人工智能-不确定与非单调推理3章(me1).pdf

第三章 不确定与非单调推理 基本概念 概率方法 主观Bayes方法 可信度方法 模糊理论 1 基本概念 什么是不确定性推理 不确定性推理是建立在非经典逻辑基础 上的一种推理，它是对不确定性知识的 运用与处理。 具体地说，所谓不确定性推理就是从不 确定性的初始证据（即事实）出发，通 过运用不确定性的知识，最终推出具有 一定程度不确定性的结论。 2 不确定性推理中的基本问题 1. 不确定性的表示与度量 不确定性推理中的“不确定性”一般分为两类：一是知识 的不确定性，一是证据的不确定性。 知识不确定性的表示：目前在专家系统中知识的不确定 性一般是由领域专家给出的，通常用一个数值表示，它 表示相应知识的不确定性程度，称为知识的静态强度。 证据不确定性的表示：证据不确定性的表示方法与知识 不确定性的表示方法一致，通常也用一个数值表示，代 表相应证据的不确定性程度，称之为动态强度。 不确定性推理中的基本问题 2. 不确定性匹配算法及阈值的选择 , , 推理是不断运用知识的过程 为了找到所需的知识 需要在这一过程中用知识的前提与已知证据进行 . . 匹配 只有匹配成功的知识才有可能被应用 设计一个不确定性匹配算法； 指定一个匹配阈值。 3. 组合证据不确定性的计算方法 , 需要解决的另一个问题是不确定性的更新问题 不确定 ( : 性的 更新算法）组合证据有 在匹配时，一个简单条件对应于一个单一的证据，一个复合条件 对应于一组证据，称这一组证据为组合证据。 最大最小法： T(E AND E )=min{T(E ),T(E )} 1 2 1 2 T(E OR E )=max{T(E ),T(E )} 1 2 1 2 概率法： T(E AND E )=T(E ) T(E ) 1 2 1 × 2 T(E OR E )=T(E ) T(E ) T(E ) T(E ) 1 2 1 ＋ 2 － 1 × 2 有界法： T(E AND E )=max{0,T(E ) ＋T(E ) －1} 1 2 1 2 T(E OR E )=min{1,T(E ) ＋T(E )} 1 2 1 2 T(E) E 其中， 表示证据 为真的程度（动态强度），如 可信度、概率等。 不确定性推理中的基本问题 4. 不确定性的传递算法 在每一步推理中，如何把证据及知识的不确定性传 递给结论。 在多步推理中，如何把初始证据的不确定性传递给 最终结论 5. 结论不确定性的合成 用不同知识进行推理得到了相同结论，但所得结论的 不确定性却