人工智能第4章(不确定性推理方法)描述.pptVIP

第 4 章 推理技术 -----不确定性推理方法 4.5 不确定性推理方法 例： ：结论， ：证据。 已知： 求： 主观贝叶斯方法(概述） 多个证据 ，多个结论 ， 且每个证据都以一定程度支持结论。 扩充后的公式： 已知： 主观贝叶斯方法(概述） 主观贝叶斯方法 例 设有如下知识： (续) 解： (续) 解： 主观Bayes方法的主要优点： （1）具有较坚实的理论基础。 （2）知识的静态强度 LS 及LN 是由领域专家根据实践经验 给出的，推出的结论有较准确的确定性。 （3）主观Bayes方法是一种比较实用且较灵活的不确定性推 理方法。 ∑ 1 2 1 2 1 2 1 ) ( ) ︳ ( ) ︳ ( ) ︳ ( ) ( ) ︳ ( ) ︳ ( ) ︳ ( ) ︳ ( n j j j m j j i i m i i m i H P H E P H E P H E P H P H E P H E P H E P E E E H P = = L L L 例： 求： P(H1∣E1E2)， P(H1∣E1E2)，P(H1∣E1E2) ？ 。 解： 同理可得： 主观贝叶斯方法(概述） 直接根据贝叶斯公式进行推理计算简单明了，但是它要求结论Hi相互独立，实际上难以保证。而且P(E| Hi)的计算通常比较困难。所以在求解不确定性推理问题时，还不能直接使用贝叶斯公式，而是使用对其经过改进的主观贝叶斯公式。 1976年提出的，在地矿勘探系统中得到成功的应用。是对概率中基本贝叶斯公式的改进。 主观贝叶斯方法 证据（前提）的不确定性表示 规则的不确定性表示 推理计算---结论的不确定性表示 主观贝叶斯方法 多个单一证据的合取： 则组合证据的概率： 非运算： 多个单一证据的析取： 则组合证据的概率： { } ) ( , ), ( ), ( max ) ︱ ( 2 1 S E P S E P S E P S E P n L = ︱ ︱ ︱ 证据的不确定性表示 单个证据：在主观贝叶斯方法中，证据的不确定性用概率表示。例如，对于初始证据E，其先验概率为P(E)。 组合证据： 主观贝叶斯方法 证据（前提）的不确定性表示 规则的不确定性表示 推理计算---结论的不确定性表示 主观贝叶斯方法 主观贝叶斯方法(概述） 规则的不确定性表示 在主观贝叶斯方法，规则的不确定性是以一个数值对(LS,LN)来进行描述的。 IF E THEN (LS,LN) H (P(H)) 取值范围 取值范围 它们的具体取值由领域专家根据实际经验给出。 规则的充分性度量:表示E为真时，对H的影响。 规则的必要性度量:表示E为假时，对H的影响。 H为真时E出现的概率除以H为假时E出现的概率 H为真时E不出现的概率除以H为假时E不出现的概率 主观贝叶斯方法 证据（前提）的不确定性表示 规则的不确定性表示 推理计算---结论的不确定性表示 主观贝叶斯方法 主观贝叶斯方法 推理计算—不确定性的传递： 1）已知规则E→H的(LS,LN)和P(H)、 P(E)，如何计算P(H/E)或P(H/～E) 这里存在三种情况： 证据E肯定存在、肯定不存在或以某种程度存在。 (1)证据E肯定存在，即P(E)=1时： 由基本贝叶斯公式，可得： 两式相除得： 主观贝叶斯方法(概述） 几率函数O(X) 数学证明，O(x)与P(x)有相同的单调性 E肯定出现的情况下，H的先验几率更新为后验几率的公式 E肯定出现的情况下，H的先验概率更新为后验概率的公式 讨论LS对后验概率的影响 (1)LS1 O(H/E)O(H)，即 P(H/E)P(H) (2) LS=1 O(H/E)=O(H) (3)0LS1 O(H/E)O(H) (4)LS=0 O(H/E)=0 故，当E越支持H为真时，应置LS1，且越大越好。 E的