人工智能原理及其应用 I5章不确定性推理.ppt

解：由已知知识得到的推理网络如下图所示。 5.4.1 DS理论的形式描述 1. 概率分配函数（1/5） (1) 求CER(A) 由r1: CER(E1 AND E2) =min{CER(E1), CER(E2)} =min{0.8, 0.6} = 0.6 m({a1}, {a2})={0.6×0.3, 0.6×0.5} = {0.18, 0.3} Bel(A)=m({a1})+m({a2})=0.18+0.3=0.48 Pl(A)=1-Bel(﹁A)=1-0=1 f(A)=Bel(A)+|A|/|Ω|?[Pl(A)-Bel(A)] =0.48+2/10*[1-0.48] =0.584 故 CER(A)=MD(A/E)×f(A)=0.584 求正交和m=m1⊕m2 K=m1(Ω)×m2(Ω) +m1({h1})×m2({h1})+m1({h1})×m2(Ω)+m1(Ω)×m2({h1}) +m1({h2})×m2({h2})+m1({h2})×m2(Ω)+m1(Ω)×m2({h2}) =0.46×0.65 +0.36×0.06+0.36×0.65+0.46×0.06 +0.18×0.29+0.18×0.65+0.46×0.29 =0.30+(0.02+0.23+0.03)+(0.05+0.12+0.13) =0.88 模糊命题是基于模糊逻辑，利用模糊谓词、模糊量词、模糊修饰语等用来对模糊命题的模糊性进行描述的。 模糊谓词 设x∈U，F为模糊谓词，即U中的一个模糊关系，则模糊命题可表示为 x is F 其中的模糊谓词F可以是大、小、年轻、年老、冷、暖、长、短等。 模糊量词 模糊逻辑中使用的模糊量词，如极少、很少、几个、少数、多数、大多数、几乎所有等。这些模糊量词可以很方便地描述类似于下面的命题： 大多数成绩好的学生学习都很刻苦。 很少有成绩好的学生特别贪玩。 5.5.1 模糊知识表示1. 模糊命题的描述(1/3) 模糊修饰语 设m是模糊修饰语，x是变量，F谓模糊谓词，则模糊命题可表示为 x is mF，模糊修饰语也称为程度词，常用的程度词有“很”、“非常”、“有些”、“绝对”等。 模糊修饰语的四种主要运算： ① 求补 表示否定，如“不”、“非”等，其隶属函数的表示为 ② 集中 表示“很”、“非常”等，其效果是减少隶属函数的值： ③ 扩张 表示“有些”、“稍微”等，其效果是增加隶属函数的值： 5.5.1 模糊知识表示1. 模糊命题的描述(2/3) ④ 加强对比 表示“明确”、“确定”等，其效果是增加0.5以上隶属函数的值，减少0.5以下隶属函数的值： 则“非常真”、“有些真”、“非常假”、“有些假”可定义为 在以上4种运算中，集中与扩张用的较多。例如，语言变量“真实性”取值“真”和“假”的隶属函数定义为： 5.5.1 模糊知识表示1. 模糊命题的描述(3/3) 在扎德的推理模型中，产生式规则的表示形式是 IF x is F THEN y is G 其中：x和y是变量，表示对象；F和G分别是论域U和V上的模糊集，表示概念。 5.5.1 模糊知识表示2. 模糊知识的表示方式 连续论域：如果论域U是实数域上的某个闭区间[a, b]，则汉明距离为 语义距离用于刻划两个模糊概念之间的差异。这里主要讨论汉明距离。 离散论域：设U={u1, u2, … , un}是一个离散有限论域，F和G分别是论域U上的两个模糊概念的模糊集，则F和G的汉明距离定义为 5.5.2 模糊概念的匹配1. 语义距离 例5.9 设论域U={-10, 0, 10, 20, 30}表示温度，模糊集 F= 0.8/-10+0.5/0+0.1/10 G=0.9/-10+0.6/0+0.2/10 分别表示“冷”和“比较冷”，则 d(F,G)=0.2×(|0.8-0.9|+|0.5-0.6|+|0.1-0.2|)=0.2×0.3=0.06 即F和G的汉明距离为0.06。 5.5.2 模糊概