第6章 不确定性推理 人工智能原理及其应 电子教案.ppt

解：由已知知识得到的推理网络如下图所示。 6.5.1 DS理论的形式描述 1. 概率分配函数（1/3） (1) 求CER(A) ∵ CER(E1 AND E2) =min{CER(E1), CER(E2)} =min{0.8, 0.6} =0.6 m({a1}, {a2})={0.6×0.3, 0.6×0.5} ={0.18, 0.3} Bel(A)=m({a1})+m({a2})=0.18+0.3=0.48 Pl(A)=1-Bel(﹁A)=1-0=1 f(A)=Bel(A)+|A|/|Ω|*[Pl(A)-Bel(A)] =0.48+2/10*[1-0.48] =0.584 ∴ CER(A)=MD(A/E)×f(A)=0.584 (2) 求CER(B) ∵ CER(E3 AND (E4 OR E5)) =min{CER(E3), max{CER(E4), CER(E5)}} =min{0.9, max{0.5, 0.7}} =min{0.9, 0.7}=0.7 m({b1})=0.7×0.7=0.49 Bel(B)=m({b1})=0.49 Pl(B)=1-Bel(﹁B)=1-0=1 F(B)=Bel(B)+|B|/|Ω|*[Pl(B)-Bel(B)] =0.49+1/10*[1-0.49]=0.541 ∴ CER(B)=MD(B/E)×f(B)=0.541 (3) 求CER(H) 由r3可得 m1({h1}, {h2}, {h3})={CER(A)×0.1, CER(A)×0.5, CER(A)×0.3} ={0.584×0.1, 0.584×0.5, 0.584×0.3} ={0.058, 0.292, 0.175} m1(Ω)=1-[m1({h1})+m1({h2})+m1({h3})] =1-[0.058+0.292+0.175]=0.475 再由r4可得 m2({h1}, {h2}, {h3})={CER(B)×0.4, CER(B)×0.2, CER(B)×0.1} ={0.541×0.4, 0.541×0.2, 0.541×0.1} ={0.216, 0.108, 0.054} m2(Ω) =1-[m2({h1})+m2({h2})+m2({h3})] =1-[0.216+0.108+0.054]=0.622 求正交和m=m1⊕m2 K=m1(Ω)×m2(Ω) +m1({h1})×m2({h1})+m1({h1})×m2(Ω)+m1(Ω)×m2({h1}) +m1({h2})×m2({h2})+m1({h2})×m2(Ω)+m1(Ω)×m2({h2}) +m1({h3})×m2({h3})+m1({h3})×m2(Ω)+m1(Ω)×m2({h3}) =0.475×0.622 +0.058×0.216+0.058×0.622+0.475×0.216 +0.292×0.108+0.292×0.622+0.475×0.108 +0.175×0.054+0.175×0.622+0.475×0.054 =0.855 同理可得： m(Ω)=1-[m({h1})+m({h2})+m{(h3)}] =1-[0.178+0.309+0.168] =0.345 6.5.2 证据理论的推理模型1.一个特殊的概率分配函数(2/4) 例6.6 设Ω={红，黄，白}，有如下概率分配函数 m({}，{红}，{黄}，{白}，{红，黄，白}) =(0, 0.6, 0.2, 0.1, 0.1) 其中：m({红，黄})=m({红，白})=m({黄，白})=0，可见，m符合上述概率分配函数的定义。 定义6.8 对任何命题A Ω,其信任函数为 6.5.2 证据理论的推理模型1.一个特殊的概率分配函数(3/4) 定义6.9 对任何命题A Ω,其似然函数为 可以看出，对任意命题A Ω和B Ω均有： Pl(A)-Bel(A)=Pl(B)-Bel(B)= m(Ω) 它表示对A（或B ）不知道的程度。 6.5.2 证据理论的推理模型1.一个特殊的概率分配