人工智能第5章不确定性推理概要.ppt

LS 主观贝叶斯方法的优点 主观贝叶斯方法的计算公式大多是在概率论的基础上推导出来的，具有比较坚实的理论基础。 规则的LS和LN是由领域专家根据实践经验给出的，避免了大量的数据统计工作。此外，它既用LS指出了证据A对结论B的支持程度，又用LN指出了A对B的必要性程度，比较全面地反映了证据与理论间的因果关系，符合现实世界中某些领域的实际情况，使推出的结论具有比较准确的确定性。 主观贝叶斯方法不仅给出了在证据确定情况下有B的先验概率更新为后验概率的方法，而且还给出了在证据不确定情况下更新先验概率为后验概率的方法。由其推理过程还可以看出，它确实实现了不确定性的逐级传递。因此可以说主观贝叶斯方法是一种比较实用而又灵活的不确定性推理方法，它已成功地应用在专家系统中。 主观贝叶斯方法的缺点 要求领域专家在给出规则的同时，给出B的先验概率P(B)，这是比较困难的 贝叶斯定理中关于事件间独立性的要求使主观贝叶斯方法的应用收到一定的限制 5.5.1 规则不确定性度量 知识用产生式规则表示，知识的不确定性则是以可信度CF(B,A)表示，其一般形式为 If A then B (CF(B,A)) A是知识的前提条件，或称为证据 B是结论 CF(B,A)是该条知识的可信度，称为可信度因子 CF(B,A)的取值范围 CF(B,A)的取值范围是[-1,1]，它指出当前提条件A所对应的证据为真时，它对结论B的支持程度。 CF(B,A)0，则表示该证据增加了结论为真的程度，且CF(B,A)的值越大，结论B越真 若CF(B,A)=1，则表示该证据使结论为真 若CF(B,A)0，则表示该证据增加了结论为假的程度，且CF(B,A)的值越小，结论B越假 CF(B,A)=-1，表示该证据使结论为假 CF(B,A)=0，表示证据A和结论B没有关系 可信度CF(B,A)的定义 CF(B,A)=MB(B,A)-MD(B,A) MB(B,A)为信任增长度，表示因证据A的出现而增加对假设B为真的信任增加程度，即MB(B,A)0时，有P(B|A)P(B) MD(B,A)为不信任增长度，表示因证据A的出现对假设B为假的信任增加的程度，即当MD(B,A)0时，有P(B|A)P(B) MB、MD取值范围： 0≤MB(B,A) ≤1 0≤MD(B,A) ≤1 MB、MD、CF的性质 MB、MD的互斥性 MB(B,A)0时MD(B,A)=0，则CF(B,A)= MB(B,A) MD(B,A)0时MB(B,A)=0，则CF(B,A)=- MD(B,A) 若P(B|A)=1，即A为真则B为真时，则MB(B,A)=1， MD(B,A) =0， CF(B,A)=1 若P(B|A)=0，即A为真则B为假时，则MD(B,A)=1， MB(B,A)=0， CF(B,A)=-1 若P(B|A)=P(B)，即A对B没有影响时，则MD(B,A)=0， MB(B,A)=0， CF(B,A)=0 CF(B|A)的计算公式 5.5.2 证据的不确定性度量 证据A的可信度用CF(A)来表示，规定： -1 ≤ CF(A) ≤ 1 CF(A)的特殊值： CF(A)=1，前提肯定真 CF(A)=-1，前提肯定假 CF(A)=0，对前提一无所知 CF(A)0，表示A以CF(A) 程度为真 CF(A)0，表示A以CF(A) 程度为假 初始证据的CF值由专家根据经验提供，其他证据的CF通过规则进行推理计算得到。 5.5.3 不确定性的传播与更新 组合证据的不确定性 “与”计算：A1∧A2→B CF(A1∧A2) = min{CF(A1), CF(A2)} “或”计算：A1∨A2→B CF(A1∨A2) = max{CF(A1), CF(A2)} “非”计算： CF(~A) = - CF(A) 不确定性的传递算法 若已知规则为IF A then B (CF(B,A))，且证据A的可信度为CF(A)，则结论B的可信度为 CF(B) = CF(B,A) X max{0,CF(A)} 结论不确定性的合成算法（一） 多条知识支持同一结论时，结论不确定性的合成计算方法 由规则A1→B可求得CF1(B)，同时又有规则A2→B可求得CF2(B)，如何根据这两条规则计算最终合成后的可信度CF(B) CF1(B)CF2(B)是同时发生，即可以是分别从两条完全独立的途径得到的知识。 分两步求解 第一：分别对每一条知识求出CF(B) CF1(B) = max{0,CF(A1)} X CF(B,A1) CF2(B) = max{0,CF(A2)} X CF(B,A2) 第二：用下述公式求出A1A2对B的综合影响形成的可信度CF(B) 结