人工智能主观Bayes.docVIP

人工智能课内实验报告 ——主观贝叶斯方法 班级： 姓名： 学号： 主观贝叶斯方法 在主观Bayes方法中，知识和证据均具有不确定性。主观Bayes方法推理的任务就是根据证据E的概率P(E)及LS、LN的值，把H的先验概率P(H)更新为后验概率P(H/E)或者P(H/~E)。但由于证据的不确定性，要采取不同的更新方法。 实验目的 在证据不确定的情况下，以充分性量度LS、必要性量度LN、E 的先验概率P(E)和H的先验概率P(H)作为前提条件，分析P(H/S)和P(E/S)的关系。 实验原理 在现实中，证据肯定存在和肯定不存在的极端情况是不多的，更多的是介于二者之间的不确定情况，即0P(E/S)1。此时，我们用杜达等人在1976年证明了的公式来计算H的后验概率： 分四种情况讨论这个公式： 1. P(E/S)=1(证据肯定存在) 当P(E/S)=1时，P(-E/S)=0。此时公式变成： 2. P(E/S)=0(证据肯定不存在) 当P(E/S)=0时，P(-E/S)=1.此时公式变成： 3. P(E/S)=P(E)（观察与证据、结论无关） 当P(E/S)=P(E)时，表示E与S无关。利用全概率公式得： 4. 当P(E/S)为其它值时，通过分段线性插值就可计算P(H/S) 公式为： 该公式称为EH公式或UED公式。 实验内容 编写程序，以LS、LN、P(E)、P(H)为已知输入，利用公式做出P(H/S)随P(E/S)变化关系图。 实验程序 MATLAB程序如下: clc; X=input(请输入LS,LN,P(H),P(E):); P1=(X(1)*X(3))/((X(1)-1)*X(3)+1); P0=(X(2)*X(3))/((X(2)-1)*X(3)+1); axis([0 1.1 0 1.1]); line([0 X(4)],[P0 X(3)],color,k,linewidth,2); line([X(4) 1],[X(3) P1],color,k,linewidth,2); line([X(4) X(4)],[0 X(3)],linestyle,:); line([0 X(4)],[X(3) X(3)],linestyle,:); line([1 1],[0 P1],linestyle,:); line([0 1],[P1 P1],linestyle,:); title(主观BAYES); text(0,P0,P(H/~E)); text(0,X(3),P(H)); text(0,P1,P(H/S)); text(X(4),0,P(E)); xlabel(P(E/S)); ylabel(P(H/S)); grid; 实验结果 输入：[800 0.7 0.6 0.4] 结果显示： 输入：[100 0.4 0.3 0.5] 结果显示： 结果分析： 当P(E/S)=0时，P(H/S)=P(H/~E); 当P(E/S)=P(E)时，P(H/S)=P(E); 当P(E/S)=1时，P(H/S)=P(H/E)； 当P(E/S)为其它值时，P(H/S)即为分段线性插值计算结果。 以上计算结果与实验原理所述完全一致。 总结 通过实验，进一步掌握了主观Bayes方法中不确定性的传递算法及其公式。同时，通过多次输入参数并作图，经观察更深刻的理解了LS、LN的意义和性质，得知主观Bayes方法的实质。