人工智能第五章不确定推理.ppt

5.3 主观Bayes方法 例 对于规则P?Q， 已知p(Q)=0.04，LS=100，LN=0.4， 请应用主观Bayes方法求出p(Q/P)和p(Q/?P) * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * 人工智能 丁世飞 * 如果K≠O，则正交和m也是一个概率分配函数； 如果K=0，则不存在正交和m，称m1与m2矛盾。 注意 5.5 证据理论 * 人工智能 丁世飞 * 设Ω={a,b}，且从不同知识源得到的概率分配函数分别为 m1(φ,{a},{b},{a,b})=(0,0.3,0.5,0.2) m2(φ,{a},{b},{a,b})=(0,0.6,0.3,0.1) 求正交和m=m1⊕m2。 例---正交和 5.5 证据理论 * 人工智能 丁世飞 * 解:先求K 5.5 证据理论 * 人工智能 丁世飞 * 再求m(φ,{a},{b},{a,b})，由于 * 人工智能 丁世飞 * 同理可得: m({b})=0.43 ， m({a,b})=0.03 故有 m(φ,{a},{b},{a,b}) =(0，0.54， 0.43，0.03) 5.5 证据理论 * 人工智能 丁世飞 * 5.5.3 规则的不确定性 具有不确定性的推理规则可表示为: If E Then H , CF 其中，H为假设，E为支持H成立的假设集，它们是命题的逻辑组合。CF为可信度因子。 H可表示为:H={a1,a2,…, am}, ai∈Ω (i=1,2,…,m)，H为假设集合Ω的子集。 5.5 证据理论 * 人工智能 丁世飞 * CF={c1,c2,…, cm}，ci用来描述前提E成立时ai的可信度。CF应满足如下条件: 5.5 证据理论 5.5.3 规则的不确定性 * 人工智能 丁世飞 * 定义 对于不确定性规则: If E Then H ，CF 定义: m({ai})=f(E)·ci (i=1,2,…,m) 或表示为 m({a1},{a2},…,{am}) =(f(E)·c1, f(E)·c2,…, f(E)·cm) 5.5 证据理论 5.5.3 规则的不确定性 * 人工智能 丁世飞 * 规定: 而对于Ω的所有其他子集H，均有:m(H)=0。 当H为Ω的真子集时，有: 进一步可以计算Pl(H)和f(H)。 5.5 证据理论 5.5.3 规则的不确定性 * 人工智能 丁世飞 * 当规则的前提(证据)E是多个命题的合取或析取时，定义: 5.5 证据理论 5.5.3 规则的不确定性 * 人工智能 丁世飞 * 当有多条规则支持同一结论时，如果H={a1,a2,…, an}，则: If E1 Then H，CF1 (CF1={c11,c12,…,c1n}) If E2 Then H，CF2 (CF2={c21,c22,…,c2n}) ……… If Em Then H，CFm (CFm={cm1,cm2,…,cmn}) 5.5.4 不确定性的组合 5.5 证据理论 * 人工智能 丁世飞 * 如果这些规则相互独立地支持结论H的成立，可以先计算 mi({a1},{a2},…,{an})=( f(Ei)·ci1, f(Ei)·ci2,…, f(Ei)·cim) (i=1,2,…,m) 然后根据前面介绍的求正交和的方法，对这些mi求正交和，以组合所有规则对结论H的支持。一旦累加的正交和m(H)计算出来，就可以计算Bel(H)、Pl(H)、f(H)。 5.5 证据理论 5.5.4 不确定性的组合 * 人工智能 丁世飞 * 有如下的推理规则： R1: If E1∨(E2∧E3) Then A1={a11,a12,a13} CF1={0.2，0.3，0.4} R2: If E4∨(E5∧E6) Then A2={a21} CF2={0.7} R3: If A1 Then A={a1,a2} CF3={0.4，0.5} R4: If A2 Then A={a1,a2} CF4={0.4，0.4} 例 5.5 证据理论 * 人工智