不精确推理解说.ppt

人 工 智 能(Artificial Intelligence) 第五章 不精确推理 Chapter 5. Inaccurate Reasoning 本章教学计划 教学重点 1. 不确定推理概念 2. 典型不确定推理方法 主观Bayes方法 可信度方法 教学难点 模糊推理 教学要求：了解和掌握常用的不确定性推理方法及其应用。 5.1 不精确推理-概述(Inexact Reasoning) 不精确推理概述 不精确推理是建立在非经典逻辑基础上的一种推理，它是研究复杂系统不完全性和不确定性的有力工具。 有两种不确定性，即关于证据的不确定性和关于结论的不确定性。 5.1 不精确推理-概述(Inexact Reasoning) 不精确推理概述 (1) 论据的不确定性 以模糊集理论为基础的方法 以概率为基础的方法 (2) 结论的不确定性 也称为规则的不确定性，表示当规则的条件完全满足时，产生某种结论的不确定程度 5.1 不精确推理-概述(Inexact Reasoning) 不精确推理概述 (3) 不确定的表示 知识或实事E，E的不确定性C(E) 论断或结论H，H的不确定性C(H) 推理规则R(E,H)，其不确定性f(E,H) 准确推理: IF E THEN H 不精确推理, f(E,H):C(E)?C(H) 5.1 不精确推理-概述(Inexact Reasoning) 不精确推理概述 (4) 不确定的表示匹配算法 与确定性推理不同，此匹配是一种使得结论在区间范围内成立的概率匹配 5.1 不精确推理-概述(Inexact Reasoning) 不精确推理概述 (5) 不确定性的更新算法 规则强度不确定性C(E)和强度f(H,E)确定下求结论的不确定性: C(H)=g1[C(E), f(H,E)] 并行规则算法: C(H)=g2[C(H1), C(H2)] 合取论据的不确定算法: C(E1 AND E2)=g3[C(E1), C(E2)] 析取论据的不确定算法: C(E1 OR E2)=g4[C(E1), C(E2)] 5.1 不精确推理-概述(Inexact Reasoning) 不精确推理概述 (5) 不确定性的更新算法 最大最小法 C(E1 AND E2) = min{C(E1), C(E2)} C(E1 OR E2) = max{C(E1), C(E2)} 概率方法 C(E1 AND E2) = C(E1) · C(E2) C(E1 OR E2) = C(E1)+C(E2)-C(E1)·C(E2) 有界方法 C(E1 AND E2) = max{0, C(E1)-C(E2)-1} C(E1 OR E2) = min{1, C(E1)+C(E2)} 5.2 不精确推理-概率方法(Probability) 概率方法 (1)概率论基础 A. 事件的概率 性质1 0≦P(A)≦1 性质2 必然事件P(D)=1, 不可能事件P(Φ)=0 性质3 不相容事件Ai∩Aj=Φ(i≠j) P(Ai∪Ai)=P(A1)+P(A2)+…+P(Ak) 性质4 对任意事件A, P(﹁A)=1-P(A) 性质5 并事件P(A∪B)=P(A)+P(B)-P(A∩B) 性质6 差事件P(A-B)=P(A)-P(B) 5.2 不精确推理-概率方法(Probability) 概率方法 (2)条件概率 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，称其为事件A的条件概率，记为P(A|B) 5.2 不精确推理-概率方法(Probability) 概率方法 (3)全概率公式与Bayes公式 全概率公式 事件A1,A2,…,An满足: 两两互不相容Ai∩Aj=Φ(i≠j) P(Ai)0 D= ∪Ai, D为必然事件 (对事件空间的划分) 5.2 不精确推理-概率方法(Probability) 概率方法 (3)全概率公式与Bayes公式 Bayes公式 pp.140 5.2 不精确推理-概率方法(Probability) 概率方法 (4)概率推理模型 Bayes用于不精确推理的一个原始条件：已知前提E的概率P(E)和H的先验概率P(H)，且已知H成立时E的条件概率P(E|H)。可通过下式得到H的后验概率 假设条件 a. 一组论据E1,E2,…,En支持假设H时，假设H,E1,…,En间相互独立 b. 一个论据支持多个假设H1,H2,…,Hn时，假设H1,H2,…,Hn间互不相容 5.2 不精确推理-概率方法(Probability) 概率方法 (4)概率推理模型 Hi在E下的后验概率可表示为: