第五讲 基于概率论的方法.docVIP

第五讲 基于概率论的处理方法 §1 引 言 迄今为止，我们用概率作为理想系统中的可重复事件的度量。 然而，人类是计算许多不可重复事件（如医疗诊断、矿产勘探，在那里每一个患者和矿点都是唯一的）的专家。 为了在这样一些领域建造专家系统，我们必须扩展仅涉及描述非真即假之命题的事件范围。例如，一个事件可能是，“一个患者浑身都是红斑点”，其相应的命题是，“一个患者出麻疹”。 假定A是一命题，从传统意义上说来，如果事件和命题不能被重复，那么符号 不见得是概率。代之，能被解释为：给定B，A是真的信任程（degree of belief）。 如果= 1，我们确信A无疑是真的。如果= 0，我们确信A无疑是假的。如果0 1，我们不能肯定A是真还是假。 条件概率被看作似然或似真（likelihood），表示基于某证据E的假设H的似真性。虽然有条件概率的形式，但是它确实指与概率不同的事物——似然性或信任度（the likelihood or the degree of belief） 。 概率指的是可重复事件，而似然性指的是我们对非重复事件的信任度。因为专家系统是人类专家的模型，所以通常是指：在某一证据E存在的条件下，专家对某一假设H为真的信任度。如果被讨论的事件是可重复的，那么自然就是概率。 一种表达这种似然性的方式，是使用赌博中的几率（odds）。给定某证据C，则A相对于B的可能性是 如果，则有 令，则又有 用赌博中几率来说，如果把P解释为赢的可能性，那么1－P则应被解释为输的可能性。于是我们有： 几率函数odds（简记为O）与概率函数显然有如下关系： 当概率取值0 (( 1时，必有几率函数取值0 (( ( . PROSPECTOR是国际上著名的一个用于勘察固体矿的专家系统，1982年美国地质调查资源分析局利用PROSPECTOR预测了华盛顿州一个勘探地段的钼矿位置，随后的实际钻井证明了其预测的正确性。 基于贝叶斯理论的PROSPECTOR采用规则表达领域知识，每条规则有两个规则强度，LS和LN . 当领域专家和知识工程师在抽取规则时，LS和LN是由领域专家给出的，且有LS , LN ( 0 . 一条规则，可表成如下形式： 方框表示节点，E表示规则前提，H表示规则后件或结论，LS是规则的充分性度量，LN是规则的必要性度量。除初始节点（或曰叶节点）外，每个节点都有一个先验概率，记为P(H)，用图表达如下：  这个先验概率P(H)是在抽取规则的同时，由领域专家给出的。 PROSPECTOR的不确定性推理过程，就是根据证据的概率P(E)或P(E|S)，利用LS或LN，把结论H的先验概率P(H)更新为后验概率P(H|E)的过程。实现从叶节点到假说节点的逐步不确定性推理，称之为概率传播。 §2 确定性证据的不确定性处理 所谓确定性证据系指，P(E)=1，P((E)=0 . ● LS 的定义 贝叶斯定理是 （1） （2） （1）式除以（2）式得 （3） 定义H的先验几率（odds）和后验几率为 ， 定义似然比（the likelihood ratio）为 （4） 则（3）式变成（5）式 （5） O(H|E) =(,) O(H)==P(H|E) =(,) P(H) ● LS的意义 当时，对于推出H为真，证据E是逻辑充分的，因此LS被称之为充分性度量。 LS的取值 对假设H的影响 0 当E是真，H为假，或者说要想推出H， (E 之存在是必须的。 0 LS 1 E之存在，对推出H是不利的。 1 E之存在对H的信任度没有影响。 1 LS E之存在，有利于推出H。 ∞ E之存在，对推出H是逻辑充分的，或者说E 之存在，意味着H必为真。 表1 对LS，我们再给出不使用表格的解释： LS(H|E)越大，O(H|E)和P(H|E)也越大，就是说：E为真，对H的支持越强； 当LS(H|E) ( (时，则有O(H|E) ( ( ，且有P(H|E) ( 1。这说明：当E为真时，导致H为真，故E对推出H是充分的，由此我们把LS称之为充分性度量； 当LS(H|E) = 1时，E的存在与否与H之真假无关； 当LS(H|E) 1时，O(H|E) O(H) ，LS