人工智能 第3章 推理技术2精要.ppt

* 《人工智能》 * 在证据理论中，信任函数Bel(A)和似然函数Pl(A)分别表示对命题A信任度的下界和上界，因此可以用区间(Bel(A), Pl(A))作为命题A的不确定性度量： A(0,0): 表示A为假 A(0,1): 表示对A一无所知 A(1,1): 表示A为真 A(0.25,0.85)：表示A为真的信任度为0.25，A为假的信任度为1-0.85=0.15 信任函数和似然函数都是建立在概率分配函数的基础上的。下面给出一种特殊的概率分配函数，并在此基础上建立一个具体的不确定推理模型。 3.6.2 证据理论的不确定性推理模型 * 《人工智能》 * 1、概率分配函数与类概率函数 定义：设D={s1,s2,…sm}，M为定义在2D上的概率分配函数，且满足： （1）M({si}) ≥0 （2） ? M({si}) ≤1 （3）M(D)=1- ? M({si}) （4）对于任意A?D，当|A|1或|A|=0时，M(A)=0 这是一个特殊的概率分配函数，只有单个元素构成的子集及样本空间D的概率分配函数才可能大于0，其它子集的概率分配均为0。 * 《人工智能》 * 类概率函数：命题A的类概率函数定义为： 其中，|A|和|D|分别是A和D中元素个数。 类概率函数具有下列性质： （1）∑f ({si}) =1 （2） Bef(A) ≤f(A) ≤pl(A) （3）f(?A)=1- f(A) 根据上述性质可得如下结论： (1) f(?)=0 (2) f(D)=1 (3) 0≤f(A) ≤1 * 《人工智能》 * 2、知识不确定性表示 在证据理论中，不确定性知识用如下产生是规则表示： IF E THEN H={h1,h2,…hn} CF={c1,c2,…,cn} 其中：E为前提条件，可以是简单条件，也可以是复合条件。 H是结论，用样本空间的子集{h1,h2,…hn}表示。 CF是可信度因子，ci用来指出hi的可信度，ci满足如下条件： ci≥0 (i=1,2,…n)，且∑ci≤1 3、证据不确定性表示 不确定性证据E的不确定性用CER(E)表示，其取值范围为[0,1]。 4、组合证据不确定性表示 对于组合证据，采用最大最小法合成。即： 若E=E1∧E2…∧En，则CER(E)=min{CER(E1),… CER(En)} 若E=E1∨E2…∨En，则CER(E)=max{CER(E1),… CER(En)} * 《人工智能》 * 5、不确定性传递算法 设有知识： IF E THEN H={h1,h2,…hn} CF={c1,c2,…,cn} 则结论H的确定性可通过下列步骤求出： （1）求出概率分配函数 若两条知识支持同一结论，即 IF E1 THEN H={h1,h2,…hn} CF={c1,c2,…,cn} IF E2 THEN H={h1,h2,…hn} CF={c1’,c2’,…,cn’} 则首先对每一条知识求出概率分配函数M1和M2，然后再用公式 M=M1?M2 对M1和M2求正交和，从而得到合成的概率分配函数。 * 《人工智能》 * （2）求出Bel(H), Pl(H), f(H) （3）求H的不确定性CER(H) CER(H)=f(H) 讨论：假设H={h1,h2,h3}，有如下两条规则 IF E1 THEN H1={h1,h2} CF={c1,c2} IF E2 THEN H2={h1,h3} CF={c1’,c3’} 求 M=M1?M2，计算f({h1})， f({h2}) ，f({h3})，并据此作出判决。 * 《人工智能》 * 3.7 模糊推理 模糊推理与前面几节讨论的不确定性推理有着实质性的区别。前面几种不确定性推理的理论基础是概率论，它所研究