南邮自动化人工智能6--专家系统.ppt

6.4 基于模型的专家系统 1. 基于模型专家系统的提出 * 关于人工智能的一个观点(定性模型化) 综合各种模型的专家系统比基于逻辑心理模型的系统具有更强的功能，从而有可能显著改进专家系统的设计 在诸多模型中，人工神经网络模型的应用最为广泛 2. 基于神经网络的专家系统 神经网络模型从知识表示、推理机制到控制方式，与目前专家系统中的基于逻辑的心理模型有本质的区别 三种神经网络模型与专家系统集成模式 神经网络支持专家系统 专家系统支持神经网络 协同式的神经网络专家系统 * 6.4 基于模型的专家系统 神经网络专家系统的基本结构 * 6.4 基于模型的专家系统 知识获取 学习 示例 网络 结构 学习 算法 解释器 专家 神经网络 用户 知识库 推理机 图6.7 神经网络专家系统的基本结构 * ?设有如下推理规则 r1: IF E1 THEN (2, 0.00001) H1 r2: IF E2 THEN (100, 0.0001) H1 r3: IF E3 THEN (200, 0.001) H2 r4: IF H1 THEN (50, 0.1) H2 且已知P(E1)= P(E2)= P(H3)=0.6, P(H1)=0.091, P(H2)=0.01, 又由用户告知： P(E1| S1)=0.84, P(E2|S2)=0.68, P(E3|S3)=0.36 请用主观Bayes方法求P(H2|S1, S2, S3)=? 习题解答 * 解：(1) 由r1计算O(H1| S1) 先把H1的先验概率更新为在E1下的后验概率P(H1| E1) P (H1| E1) = (LS1 × P (H1)) / ((LS1-1) × P (H1) +1) =(2 × 0.091) / ((2 -1) × 0.091 +1) =0.16682 由于P(E1|S1)=0.84 P(E1)，使用P(H | S)公式的后半部分，得到在当前观察S1下的后验概率P(H1| S1)和后验几率O(H1| S1) P(H1| S1) = P(H1) + ((P(H1| E1) – P(H1)) / (1 - P(E1))) × (P(E1| S1) – P(E1)) = 0.091 + (0.16682 –0.091) / (1 – 0.6)) × (0.84 – 0.6) =0.091 + 0.18955 × 0.24 = 0.136492 O(H1| S1) = P(H1| S1) / (1 - P(H1| S1)) = 0.15807 * (2) 由r2计算O(H1| S2) 先把H1的先验概率更新为在E2下的后验概率P(H1| E2) P(H1| E2)=(LS2 × P(H1)) / ((LS2-1) × P(H1)+1) =(100 × 0.091) / ((100 -1) × 0.091 +1) =0.90918 由于P(E2|S2)=0.68 P(E2)，使用P(H | S)公式的后半部分，得到在当前观察S2下的后验概率P(H1| S2)和后验几率O(H1| S2) P(H1| S2) = P(H1) + ((P(H1| E2) – P(H1)) / (1 - P(E2))) × (P(E2| S2) – P(E2)) = 0.091 + (0.90918 –0.091) / (1 – 0.6)) × (0.68 – 0.6) =0.25464 O(H1| S2) = P(H1| S2) / (1 - P(H1| S2)) =0.34163 * (3) 计算O(H1| S1,S2)和P(H1| S1,S2) 先将H1的先验概率转换为先验几率 O(H1) = P(H1) / (1 - P(H1)) = 0.091/(1-0.091)=0.10011 再根据合成公式计算H1的后验几率 O(H1| S1,S2)= (O(H1| S1) / O(H1)) × (O(H1| S2) / O(H1)) × O(H1)