人工智能_不确定性推理解析.ppt

* * * * * * * * * * * * * * * * * 或许是他自己感觉到它的学说还有不完善的地方，这一论文在他生前并没有发表，而是在他死后，由他的朋友发表的。 Bayes 网络应用举例 贝叶斯理论是处理不确定性信息的重要工具。作为一种基于概率的不确定性推理方法，贝叶斯网络在处理不确定信息的智能化系统中已得到了重要的应用，已成功地用于医疗诊断、统计决策、专家系统等领域。 医疗诊断 文本理解 数据挖掘 …… 智能决策 数据融合 模式识别 …… 例子：汽车故障诊断 某发动机在使用过程中出现冷车起动不能着火的故障(环境温度为 20~25℃)，而且是批量性的。经过多名训练有素及富有维修经验的老师傅进行现场维修，更换了大量的有关部件和零件，多日没有找到问题的根源。利用故障诊断仪进行静态和动态检测，检测数据显示一切正常，没有发现故障的根源。 对此类问题，尝试运用贝叶斯诊断方法解决。 假设发动机在20～25℃温度下冷车起动困难为父节点，其关联子节点分别为燃油质量、火花塞、水温传感器、燃油压力调节器、燃油泵电路、油管、气缸压缩压力、开关状态信号电路、点火信号电路、进气温度传感器电路、点火线圈、喷油器和发动机ECU等。 在贝叶斯图的基础上也可以这样理解：诊断对象是发动机在20~25℃温度下冷车起动困难；其故障由燃油质量差、供油系压力不够、气缸压缩不良、开关状态信号电路短路或断路所组成；其故障表现为燃油质量、火花塞、水温传感器、燃油压力调节器、燃油泵电路、油管、气缸压缩压力、开关状态信号电路、点火信号电路、进气温度传感器电路、点火线圈、喷油器和发动机ECU等工况不良。 在建立贝叶斯诊断图的基础上通常可按以下步骤进行故障排除： ① 排除燃油品质对发动机起动的影响；② 用气缸压力表检测气缸工作压力；③ 用故障诊断仪检测开关状态信号、水温传感器、进气温度传感器；④ 用压力表检测燃油管路的油压，排除燃油管路的可能性；⑤ 运用对比法更换及检查火花塞、控制线束、点火线圈，排除点火系统对起动的影响；⑥ 如果可以排除以上故障，则对喷油器进行检测，这样就可以认定故障原因是冷车起动时喷油控制时间有问题。 * * 精度与有效性的冲突 * 主观主义者的问题：先验概率 * 大小写 * pic for these cases * * * * * * * * * * * * * * * * * * * * * * 查询实例（3） 乘积求和过程： ∑EP(E)∑AP(A|b,E)P(j|A)P(?m|A) =P(e)*∑AP(A|b,e)P(j|A)P(?m|A)+ P(?e)*∑AP(A|b,?e)P(j|A)P(?m|A) =P(e)*[P(a|b,e)*P(j|a)*P(?m|a)+P(?a|b,e)* P(j|?a)*P(?m|?a)] +P(?e)*[P(a|b,?e)*P(j|a)* P(?m|a)+P(?a|b,?e)* P(j|?a)*P(?m|?a)] =0.002*[0.95*0.90*0.30+0.05*0.05*0.99] +0.998*[0.94*0.90*0.30+0.06*0.05*0.99] =0.002*[0.2565+0.0025]+0.998*[0.2538+0.0030] =0.002*0.2590+0.998*0.2568=0.2568 查询实例（4） 相应地有： P(b|j,?m)=?P(b)*0.2568=?0.001*0.2568 =?*0.0002568 类似地有： P(?b|j,?m)=?*P(?b)∑EP(E)∑AP(A|?b,E)P(j|A)P(?m|A) =?*P(?b)*[0.002*(0.0783+0.0351) +0.998*(0.0003+0.0495)] =?*0.999*0.0499 =?*0.0499 归一化以后有： P(B|j,?m)=?0.0003,0.0499=0.006,0.994 只有John打电话而出现盗贼的概率小于1/100★ 计算P(B |j,m)的枚举树 变量消元法（1） 在计算中我们发现P(j|a)*P(?m|a)和P(j|?a)*P(?m|?a)重复计算了两次，如何消除重复？ 只要保留一次计算结果既可。 按照从右到左的次序计算。 例子： 例子： 对M和J，用二元向量表示保存每个给定的a下的概率： A的因子P( a | B, e)是一个 2 x 2 x 2 的矩阵f A (A, B, E). 首先对A求和消去，得到一个只有B和E的2 x 2 的矩阵： A上加一横表示已经通过求和消去。 使用乘法的过程称为点积(pointwise product) 例子： 对E求和消去： 最后，可以简单的将B的因子与