人工智能课件..ppt

《人工智能原理》第五章 不确定性推理 证据理论 (预备知识（恒等式）) 等幂率：A ? A=A; A ?A=A 交换率：A ? B=B?A; A?B = B?A 结合率：(A ? B)?C= A ? (B?C); (A?B)?C= A?(B?C) 分配率：A ?(B?C)= (A ? B) ? (B ? C) A?(B ? C)= (A?B) ? (B ? C) 摩根率：～(A ? B)=～A?～ B ～(A?B) =～A?～B 《人工智能原理》第五章 不确定性推理 证据理论 (预备知识（恒等式）) 吸收率：A?(A?B)= A; A?(A?B)=A 零 率：A?E=E; A? ? = ? 同一率：A? ?= A； A? ?= ? 排中率：A? ～ A= E 矛盾率：A?～A=? 全补率： ～?=E; ～E= ? 双重否定率： ～（ ～ A）= A 《人工智能原理》第五章 不确定性推理 证据理论 (Evident Theory) 概述 证据的不确定性 规则的不确定性 推理计算 《人工智能原理》第五章 不确定性推理 证据理论 (Evident Theory) 概述 证据的不确定性 规则的不确定性 推理计算 《人工智能原理》第五章 不确定性推理 证据理论 (Evident Theory) 证据理论中，一个样本空间称为一个识别框架U， U由一系列对象构成，对象之间两两互斥，且包含当前要识别的全体对象。 证据理论的基本问题是，已知识别框架U，判明U中一个先验的未定元素属于U中某个子集A的程度。 《人工智能原理》第五章 不确定性推理 证据理论 (证据的不确定性) 证据： 用集合U来表示：如U中的每个元素代表一种疾病。讨论一组疾病A发生的可能性时，A变成了单元（某些假设）的集合。 Ai中元素间是互斥的，但U内元素Ai间不是互斥的。 《人工智能原理》第五章 不确定性推理 据理论集合空间分布示意图 《人工智能原理》第五章 不确定性推理 证据理论 (证据的不确定性) 基本概率分配函数： m：２Ｕ→［0,1］ （在U的幂集２Ｕ上定义，取值[0,1］） m(A)表示了证据对Ｕ的子集A成立的一种信任度 　有： 空集为零 意义 若A属于Ｕ，且不等于Ｕ，表示对A的精确信任度 若A等于Ｕ，表示这个数不知如何分配 《人工智能原理》第五章 不确定性推理 证据理论 (证据的不确定性) 信任函数 ２Ｕ→［0,1］。（在Ｕ的幂集２Ｕ上定义，取值［0,1］） Bel(A) = 有: Bel(Φ) = m(Φ) = 0 , Bel(Ｕ) = = 1 Bel类似于概率密度函数，表示A中所有子集的基本概率分配数值的和，用来表示对A的总信任度。 《人工智能原理》第五章 不确定性推理 证据理论 (证据的不确定性) 似然函数 Pl：２Ｕ→［0,1］。 （在Ｕ的幂集２Ｕ上定义，取值［0,1］） Pl(A) = 1 - Bel(～A) = 性质： 0 ≤ Bel(A) ≤ Pl(A) ≤1 ( Bel是Pl的一部分) 称Bel(A)和Pl(A)是A的下限不确定性值和上限不确定性值。 《人工智能原理》第五章 不确定性推理 证据理论 (证据的不确定性) 设函数f(Bel(A), Pl(A)) ，则有如下特殊值： f(１,１)：表示A为真 f(０, ０)：表示A为假 f(０,１)：表示对A一无所知 f(１,０)：不可能成立 《人工智能原理》第五章 不确定性推理 证据理论 (证据的不确定性) 定义： 其中|A|、|U|为集合内元素个数。 性质： 对于A ? U f1(Φ) = 0， f1(Ｕ) = 1， 0≤f1(A)≤1 《人工智能原理》第五章 不确定性推理 证据理论 概述 证据的不确定性 规则的不确定性 推理计算 《人工智能原理》第五章 不确定性推理 证据理论 概述 证据的不确定性 规则的不确定性 推理计算 《人工智能原理》第五章 不确定性推理 证据理论 (规则的不确定性) 推理形式： 设子集合A、B，其中A = {a1, a2, …, al}, B = {b1, b2, …, bk}， 用相应的向量(c1, c2, …, ck)描述规则A→B， 其中：ci≥0, 1≤i≤k, 且∑cj≤1， 1≤j≤k 已知事件A，由f1(A)求bk， bk = f1(A)ck 《人工智能原理》第五章 不确定性推理 证据理论 概述 证据的不确定性 规则的不确定性 推理计算 《人工智能原理》第五章 不确