AI第4章-非经典推理详解.ppt

Artificial Intelligence (AI)人工智能 内容提要 2、条件概率 设A和B是某个随机试验中的两个事件，如果在事件B发生的条件下考虑事件A发生的概率，就称它为事件A的条件概率，记为P(A|B)。若P(B)0，则有： 3、全概率公式与Bayes公式 ⑴、全概率公式 定理：设事件A1,A2,…,An满足 ①两两互不相容，即当i≠j时，有 Ai∩Aj=Φ； ②P(Ai)0； ③ ，D为必然事件； 此公式称为全概率公式，它提供了一种计算P(B)的方法。 则对任何事件B有下式成立： 说明： 将一个复杂事件的概率计算问题，分解为若干个简单事件的概率计算问题，最后应用概率的可加性求出最终结果。（部分和） 即，某一事件B的发生有各种可能的原因(i=1,2,…,n)，若B是由原因Ai所引起，则B发生的概率为：P(BAi)=P(Ai)P(B|Ai) 全概率：各个原因引起事件B发生概率的总和。 有： =P(A1)P(B|A1)＋P(A2)P(B|A2)＋…＋ P(An)P(B|An) ⑵、Bayes公式 定理：设事件A1,A2,…,An满足“全概率公式”所规定的条件。 则对任何事件B有下式成立： 此定理称为Bayes定理，上式称为Bayes公式。 若把全概率公式代入Bayes公式中，就可得到： 即： 这是Bayes公式的另一种表现形式。 说明： 与全概率公式相反。已知某结果发生的条件下，求各个原因发生的可能性大小。 即，在观察到事件B已经发生的条件下，寻找导致B发生的每个原因的概率。 实际应用中，可帮助确定某个结果(事件B)发生的最可能的原因。 4.3.2 概率推理模型 在基于概率的不精确推理中，概率一般解释为“专家对证据和规则的主观信任度”，对概率推理起支持作用的就是Bayes公式。 设有产生式规则： IF E THEN H 则证据E的不确定性就是E的概率P(E)。 概率方法不精确推理的目的，就是求出在证据E下，结论H发生的概率，即H的条件概率：P(H|E)。 Bayes方法用于不精确推理的一个原始条件是：已知前提E的概率P(E)和结论H的先验概率P(H)，并已知H成立时, E出现的条件概率P(E|H)。 如果只使用这一条规则进行一步推理，则使用如下最简形式的Bayes公式，即可以从H的先验概率P(H)推得H的后验概率： 事件尚未发生，要求该事件发生的可能性大小。（通常是根据经验数据分析得到） 事件已发生，要求该事件发生的是由某个原因引起的可能性大小。（获取新的数据后对先验概率修正后得到） 对于一般的不精确推理，情况就比较复杂。例如，当一个证据同时支持多个假设，或者一组证据同时支持一个假设H时，必须作如下约定： ⑴ 若一组证据E1,E2,…,En同时支持一个假设H时， 则对于H，E1,E2,…,En之间相互独立。 ⑵ 当一个证据E同时支持多个假设H1,H2,…,Hn时， 则H1,H2,…,Hn之间互不相容。 * * 第4章 非经典推理 第四章 非经典推理 1、经典推理和非经典推理 2、不确定性推理 确定性推理方法是建立在经典逻辑基础上，运用确定性知识进行精确推理，是一种单调性推理。 现实世界中遇到的问题和事物之间的关系，通常比较复杂，客观事物存在的随机性、模糊性、不完全性和不精确性，往往导致人们认识上一定程度的不确定性，若依旧采用经典的精确推理方法进行处理，必然无法反映事物的真实性。 因此，需要在不完全和不确定的情况下运用不确定知识进行推理，即进行不确定推理。 引 言 4.1 经典推理和非经典推理 传统人工智能（即逻辑学派）是建立在符号逻辑推理的基础上。 逻辑和推理是以逻辑为基础的人工智能的两个基石，逻辑涉及思维的规范，而推理则与思维的法则有关。 ⑴ 人工智能将逻辑作为描述和模拟思维的工具。而非逻辑 学家那样研究逻辑推理论，是研究应用逻辑。 ⑵ 人工智能不仅要将逻辑应用于学科研究，而且要探究逻 辑的应用问题。 ⑶ 人工智能将逻辑作为重现和模拟智能的手段，而非数学 家那样把逻辑作为改造和发展数学的基础。 逻辑的学科界定： 一般提到的逻辑有形式逻辑和数理逻辑等。 长期以来，形式逻辑和数理逻辑的研究与应用一直处于主导地位。但这两种逻辑均存在一些局限性，无法解决面临