人工智能之不确定性处理.ppt

第7章 不确定性处理 7.1 不确定性及其类型 随机性 模糊性 不完全性 不一致性 第7章 不确定性处理 7.2 不确定性知识的表示 随机性知识的表示 随机性产生式规则的表示是在产生式规则的后面加上一个称为信度（或可信度）的0到1之间的数。一般表示形式为 或 其中 表示规则 为真的信度， 表示A为真的情况下B为真的信度。一般可以以概率作为信度。 第7章 不确定性处理 例 如果乌云密布并且电闪雷鸣，则天要下暴雨；（0.95) 如果头痛发烧，则患了感冒；（0.8) 7.2.2 模糊知识的表示 模糊不确定性通常用隶属度表示，隶属度表示对象具有某种属性的程度。隶属度可以与谓词逻辑、产生式规则、框架、语义网络等结合起来表示模糊不确定性。 第7章 不确定性处理 模糊产生式规则 “如果患者有些头疼并且发高烧，则他患了重感冒” 可表示为： （患者，症状，（头疼，0.95))? （患者，症状，（发烧，1.1))? （患者，疾病，（感冒，1.2)) 模糊谓词 普通谓词加上程度表示。例：“Mary 很喜欢书”可表示为like1.2(mary, book)，或1.2like（mary,book)。 第7章 不确定性处理 模糊框架 框架名：〈大枣〉 属： （〈干果〉，0.8） 形： （圆，0.7) 色： （红，1.0) 味： （甘，1.1） 用途：食用 药用：用量：约五枚 用法：水煎服 第7章 不确定性处理 模糊语义网 第7章 不确定性处理 7.2.3 模糊集合与模糊逻辑 模糊逻辑 传统二值逻辑的模糊推广。定义命题的真值为对象具有该属性的隶属度。设一个n元模糊谓词 ， 则其真值定义为 具有属性P的隶属度，即： 对模糊命题，可定义逻辑运算为 第7章 不确定性处理 逻辑或 逻辑非 第7章 不确定性处理 7.2.4 多值逻辑 Kleene三值逻辑 第7章 不确定性处理 7.2.5 非单调逻辑 推理中的结论并不总是单调增加的。 7.2.6 时序逻辑 将时间概念（如“过去”，“将来”，“有时”等）引入逻辑，使命题的真值随时间变化。 第7章 不确定性处理 7.3 不确定性推理的一般模式 基于不确定性知识的推理称为不确定性推理。在一般推理的基础上，还要进行不确定性度量（如信度、隶属度等）的计算。 不确定性推理=符号模式匹配+不确定性计算 符号模式能否匹配成功，要求符号模式本身要匹配，而且不确定性要超过“阈值”。 推理过程中规则的触发要求前提匹配成功，并且前提条件的不确定性超过阈值。 推理结论是否成功取决与不确定性是否超过阈值。 主观Bayes方法，确定性理论（可信度方法）、证据理论等。 主观Bayes方法 在专家系统PROSPECTOR中成功应用。 知识的不确定性表示为 第7章 不确定性处理 7.4 确定性理论（可信度方法） 适用于随机不确定性的推理，在专家系统MYCIN中成功应用。 C-F模型 1。知识不确定性的表示 If E Then H (CF(H,E)) CF(H,E) 称为该条知识的可信度 （Certainty Factor), 取值范围为[-1，1]。 若CF(H,E)0，则说明前提条件E所对应的证据的出现增加了H为真的概率。CF(H,E)越大，H为真的可信度越大。若CF(H,E)=1，则表示E的出现使H为真。 第7章 不确定性处理 若CF(H,E)0，则说明E所对应的证据的出现减少了H为真的概率，即增加了H为假的概率。 CF(H,E)越小，H为假的可信度越大。若CF(H,E)=-1，则表示E的出现使H为假。 若CF(H,E)=0，则表示 H与E独立，即E所对应的证据的出现对H没有影响。 实际应用中，CF(H,E)的值由领域专家直接给出。 第7章 不确定性的处理 2。证据不确定性的表示 证据的不确定性也用可信度因子表示。若证据肯定为真，则CF(E)=1；若证据肯定为假，则CF(E)=-1；其它情况则介于-1 与正1之间。 对组合证据，若E=E1 and E2 and…and En， 则 CF(E)=min{CF(E1),CF(E2),…,CF(En)} 若 E=E1 OR E2 OR ……OR En,则 CF(E)=max{CF(E1),CF(E2),…,CF(En