第四章 不确定推理.ppt

特定概率分配函数 设样本空间D={S1,S2,…,Sn},领域内的命题都用D的子集来表示，则定义2D上的概率分配函数M(x)满足如下条件 特定概率分配函数 其中，|A|表示命题A对应的集合中所包含的元素个数。 在这种特定的概率分配函数中，定义了只有单个元素构成的子集和样本空间D本身的基本概率数才有可能大于0，其它子集的基本概率数均为0 基于特定概率分配函数的不确定性推理 信任度函数 性质 不确定性推理 信任度函数 推论 不确定性推理 证据的不确定性表示 证据E为初始简单证据，f(E)由用户给出 证据E为前面推理所得到的结论，f(E)有推力计算给出 证据E为组合证据的时候 由多个证据的合取组成 由多个证据的析取组成 不确定性推理 知识的不确定性表示 不确定性知识用如下形式的产生式规则表示 E为前提条件 H是结论，用样本空间中的子集来表示，h1,h2,…,hn是该子集中的元素 CF是该集合中的可信度因子，用集合的形式来表示。 不确定性推理 不确定性的传递计算方法 求出H的概率分配函数 求出H的信任函数Bel(H)和似然函数Pl(H) 求出结论H的信任度f(H) 例题 举例说明证据理论的不确定性推理过程 小结 本章分析了不确定性推理研究的必要性，以及不确定性推理研究的主要内容。介绍了确定性方法、主观Bayes方法、证据理论方法。在这些方法中，无一例外的都介绍了证据的不确定性度量，规则的不确定性度量，推理过程中的不确定性的合成、传播和更新。这三者构成了不确定性推理研究的核心内容。在介绍这些内容时，同时也回答了不确定推理的基本问题，即表示问题、计算问题和语义问题。在确定性方法、主观Bayes方法、证据理论各种方法中，对不确定性的描述各有差异，相应的计算方法也各不相同，但表达的语义基本相同。 本章要求： 清晰理解概念，会做题会计算 一定要会计算，重点是计算题 主观Bayes方法及其推理网络 推理网络把一些证据和重要的假设结论连接起来。 图中的端节点或者是“叶子”节点是向用户提问所获得的证据，其它的节点就是假设的结论。 推理网络中的连接实际上就是测定一个结论的概率变化是如何地影响了其他结论。 在推理网络中证据和结论是相对的。 知识的不确定性表示 在主观Bayes方法中，知识（规则）就是推理网络中的一条弧，它的不确定性是以一个数值对（LS,LN）来进行描述的。若以产生是规则来表示则为： 知识的不确定性表示 解释： （LS,LN）是为度量产生式规则的不确定性而引入的一组数值。 E是该条知识的前提条件。 H是结论。P(H)是H的先验概率，由领域专家的经验给出。 证据的不确定性表示 单个证据的不确定表示方法 在主观Bayes方法中，证据的不确定是用概率来表示的。 E是证据，S是对证据的观察 由于后验概率P(E/S)的给出比较困难，因此引入了可信度C(E/S)的概念。 证据的不确定性表示 给定了可信度C(E/S)，就等价于告知了P(E/S)，二者有简单的保持大小次序对应的关系 证据的不确定性表示 证据的不确定性表示 组合证据的不确定性表示 当证据E是由多个单一证据合取组合而成 当证据E是由多个单一证据析取组合而成 对于非运算 不确定性的推理计算 主观Bayes方法推理计算的任务就是根据证据E的概率P(E)及影响知识的规则强度(LS,LN)，把H的先验概率P(H)更新为后验概率P(H/E)或者是P(H/~E)。 在推理网络中，一条知识对结论的影响是依赖于证据的，证据出现的情况时不同时，推理计算结论H信任程度的变化方法就不同。 不确定性的推理计算 确定证据 预备知识 证据肯定出现 证据肯定不出现 LS和LN的意义讨论 预备知识 为了解释方便，我们引入几率函数O(x)， 它与概率之间的关系为： 很显然，P(x)与O(x)具有相同的单调性，只是相应的值域不同。 预备知识 由Bayes公式可得 同理有 预备知识 两个式子相除得 由LS的定义和概率和几率的关系可得 证据肯定出现 当证据肯定出现的时候P(E)=P(E/S)=1 肯定出现的时候，用下面的式子既可以把先验几率O(H)更换为后验几率O(H/E) 如果我们把几率用概率替换即可得 预备知识 由Bayes公式可得 两式相除得 预备知识 根据LN的定义，以及概率与几率之间的关系可得： 证据肯定不出现 在证据肯定不出现时P(E)=P(E/S)=0, P(~E)=1. 那么用下式计算当E肯定不出现的情况下，把先验几率O(H)更新为O(H/~E) 根据概率和几率的换算关系可得 对LS和LN的讨论 充分性度量LS的讨论 当LS1时，可得O(H/E)O(H) 当LS=1时，可得O(H/E)=O(H) 当LS1时，可得O(H/E)O(H) 当LS=0时，可得O(H/E)=0