人工智能之不确定知识表示及推理.pptVIP

人工智能 华中科技大学水电与数字化工程学院 3、设有如下知识： R1：IF E1 THEN (20,1) H (0.03) R2：IF E2 THEN (300,1) H (0.03) 若证据E1和E2依次出现，按主观Bayes推理，求H在此条件下的概率P(H/E1E2)。（按两种方法求） 1.4 可信度方法 一、基于可信度的不确定的表示 根据经验对一个事物或现象为真的相信程度称为可信度。 知识用产生式规则表示，每一条规则都有一个可信度；每个证据也具有一个可信度。 1、知识不确定性的表示 IF E THEN H (CF(H，E)) CF(H，E)是该规则的可信度，称为可信度因子或规则强度 CF(H，E)?[-1,1]，表示在已知证据E的情况下对假设H为真的支持程度。 CF(H，E)0，表示证据的存在增加结论为真的程度，CF(H，E)的值越大结论H越真； CF(H，E)=1，表示证据存在结论为真； CF(H，E)0，表示证据的存在增加结论为假的程度 CF(H，E)的值越小结论H越假； CF(H，E)= -1，表示证据存在结论为假； CF(H，E)= 0，表示证据E和结论H没有关系。 如果P(H | E)=1，CF(H,E)=1 如果P(H | E)=0，CF(H,E)= -1 如果P(H | E)=P(H) ，CF(H,E)=0 ①