人工智能导论.pptVIP

第六章 不确定性推理 5-4 模糊计算 6-6 模糊推理 5-4 模糊计算 1967年A. P. Dempster提出，并由G. Shafer进一步发展而成的，简称DS理论。 DS理论将概率论中的单点赋值扩展为集合赋值，弱化了相应的公理系统。 可以处理“不知道”引起的不确定性，并且不必事先给出知识的先验概率，与主观Bayes方法相比，具有较大的灵活性。 6-5-1 DS理论的形式描述 当A是单点集时，m(A)表示对A的精确信任度； 当A既非单点集也非Ω时，m(A)表示对A的精确信任度，但不知道A中元素的信任度； 当A是Ω时，m(A)表示不知道该如何分配信任度。 概率分配函数不是概率 信任函数 似然函数 信任函数与似然函数关系 A的信任度记为A[Bel(A), PI(A)] 概率分配函数的正交和 概率分配函数的正交和 6-5-2 证据理论的推理模型 信任函数 似然函数 基本概率分配函数的正交和 类概率函数 知识不确定性的表示 在DS理论中，不确定性知识的表示形式为： IF E THEN H={h1,h2,…,hn} CF={c1,c2,…,cn} 证据不确定性的表示 在DS理论中，证据包括所有输入的已知数据、规则前提条件和结论部分的命题。 设A是规则条件部分的命题，E是外部输入的证据和已证实的命题，在证据E的条件下，命题A与证据E的匹配程度定义为： 如果A的所有元素都出现在E中，则MD(A|E)=1；否则MD(A|E)=0。 条件部分命题A的确定性定义为： CER(A)=MD(A|E)·f(A) 组合证据不确定性的计算 合取证据 当E=E1 AND E2 AND … AND En ， 则 CER(E)=min{CER (E1), CER (E2), …, CER (En)} 析取证据 当E=E1 OR E2 OR … OR En ， 则 CER(E)=max{CER (E1), CER (E2), …, CER (En)} 不确定性的更新 在DS理论中，不确定性知识的表示形式为： IF E THEN H={h1,h2,…,hn} CF={c1,c2,…,cn} （1）求H的概率分配函数 如果有两条知识支持同一结论H IF E1 THEN H={h1,h2,…,hn} CF={c11,c12,…,c1n} IF E2 THEN H={h1,h2,…,hn} CF={c21,c22,…,c2n} 按正交和求CER(H)， 先求m1=m({h1},{h2 },…,{hn}) 和m2=m({h1},{h2 },…,{hn}) ， 再求 （2）计算Bel(H)，PI(H)及f(H) （3）计算结论H的确定性CER(H) CER(H)=MD(H|E)·f(H) 例6.9 (p.193) 作用(p.203)：6-13 * * 0.2 {r,y,w} 0 {y,w} 0.2 {r,w} 0.2 {r,y} 0.1 {w} 0 {y} 0.3 {r} 0 Ф m {r,y,w}所有子集