哈工大人工智能课件chpt5.ppt

人工智能原理第5章 不精确推理 本章内容 5.1 不精确推理的必要性 5.2 不确定性的表示 5.3 贝叶斯网络 5.4 可信度方法 5.5 模糊推理* 参考书目 附录 似然比与贝叶斯概率推理 5.1 不精确推理的必要性不精确推理的原因 / 方法 为什么要不精确推理 做不精确推理的原因有多种： 推理所需的信息不完备：竞争双方不知道对方信息 背景知识不足：疑难病症的机理 多种原因导致同一结果：疾病的诊断 信息描述模糊：目击者对嫌疑犯的描述 信息中含有噪声：做假帐，虚假统计报表，采集数据当中的噪声（雷达、声纳/化验）等 不精确推理的原因 规则是模糊的：定性描述，如“如果刑事犯罪猖獗，就应加大打击力度”等 推理能力不足：天气预报的计算 解决方案不唯一：多个方案如何选优的问题 两种不确定性(uncertainty) 环境的不确定性—智能体几乎从来无法了解关于其环境的全部事实 反映环境的知识的不确定性—过于复杂而无组织—知识粥(knowledge soup) 不确定性与不精确推理 从智能体角度看，他不得不在不确定的环境下行动 现实的不确定性需要不精确推理：将数值计算引入推理过程 继续使用逻辑联结词 真假值概率化，以表示某种可靠程度 在推理的前提和结论之间建立概率公式 应用：专家系统中的推理网络 PROSPECTOR系统 MYCIN系统 5.2 不确定性的表示5.2.1 概率及其公理5.2.2 概率推理 主观Bayes主义(概率从何而来) 主观Bayes主义： 现实世界的一些因果关系可以形成一种信念，它并非在所有场合下都正确，可称为部分信念 表示这种信念的最好方法是概率方法 对概率的解释有若干种，其中一种称为主观Bayes主义 / 要点：概率是个人的一种合理置信度，每个人的估计(概率)虽然各不相同，但应该满足概率的基本规律和其他某些客观规律，因而是合理的 5.2.1 概率及其公理 随机变量 布尔随机变量—定义域=T,F 离散随机变量—定义域=可数域 连续随机变量—定义域=实数集合 原子事件—组成世界的所有随机变量的特定赋值 / 构成无法确定的世界状态的完整详细描述 如X的世界由weather=sunny, rainy, cloudy, snow和今天是否喝酒drink_today=T, F组成，则有4*2种不同原子事件 原子事件的性质 (1)原子事件是互斥的：sunny∧drink_today 和sunny∧?dringk_today不能同时成立 (2)由所有原子事件组成的集合是穷尽的—至少有一个原子事件一定成立 / 所有原子事件的逻辑析取=T (3)任何特定的原子事件与每个命题(简单或者复合命题)的真或假一一对应—任何一个表示所在世界状态的命题都可以用原子事件的逻辑联结表示 (4)任何一个命题逻辑上都等价于所有蕴涵该命题真值的原子事件的析取 sunny等价于sunny∧ drink_today∨ sunny ∧ ?drink_today 先验概率的表示 先验概率：没有任何其它信息存在情况下关于某个命题的信度 用向量表示随机变量的先验概率分布 P(weather)=0.7, 0.2, 0.08, 0.02 对于组成世界的离散随机变量全集，使用诸如： P(weather, drink_today)来表示涵盖全集的随机变量集的值的全部组合的概率：全联合概率分布 全联合概率分布用概率表表示 Pweather, drink_today用4*2表格表示 条件概率的表示 条件概率定义 由此有乘法定理 P(a∧b)=P(a|b)P(b)=P(b|a)P(a) 如果a和b相互独立，则 P(a|b)=P(a) P(b|a)=P(b) P(a∧b)=P(a)P(b) 概率公理 Bayes概率服从如下公理(Kolmogorov公理)： (1)0≤P(a)≤1 (2)P(T)=1 / P(F)=0 (3)P(a∨b)=P(a)+P(b)-P(a∧b) 当a/b互斥有P(a∨b)=P(a)+P(b) 此为加法定理 互斥性也就是独立性 这样的概率公理是不能违反的 全概率公式 任何命题a等价于所有a在其中成立的原子事件的析取—事件集合记为e(a) 由所有原子事件是互斥的，得到如下全联合概率分布 一个命题的概率等于所有它在其中成立的原子事件的概率和 / 满足独立性和完全性 5.2.2 使用全联合概率分布进行推理 全联合概率分布是知识库，从中可得到所有概率的计算—命题在其中成立的所有原子事件的概率和 P(cavity∨toothache)=0.108+0.012+0.072+0.008+ 0.016+0.064=0.28 P(catch)=0.108+0.016+0.072+0.144=0.34