湘潭大学 人工智能课件 非经典推理 part 2.ppt

主观贝叶斯方法的推理过程 (1) 计算P(H1 | S1)：由EH公式 由于P(E1|S1)=0.76， P(E1)=0.6，此时P(E1|S1) P(E1)，使用EH式的后半部分，得P(H1|S1)为： 主观贝叶斯方法的推理过程 计算P (H1 | (S1 AND S2)) 由于r2的前件是E1、E2的合取关系，且已 P(E1|S1)=0.76，P(E2|S2)=0.68 则: P(E2|S2) P(E1|S1) 按合取取最小的原则，仅考虑E2对H1的影响，即： P (H1 | (S1 AND S2))=P (H1 | S2) 又由于P(E2|S2)=0. 68P(E2)，还使用EH公式的后半部分，得P(H1|S2)为： 主观贝叶斯方法的推理过程 (3) 计算P (H1 | S1, S2) 要计算P(H1 | S1, S2)需要先根据如下公式计算O(H1 | S1, S2) 其中, O(H1 | S1), O(H1 | S2)和O(H1)可以分别根据P(H1 | S1), P(H1 | S2)和P(H1)计算得到： 主观贝叶斯方法的推理过程 (3) 计算P (H1 | S1, S2) 最后根据O(H1 | S1, S2)的值计算P(H1 | S1, S2) 主观贝叶斯方法的推理过程 (4) 计算P(H2|S1,S2) 对于规则r3 ，H1相当于已知事实，H2为结论。将H2的先验概率P(H2)更新为在H1下的后验概率P(H2|H1): 由于P(H1|S1,S2) =0.321 P(H1)，使用EH式的后半部分，得到在当前观察S1、S2下H2的后验概率P(H2|S1,S2): 将S1,S2看做观察S，将H1看做证据E P(H2) = 0.01, 后验概率提高了16倍多！ 主观贝叶斯方法的推理过程 主观贝叶斯方法的优点 主观Bayes方法中的计算公式大多是在概率论的基础上推导出来的，具有较坚实的理论基础。 知识的静态强度LS及LN是由领域专家给出，避免了大量的数据统计工作。 主观Bayes方法不仅给出了证据肯定存在、肯定不存在时更新后验概率的方法，还给出了证据不确定时的更新方法，实现了不确定性的逐级传递。 主观贝叶斯方法的缺点 它要求领域专家在给出知识时，同时给出H的先验概率P(H)，这比较困难。 Bayes定理要求事件间独立，使其应用受限制。 * Artificial Intelligence (AI)人工智能 第三章：非经典推理 内容提要 第三章：非经典推理 1.经典推理和非经典推理 2.不确定性推理 3.概率推理 4.主观贝叶斯方法 5.可信度方法 6.证据理论 主观贝叶斯方法 使用概率推理方法求结论Hi在存在证据E时的条件概率P(Hi|E) ，需要给出结论Hi的先验概率P(Hi)及证据E的条件概率 P(E|Hi)。这对于实际应用是不容易做到的。 Duda 和 Hart 等人在贝叶斯公式的基础上，于1976年提出主观贝叶斯方法，建立了不精确推理的模型，并把它成功地应用于PROSPECTOR专家系统（PROSPECTOR是国际上著名的一个用于勘察固体矿的专家系统）。 主观贝叶斯方法 主观贝叶斯方法 1. 知识不确定性的表示 2. 证据不确定性的表示 3. 组合证据不确定性的计算 4. 不确定性的更新 5. 主观贝叶斯方法的推理过程 主观贝叶斯方法 主观贝叶斯方法 1. 知识不确定性的表示 2. 证据不确定性的表示 3. 组合证据不确定性的计算 4. 不确定性的更新 5. 主观贝叶斯方法的推理过程 知识不确定性的表示 在主观Bayes方法中，知识是用产生式表示的，其形式为： IF E THEN (LS, LN) H E表示规则前提条件，它既可以是一个简单条件，也可以是用AND或OR把多个简单条件连接起来的复合条件。 H是结论，用P(H)表示H的先验概率，它指出没有任何专门证据的情况下结论H为真的概率，其值由领域专家根据以往的实践经验给出。 主观贝叶斯方法 LS是规则的充分性度量。用于指出E对H的支持程度，取值范围为[0,+∞)，其定义为： LN是规则的必要性度量。用于指出E对H为真的必要程度，即﹁E对对H的支持程度。取值范围为[0,+∞)，其定义为： 主观贝叶斯方法 讨论LS和LN的含义 由本Bayes公式可知： 两式相除得： LS 主观贝叶斯方法 讨论LS和LN的含义 为讨论方便，下面引入几率函数 ： 可见，X的几率等于X出现的概率与X不出现的概率之比， O(X) 与P(X)的变化一致，且有： 即把取值为[0,1]的P(X)放大为取值为[0,+∞)的