人工智能第5节不确定[概率与可信度].pptVIP

第三章 不确定推理2;1 基本概念;2 不确定性推理中的基本问题; 不确定性推理中的基本问题;3. 组合证据不确定性的计算方法 需要解决的另一个问题是不确定性的更新问题,不确定 性的(更新算法）组合证据有: 在匹配时，一个简单条件对应于一个单一的证据，一个复合条件对应于一组证据，称这一组证据为组合证据。 最大最小法： T(E1 AND E2)=min{T(E1),T(E2)} T(E1 OR E2)=max{T(E1),T(E2)} 概率法： T(E1 AND E2)=T(E1)×T(E2) T(E1 OR E2)=T(E1)＋T(E2)－T(E1)×T(E2) 有界法： T(E1 AND E2)=max{0,T(E1)＋T(E2)－1} T(E1 OR E2)=min{1,T(E1)＋T(E2)} 其中，T(E)表示证据E为真的程度（动态强度），如可信度、概率等。;4. 不确定性的传递算法 在每一步推理中，如何把证据及知识的不确定性传递给结论。 在多步推理中，如何把初始证据的不确定性传递给最终结论 5. 结论不确定性的合成 用不同知识进行推理得到了相同结论，但所得结论的不确定性却不同。此时，需要用合适的算法对结论的不确定性进行合成。;不确定性推理方法的分类;可信度方法;5.4.2 C-F模型;可信度因子的定义;;CF(H,E)的计算公式;;2.证据不确定性的表示 证据的不确定性也用可信度因子表示。如： CF(E)=0.6 CF(E)的取值范围：[-1，+1]。 CF(E)0:表示证据以某种程度为真。 CF(E)0:表示证据以某种程度为假。 CF(E)表示证据的强度，即动态强度。;证据不确定性的表示;3、组合证据不确定性的算法 (1)当组合证据是多个单一证据的合取时，即： E=E1 AND E2 AND…AND En 则CF(E)=min{CF(E1), CF(E2)… CF(En)} (2)当组合证据是多个单一证据的析取时，即： E=E1 OR E2 OR…OR En 则CF(E)=max{CF(E1), CF(E2)… CF(En)} ;;5、结论不确定性的合成算法 若由多条不同知识推出了相同的结论，但可信度不同，则可用合成算法求出综合的可信度。由于对多条知识的综合可通过两两的合成实现，所以下面只考虑两条知识的情况。 设有如下知识： IF E1 THEN H （CF(H,E1)) IF E2 THEN H （CF(H,E2)) 则结论H的综合可信度可分为如下两步算出： （1）首先分别对每一条知识求出CF(H) CF1(H)=CF(H,E1) ×max{0,CF(E1)} CF2(H)=CF(H,E2) ×max{0,CF(E2)} （2）然后用下述公式求出E1与E2对H的综合可信度CF12(H): ;C-F模型推理示例(1);;;基于可信度的不确定性推理方法的特点