构成的在模糊逻辑中.PPT

解：由已知知识得到的推理网络如下图所示。 证据既非真假：需要使用杜达等人给出的公式： P(H|S)=P(H|E)×P(E|S)+P(H|﹁E)×P(﹁E|S) (6.7) 下面分四种情况讨论： (1)P(E|S)=1 当P(E|S)=1时，P(﹁E|S)=0。由(6.7)式和(6.5)式可得 这实际是证据肯定存在的情况 (2)P(E|S)=0 当P(E|S)=0时，P(﹁E|S)=1。由(6.7)式和(6.6)式可得 (3)P(E|S)=P(E) 当P(E|S)=P(E)时，表示E与S无关。由(6.7)式和全概率公式可得 6.3.2 主观Bayes方法的推理模型 3. 不确定性的更新(3/4) 0 P(E) 1 P(E|S) P(H|﹁E) P(H) P(H|E) P(H|S) (4) P(E/S)为其它值 上面已经得到了P(E|S)的3个特殊值：0，P(E),1；它们分别对应的3个值为P(H|﹁E),P(H),P(H|E)。由此构造的分段线性插值函数为： (6.8) 　 假设有n条知识都支持同一结论H，并且这些知识的前提条件分别是n个相互独立的证据E1、E2、…、En，而每个证据所对应的观察又分别是S1、S2、…、Sn。在这些观察下，求H的后验概率的方法是：首先对每条知识分别求出H的后验几率O(H|Si)，然后利用这些后验几率并按下述公式求出在所有观察下H的后验几率： ) 9 . 6 ( ) ( ) ( ) | ( ) ( ) | ( ) ( ) | ( ) , , , | ( 2 1 2 1 H O H O S H O H O S H O H O S H O S S S H O n n ? ? ? ? = L L 6.3.2 主观Bayes方法的推理模型 4. 结论不确定性的合成 例6.3 设有规则 r1: IF E1 THEN (2, 0.0001) H1 r2: IF E1 AND E2 THEN (100, 0.001) H1 r3: IF H1 THEN (200, 0.01) H2 已知：P(E1)=P(E2)=0.6 P(H1)=0.091，P(H2)=0.01 用户回答: P(E1|S1)=0.76, P(E2|S2)=0.68 求：P(H2|S1,S2)=? 6.3.3 主观Bayes推理的例子 0.091 H2 H1 AND E1 E2 0.01 (2,0.001) (100,0.001) (200,0.01) 0.6 0.6 0.76 0.68 (1) 计算O(H1|S1) 先把P(H1)更新为E1下的后验概率P(H1|E1) 由于P(E1|S1)=0.76P(E)，使用(6.8)式的后半部分，得P(H1|S1)为： (2) 计算O(H1|(S1 AND S2)) 由于r2的前件是E1、E2的合取关系，且已知 P(E1|S1)=0.76，P(E2|S2)=0.68， 即P(E2|S2)P(E1|S1)。按合取取最小的原则，这里仅考虑E2对H1的影响，即把计算P(H1|(S1 AND S2))的问题转化为计算O(H1|S2)的问题。 把H1的先验概率P(H1)更新为在E2下的后验概率P(H1/E2) 又由于P(E2|S2)=0. 68P(E2)，还使用(6.8)式的后半部分，得P(H1|S2)为： (3) 计算O(H1|S1, S2) 先将H1的先验概率转换为先验几率 再根据合成公式计算H1的后验几率 然后再将后验几率转换为后验概率 (4) 计算P(H2|S1,S2) 对r3 ，H1相当于已知事实，H2为结论。将H2的先验概率P(H2)更新为在H1下的后验概率P(H2|H1) 由于P(H1|S1,S2) =0.321 P(H1)，仍使用(6.8)式的后半部分，得到在当前观察S1、S2下H2的后验概率P(H2|S1,S2) 可以看出，H2的先验概率是0.01，通过r1、r2、r3及初始证据进行推理，最后推出H2的后验概率为0.177，相当于概率增加了16倍多。 主观Bayes方法的主要优点是理论模型精确，灵敏度高，不仅考虑了证据间的关系，而且考虑了证据存在与否对假设的影响，因此是一种较好的方法。其主要缺点是所需要的主观概率太多，专家不易给出。 6.