5.4-证据理论.pptVIP

* 人工智能 丁世飞 * CF={c1,c2,…, cm}，ci用来描述前提E成立时ai的可信度。CF应满足如下条件: 5.4.3 规则的不确定性 * 人工智能 丁世飞 * 定义5.8 对于不确定性规则: If E Then H ，CF 定义: m({ai})=f(E)·ci (i=l,2,…,m) 或表示为 m({a1},{a2},…,{am}) =(f(E)·c1, f(E)·c2,…, f(E)·cm) 5.4.3 规则的不确定性 * 人工智能 丁世飞 * 规定: 而对于Ω的所有其他子集H，均有:m(H)=0。 当H为Ω的真子集时，有: 进一步可以计算Pl(H)和f(H)。 * 人工智能 丁世飞 * 5.4.4 不确定性的组合 当规则的前提(证据)E是多个命题的合取或析取时，定义: * 人工智能 丁世飞 * 当有多条规则支持同一结论时，如果H={a1,a2,…, an}，则: If E1 Then H，CF1 (CF1={c11,c12,…,c1n}) If E2 Then H，CF2 (CF2={c21,c22,…,c2n}) ……… If Em Then H，CFm (CFm={cm1,cm2,…,cmn}) 5.4.4 不确定性的组合 * 人工智能 丁世飞 * 如果这些规则相互独立地支持结论H的成立，可以先计算 mi({a1},{a2},…,{an})=( f(Ei)·ci1, f(Ei)·ci2,…, f(Ei)·cim) (i=l,2,…,m) 然后根据前面介绍的求正交和的方法，对这些mi求正交和，以组合所有规则对结论H的支持。一旦累加的正交和m(H)计算出来，就可以计算Bel(H)、Pl(H)、f(H)。 5.4.4 不确定性的组合 * 人工智能 丁世飞 * 有如下的推理规则： R1: If E1∨(E2∧E3) Then A1={a11,a12,a13} CF1={0.2，0.3，0.4} R2: If E4∨(E5∧E6) Then A2={a21} CF2={0.7} R3: If A1 Then A={a1,a2} CF3={0.4，0.5} R4: If A2 Then A={a1,a2} CF4={0.4，0.4} 例5.5 * 人工智能 丁世飞 * 这些规则形成如图5-7所示的推理网络。 原始数据的概率在系统中己经给出: f(E1)=0.5, f(E2)=0.7, f(E3)=0.9, f(E4)=0.9, f(E5)=0.8, f(E6)=0.7. 假设|Ω|=10，现在需要求出A的确定性f(A)。 * 人工智能 丁世飞 * 解: 第一步，求A1的确定性。 * 人工智能 丁世飞 * 第二步 ,求A2的确定性。 * 人工智能 丁世飞 * 第三步,求A的确定性。 根据R3和R4,有: m3({a1},{a2})=(0.74×0.4,0.74×0.5)=(0.30,0.37) m4({a1},{a2})=(0.6×0.4,0.6×0.4)=(0.24,0.24) m3(Ω)=1-( m3({a1})+m3({a2})) =1-(0.30+0.37)=0.33 m4(Ω)=1-( m4({a1})+m4({a2})) =1-(0.24+0.24)=0.52 * 人工智能 丁世飞 * 由正交和公式得到 : * 人工智能 丁世飞 * 则有 : 于是 : Bel(A)=m({a1})+m({a2})=0.37+0.41=0.78 Pl(A)=1-Bel(┐A)=1-0=1 f(A)= Bel(A)+(|A|/|Ω|)×(Pl(A)- Bel(A)) =0.78+2/10×(1-0.78) =0.82 * 人工智能 丁世飞 * 证据理论的优点在于能够满足比概率论更弱的公理系统，可以区分不知道和不确定的情况，可以依赖证据的积累，不断缩小假设的集合。 证据理论的优点： * 人工智能 丁世飞 * 证据理论最早是作为经典概率理论的扩展而引入的,所以受到很多的批评； 在证据理论中，证据的独立性不易得到保证； 基本概率分配函数要求给的值太多，计算传递关系复杂，随着诊断问题可能答案的增加，证据理论的计算呈指数增长，传递关系复杂，比较难以实现。 证据理论的不足： * 人工智能 丁世飞 *