[2018年最新整理]主观贝叶斯实验报告.docxVIP

主观贝叶斯实验报告学生姓名 程战战 专业/班级 计算机91学 号 所在学院 电信学院 指导教师 鲍军鹏 提交日期 2012/4/26 1 实验目的根据初始证据E的概率P（E）及LS、LN的值，把H的先验概率P（H）更新为后验概率P（H/E）或者P(H/!E)。在证据不确定的情况下，用户观察到的证据具有不确定性，即0P(E/S)1.此时就不能再用上面的公式计算后验概率了。要用杜达等人的公式解决。2 实验原理运用贝叶斯公式进行不确定性推理，必然受到贝叶斯公式运用条件的限制。事实上，事件之间彼此独立的要求很苛刻的，在现实中往往不能保证这个条件被严格满足。而且在贝叶斯公式中还要求事先知道已知结论时前件的条件概率和结论的先验概率。要获得这些概率，就必须做一些统计工作。然而，在实践中未必能进行足够的重复实验来获得充分的观察数据。再者，用贝叶斯公式得到的后验概率实际上是对先验概率的修正。假如先验概率偏差比较大，那么必然会对后验概率造成不良影响。所以在人工智能实践中，为了应用简便和省事，往往用主观决定代替客观观察，用主观指定的数值来代替统计概率。主观贝叶斯方法就是这种思想的一种体现。主观贝叶斯方法是由杜达等人于1976年在贝叶斯公式基础上进行改进而提出的一种不确定性推理模型。通过下述插值函数（称EH公式或UED公式）求P(H/S)的值：当证据为初始证据时，用下述CP公式计算：3 实验结果在用EH公式时执行结果在用CP公式时执行结果4 实验源代码import java.util.Scanner;public class Bayes {public float ph;public float pe;public float pes;public float ls;public float ln;public float ces;//该六项为领域专家给出的值public float peh;public float p_eh;public float phe;public float ph_e;//该四项为中间变量public float phs;//最终结果public Bayes() {//构造函数进行变量初始化ph = 0;pe = 0;pes = 0;ls = 0;ln = 0;ces = 0;peh = 0;p_eh = 0;phe = 0;ph_e = 0;phs = 0;}public void set() {peh = ls * (1 - ln) / (ls - ln);p_eh = 1 - peh;ph_e = p_eh * ph / (1 - pe);if (ph_e 1) {ph_e = 1;}peh = ls * (1 - ln) / (ls - ln);phe = peh * ph / pe;if (phe 1) {phe = 1;}}public int eh() {//采用eh方法计算bayes不确定性if (0 = pes pes = pe) {phs = ph_e + (ph - ph_e) * pes / pe;return 1;}else if (pe = pes pes = 1) {phs = ph + (phe - ph) * (pes - pe) / (1 - pe);return 1;}else {return -1;}}public int cp() {//采用cp方法计算bayes不确定性if (ces = 0) {phs = ph_e + (ph - ph_e) * (ces / 5 + 1);return 1;}else if (ces 0) {phs = ph + (phe - ph) * ces / 5;return 1;}else {return -1;}}public static void main(String[] args) {System.out.println(要使用bayes计算不确定性吗？输入1选择eh公式计算，输入2选择ces公式计算);System.out.println(注意：0=P(H),P(E),P(E/S)=1LS,LN=0并且不能同时大于1或者小于1C(E/S)是取[-5,5]之间的整数);Scanner sc = new Scanner(System.in);int flag = sc.nextInt();Bayes baye = new Bayes();System.out.println(请输入ph);baye.ph = sc.nextFloat();System.out.println(请输入pe);baye.pe = sc.nextFloat();System.out.println(请输入ls);baye