第4章 非经典推理人工智能概要1.ppt

结论不确定性的合成 结论不确定性的合成 (2) 用如下公式求E1与E2对H的综合可信度 可信度方法 例：设有如下一组知识： r1：IF E1 THEN H (0.9) r2：IF E2 THEN H (0.6) r3：IF E3 THEN H (-0.5) r4：IF E4 AND ( E5 OR E6) THEN E1 (0.8) 已知：CF(E2)=0.8，CF(E3)=0.6，CF(E4)=0.5，CF(E5)=0.6, CF(E6)=0.8 求：CF(H)=? 可信度方法 解：由r4得到： CF(E1) = 0.8×max{0, CF(E4 AND (E5 OR E6))} = 0.8×max{0, min{CF(E4), CF(E5 OR E6)}} = 0.8×max{0, min{CF(E4), max{CF(E5), CF(E6)}}} = 0.8×max{0, min{CF(E4), max{0.6, 0.8}}} = 0.8×max{0, min{0.5, 0.8}} = 0.8×max{0, 0.5} = 0.4 由r1得到： CF1(H) = CF(H, E1)×max{0, CF(E1)} = 0.9×max{0, 0.4} = 0.36 可信度方法 由r2得到： CF2(H) = CF(H, E2)×max{ 0, CF(E2) } 　 = 0.6×max{ 0, 0.8 } = 0.48 由r3得到： CF3(H) = CF(H, E3)×max{ 0, CF(E3) } 　 = -0.5×max{ 0, 0.6 } = -0.3 根据结论不精确性的合成算法，CF1(H)和CF2(H)同号，有： 可信度方法 CF12(H)和CF3(H)异号，有： 综合可信度为CF(H)=0.53 内容提要 第四章：非经典推理 1.经典推理和非经典推理 2.不确定性推理 3.概率推理 4.主观贝叶斯方法 5.可信度方法 6.证据理论 证据理论 证据理论是由德普斯特 (A. P. Dempster) 首先提出，并由沙佛 (G. Shafer) 进一步发展起来的用于处理不确定性的一种理论，也称DS (Dempster–Shafer)理论。 它将概率论中的单点赋值扩展为集合赋值，能够区分“不确定”与“不知道”的差异，并能处理由“不知道”引起的不确定性，比主观Bayes方法更具灵活性。 在DS理论中，可以分别用信任函数、似然函数及类概率函数来描述知识的精确信任度、不可驳斥信任度及估计信任度。 DS理论的形式描述 DS理论是用集合表示命题的。 设Ω是变量x所有可能取值的集合，且Ω中的元素是互斥的，即在任一时刻，x都能且只能取Ω中的某一个元素值，则称Ω为x的样本空间。 在DS理论中，Ω的任何一个子集A都对应于一个关于x的命题，称该命题为“x的值在A中”。 例如：用x表示打靶击中的环数，Ω={1,..., 10}，则A={5}表示命题“x值是5”或“击中环数为5”；A ={5, 6,7,8}表示命题“击中环数为5,6,7,8中的某一个”。 DS理论的形式描述 DS理论处理的是集合上的不确定性问题，为此需要先建立命题与集合之间的一一对应关系，以把命题的不确定性问题转化为集合的不确定性问题。 设Ω为样本空间，且Ω中的每个元素都相互独立，则由Ω的所有子集构成的幂集记为2Ω。 当Ω中的元素个数为N时，则其幂集2Ω的元素个数为2N，且其中每一个元素都对应一个关于x取值情况的命题。 例如：设Ω={红,黄,白}，Ω的幂集2Ω包括如下子集 A0=Φ, A1={红}, A2={黄}, A3={白}, A4={红，黄}, A5={红，白}, A6={黄，白}, A7={红，黄，白}。其中，Φ表示空集， DS理论的形式描述 概率分配函数 设函数M：2Ω→[0，1]，且满足 则称M是2Ω上的概率分配函数，M(A)称为A的基本概率数。 概率分配函数实质上是对Ω的各个子集进行信任分配， M(A)表示分给A的那部分。 概率分配函数不是概率。 DS理论的形式描述 概率分配函数 信任函数和似然函数都是在概率分配函数的