第四章不确定性理方法.ppt

一个人工智能系统，由于知识本身的不精确和不完全，常采用非标准逻辑意义下的不确定性推理方法和非单调推理方法。对于不确定推理来说，不精确性如何描述以及如何传播是主要问题 。 4.1.2不确定性推理方法的分类 4.3.1基本Bayes公式 4.3.2主观Bayes方法及其推理网络 4.3.3知识不确定性的表示 4.3.3知识不确定性的表示 4.3.3知识不确定性的表示 4.3.3知识不确定性的表示 4.3.3知识不确定性的表示 4.3.4证据不确定性的表示 4.3.5不确定性的推理计算 4.3.5不确定性的推理计算 4.3.5不确定性的推理计算 4.3.6结论不确定性的合成与更新算法 4.3.6结论不确定性的合成与更新算法 人 工 智 能 原 理 与 应 用 教材简介: 名 称:人工智能原理与应用 作 者:张仰森 出版社:高等教育出版社 章 节:共十章 主讲教师: 宗春梅 知识库是人工智能系统的核心，而知识库中的知识既有规律性的一般原理，又有大量的不完全的专家经验知识，这样的知识不可避免的带有模糊性、随机性、不可靠或不知道等不确定因素。一般地说，不确定性是来自知识的客观现实和知识的主观认识水平。不确定性是人们思维过程中经常出现的一种心理状态，人们在日常生活中要处理大量的不确定性问题。现实世界上几乎没有什么事情是完全确定的，处理不确定性的目的是希望得到对某一命题的精确判断。 4.1不确定性推理概述 4.1不确定性推理概述 模型方法 控制方法 数值方法 非数值方法 启发式搜索 相关性制导回溯 基于概率的方法方法 模糊推理方法 可信度方法 主观Bayse方法 证据理论方法 4.1不确定性推理概述 4.1.3不确定性推理中的基本问题 1、不确定性的表示 2、推理计算 3、不确定性的度量 4.2可信度方法 4.2.1可信度的概念 以产生式作为知识表示的MYCIN中，第一次使用了不确定性推理方法，给出了以确定性因子或称可信度作为不确定性的度量。 4.2可信度方法 4.2.2知识不确定性的表示 4.2.4不确定性的推理计算 4.2.3证据不确定性的表示 4.2.5可信度方法应用举例 （以下将综合对以上四小节进行讨论） 4.2.1-4.2.5 1.规则的不确定性度量　　规则以A→B表示，其中前提A可以是一些命题的合取或析取。MYCIN系统引入可信度CF作为规则不确定性度量。CF表示了增量　　　　　P(B│A)－P(B)　　相对于P(B)或P(～B)的比值。其中P表概率。规定规定  4.2.1-4.2.5 CF(B，A)表示了证据A为真时，相对于P(～B)=1-P(B)来说A对B为真的支持程度（当CF(B,A)≥ 0）。或相对于P(B)来说A对B为真的不支持程度（当CF(B,A)0）。这种定义形式保证了－1≤CF(B,A)≤ 1。当P(B│A)－P(B)相同时，P(B)小的CF小，P(B)大的CF大。　　容易看出CF(B,A)的几个特殊值：　　（1） 前提A真，结论B必真的情形。由P(B│A)＝1来体现，这时CF(B,A)=1。　　（2） 前提A与结论B无关的情形。由P(B│A)＝P(B)来体现，这时CF(B,A)＝0。　　（3） 前提A与结论B无关的情形，由P(B│A)＝0来体现，这时CF(B,A)＝－1。 4.2.1-4.2.5 显然CF(B,A)≥ 0表示前提A真支持B真。CF(B,A)＜0表示前提A真不支持B真。　　不难看出，CF(B,A)的定义借用了概率，但它本身并不是概率。因为CF(B,A)可取负值，CF(B,A)+CF(B,～A)不必为1甚至可能为0。　　实际应用中，A→B的CF(B,A)值是由专家主观确定的，并不是由P(B│A)，P(B)来计算的。需注意的是CF(B,A)表示的是增量P(B|A)－P(B)对1－P(B)或P(B)的比值，而不是绝对量的比值。 4.2.1-4.2.5 2.证据的不确定性度量　　证据A的不确定性也可以CF(A)表示，同样规定－1≤CF(A)≤ 1。　　几个特殊值规定为　　（1） A肯定为真时CF(A)＝1。　　（2） A肯定为假时，CF(A)＝－1。　　（3） 对A一无所知时，CF(A)＝0。　　CF(A)0　表示A以CF(A)程度为真。　　CF(A)0　表示A以CF(A)程度为假。　　实际使用时，初始证据的CF值由专家提供，其它证据的CF值是需使用规则经推理求得。 4.2.1-4.2.5 3.推理计算（1）已知　CF(A),A→B CF(B,A)求CF(B)　　　　　规定　CF(B)＝CF(B，A)·max{0,CF(A)}（2）规定　CF(～A)＝-CF(A)