人工智能第五章不确定性推理.ppt

第五章 不确定性推理 概述 概率论基础 Bayes网络 主观Bayes方法 确定性方法 证据理论 第五章 不确定性推理 概述 概率论基础 Bayes网络 主观Bayes方法 确定性方法 证据理论 概述 一个人工智能系统，由于知识本身的不精确和不完全，常采用非标准逻辑意义下的不确定性推理方法和非单调推理方法。 对于不确定推理来说，不精确性如何描述以及如何传播是主要问题。 对于非单调推理来说，如何提出合理的假设以及矛盾的处理是主要问题。 概述 不确定推理方法是70年代提出并加以研究的，实际的人工智能系统采用的不确定推理常是不够严谨的，但尚能解决些问题，符合人类专家的直觉，在概率上也可给出某种解释。 Shortliffe 等人1975年结合MYCIN系统的建立提出了确定性理论。Duda等人1976年结合PROSPECTOR　系统给出了主观概率法。Dempster Shafer1976年提出证据理论。Zadeh 1978年提出了可能性理论，1983年提出了模糊逻辑。Bundy 1984年提出了关联值计算。Cohen 1985年讨论一种非数值方法称作批注理论。Nilsson 1986年提出概率逻辑。Pearl 等人1986年信任网络。 概述 不确定推理 知识库是人工智能系统的核心，而知识库中的知识既有规律性的一般原理，又有大量的不完全的专家经验知识，这样的知识不可避免的带有模糊性、随机性、不可靠或不知道等不确定因素。 一般地说，不确定性是来自知识的客观现实和知识的主观认识水平。不确定性是人们思维过程中经常出现的一种心理状态，人们在日常生活中要处理大量的不确定性问题。现实世界上几乎没有什么事情是完全确定的，处理不确定性的目的是希望得到对某一命题的精确判断。 概述 不精确思维并非专家的习惯或爱好所至，而是客观现实的要求。 很多原因导致同一结果 推理所需的信息不完备 背景知识不足 信息描述模糊 信息中含有噪声 规划是模糊的 推理能力不足 解题方案不唯一 概述-表示的3方面问题 不确定问题的数学模型 一个问题的代数模型是由论域、运算和公理组成的。 依这种观点，我们希望所引入的各种不确定推理方法应符合某种代数结构，如在某种意义下构成半群（在不确定性值域上，对不确定性度量的合成运算来说，具有封闭性并满足结合律），甚至反过来把这种结构做为建立一种不确定推理方法的必要条件。 以这种观点建立的不确定问题模型必须说明不确定知识的表示、计算和语义解释这三个方面。 概述-表示的3方面问题 不确定问题的数学模型表示的3方面问题 表示问题 指的是采用什么方法描述不确定性，这是解决不确定推理的关键一步。 通常有数值表示和非数值的语义表示方法，两者都不完善。数值表示便于计算、比较，再考虑到定性的非数值描述才能较好的解决不确定问题。如对规则A→B和命题（事实）A 分别以f(B，A)和C(A)来表示不确定性度量。 概述-表示的3方面问题 概述-表示的3方面问题 概述-表示的3方面问题 计算问题 不确定性的传播和更新。也是获取新信息的过程。 例如： (1)已知C(A)和f(B,A) ，如何计算 A→B 结论的C(B)。 (2)A的度量C1(A)已知，又从另一个规则得C2(A）时，如何确定C(A)。 (3) C(A1∧A2)，C(A1∨A1)等如何由C(A1)和C(A2)来计算。 当然初始命题的不确定性度量的获得也是重要的，这常常是主观确定的由有关领域的专家给出。 不确定性推理例子 例如，对于如下的推理过程： R1：A2∧A3→B1 R2：A1∨A2→B2 R3：B1→B R4：B2→B 在描述这些规则时，采用的都是不确定性知识表示方式。 概述-表示的3方面问题 语义问题 如何解释表示和计算的含义，目前多用概率方法。 如：f（B，A）可理解为当前提A为真时结论B为真的一种影响程度，C（A）可理解为A为真的程度。 特别关心的是f（B，A）的特殊值的意义： 1）A(T) →B(T)，f（B，A）=? 2）A(T) →B(F)，f（B，A）=? 3）B 独立于A，f（B，A）=? 概述-表示的3方面问题 对C（A）关心的是其在特殊状态下的意义： 1）A为TRUE，C（A） =? 2）A为FALSE，C（A） =? 3）对A一无所知时，C(A) =? 其中， T：True，F：False 概述-表示的3方面问题 概述-分类 不确定性推理方法可分为形式化方法和非形式化方法。 形式化方法：有逻辑法、新计算法和新概率法。 逻辑法 逻辑法是非数值方法，采用多值逻辑和非单调逻辑来处理不确定性。传统的有基于概率理论的贝叶斯网络等。 概述-分类 新计算法 新计算法