第四讲(不确定与非单调推理).pptVIP

主观Bayes方法推理示例 例5.4 设有如下知识： R1: IF E1 THEN (2, 0.001) H1 R2: IF E2 THEN (100, 0.001) H1 R3: IF H1 THEN (200, 0.01 ) H2 已知：Θ(H1)＝0.1， Θ(H2)＝0.01 C(E1|S1)=2, C(E2|S2)=1 求： Θ(H2|S1S2)=? 1. 计算Θ(H1|S1) P(H1)=Θ(H1)/(1+Θ(H1))=0.09 P(H1|E1)=Θ(H1|E1)/(1+Θ(H1|E1))= LS1×Θ(H1)/(1+LS1×Θ(H1))=0.17 ∵C(E1|S1)=20 ∴P(H1|S1)=P(H1)+[P(H1|E1)-P(H1)]×1/5×C(E1|S1) =0.122 Θ(H1|S1)=P(H1|S1)/(1- P(H1|S1))=0.14 R1: IF E1 THEN (2, 0.001) H1 R2: IF E2 THEN (100, 0.001) H1 R3: IF H1 THEN (200, 0.01 ) H2 2. 计算Θ(H1|S2) P(H1|E2)=Θ(H1|E2)/(1+Θ(H1|E2))= LS2×Θ(H1)/(1+LS2×Θ(H1))=0.91 ∵C(E2|S2)=10 ∴P(H1|S2)=P(H1)+[P(H1|E2)-P(H1)]×1/5×C(E2|S2) =0.254 Θ(H1|S2)=P(H1|S2)/(1- P(H1|S2))=0.34 R1: IF E1 THEN (2, 0.001) H1 R2: IF E2 THEN (100, 0.001) H1 R3: IF H1 THEN (200, 0.01 ) H2 3. 计算Θ(H1|S1S2) Θ(H1|S1S2)=Θ(H1|S1)/Θ(H1)×Θ(H1|S2)/Θ(H1)×Θ(H1) =0.476 4. 计算Θ(H2|S1S2) ∵Θ(H1|S1S2)=0.476Θ(H1)=0.1 ∴P(H2|S1S2)=P(H2)+ [P(H2|H1)-P(H2)] /[1-P(H1)] ×[P(H1|S1S2)-P(H1)] =0.175 Θ(H2|S1S2)=P(H2|S1S2)/(1- P(H2|S1S2))=0.212 主观Bayes方法的特点 优点： 主观Bayes方法中的计算公式大多是在概率论的基础上推导出来的，具有较坚实的理论基础。 知识的静态强度LS及LN是由领域专家给出，避免了大量的数据统计工作。 主观Bayes方法不仅给出了证据肯定存在、肯定不存在时更新后验概率的方法，还给出了证据不确定时的更新方法，实现了不确定性的逐级传递。 缺点： 它要求领域专家在给出知识时，同时给出H的先验概率P(H)，这比较困难。 Bayes定理要求事件间独立，使其应用受限制。 5.4 可信度方法 4.1 可信度的概念 根据经验对一个事物和现象为真的相信程度称为可信度。 在可信度方法中，由专家给出规则或知识的可信度，从而可避免对先验概率、或条件概率的要求。 5.4.2 C-F模型 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 般形式为： IF E THEN H (CF(H,E)) 其中，CF(H,E)是该知识的可信度，称为可信 度因子或规则强度，即静态强度。一般情况下， CF(H,E)∈[-1,1]。 CF(H,E)0对应于P(H|E)P(H); CF(H,E)0对应于P(H|E)P(H); CF(H,E)=0对应于P(H|E)=P(H)。 可信度因子的定义 IF E THEN H (CF(H,E)) CF(H,E)定义为： CF(H,E)=MB(H,E)-MD(H,E) MB反映了证据对结论有利的一面，MD反映了证据对结论不利的一面。MB(Measure Belief)称为信任增长度。MD(Measure Disbelief)称为不信任增长度。 MB和MD的定义为： 当P(H|E)P(H)时： 信任增长度MB(H,E)0， 不信任增长度MD(H,E)=0 。 当P(H|E)P(H)时， 不信任增长度MD(H,E)0， 信任增长度MB(H,E) =0。 MB(H