基于主观Bayes方法的不确定推理算法实现.docVIP

基于主观Bayes方法的不确定推理算法实现 　　摘 要：不确定推理是指建立在不确定性知识和论据基础上的推理。本文设计了基于主观Bayes方法的不确定性推理算法，通过实验结果比较了结论不确定的合成算法与更新算法的一致性，实现了不确定推理问题求解的自动化。 　　关键词：不确定推理 主观Bayes方法 合成与更新算法 求解自动化 　　中图分类号：TP181 文献标识码：A 文章编号：1672-3791（2014）04（c）-0196-02 　　不确定性推理是指建立在不确定性知识和论据基础上的推理，其实质是一种从不确定的初始证据出发，通过运用不确定性知识，得出具有一定程度的不确定性但却又是合理的结论的过程[1]。在现在社会中，采用不确定性推理是客观问题的需求。在很多情况下，解决问题所需要的知识往往是不完备、不精确的，知识的描述也是很模糊的，而且在现实世界中，导致统一结果的原因可能是多种多样的，解决问题的方案也可能是多种多样的，这些条件都表示了我们现实生活中存在太多的不确定性问题。关于不确定性推理方法有很多种，但较为著名的方法主要有可信度方法、主观Bayes方法和证据理论方法[4，5]等。本文将主观Bayes方法设计了详细的算法，实现了结论不确定的合成算法与更新算法，并通过实验结果比较了其一致性，探索自动化求解这类不确定性推理问题的实现方法。 　　1 主观Bayes方法 　　主观Bayes方法又称主观概率论，是杜达（R.O.Duda）等人在1976年提出的，是一种不确定性推理模型，又称为主观概率论。成功的应用在了地矿勘探专家系统PROSPECTOR中。这一方法在文献[2，3]有详细的描述。 　　（1）结论不确定性的合成算法思想。 　　（2）假设有n条知识都支持同一个结论H，而且这些知识都分别是相互独立的证据Ei（i=1，2，…，n），且每个证据对应的观察分别是Si（i=1，2，…，n）。在此情况下求P（H/S1，S2，…，Sn）的后验概率的方法如下。 　　先分别对每条知识求出H的后验几率，然后在用如下公式求出所有观察下的后验几率： 　　（1） 　　（2） 　　（2）结论不确定性的更新算法思想：如果n条知识都支持同一个结论，先用第一条规则对结论的先验概率进行更新，再将得到的更新概率作为第二条规则的先验概率再对结论进行更新，依次类推，直到所有的规则都更新使用完。设LSi（i=1，2，…，n）表示第i条规则成立的充分性，用于指出证据Ei对结论H为真的支持程度，而LNi（i=1，2，…，n）表示第i条规则成立的必要性，用于指出证据Ei对结论H为真的必要性程度。P（H）表示结论H的先验概率。那么，用如下公式求出结论H的后验概率P（H/S1，S2，…，Sn）： 　　…… 　　（3） 　　2 结论不确定性的算法设计 　　在主观Bayes方法中涉及到了知识的充分性量度LS和必要性量度LN，因此，在设计算法中，我将知识作为一个对象处理，且知识包含两个属性（LS，LN），即充分性量度LS和必要性量度LN。对于推理过程，如图1所示。 　　求后验几率的算法设计： 　　public static double O（double p， ClassE e） { 　　if （e.getLs（） 1） { //证据肯定出现的情况下 　　return e.getLs（） * O（p）； 　　} else if （e.getLs（） == 1） { 　　return O（p）； 　　} else if （e.getLs（） 1） { // 证据肯定不出现的情况下 　　return e.getLn（） * O（p）； 　　} else { // 此种情况不存在 　　return -1； 　　} 　　} 　　算法中，ClassE类包含LS和LN属性，度量产生式规则的不确定性。参数 p表示结论H的先验概率P（H），参数e表示单条知识ClassE类的对象，算法结果返回证据E出现时将结论H的先验概率，P（H）更新为后验几率O（H/E），在算法中还应用到了将概率转化为几率的算法，此算法有概率与几率的关系可设计一重载方法为： 　　public static double O（double p） { 　　return p/（1 - p）； 　　} 　　算法中参数 p表示概率，算法结果返回几率函数值。 　　2.1 结论不确定性的合成算法 　　关于结论不确定性的合成算法，可先对每条知识分别求出后验几率，再由公式（1）、（2）进行算法设计： 　　public static double nP（Listn， double p）{ 　　double p1=O（p）； 　　if （n.size（）1）{ 　　do