人工智能_AI讲稿4(不精确推理).pptVIP

(3)EH公式的几何意义 插值：加入P(E)点是为了提高准确度，否则为两点插值 （4）CP公式（基于可信度的初始证据的EH公式） P(H|S)=f(P(E|S))(线性) (0, P(H|﹁E)) (p(E),P(H)) (1, P(H|E)) 结论不确定性的合成算法 N条知识都支持结论H，S i ?Ei → H（直接导致） 例：已知知识： 计算思路： EH公式 CP公式 主观Bayes方法的特点： 以概率论为基础 LS，LN较全面地反映了E与H间的因果关系 从P(H)到P(H|S)的计算反映了不确定性的传递过程 P(H)有时获得也不易 仍然有独立性的要求 计算过程比较繁琐 可信度方法 知识不确定性的表示 IF E THEN H (CF(H,E)) E：前提条件，简单或复合（OR,AND) H：结论，可以多个 CF(H,E) ：可信度∈[－1, 1]，反映E对H的支持程度 可信度的定义 CF(H,E) =MB(H,E)-MD(H,E) 信任度0时不可同时不信任 MD(H,E)=0 E的出现增加对H的信任 P(H|E)P(H) MB(H,E)0信任增长度 不信任的同时不可支持信任 MB(H,E)=0 E的出现增加对H的信任 P(H|E)P(H) MD(H,E)0不信任增长度 可信度的计算公式及意义 CF(H,E)0,0,=0表示后验概率大于、小于、等于先验概率 CF(H,E)并不表示对该条知识的相信程度(P(H|E)更准确），而只是相对于先验概率时后验概率的变化程度的衡量 CF(H,E) =MB(H,E)-MD(H,E) MYCIN系统采用该方法的特点分析（相比较于用P(H|E)) 1）用0,0就区分出是加强还是减弱 2）如果判断E与H无关，可给出CF(H,E)=0的确定值 3）但CF(H,E)定量含义仍不够明确 专家由经验给出CF(H,E)，公式通常只具理论意义 证据不确定性的表示 初始证据：可信度CF(E); 中间证据：传递算法 某种程度为假 (-1,0) 某种程度为真 (0,1) 未获得相关观察，观察S与E无关 0 对所有观察S，E均为假 -1 对所有观察S，E均为真 1 取值意义 CF(E) 组合证据不确定性算法 不确定性的传递算法 CF(H)=CF(H,E)×max{0,CF(E)} *不考虑证据为假，即CF(E)0对H的影响，此时CF(H)=0 结论不确定性的合成算法 IF Ei THEN H (CF(H, Ei), i=1,2) 1)先对每条知识求出CF(H) CFi(H)=CF(H,Ei)×max{0,CF(Ei)}, i=1,2 2)求出CF12(H)的公式 *上述第一个公式源于概率公式，也可用最大最小法计算 * 人工智能（Artificial Intelligence）基本原理(4) 福州大学数学与计算机学院 陈昭炯 * 第四章 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 证据理论 基 本 概 念 不确定推理： （均不确定）→ 结论（不确定但合理） 初始证据 知识 不确定性的表示和度量 知识（静态强度）：一般由专家给出的数值 证据（动态强度） 初始：专家给出 中间：传递算法计算 度量方式选择原则： －表达充分 －便于估计 －便于传递计算 －直观且有依据 匹配算法及阈值选择 －计算相似度的算法 －相似度的“限度” 组合证据不确定性的算法 －最大最小方法： －概率方法： 基 本 概 念 T(E1 AND E2)=Min{T(E1),T(E2)} T(E1 OR E2)=Max{T(E1),T(E2)} T(E1 AND E2)=T(E1)×T(E2) T(E1 OR E2)=T(E1)＋T(E2)－ T(E1)×T(E2) 传递算法及结论合成算法 基 本 概 念 概率方法 主观Bayes方法 可信度方法 证据理论 基于概率论 基于模糊论 数值方法 非数值方法 模型方法 控制方法 相关性制导回溯 机缘控制 启发式搜索 条件概率： 乘法定理 概率回顾 全概率公式 设 为样本空间S的一个划分， ，A是其中的一个事件，则 贝叶斯（Bayes）公式或逆概率公式： 设 为样本空间S的一个划分，A是其中的一个事件，且 则有: 概率方法 经典概率方法 IF E Then H