人工智能（十九）第1 9章 用不确定信息进行推理.pdfVIP

下载 第1 9章 用不确定信息进行推理 一个a g e n t关于它的任务和环境常常只有不确定的信息。到目前为止所讨论的技术对不确 定知识的表示和推理能力十分有限。一条语句如 P∨Q允许我们表示不确定性—P和Q哪一个 是真的，但是还没有描述如何表示关于 P或Q不确定的程度。 在一般逻辑中，我们能从 P和P Q中推导出Q，即，如果一个a g e n t知道PQ，它随后学会 了P，那么它也能推导出Q。当信息不确定时有类似的推理过程吗？各种形式化已被用来对不 确定信息进行表示和推理。前面已经提到过被 M Y C I N和P R O S P E C TO R使用的形式化。开发得 最好的形式化（一些人对“最适合的”有争议）是基于概率的。在本章的开始，先回顾一下概 率论的基础知识。 19.1 概率论简介 19.1.1 基本思想 假定有随机变量 V , V ，…，V 的一个集合。当我们想谈论V 的值而没有说这个值是什么时， 1 2 k i 我们使用符号v 。在例子中，随机变量代表一个所讨论领域的特征。随机变量的值可以是不同 i 类型。如果变量代表命题，它们的值为 Tr u e或F a l s e (或者，1或0 ) ；如果变量代表物理度量（如 高度、密度和速度等），则值是数字；如果变量代表分类（如颜色、字母表中的字母等），则值 是范畴。例如，投一个硬币的结果可以用简单变量 C表示，它的值c可以是分类值H （头）或T （尾）。如果我们正在谈论把一个硬币投k 次的结果值，我们需要k个变量（C ,…,C ），它们中的 1 k 每一个有值H 或T。 我们用表达式p （V =v , V =v ,…,V =v ）指称一个联合概率，即变量 V , V ,…, V 的值分别是 1 1 2 2 k k 1 2 k v , v ,…，v 时的概率。表达式p （V , V ,…, V ）叫做变量V , V ,…, V 的联合概率函数。它把变 1 2 k 1 2 k 1 2 k 量集合映射为一个在0和1之间的实数。把p ( V , V ,…, V ) 中的变量替换为特定的值，以给我们一 1 2 k 个表达式p (v , v ,…v )—p （V =v ,V =v ,…,V =v ）的缩写形式。因此，对一个公平的硬币投掷， 1 2 k 1 1 2 2 k k 我们有p （H ）= 1 / 2 。如果我们将一个硬币公平地投五次，就可能有p （H ，T，T，H ，T）= 1 / 3 2 。 p （H ，T ，T，H ，T ）是第一投结果为头、第二投为尾、第三投为尾、第四投为头和第五投为 尾的一个联合概率。 概率函数必须满足一定的属性，它们是： 上式适用于变量的任何分配值，且 其中的和是建立在变量的所有值的基础之上。因此，在投硬币的例子中， p （H ）= 1 / 2是和（a ） 一致的，然而p (H) = 1 / 2和属性（b ）一起限制p （T ）等于1 / 2。这里不过多谈论如何给随机变量 值分配概率 ,就像在命题演算中由合式公式指称的各种命题的真假是基于应用领域的专家主观 判断（或者传感数据的知觉处理），随机变量的概率值也同样依赖专家判断或知觉处理。相反， 198计计第三部分 知识的表示和推理