人工智能_ch4的.ppt

人工智能与知识工程;教学计划;第四章 不确定推理;§1、基本概念;不确定性程度的确定 一般由领域专家确定，它与知识一起存入知识库，不随推理的进程改变——称知识的静态强度 确立不确定性表示方法的主要依据： 根据领域问题的特点，将不确定性必较准确地表示出来，满足问题求解的要求 便于推理过程中对不确定性的计算 证据不确定性表示 初始证据：推理开始时的事实等 中间证据：前面推理中的结论作为进一步推理的证据 表示方法 事实的可信度 事实的隶属度 ……;初始证据不确定程度的确定 一般由用户给出。它随证据的不同有不同的值，称为证据的动态强度 中间证据不确定程度的确定 由推理过程中的不确定性传递计算获得，它随推理过程所用的初始事实而改变，成为证据的动态强度 对表示法的基本要求 与知识的不确定性表示一致，以便于推理中不确定性的计算与处理 度量 不确定性的度量与不确定性表示方法密切相关，可以用概率、可信度等进行度量 影响确定度量方法的主要因素 能充分表达相应知识及证据不确定性的程度 度量范围的指定便于领域专家和用户对不确定性的估计;便于不确定性的计算，并保证计算结果不超出规定的度量范围 度量的确定应当既直观又要有相应的理论依据（如概率论等） 不确定性匹配 匹配算法 计算证据与知识前件的相似程度 算法：随不同的推理方法而不同 匹配阈值 确定选择使用知识的依据 当匹配计算的相似程度不小于阈值时，称为匹配成功，相应的知识可被使用 当匹配计算的相似程度小于阈值时，称为匹配不成功，相应的知识不能被使用;组合证据不确定性计算 组合证据 当知识的前件仅一个条件时，称单一证据，其不确定程度由用户给出（初始证据）或由不确定性传递计算获得（中间证据） 当知识的前件有多个条件时，称组合证据。用于匹配计算时，应首先计算出组合证据的不确定程度 不确定性计算方法 设T（x）表示证据x为真的程度 最大最小方法 T(E1 and E2)=min{T(E1)，T(E2)} T(E1 or E2)=max{T(E1)，T(E2)} 概率方法 T(E1 and E2)=T(E1)?T(E2) T(E1 or E2)=T(E1)+T(E2)-T(E1)?T(E2);有界方法 T(E1 and E2)=max{0，T(E1)+T(E2)-1} T(E1 or E2)=min{1，T(E1)+T(E2)} …… 结论不确定性计算 不确定性传递计算 将证据及知识的不确定性传递给结论，计算出结论不确定程度的算法 随推理方法的不同而不同 注：当推理中结论作为中间证据时，传递计算获得的的结论的不确定程度将被视为中间证据的不确定程度 结论不确定性合成 推理中当用不同的知识进行推理而获得相同的结论，但结论的不确定程度不同，这时需要对该结论的不确定程度进行合成，求得结论总的不确定程度 合成计算方法随推理方法的不同而不同;注：不确定性推理的基本问题除上述问题(不确定性表示与度量、不确定性匹配、组合证据不确定性计算、结论不确定性计算)外，还应包括推理方向、推理方法、控制策略。;不确定性推理的分类 模型方法 概念 在推理一级上扩展确定性推理，引入不确定性度量和计算，推理获得的结论与控制策略无关 数值方法 推理中，对不确定性进行定量的表示与计算 基于概率论的方法 概率方法 可信度方法 证据理论 主观Bayes方法 …… 模糊推理;非数值方法 推理中，对不确定性表示与计算不用定量的方式 定性推理 发生概率计算 …… 控制方法 概念 在控制策略一级引入并处理不确定性，通过识别领域中引起不确定性的特征，采用相应的控制策略来限制或减少不确定性对系统产生的影响 相关性制导回溯 机缘控制 启发式搜索 ……;§2、主观Bayes方法;组合证据 组合证据的不确定性计算采用最大最小方法 中间证据 中间证据的不确定性程度由传递计算获得 知识不确定性表示 一般形式 IF E THEN （LS，LN） H （P(H)） 不确定性参数 前提E可以是单条件，也可以是多条件的复合（组合证据） 结论是H，P(H)是H的先验概率。它是在没有任何专门证据的情况下H为真的概率，其值由领域专家给出 LS称为充分性度量，表示E对H的支持程度，即E为真越支持H为真则LS的值越大，LS的取值范围是[0，+∞）。LS的值由领域专家给出 LN称为必要性度量，表示?E对H的支持程度，即? E为真越支持H为真则LN的值越大，LN的取值范围是[0，+∞）。LS的值由领域专家给出;不确定性传递计算 问题 已知：P(E)，P(H)，P(E/S)，LS，LN