人工智能+专家系统+推理机设计第五章 不确性推理.ppt

福州大学阳光学院计算机系 第五章 不确定性推理 基本概念 概率方法 主观Bayes方法 可信度方法 证据理论 第五章 不确定性推理 基本概念 概率方法 主观Bayes方法 可信度方法 证据理论 基本概念 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 基本概念 什么是不确定性推理 从不确定性的初始证据出发，通过运用不确定性的知识，最终推出具有一定程度的不确定性但却是合理或者近乎合理的结论的思维过程。 事实与结论之间存在着不确定的因果关系，且事实也是不确定的。 基本概念—不确定推理的基本问题 不确定性的表示和量度 不确定性匹配算法及阈值的选择 组合证据不确定的算法 不确定性的传递算法 结论不确定性的合成 基本概念—不确定推理方法的基本问题 表示问题 ： 表达要清楚。表示不仅仅是数，还要有语义描述。通常有数值表示和非数值表示方法，两者都不够完善。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。 知识的不确定性描述（静态强度）通常是一数值，一般由领域专家给出。 证据的不确定性描述（动态强度）也是一数值，除初始证据由用户给定外，一般通过传递算法计算得到。 基本概念—不确定推理的基本问题 计算问题： 不确定性的传播和更新算法。包括 已知规则 E ? H 的强度f (H , E)和前提的不确定性C(E)，如何计算结论的不确定性 C(H) =g1(C(E),f(H,E)) 已知某命题H的不确定性C1(H)，又根据新的证据求得C2(H),如何计算新的C(H) = g2(C1(H),C2(H)) 定义算法g3，使C(E1 ∧ E2) = g3(C(E1),C(E2)) 定义算法g4，使C(E1 ∨ E2) = g4(C(E1),C(E2)) 基本概念—不确定推理的基本问题 语义问题 将各个公式解释清楚。例如 规则 E ? H 的强度f (H , E)有 E为真，H为真，则f (H , E) = ？ E为真，H为假，则f (H , E) = ？ E对H没有影响，则f (H , E) = ？ 前提 E 的不确定性度量C (E)有 E为真，则C ( E) = ？ E为假，则C ( E) = ？ 对E 一无所知，则C ( E) = ？ 基本概念—不确定推理方法的分类 第五章 不确定性推理 基本概念 概率方法 主观Bayes方法 可信度方法 证据理论 概率方法 经典概率方法 E ? H 用概率P(H|E)表示结论H的确定性程度。 问题：实际情况P(H|E)不容易求。而 P(E|H)较易求。 逆概率方法 E ? Hi 用概率P(Hi|E)表示结论Hi的确定性程度。 P(Hi|E) = i=1,2,3,……,n 优点：理论背景强。缺点：求P(Hi) 、P(E|Hi)困难 第五章 不确定性推理 基本概念 概率方法 主观Bayes方法 可信度方法 证据理论 第五章 不确定性推理 基本概念 概率方法 主观Bayes方法 可信度方法 证据理论 主观贝叶斯方法 概述 在Prospector的探矿系统的研究过程中提出的。 原有贝叶斯公式只考虑E出现对H的影响，没有考虑E不出现的影响。 贝叶斯规则： IF E THEN (LS , LN) H (P(H)) 主观贝叶斯方法 IF E THEN (LS , LN) H (P(H)) E: 知识的前提条件 H: 结论 P(H): H的先验概率 LS: 充分性量度 (5.1) LN: 必要性量度 (5.2) 主观贝叶斯方法 证据的不确定性表示 P163图5-1 C(E/S)=-5 在观察S下证据E肯定不存在 C(E/S)=0 S与E无关 C(E/S)=5 在观察S下证据E肯定存在 主观贝叶斯方法 组合证据的不确定性算法 当 E=E1 AND E2 AND … AND En 时 P(E/S)= min{P(E1/S),P(E2/S),…P(En/S