人工智能与专家系统们gis.pptVIP

第四章 不确定性推理 4.1 不确定性推理基本理论 4.2 可信度方法 4.3 主观Bayes方法 4.4 D-S证据理论 4.5 模糊集理论 不确定性的产生与来源 不确定性（狭义） 不确定性(uncertainty)就是一个命题(亦即所表示的事件)的真实性不能完全肯定，而只能对其为真的可能性给出某种估计。 例 如果乌云密布\电闪雷鸣，则可能要下暴雨。 如果头痛发烧，则大概是患了感冒。 不确切性（模糊性） 不确切性(imprecision)就是一个命题中所出现的某些言词其涵义不够确切，从概念角度讲，也就是其代表的概念的内涵没有硬性的标准或条件，其外延没有硬性的边界，即边界是软的或者说是不明确的。 例 小王是个高个子。 张三和李四是好朋友。 如果向左转，则身体就向左稍倾。 自然界中的不确定现象 随机 模糊 混沌 分形 复杂网络 随机性和模糊性是不确定性的基本内涵 混 沌 混沌是一种确定性系统中出现的类似随机的过程。因为很难对初值确定得非常精确，近似相同的初值产生很不相同的貌似随机的结果。初值敏感性导致过程的不确定性和不可预测性。 蝴蝶效应：亚马逊河热带雨林中的一只蝴蝶扇动了两下翅膀，可能两周之后会引发美国德克萨斯州的一场龙卷风。 “失之毫厘，差之千里”。初始条件的微小的差别能引起结果的巨大的差异。 复杂网络: Internet 不确定性 视觉的不确定性 思维的不确定性 4.1 不确定性推理基本理论 ●为什么要研究不确定性推理？现实世界的问题求解大部分是不良结构;对不良结构的知识描述具有不确定性:1) 问题证据(初始事实,中间结论)的不确定性;2) 专门知识(规则)的不确定性. 什么是不确定性推理 不确定性推理是指从不确定性的初始证据出发，通过运用不确定性的知识，最终推理出具有一定程度的不确定性，但又是合理或者似乎合理的结论的思维过程。 不确定性推理中的基本问题 在不确定性推理中,知识和证据都具有某种程度的不确定性,这就为推理机的设计与实现增加了复杂性和难度。除了要解决推理方向、推理方法、控制策略等基本问题外，还需要解决以下问题 ： ● 不确定性的表示和量度 ● 不确定性匹配 ● 不确定性的传递算法 ● 不确定性的合成 不确定性的表示与量度 知识不确定性的表示在确立其表示方法时,有两个直接相关的因素需要考虑:1) 要能根据领域问题的特征把其不确定性比较准确地描述出来,满足问题求解的需要;2) 要便于推理过程中对不确定性的推算.证据不确定性的表示 在推理中,有两种来源不同的证据:1) 一种是用户在求解问题时提供的初始证据;2) 另一种是在推理中用前面推出的结论作为当前推理的证据. 确定度量方法和范围的原则 度量要充分表达相应知识及证据不确定性程度。 度量范围的指定应便于领域专家及用户对不确定性的估计。 度量要便于对不确定性的传递和计算，对结论算出的不确定性度量不能超出度量规定范围。 度量的确定是直观的，同时应有相应理论基础。 不确定性匹配 对于不确定性推理,由于知识和证据都具有不确定性,而且知识所要求的不确定性与证据实际具有的不确定性程度不一定相同，因而就出现“怎样才算匹配成功”的问题 对于这个问题,目前常用的解决方法是： 设计一个算法用来计算匹配双方相似的程度,另外再指定一个相似的限度,用来衡量匹配双方相似的程度是否落在指定的限度内.如果落在指定的限度内,就称它们是可匹配的,相应知识可被应用.用来计算匹配双方相似程度的算法称为不确定性匹配算法.用来指出相似的限度称为阈值. 不确定性推理的一般算法 ●?根据规则前提E的不确定性C(E)和规则强度f(H，E)求出假设H的不确定性C(H)，即定义一函数g1，使C(H)=g1[C(E),f(H,E)] ● 根据分别由独立的证据E1和E2,求得的假设H的不确定性C1(H)和C2(H)，求得证据E1和E2的组合所导致的假设的不确定性C(H)，即定义一函数g2，使C(H)=g2[C1(H),C2(H)] ● 根据两个证据E1和E2的不确定性C(E1)和C(E2)，求出证据E1和E2的合取E1?E2的不确定性，即定义一函数g3，使C(E1?E2)=g3[C(E1),C(E2)] ● 根据两个证据E1和E2的不确定性C(E1)和C(E2)，求出证据E1和E2的析取的不确定性，即定义函数g4，使C(E1?E2)=g4[C(E1),C(E2)] ◆不确定性推理与通常的确定性推理的差别： (1) 不确定性推理中规则的前件能否与证据事实匹配成功，