《人工智能》第七章不精确知识推理合编.ppt

* 贝叶斯网的D分离及其知识推理 用例子给出D分离的概念：如果对贝叶斯网中的结点Vi和Vj之间的每个无向路径，在路径上存在某个结点Vb，它有如下三个性质之一，则称结点Vi和Vj条件独立于给定的结点集合S(I(Vi,Vj|S))： 1、Vb在S中，且路径上的两条弧都从Vb开始。 2、 Vb在S中，且路径上的一条弧以Vb为头，另一个以Vb为尾。 3、 Vb和它的任何后继都不在S中，且路径上的两条弧都以Vb为头。 p(B)=0.95 p(L)=0.7 B G M L p(G|B)=0.95 p(G|?B)=0.95 p(M|? B,L)=0.0 p(M|?B, ? L)=0.0 p(M|B,L)=0.9 p(M|B, ?L)=0.05 * 贝叶斯网的D分离及其知识推理 用例子给出D分离的概念：如果对贝叶斯网中的结点Vi和Vj之间的每个无向路径，在路径上存在某个结点Vb，它有如下三个性质之一，则称结点Vi和Vj条件独立于给定的结点集合S(I(Vi,Vj|S))： 1、Vb在S中，且路径上的两条弧都从Vb开始。 2、 Vb在S中，且路径上的一条弧以Vb为头，另一个以Vb为尾。 3、 Vb和它的任何后继都不在S中，且路径上的两条弧都以Vb为头。 如果给定S，当这些性质中的任何一个占据一条路径时， 则称Vb阻塞那条路径。 如果Vi和Vj之间所有路径都被阻塞， 则称S D分离Vi和Vj， 并有Vi和Vj条件独立于给定的S。 I(G,L|B)、I(G,L)、I(B,L) 。 但是， I(B,L|M)不成立。 p(B)=0.95 p(L)=0.7 B G M L p(G|B)=0.95 p(G|?B)=0.95 p(M|? B,L)=0.0 p(M|?B, ? L)=0.0 p(M|B,L)=0.9 p(M|B, ?L)=0.05 * 贝叶斯网的D分离及其知识推理 用例子给出D分离的概念：如果对贝叶斯网中的结点Vi和Vj之间的每个无向路径，在路径上存在某个结点Vb，它有如下三个性质之一，则称结点Vi和Vj条件独立于给定的结点集合S(I(Vi,Vj|S))： 1、Vb在S中，且路径上的两条弧都从Vb开始。 2、 Vb在S中，且路径上的一条弧以Vb为头，另一个以Vb为尾。 3、 Vb和它的任何后继都不在S中，且路径上的两条弧都以Vb为头。 如果给定S，当这些性质中的任何一个占据一条路径时，则称Vb阻塞那条路径。 如果Vi和Vj之间所有路径都被阻塞，则称S D分离Vi和Vj，并有Vi和Vj条件独立于给定的S。 给定证据集合S，如果两个结点集合 Vi和Vj被S D分离，则称它们是条件独立的。 给定证据集合S，如果Vi中的所有结点和Vj中的所有结点之间的每条无向路径被阻塞，则称Vi和Vj被S D分离。 * 贝叶斯网的D分离及其知识推理 在polytree中的概率推理 Polytree网是一个DAG，在该图中的任何两个结点之间，顺着弧的每个方向只有一条路径。 对于Polytree网中的一个结点Q，如果有些结点仅通过Q的双亲与Q相连，则称这些结点在Q的上方；如果一些结点仅通过Q的后继与Q相连，则称这些结点在Q的下方。 于是，对于结点Q，有三种类型的证据： 1、所有的证据结点在Q的上方； 2、所有的证据结点在Q的下方； 3、在Q的上方和下方均有证据结点。 P1 P7 P6 P5 P4 P3 P2 Q P9 P8 P13 P12 P14 P10 P11 P15 * 贝叶斯网的D分离及其知识推理 在polytree中的概率推理 1、所有的证据结点在Q的上方； 计算P(Q|P5,P4)，这时，按照自底向上的递归算法计算。首先，计算Q的每个祖先的概率，递归的计算这些祖先的祖先。最后，得到所求的概率。 P(Q|P5,P4)= P(Q, P6,P7 | P5,P4)+P(Q,?P6,P7 | P5,P4)+ P(Q, P6,?P7 | P5,P4)+ P(Q,?P6, ?P7 | P5,P4) 简记为： 利用条件独立的定义产生Q的双亲部分的证据，于是 P1 P7 P6 P5 P4 P3 P2 Q P9 P8 P13 P12 P14 P10 P11 P15 * 贝叶斯网的D分离及其知识推理 在polytree中的概率推理 1、所有的证据结点在Q的上方； 计算P(Q|P5,P4） 利用条件独立的定义产生Q的双亲部分的证据，于是 由已知条件，我们知道，Q条件独立于它的双亲 给定的非后继结点，于是有： D分离允许分割双亲，于是有： P1 P7 P6 P5 P4 P3 P2 Q P9 P8 P13 P12 P14 P10 P11 P15 由已知条件，P4与P6独立， P5与P7独立，所以有： * 贝叶斯网的D分离及其知识推理 在polytree中的概率推理 2