，H为结论。 如果我们在实践中经大量统计能得出 E发生的概率P(E)以及在 E发生条件下 H发生的条件概率P(H／E) 就可利用概率来表示确定性程度： 把 P(E) 作为证据E的确定性程度， 把P(H／E) 作为在证据E出现时结论H的确定性程度。 逆概率方法 经典概率方法要求给出在证据E出现情况下结论H的条件概率P(H／E)，这在实际应用中是相当困难的。 例如，若以E代表咳嗽，以H代表支气管炎，要找在咳嗽的人中有多少是患支气管炎的，就需要做大量的统计工作 但是如果在患支气管炎的人中统计有多少人是咳嗽的，就相对容易一些，因为患支气管炎的人毕竟比咳嗽的人少得多。 因此希望用逆概率P(E／H)来求原概率P(H／E)，Bayes定理给出了解决这个问题的方法。 Bayes公式 逆概率推理 把Ai看成是一组假设结论Hi(i=1,…,n),而把B看成是输入事实E，那么，根据Bayes公式有如下推理： 主观Bayes推理 我们知道，直接使用Bayes公式求结论Hi在证据E存在情况下的概率P(Hi／E)时，需知道： Hi的先验概率P(Hi)， 证据E出现的条件概率P(E／Hi)， 这在实际应用中是相当的困难的。 为此，杜达等人在Bayes