- 1、本文档共8页,可阅读全部内容。
- 2、原创力文档(book118)网站文档一经付费(服务费),不意味着购买了该文档的版权,仅供个人/单位学习、研究之用,不得用于商业用途,未经授权,严禁复制、发行、汇编、翻译或者网络传播等,侵权必究。
- 3、本站所有内容均由合作方或网友上传,本站不对文档的完整性、权威性及其观点立场正确性做任何保证或承诺!文档内容仅供研究参考,付费前请自行鉴别。如您付费,意味着您自己接受本站规则且自行承担风险,本站不退款、不进行额外附加服务;查看《如何避免下载的几个坑》。如果您已付费下载过本站文档,您可以点击 这里二次下载。
- 4、如文档侵犯商业秘密、侵犯著作权、侵犯人身权等,请点击“版权申诉”(推荐),也可以打举报电话:400-050-0827(电话支持时间:9:00-18:30)。
查看更多
人工智能第八章例题1
例8.1 我们用程度元组将命题“这个苹果比较甜”表示为
(这个苹果, 味道, (甜, 0.95))
其中的0.95就代替“比较”而刻画了苹果“甜”的程度。
例8.2 采用程度谓词, 则
(1) 命题“雪是白的”可表示为
white1.0(雪) 或 1.0white(雪)
(2) 命题“张三和李四是好朋友”可表示为
friends1.15(张三, 李四) 或 1.15 friends(张三, 李四)
例8.3 下面是一个描述大枣的程度框架。
框架名: 大枣
类属: (干果, 0.8)
形状: (圆, 0.7)
颜色: (红, 1.0)
味道: (甘, 1.1)
用途: 范围: (食用, 药用)
缺省: 食用
图8-1所示是一个描述狗的程度语义网。
例8.5 设有规则: 如果某人鼻塞、 头疼并且发高烧,则该人患了重感冒。 我们用程度规则描述如下:
(某人, 症状, (鼻塞,x))∧(某人,症状,(头疼, y))∧(患者, 症状, (发烧,z))→
(该人, 患病, (感冒, 1.2(0.3x+0.2y+0.5z)))
程度规则的关键是程度函数。 一个基本的方法就是采用机器学习(如神经网络学习)。 这需要事先给出一些含有具体程度值的实例规则, 学习作为样本。
例8.6 设有如下一组产生式规则和证据事实,试用确定性理论求出由每一个规则推出的结论及其可信度。
规则:
①if At hen B(0.9)
②if B and C then D(0.8)
③if A and C then D(0.7)
④if B or D then E(0.6)
事实:
A,CF(A)=0.8;C,CF(C)=0.9
解
规则①得:CF(B)=0.9×0.8=0.72
由规则②得:CF(D)1=0.8×min{0.72,0.9)=0.8×0.72=0.576
由规则③得:CF(D)2=0.7×min{0.8,0.9)=0.7×0.8=0.56
从而 CF(D)=CF(D)1+CF(D)2-CF(D)1×CF(D)2
=0.576+0.56-0.576×0.56=0.81344
由规则④得:
CF(E)=0.6×max{0.72,0.81344}=0.6×0.81344=0.488064
例8.7 设有规则if E1 then (100, 0.01) H1 (P(H1)=0.6),并已知证据E1肯定存在,求H1的后验概率P(H1| E1)。
解 由于证据E1肯定存在,因此可用公式(4)计算P(H1| E1)。于是有
例8.8 设有规则if E1 then (100, 0.01) H1 (P(H1)=0.6),并已知证据E1肯定不存在,求H1的后验概率P(H1|﹃E1)。
解 由于证据E1肯定不存在,因此可用公式(5)计算P(H1|E1)。于是有
例3 设有规则if E1 then (100, 0.01) H1 (P(H1)=0.6),并已知证据E1不确定,但P(E1| S1)=0.7,S1为影响E1的观察或条件,而E1的先验概率P(E1)=0.5,求H1的后验概率P(H1| E1)。
解 由于证据E1不确定,因此要用插值公式(6)计算P(H1|E1)。又由于
P(E1| S1)=0.7 P(E1)=0.5
所以应采用公式
即
其中P(H1 )、P(E1)已知,还需要计算E1肯定存在的情况下的P(H1| E1),我们直接采用前面例1的结果,于是有
例8.10 设有规则
R1: if E1 then (200, 0.02) H
R2: if E2 then (300, 1) H
已知证据E1和E2必然发生,并且P(H)=0.04,求H的后验概率P(H| E1 E2)。
解 由P(H)=0.04,有
O(H)=0.04/(1-0.04) 0.04
由R1有
O(H|E1)=LS1O(H)=2000.04=8
由R2有
O(H|E2)=LS2O(H)=3000.04=12
于是
从而
例8.11 设Ω={a,b,c},其基本概率分配函数为
m({a})=0.4
m({a,b})=0
m({
文档评论(0)