人工智能第五部分.ppt

* 1)求CER（A） ∵ CER（E1 AND E2）=min{CER(E1),CER(E2)} =min{0.8,0.6}=0.6 m({a1},{a2})={0.6*0.3,0.6*0.5}={0.18,0.3} Bel(A)= m({a1})+ m({a2})=0.18+0.3=0.48 Pl(A)=1-Bel(﹁A)=1-0=1 f(A)=Bel(A)+(|A|/|Ω|)*[Pl(A)-Bel(A)]=0.48+(2/10)*0.52=0.584 ∴ CER(A)=MD(A/E’)*f(A)=0.584 2）求 CER（B） ∵ CER(E3 AND (E4 OR E5))=min｛CER(E3),max｛CER(E4),CER(E5)}} =min{0.9,max{0.5,0.7}}=0.7 m({b1})=0.7*0.7=0.49, Bel(B)= m({b1})=0.49, Pl(B)=1 f（B）=Bel(B)+(|B|/|Ω|)*[PI(B)-Bel(B)]=0.49+0.1*0.51=0.541 ∴ CER（B）= MD(B/E’)*f(B)=0.541 3）求 CER（H） 由r3可得 m1({h1,h2,h3})={CER(A)*0.1, CER(A)*0.5, CER(A)*0.3}={0.058,0.292,0.175}； m1(Ω)=1-[m1({h1})+ m1({h2})+ m1({h3})]=1-[0.058+0.292+0.175 ]=0.475 * 再由r4可得 m2({h1},{h2},{h3})={CER(B)*0.4, CER(B)*0.2, CER(B)*0.1} ={0.216,0.108,0.054}  m2(Ω)=1- [0.216+0.108+0.054]=0.622求正交和，m=m1⊕m2。 K=m1(Ω)*m2(Ω)  + m1({h1})*m2({h1})+ m1({h1})*m2(Ω)+ m1(Ω)*m2({h1}) + m1({h2})*m2({h2})+ m1({h2})*m2(Ω)+ m1(Ω)*m2({h2}) + m1({h3})*m2({h3})+ m1({h3})*m2(Ω)+ m1(Ω)*m2({h3}) =0.855m(h1)=1/k*[m1({h1})*m2({h1})+ m1({h1})*m2(Ω)+ m1(Ω)*m2({h1})] =0.178同理可得 m(h2)=0.309 m(h3)=0.168 m(Ω)=1- [ m(h1)+ m(h2)+ m(h3)]=0.345 * 证据理论的主要优点是能满足比概率更弱的公理系统；能处理由“不知道”所引起的不确定性。 证据理论的主要缺点是要求n中的元素满足互斥条件，这在实际系统中不易实现；并且需要给出的概率分配数太多，计算比较复杂。 * 证据理论是由德普斯特（A.P.Dempster）首先提出，并由沙佛（G.Shafer）进一步发展起来的用于处理不确定性的一种理论。 证据理论也称为D-S（Dempster-Shafer）理论。它将概率论中的单点赋值扩展为集合赋值，弱化了相应的公理系统，即满足比概率更弱的要求，可看作一种广义概率论。 D－S理论可以处理由“不知道”引起的不确定性，并且不必事先给出知识的先验概率，与主观Bayes方法相比，具有较大的灵活性。因此，得到了广泛的应用。 * 一. D-S理论的形式描述 在D-S理论中，可以分别用信任函数、似然函数及类概率函数来描述知识的精确信任度、不可驳斥信任度及估计信任度，即可以从各个不同角度刻划命题的不确定性。  （1）概率分配函数 D-S理论处理的是集合上的不确定性问题。为适应这一需要，首先应该建立命题与集合之间的一一对应关系，把命题的不确定性问题转化为集合的不确定性问题。 设Ω为变量x的所有可能取值的有限集合（亦称为样本空间），且Ω中的每个元素都相互独立，则由Ω的所有子集构成的幂集记为2Ω 。当Ω中的元素个数为N时，则其幂集2Ω的元素个数为2N，且其中的每一个元素都对应于一个关于x取值情况的命题。 * 例 设Ω={红，黄，白}，求Ω的幂集2Ω 。 解：Ω的幂集可包括如下子集：