人工智能_第四节非经典推理.ppt

第四章不确定推理 不精确思维并非专家的习惯或爱好所至，而是客观现实的要求。 很多原因导致同一结果 推理所需的信息不完备 背景知识不足 信息描述模糊 信息中含有噪声 规划是模糊的 推理能力不足 解题方案不唯一 在人类的知识和思维行为中，精确性只是相对的，不精确性才是绝对的。知识工程需要各种适应不同类的不精确性特点的不精确性知识描述方法和推理方法。 第四章不确定性推理 §4. 1概述 §4.2概率方法 §4.3可信度方法主观Bayes方法 §4.4可信度方法 §4.5证据理论 §4.1概述 一、不精确推理的基本概念 1不确定性描述 包括证据(事实)与知识(规则)的不确定性 ⑴证据的不确定性 设证据的不确定性为C(E)，它表示证据E为真的程度。需要定义C(E)在三个典型情况下的取值： ①E为真 ②E为假 ③对E一无所知 其中对E一无所知的情况下C(E)的取值称为证据的单元位 §4.1概述 一、不精确推理的基本概念 ⑵规则的不确定性 设规则的不确定性为f(H,E)，它称为规则强度。 需要定义f(H,E)在三个典型情况下的取值： ①若E为真则H为真 ②若E为真则H为假 ③E对H没有影响 其中E对H没有影响时f(H,E)的取值称为证据的单元位 E H f(H,E) 证据 假设 §4.1概述 一、不精确推理的基本概念 2不确定性推理 所谓不确定性推理就是在“公里”(如领域专家给出的规则强度和用户给出的原始证据的不确定性)的基础上，定义一组函数，求出“定理”(非原始数据的命题)的不确定性度量。也就是说，根据原始证据的不确定性和知识的不确定性，求出结论的不确定性。 §4.1概述 一、不精确推理的基本概念 3不精确推理模型应当包括的算法 ⑴根据规则前提E的不确定性C(E)和规则强度f(H,E)求出假设H的不确定性C(H)，即定义函数g1，使 C(H)=g1[C(E),f(H,E)] ⑵根据分别由独立的证据E1、E2求得的假设H的不确定性C1(H)和C2(H)，求出证据E1和E2的组合所导致的假设H的不确定性C(H),即定义函数g2，使 C(H)=g2[C1(H), C2(H)] ⑶根据两个证据的E1和E2的不确定性C(E1)和C(E2),求出证据E1和E2的合取的不确定性,即定义函数g3，使 C(E1 AND E2)=g3[C(E1), C(E2)] ⑷根据两个证据的E1和E2的不确定性C(E1)和C(E2),求出证据E1和E2的析取的不确定性,即定义函数g4，使 C(E1 OR E2)=g4[C(E1), C(E2)] 举例 右图所示的推理网络中,,假设A1、A2和A3为初始证据，即已知证据A1、A2和A3的不确定性分别为C(A1 ) 、 C( A2 )和C( A3)。求解A4、A5和A6的不确定性。在求解之前， A4、A5和A6的不确定性应为单元位。 A6 A4 A5 A1 A2 A3 OR R3 R4 R1 R2 f3 f4 f1 f2 问题求解过程： ⑴利用证据A1的不确定性C(A1 )和规则R1的规则强度f1，根据算法1求出 A4的不确定性C(A4 ) 。 ⑵利用证据A2和A3的不确定性C( A2 )和C( A3) ，根据算法4求出A2和A3的析取不确定性C(A2 AND A3) 。 举例 ⑶利用A2和A3的析取不确定性C(A2 AND A3)和规则RⅢ的规则强度fⅢ，根据算法1求出 A5的新的不确定性C(A5 ) 。 ⑷利用A4的不确定性C(A4 )和规则R3的规则强度f3，根据算法1求出 A6的新的不确定性C’(A6 ) 。 A6 A4 A5 A1 A2 A3 OR R3 R4 R1 R2 f3 f4 f1 f2 ⑹利用A5的不确定性C(A5 )和规则R4的规则强度f4，根据算法1求出 A6另一不确定性C’’(A6 ) 。 ⑺利用A6的两个根据独立证据分别求得的不确定性C’(A6 ) 和C’’(A6 ) ，根据算法2求出A6最后的不确定性C(A6) 。 总结 定义一个不精确推理推理模型应当给出： ⑴证据的不确定性，即明确给出证据为真时的值，证据为假时的值，及证据的单元位。 ⑵规则的不确定性，即明确给出若证据为真则假设为真时的值，若证据为真则假设为假时的值， 及规则的单元位 ⑶上述四种算法 §4.1概述 三.几种主要的不精确推理模型 1.可信度方法 是MYCIN系统使用的不精确推理模型，它以确定性理论为基础，方法简单、实用。 2.主观Bayes方法