第19章用不确定信息进行推理解释.pptVIP

* * 第19章 用不确定信息进行推理 第三部分 知识的表示和推理 在一般逻辑中，我们能从P和P ? Q中推导出Q，即，如果一个agent知道P ? Q，它随后学会了P，那么它也能推导出Q。当信息不确定时有类似的推理过程吗? 在本章的开始，先回顾一下概率论的基础知识。 概率论简介 基本思想 随机变量代表一个所讨论领域的特征。随机变量的值可以是不同类型。如果变量代表命题，它们的值为True或False(或者，1或0)；如果变量代表物理度量(如高度、密度和速度等)，则值是数字；如果变量代表分类(如颜色、字母表巾的字母等)，则值是范畴。 我们用表达p(V1=v1， V2=v2，…，Vk=vk)指称一个联合概率，即变量V1，V2，…，Vk 的值分别是v1，v2，…，vk 时的概率。表达式p(V1， V2，…，Vk)叫做变量V1， V2，…，Vk 的联合概率函数。它把变量集合映射为一个在0和1之间的实数。把p(V1， V2，…，Vk)的变量替换为特定的值，以给我们一个表达式p(v1，v2，…，vk)——p(V1=v1， V2=v2，…，Vk=vk)的缩写形式。 概率论简介 基本思想 概率函数必须满足一定的属性，它们是： (a) 0≤ p(V1， V2，…，Vk)≤1 上式适用于变量的任何分配值，且 (b) Σ p(V1， V2，…，Vk)＝1 其中的和是建立在变量的所有值的基础之上。 就像在命题演算中由合式公式指称的各种命题的真假是基于应用领域的专家主观判断(或者传感数据的知觉处理)，随机变量的概率值也同样依赖专家判断或知觉处理。相反，我们主要关心的是怎么执行计算，以让它告诉我们所感兴趣的变量的概率。 概率论简介 基本思想 在本章的应用例子中，变量对应一个域的命题。这些命题或为真或为假，相应的命题变量将有True或False值。我们可能不确定关于这些命题的一个或多个的事实，这种不确定性能用相应变量的值的概率表示。因此，本章描述的技术可以认为是第13章和第14章讨论的使用谓词逻辑进行表示和推理的概率方案。 B : BAT_OK L : LIFTABLE M : MOVES G : GAUGE 概率论简介 基本思想 当我们知道一个随机变量集合的联合概率的所有值时，就能计算这些随机变量之一的边缘概率(marginal probability)。例如，边缘概率p(B＝b)被定义为是16个联合概率中B＝b的8个概率之和： p(B＝b)＝p(B，M，L，G) 用这个公式，边缘概率p(B＝True)＝0.95，这是B值为True的8个联合概率之和。 更低阶数的联合概率也能通过对所有联合概率的合适项相加而计算得到。例如，对于B＝b， M＝m，联合概率(B＝b，M＝m)是所有联合概率中4项之和。 P(B＝b，M＝m)＝ P(B，M，L，G) 当已知更低阶数的联合概率时，我们也能用它们计算边界和其他更低阶的联合概率。因此，例如 P(B=b)＝P(B，M) 和 P(B＝b，M＝m)＝ P(B，M，L) 概率论简介 基本思想 当处理命题变量(有True或False值)时，常常利用一个简洁符号，例如，不必再写为p(B＝True , M＝False)的形式，而将它记为p(B，﹁M)——假定没有取反的变量已被实例化为True，取反变量被实例化为False。只有当上下文清楚地表明正指示一个实例化变量的概率值，而不是那些变量上的概率函数时，才能使用这种缩写符号。 因此。给定一个随机变量集合的完全联合概率函数(如一个表)，从理论上讲，就能计算所有的边缘概率和所有的更低阶的联合概率。然而，当我们有一个极大的随机变量集合时，指定所有的联合概率的任务就变得不可处理，更不用说低阶概率了。幸运的是，在大多数应用中，联合概率要满足一定的特殊条件，这些条件使得对它们的说明和计算变得可行。 概率论简介 条件概率 我们想能够用一些变量值的信息来获得其他变量值的概率。例如，如果搬积木的机器人感知到自己手臂不能移动，它可能想计算(给定那个事实)电池要被充电的概率。和逻辑推理方法相似，这样的计算叫做概率推理。在解释如何执行概率推理前，必须先定义什么是条件概率。 给定Vi，Vj 的条件概率函数由p(Vi |Vj)表示。对变量Vi和Vj的任何值，可以给出 其中p(Vi，Vj) 是Vi和Vj 的联合概率，p(Vj )是Vj 的边缘概率。从这个表达式，我们也能按照条件概率表