人工智能及应用_ch4_1-精品·公开课件.ppt

不确定性推理 确定是相对的！ 不确定是绝对的！ 不确定性推理的基本概念 不确定性推理：建立在不确定性知识和证据的基础上的推理，是一种从不确定的初始证据出发，通过运用不确定性知识，最终推出具有一定程度的不确定性但又是合理或基本合理的结论的思维过程。 为什么要讨论不确定性推理 推理时所需的知识不完备，不精确。 推理所需的知识描述模糊。 多种原因导致同样的结论。 人的推理方式多为不确定的。 不确定性推理的基本问题 确定性推理： 问题的描述 推理的方法 推理方向 控制策略 不确定性推理的新问题 不确定知识的表示-包括知识的不确定性表示和证据的不确定性表示。 不确定性的匹配问题-事实与可用的知识的匹配，由于两者都具有不确定性，而且不确定性的程度可能不同，如何才算匹配成功？ 不确定性推理的新问题 组合证据的不确定性计算-例如推理时，一般用证据与知识的前提条件匹配，而知识的前提条件可能是单一的，也可能是复合的。如果前提条件是复合的情况，就需要一组证据支持，而这组证据的不确定性不同，复合证据的不确定性的描述如何确定？ 不确定性推理的新问题 不确定性的更新-证据、知识都带有不确定性，产生如下两个问题： 推理的每一步如何利用证据和知识的不确定性计算结论的不确定性？ 在整个推理过程中如何把初始证据的不确定性传递给最终结论？ 不确定性推理的新问题 不确定性结论的合成-推理过程中，可能会出现由多个不同的途径推出同一结论，但不确定性可能不同，此时我们需要对结论的不确定性进行合成计算。 以上是不确定性推理时需要考虑的一些基本问题，但不是所有的不确定推理都要解决这些问题。 不确定性推理的主要方法 目前不确定性推理的方法主要分为如下两大类-数值方法和非数值方法。 数值方法的基本思路是用数值对不确定性进行定量表示和处理。此类方法是目前人工智能研究不确定性推理的主要方向，根据描述不确定性的理论基础这种方法又分为两类： 基于概率的模型：确定性理论，主观Bayes方法，证据理论等 模糊推理 概率方法 概率论：概率论是一种具有严格数学基础的，处理不确定对象但具有统计规律的数学工具。 事件发生的可能性用概率来描述。 已知一个事件发生的条件下，另一个事件发生的可能性用条件概率来描述。 Q→R 是不确定性的比较恰当的不确定性度量是P(R/Q)。 经典概率方法 知识使用产生式表示： IF E THEN H P(H/E) 如果E=E1 AND E2 AND。。。 AND En 则结论的不确定性由P(H/E1 ,E2 ,。。。,En)确定。 但P(H/E)需要通过统计数据求得，往往比较困难。 全概率公式 设事件A1,A2,…, An满足： 任意两个事件互不相容; P(Ai)0 i=1,2,…,n; D=∪Ai。 则对任意事件B有： P(B)=∑P(Ai)P(B/Ai) Bayes公式 设事件A1,A2,…, An满足： 任意两个事件互不相容; P(Ai)0 i=1,2,…,n; D=∪Ai。 则对任意事件B有： Bayes公式 其中P(Ai)是事件Ai 的先验概率，P(B)是事件B的先验概率，P(B/Ai)是条件概率。 将产生式规则 IF E THEN H P(H/E) 中的P(H/E) 用Bayes公式可以表达为 Bayes推理 先验概率：通常称为非条件概率，是指没有知识支持，事件发生的概率。 后验概率：通常又称为条件概率，是给定一些证据的条件下事件发生的概率。 Bayes推理 经典概率方法中P(H/E)不好求，可以用P(E/H)由Bayes公式求得。一般后者要比前者容易得到。 E表示咳漱，H表示气管炎。则 P(H/E)：如果咳漱，是气管炎的概率。 P(E/H)：气管炎咳漱的概率。 Bayes推理-示例 例如：令E表示汽车轮胎发出刺耳噪音，H表示汽车的刹车失调。如果汽车轮胎发出刺耳噪音则汽车刹车失调的可能性。 设 P(E)=0.04, P(H)=0.05, P(E/H)=0.7 则 P(H/E)=P(H)P(E/H)/P(E)=0.05*0.7/0.04 =0.88 Bayes推理-示例 已知： 一般人得癌症的概率 P(Cancer)=0.008 是癌症化验是阳性的概率 P(⊕/Cancer)=0.98 不是癌症化验是阳性的概率P(⊕/?Cancer)=0.03 现在有一个病人化验为阳性，是否可以判断是癌症？ Bayes推理-示例 解：比较如下两个概率： P(Cancer/⊕) P(?Cancer/⊕) 的大小 Bayes推理-示例 P(?Cancer/⊕)=P(⊕/?