不精确推理技术.ppt

不确定推理技术 不确定性 不确定性(uncerbinly)是智能问题的本质特征，无论是人类智能还是人工智能，都离不开不确定性的处理。 可以说，智能主要反映在求解不确定性问题的能力上。因此，不确定推理模型是人工智能与专家系统的一个核心研究课题。 不确定性通常表现在证据、规则和推理三个方面 证据的不确定性 歧义性（在知识获取阶段要避免） 不完全性 不精确性 模糊性 可信性 随机性 规则的不确定性 构成前提条件的模式的不确定性 观察证据的不确定性 组合证据的不确定性 规则自身的不确定性 规则结论的不确定性 搜索策略带来的不确定性 推理的不确定性 推理过程中要进行不确定性的动态积累和传播的计算，得出结果的不确定性 不确定推理网络可以分解为三种基本模式 推理的不确定性 证据逻辑组合模式 证据的合取：求e1∧e2… ∧en的不确定度： MU=f(MU1,MU2,…,MUn) 证据的析取：求e1∨e2… ∨ en的不确定度： MU=g(MU1,MU2,…,MUn) 证据的否定：求~ei的不确定度：MU=nMU(MUi) 推理的不确定性 并行规则模式： if ei then h, i=1,…,n 所有规则都满时h 的不确定度：MU=pMU(MU1,MU2,…,MUn) 顺序规则模式： if e’ then e; MU0 if e then h; Mu1 求：if e’ then h 的不确定度 MU=s(MU0,MU1) 推理的不确定性 一旦给定上述三种组合模式不确定性的计算方法，即可从观察证据出发得到结论的不确定度 不确定性推理模型就是证据和规则的不确定性测度方法和组合计算模式 主观Bayes方法 不确定性与概率有许多内在的联系，可将概率理论用作一种不确定性的处理工具 现实世界中的不确定性是非常丰富的，要使用概率来描述专家系统中的不确定性，必须将概率的含义加以拓展 专家系统中，概率一般解释为专家对证据和规则的主观信任度（注意：这里不采取先验概率是上帝结定的、不可知的，只能逐步逼近的观点），对概率推理起着支撑作用的是Bayes定理 主观Bayes方法 1976年．Duda等人在开发PROSPECTOR的过程中，针对专家系统推理网络的特点，对主观Bayes 法做了重要的改进。该方法及其变种在专家系统领域中得到了广泛的应用 在专家系统的概率推理模型中．证据e的不确定性为e发生的概率P(e)；产生式规则 “if e then h” 的不确定性通常解释为在事件e(证据)已经发生的情况下，事件h(假设)发生的概率P(h|e) 主观Bayes方法 贝叶斯方法用于专家系统不确定推理的一个原始条件是： 领域专家或知识工程师对每个命题(包括初始证据e及中间假设h)的先验概率P(e)和P(h)已经预先赋值，同时，对于每一假设h及其相关证据e已经给出h成立时，e出现的条件概率P(eI h) 如果只使用一条规则进行一步推理，则使用如下最简形式的贝叶斯公式便可以从假设h的先验概率P(h)推得h的后验概率： 主观Bayes方法 Bayes推理过程实质上就是从证据出发，将每一步推理得到的结论的先验概率修改为条件概率的过程 主观Bayes方法的两个基本假设： 1．若一组证据e1，e2．…，en同时支持假设h．则 对于h，~h；证据之间相互独立 2．当一个证据e支持多个假设h1,h2,…，hn时，假设 hl,h2,…,hn之间互不相容 主观Bayes方法 主观Bayes方法的基本定理： 主观Bayes方法 基于上述假设，我们可以得出主观贝叶斯方法的证据逻辑组合规则、并行法则和顺序法则的不确定性计算模式 证据逻辑组合定理： 设证据e1，e2，…，en相互独立，则： 主观Bayes方法 顺序法则定理： 设e’支持e,e支持h，且e’，h相对于e，~e相 互独立,即: P(e’h|e)=P(e’|e)P(h|e) P(e’h|~e)=P(e’|~e)P(h|~e) 则： P(h|e’)=P(h|e)P(e|e’)+P(h|~e)P(~e|e’) 主观Bayes方法 若领域专家对证据和假设的赋值按先验概率P(e)、P(h)和条件概率P(e|h)给出，则在运用关于并行规则和顺序规则的计算模式前，需要计算P(e|~h)、P(h|~e)和P(h|e)，它们可由如下公式得到: 主观Bayes方法 几率（似然比）： 条件几率： 几率修正（充分性）因子： 有： 主观Bayes方法 从条件几率得到条件概率：