一些不确定性推理方法的-研究.pdfVIP

引 言 在当今信息时代，我们所面对的信息中不确定信息远比确定信息要多，确 定信息的处理已有较成熟的理论和方法，不确定信息的处理还处于百家争鸣的 时代，研究不确定信息的表达和处理是当今信息时代研究的一个主要方向。人们 最早接触的不确定性是随机性，对随机性的研究已经形成概率论、数理统计、 信息论等重要学科，其发展已经成熟，应用非常广泛。随着生产科技的发展， 由定义的不清楚、度量尺寸的模糊性、或者决策者不能完全把握事物的真实状 态和数量关系，造成了有别于随机性的不确定性。为了解决这些不确定性，目 前常用的不确定推理方法有：基于概率论的概率推理方法、基于证据理论的证 据推理方法、基于模糊集理论的可能度方法和基于粗集理论的粗集方法，这些 方法各有优缺点，在当今不确定推理方法中并存，且在不断的发展中。本文分 别从证据理论、粗糙集理论和概率理论方面对不确定性推理方法进行了讨论。 证据推理是一种重要的人工智能方法，广泛应用于数据融合、数据挖掘和 智能决策。近年来，信息融合受到人们越来越多的研究，由于信息本身具有不 确定性、不精确性和不完备性，在信息融合时必须把这些因素考虑进去，因此， 数据融合有许多模型，在当今，并且有许多研究人员对它们作出了各种评价， 本文在他们的基础上进一步综合，而且重点讨论了可传递信任模型。 由Pawlak与他的同事们在80年代初发展起来的粗糙集理论已受到国内外 学者越来越广泛的重视，是一种新的软计算方法，是处理数据的不确定性和模 糊性的数学工具。它是经典集合理论的推广，它给出了集合的上近似集和下近 似集。在过去的几十年里，已经提出了粗糙集的许多推广并且广泛研究了在粗 糙集理论，模糊集合论，概念格理论和证据理论之间的联系[44，45，46，47， 481。目前，粗糙集理论在许多领域得到广泛应用，如信息检索，数据挖掘，人 工智能，模式识别，控制理论和信号分析等。 ． 粗糙集理论中，在决策推理时，一个决策规则的可靠性是由本文讨论的精 度来描述的，粗糙集数据分析是以承认可用的知识为一定的颗粒状为前提的， 而颗粒块是通过划分和与划分相应的等价关系来表示的。XuBaowen等人在考 虑颗粒块的大小的基础上对Pawlak定义的近似精度进行了改进，但改进工作没 有限制到具体的x并且算法极其复杂。 本文在[42，43]的基础上，提出了论域U关于等价关系R的划分中两个元 素之间的距离和两个等价类之间的距离，再利用距离定义了划分的散度来刻画 划分的颗粒块的大小，进而利用所定义的散度重新定义了近似精度。 ife 1985年提出的信息网络方法，1986年提出的概率逻辑方法，本文在概率推理方 法中，重点研究了贝叶斯推理，由于贝叶斯网是用来表示不确定变量集合联合概 率分布的图形模式，它反映了变量间潜在的依赖关系。使用贝叶斯网建模已成为 解决许多不确定性问题的强有力工具。本文对贝叶斯网络推理中复杂的网络结构 给出了一种基于向内的二叉树模型，使推理计算大为简化，取得较好的效果。 2 第一章绪论 一 1．1基本知识简介 不确定推理是智能系统开发实现中的一个重要问题，也是解决传统的专家 系统知识的脆弱性和推理的单调性的一个重要手段。 ， 不确定理论是概率论、可信性理论、信赖性理论的统称，同时还包括模糊 随机理论、随机模糊理论、随机粗糙理论、粗糙随机理论、双重随机理论、双 重模糊理论、双重粗糙理论。目前己提出不少确定推理的模型，如基于概率论 法、粗糙集方法、数据挖掘的方法、模糊逻辑推理等。 证据推理适合于无先验信息的融合，而且在不确定性的表示、度量和组合 方面的优势受到广泛的重视，先后推广到概率范围和模糊集，不仅可以象贝叶 斯推理那样结合先验信息，而且能够处理象语言一类的模糊概念证据。在各个 领域的数据融合不同层次上应用证据推理，取得了较好的结果。 粗糙集理论是一种新的处理模糊和不确定性知识的数学工具。其主要思想 就是在保持分类能力不变的前提下，通过知识约简，导出问题的决策或分类规 则。目前，粗糙集理论已被成功地应用于机器学习、决策分析、过程控制、模 式识别与数据挖掘等领域。