人工智能—不确性知识的表示与推理.pptVIP

图 8-4 用贝叶斯网络表示医学知识 　　为了便于叙述, 我们将吸烟、感冒、气管炎、咳嗽、气喘分别记为: S, C, T, O, A。并将这几个变量的条件概率表用下面的概率表达式表示: P(S)=0.4，P(?S)=0.6； P(C)=0.8，P(?C)=0.2； P(T | S, C)=0.35，P(T | ?S, C)=0.25，P(T | S, ?C)=0.011，P(T | ?S, ?C)=0.002； P(O | T)=0.85，P(O | ?T)=0.15； 　P(A | T)=0.50，P(A | ?T)=0.10。 8.3.3 基于贝叶斯网络的概率推理 　　根据贝叶斯网络的结构特征和语义特征, 对于网络中的一些已知节点(称为证据变量), 利用这种概率网络就可以推算出网络中另外一些节点(称为查询变量)的概率, 即实现概率推理。 具体来讲, 基于贝叶斯网络可以进行因果推理、 诊断推理、 辩解和混合推理。 　　这几种概率推理过程将涉及到联合概率(即乘法公式)和条件独立关系等概念。 　　联合概率：设一个贝叶斯网络中全体变量的集合为X={x1, x2, …, xn}, 则这些变量的联合概率为 P(x1, x2,…, xn)= P(x1) P(x2｜x1) P(x3｜x1,x2) …P(xn｜x1, x2,…, xn-1) (8-21) 　　条件独立: 贝