人工智能第4章非经典推理.ppt

第四章不确定推理;第四章不确定性推理;§4.1概述;§4.1概述;§4.1概述;§4.1概述;举例;举例;总结;§4.1概述;§4.1概述;是MYCIN系统采用的一种不精确推理模型，它对许多实际应用都是一个合理而有效的推理模式，获得较广泛的应用 一.知识的不确定性 二.证据的不确定性 三.不精确推理算法 四.举例;规则强度(Certainty Factor)CF(H,E)，它表示在已知证据E的情况下，对假设H的可信程度。 CF(H,E)的定义如下： CF(H,E)=MB(H,E)- MD(H,E) 其中：MB为信任增长度(Measure Belief)，表示因证据E的出现对假设H为真的信任的增加程度，即当MB(H,E)0时，有P(H|E)P(H); MD为不信增长度(Measure Disbelief)，表示因证据E的出现对假设H为真的信任的减少程度，即当MB(D,E)0时，有P(H|E)P(H); ;1.有关的定义 规则强度(Certainty Factor)CF(H,E)，它表示在已知证据E的情况下，对假设H的可信程度。 CF(H,E)的定义如下： CF(H,E)=MB(H,E)- MD(H,E) 其中：MB为信任增长度(Measure Belief)，表示因证据E的出现对假设H为真的信任的增加程度，即当MB(H,E)0时，有P(H|E)P(H); MD为不信增长度(Measure Disbelief)，表示因证据E的出现对假设H为真的信任的减少程度，即当MB(D,E)0时，有P(H|E)P(H); ;MB(H,E)的定义 MD(H,E)的定义 实际意义： MB： MD：;2性质 ⑴互斥性 当MB(H,E)0时，MD(H,E)=0 当MD(H,E)0时，MB(H,E)=0 ⑵值域 0 ≤MB(H,E)≤1 0 ≤MD(H,E)≤1 -1 ≤CF(H,E)≤1 ;2性质 ⑶典型值 若P(H|E)=1，即E为真则H为真时，MB(H,E)=1，MD(H,E)=0， 因此CF(H,E)=1 若P(H|E)=0，即E为真则H为假时，MB(H,E)=0，MD(H,E)=1， 因此CF(H,E)=-1 若P(H|E)=P(H)，即E为H没有影响时，MB(H,E)=0， MD(G,E)=0，因此CF(H,E)=0，这就是规则的单元位 ⑷CF(H, E)+CF(~H,E)=0 这表明一个证据对某个假设的成立有利，必然对该假设的不成立不利，而且对二者的影响程度相同。 概率论中相应的公式：P(H|E)+P(~H|E)=1;2性质 ⑸互斥假设 若对于同一证据有n个互不相容的假设Hi,(i=1,2,…,n)，则有 n ∑=CF(Hi,E) ≤1 i=1 只有当证据E在逻辑上蕴含某个假设Hi时，等式才成立;根据性质1，CF(H,E)可直接用概率值表示如下：;1.规定 证据的不确定性用证据的可信度CF(E)表示。 原始证据的可信度由用户在系统运行时提供； 非原始证据的可信度由不精确推理得到 2.性质 ⑴值域 当证据E以某种程度为真时，0CF(E) ≤1 当证据E以某种程度为假时， -1 ≤CF(E) 0 ⑵典型值 当证据E肯定为真时，CF(E) =1 当证据E肯定为假时，CF(E) =-1 当对证据E一无所知时，取CF(E)=0，即证据的单元位;1.根据证据和规则的可信度求假设的可信度 CF(H)=CF(H,E).max(0,CF(E)) 若CF(E)0，即规则前提以某种程度为真，则根据CF(E)和规则可信度CF(H,E)计算规则的可信度CF(H)=CF(H,E).CF(E) 若CF(E)0，即规则前提为假，说明该规则不能应用，则CF(H)=0;2.组合两个独立证据导出同一假设的可信度(新证据法) 对于两个独立证据的情况，通常直接根据由E1和E2分别导出的假设H的可信度CF1(H)和CF2(H)计算由组合证据导出的假设H的可信度CF(H) 在组合两个以上独立证据时，可先组合独立E1和E2，再将结果与E3组合证据导出同一假设的可信度;3.证据的合取 对于E=E1 AND E2 AND … AND En，有 CF(E)=CF(E1 AND E2 AND … AND En） =min{CF(E1)， CF(E2)，… CF(En)} 4.证据的析取 对于E=E1 OR E2 OR … OR En，有 CF(E)=CF(E1 OR E2 OR … OR En）