人工智能—不确定性知识的示与推理人工智能—不确定性知识的表示与推理.pptVIP

图 8-4 用贝叶斯网络表示医学知识 　　为了便于叙述, 我们将吸烟、感冒、气管炎、咳嗽、气喘分别记为: S, C, T, O, A。并将这几个变量的条件概率表用下面的概率表达式表示: P(S)=0.4，P(?S)=0.6； P(C)=0.8，P(?C)=0.2； P(T | S, C)=0.35，P(T | ?S, C)=0.25，P(T | S, ?C)=0.011，P(T | ?S, ?C)=0.002； P(O | T)=0.85，P(O | ?T)=0.15； 　P(A | T)=0.50，P(A | ?T)=0.10。 8.3.3 基于贝叶斯网络的概率推理 　　根据贝叶斯网络的结构特征和语义特征, 对于网络中的一些已知节点(称为证据变量), 利用这种概率网络就可以推算出网络中另外一些节点(称为查询变量)的概率, 即实现概率推理。 具体来讲, 基于贝叶斯网络可以进行因果推理、 诊断推理、 辩解和混合推理。 　　这几种概率推理过程将涉及到联合概率(即乘法公式)和条件独立关系等概念。 　　联合概率：设一个贝叶斯网络中全体变量的集合为X={x1, x2, …, xn}, 则这些变量的联合概率为 P(x1, x2,…, xn)= P(x1) P(x2｜x1) P(x3｜x1,x2) …P(xn｜x1, x2,…, xn-1) (8-21) 　　条件独立: 贝叶斯网络中任一节点与它的非祖先节点和非后代节点都是条件独立的。  　　下面我们就以图8-4所示的贝叶斯网络为例, 介绍因果推理和诊断推理的一般方法。 ? 　　1. 因果推理 　　因果推理就是由原因到结果的推理, 即已知网络中的祖先节点而计算后代节点的条件概率。 　 这种推理是一种自上而下的推理。  　　以图8-4所示的贝叶斯网络为例, 假设已知某人吸烟(S), 计算他患气管炎(T)的概率P(T|S)。首先, 由于T还有另一个因节点──感冒(C), 因此我们可以对概率P(T|S)进行扩展, 得 　 P(T | S) = P(T, C | S) + P(T, ?C | S) (8-22) 这是两个联合概率的和。意思是因吸烟而得气管炎的概率P(T|S)等于因吸烟而得气管炎且患感冒的概率P(T, C|S)与因吸烟而得气管炎且未患感冒的概率P(T, ［C|S)之和。 接着，对(8-22)式中的第一项P(T, C | S)作如下变形： P(T, C | S)= P(T, C, S)/ P(S) (对P(T, C | S)逆向使用概率的乘法公式) = P(T | C, S)P(C, S)/ P(S) (对P(T, C, S)使用乘法公式) = P(T | C, S)P(C | S) (对P(C, S)/ P(S)使用乘法公式) = P(T | C, S)P(C) (因为C与S条件独立) 同理可得(8-22)式中的第二项 P(T, ?C | S)= P(T | ?C, S)P(?C) 于是 P(T | S) = P(T | C, S)P(C)+ P(T | ?C, S)P(?C) (8-23) 可以看出, 这个等式右端的概率值在图8-4中的CPT中已给出, 即都为已知。 现在, 将这些概率值代入(8-23)式右端便得 P(T | S) =0.350.8+0.0110.2=0.2822 即吸烟可引起气管炎的概率为0.2822。 　　由这个例子我们给出因果推理的一个种思路和方法:  　　(1) 首先, 对于所求的询问节点的条件概率,用所给证据节点和询问节点的所有因节点的联合概率进行重新表达。 　　(2) 然后, 对所得表达式进行适当变形, 直到其中的所有概率值都可以从问题贝叶斯网络的CPT中得到。 　　(3) 最后, 将相关概率值代入概率表达式进行计算即得所求询问节点的条件概率。 　　2. 诊断推理 　　诊断推理就是由结果到原因的推理, 即已知网络中的后代节点而计算祖先节点的条件概率。这种推理是一种自下而上的推理。  　　诊断推理的一般思路和方法是,先利用贝叶斯公式将诊断推理问题转化为因果推理问题; 再用因果推理的结果, 导出诊断推理的结果。  　　我们仍以图8-4所示的贝叶斯网络为例, 介绍诊断推理。 假设已知某人患了气管炎(T), 计算他吸烟(S)的后验概率P(S|T)。 　　 由贝叶斯公式, 有 由上面的因果推理知, P(T | S) = P(T, C | S) + P(T, ?C | S) =P(T | C, S)P(C)+ P(