人工智能^Artificial Intelligence.pptVIP

本章主要内容 基本概念 主观Bayes方法 确定性方法 证据理论 模糊推理 基本概念(1/3) 什么是不确定性推理? 不确定性推理是建立在非经典逻辑上的一种推理,是对不确定性知识的运用与处理 是从不确定性的初始证据出发,通过运用不确定性的知识,最终推出具有一定程度的不确定性但却合理或者近乎合理的结论的思维过程 为什么要研究不确定性推理? 日常生活中含有大量的不确定的信息 ES系统中大量的领域知识和专家经验，不可避免的包含各种不确定性。 基本概念(2/3) 不确定性推理的基本问题: 表示问题:即采用什么方法描述不确定性.一般有数值表示和非数值的语义表示方法. 计算问题:主要指不确定性的传播和更新,也即获得新信息的过程.主要包括: 已知C(A), A?B f(B,A),如何计算C(B) 已知C1(A),又得到C2(A),如何确定C(A) 如何由C(A1),C(A2)计算C(A1?A2), C(A1?A2) 语义问题: 指的是上述表示和计算的含义是什么,如何进行解释. 基本概念(3/3) 不确定推理方法的分类 形式化方法:在推理一级扩展确定性方法. 逻辑方法:是非数值方法,采用多值逻辑、非单调逻辑来处理不确定性 新计算方法:认为概率方法不足以描述不确定性,出现了确定性理论,确定性因子,模糊逻辑方法等 新概率方法:在传统的概率框架内,采用新的计算工具以确定不确定性描述 非形式化方法:在控制一级上处理不确定性 如制导回溯、启发式搜索等等 本章主要内容 基本概念 主观Bayes方法 可信度方法 证据理论 模糊推理 主观Bayes方法 1976年提出的，应用于地矿勘探专家系统Prospector中 不确定推理系统包括： 不确定性的表示： 规则/知识 事实/证据 不确定性的计算 组合证据的不确定算法 不确定性的传递算法 结论的不确定算法 规则不确定的表示（1/2） if E then (LS， LN) H (P(H)) (1)E是规则的前提条件，H是结论，P(H)是H的先验概率，是指在没有任何证据的情况下结论H为真的概率。 (2)LS是充分性度量：表示E对H的支持程度，取值范围[0,+?),其定义为： P(E/H) LS=------------------ P(E/~H) 规则不确定的表示（2/2） (3)LN是必要性度量：表示~E对H的支持程度，取值范围[0,+?),其定义为： P(~E/H) 1-P(E/H) LN=----------------=------------------- P(~E/~H) 1-P(E/~H) 证据不确定的表示 对于初始证据E，由用户根据观察S给出P(E/S). 引入可信度函数C(E/S): (1)C(E/S)=-5, 表示在S下，E肯定不存在P(E/S)=0 (2)C(E/S)=0, 表示在S与E无关， P(E/S)=P(E) (3)C(E/S)=5, 表示在S下，E肯定存在，P(E/S)=1 (4)C(E/S)为其他值的时候， P(E/S)可以通过线性插值得到。 组合证据不确定的表示 (1)E=E1 ? E2 ? … ? En 如果已知P(E1/S),…, P(En/S), 则： P(En/S)=min{P(E1/S),…, P(En/S)} (2)E=E1 ? E2 ? … ? En 如果已知P(E1/S),…, P(En/S), 则： P(En/S)=max{P(E1/S),…, P(En/S)} (3)对于“非”： P(~E/S)=1 - P(E/S) 不确定性的传递算法 主观Bayes方法推理的任务就是根据证据E的概率P(E)和LS，LN的值，把H的先验概率P(H)更新为P(H/E)或P(H/~E)。 分下面三种情况讨论： 证据肯定存在 证据肯定不存在 证据不确定 证据肯定存在（1/2） 证据肯定存在时：P(E)=P(E/S)=1 P(H/E)=P(H) ? P(E/H)/P(E) P(~H/E)=P(~H) ? P(E/~H)/P(E) P(H/E) P(H) P(E/H) ------------ = ---------- ? ----------- P(~H/E) P(~H) P(E/~H) 引入几率函数O(x)定义为： O(x)=P(x)/(1-P(x)), P(x)=O(x)/(1+O(x)) 证据肯定存在（2/