人工智能 课件 第十二讲 不确定性推理－可信度方法.ppt

不确定性推理 －－可信度方法 内容简介 不确定性推理的基本概念与原理 可信度方法的基本模型和三个扩展方法 基本概念－－不确定性推理的定义 从不确定性的初始证据出发，通过运用不确定性的知识，最终推出具有一定程度的不确定性但却是合理或者近乎合理的结论的思维过程。 事实和知识是构成推理的两个基本要素。已知事实称为证据（E），用以指出推理的出发点及推理时应该使用的知识；而知识是推理得以向前推进，并逐步达到最终目标（H）的依据。 基本概念 －－ 一些基本问题 不确定性的表示与量度 知识不确定性的表示 制定表示方法时需要考虑：一是要能根据领域问题的特征把其不确定性比较准确地描述出来，满足问题求解的需要；另一是要便于推理过程中对不确定性的推算。 一般由领域专家给出，称为知识的静态强度。静态强度可以是相应知识在应用中成功的概率，也可以是该条知识的可信程度或其他。 基本概念 －－ 一些基本问题 证据的不确定性的表示 证据来源于用户在求解问题时提供的初始证据或者在推理中用前面推出的结论作为当前推理的证据。证据的不确定性称为动态强度。 不管怎么表示，通常证据的不确定性表示方法与知识的不确定性表示方法保持一致，以便于推理过程中对不确定性进行统一的处理。 基本概念 －－ 一些基本问题 不确定性的量度 不确定性的程度是不同的，需要用数值表示其确切程度，当然也要事先规定它的取值范围，这样在推理中计算不确定性才有意义，是定量的。（例如MYCIN专家系统中可信度取值范围为[-1,1]等） 基本概念 －－ 一些基本问题 不确定性匹配算法及阈值的选择 问题：知识所要求的不确定性程度与证据实际具有的不确定性程度不一定相同，那么如何匹配才算成功？ 解决办法：设计一个算法用来计算匹配双方相似的程度，另外再指定一个相似的“程度”，用来衡量匹配双方相似的程度是否落在指定的限度内。这个限度就是阈值。 基本概念 －－ 一些基本问题 组合证据不确定性的算法 在基于产生式规则的系统中，知识的前提条件既可以是简单条件，也可以是用 AND 或 OR把多个简单条件连接起来构成的复合条件。这组复合条件对应于一组证据，就称为组合证据。 目前有三种计算组合证据不确定性的方法： 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)} 注：T(E)表示证据E为真的程度，如可信度、概率等。 基本概念 －－ 一些基本问题 不确定性的传递算法 不确定性程度由用户提供的证据中给出，通过推理过程中运用的知识（其本身也有不确定性程度）传递到结论，而结论又可以作为新的证据供以后推理用，这样不确定性程度依次传递，到最终结论。 结论不确定性的合成 当用不同的知识进行推理得到了相同的结论，但不确定性的程度却不同，这样就需要对这些不确定性程度进行合成。（注意：如果推出的结论不同就产生冲突，无法进行合成） 基本概念 －－不确定性推理方法的分类 沿着两条路线发展：一是模型方法，与控制策略无关；二是控制方法，没有统一模型，依赖于控制策略。我们只讨论模型方法。 模型方法分为数值方法和非数值方法。对数值方法又可分为基于概率的方法和基于模糊理论的模糊推理。现在人们在纯概率方法上发展了一些新理论和方法，主要有可信度方法、证据理论和主观Bayes方法等。下面主要介绍可信度方法。 可信度方法 －－概念 根据经验对一个事物或现象为真的相信程度称为可信度。 可信度带有较大的主观性和经验性。 可信度方法是一个集合，其中C-F模型是基本方法，然后通过加入一些可行的因子发展出其他方法。 可信度方法 －－C-F模型 知识不确定性的表示 知识是用产生式规则来表示的，形式为： IF E THEN H (CF(H,E)) 说明： E是知识的前提条件，可以是简单条件也可