人工智能第八章例题1.doc

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({