第四章--人工智能不确定性推理.pptVIP

第四章 不确定性推理 本章内容 4.1 不确定性推理中的基本问题 要实现对不确定性知识的处理，必须要解决不确定知识的表示问题，不确定信息的计算问题，以及不确定性表示和计算的语义解释问题。 4.2 不确定性推理方法分类 4.2 不确定性推理方法分类 4.2 不确定性推理方法分类 4.2 不确定性推理方法分类 4.3 概率方法 4.3 概率方法 4.3 概率方法 如果用产生式规则 IF E THEN Hi i ＝1, 2, , n 其中前提条件E 代替Bayes公式中B，用Hi 代替公式中的Ai 就可得到 i＝1,2, ,n (4.3.2) 这就是说，当已知结论Hi 的先验概率，并且已知结论Hi(i=1,2,…） 成立时前提条件E 所对应的证据出现的条件概率P(E|Hi)，就可以用上 式求出相应证据出现时结论Hi 的条件概率P(Hi|E)。 4.3 概率方法 对于有多个证据 和多个结论 并且每个证据都以一定程度支持结论的情况，上面的 式子可进一步扩充为 (4.3.3) 4.3 概率方法 4.4 主观Bayes方法 4.4 主观Bayes方法 4.4 主观Bayes方法 4.4 主观Bayes方法 4.4 主观Bayes方法 4.4 主观Bayes方法 4.4 主观Bayes方法 4.4 主观Bayes方法 4.4 主观Bayes方法 4.4 主观Bayes方法 4.4 主观Bayes方法 4.4 主观Bayes方法 4.4 主观Bayes方法 4.5 可信度方法 4.5 可信度方法 4.5 可信度方法 4.5 可信度方法 4.5 可信度方法 4.5 可信度方法 4.6 证据理论 4.6 证据理论 4.6 证据理论 4.6 证据理论 4.6 证据理论 4.6 证据理论 4.6 证据理论 4.6 证据理论 4.6 证据理论 4.6 证据理论 4.6 证据理论 4.6 证据理论 4.6 证据理论 4.6 证据理论 4.6 证据理论 4.6 证据理论 4.6 证据理论 4.6 证据理论 4.6 证据理论 4.6 证据理论 谢 谢 ! (1)对于知识 ,分别计算 (2)利用合成算法计算 的综合可信度 (3)计算 的可信度，这时， 作为 的证据，其可信度已由 前面计算出来。CF( )=0.9，而 的可信度为初始制定的1。 由规则 和公式(4.5.1)得到 所以，所求得的 ， 的可信度更新值分别为 4.6.1 基本概念 证据理论假设有一个不变的两两相斥的完备元素集合U， 如下图所示，这里U为 例如, U ={三轮车，汽车，火车} U ={赤，橙，黄，绿，青，蓝，紫} U ={马，牛，羊，鸡，狗，兔} 图4.4 证据理论说明图 4.6.2 D-S理论 证据理论是用集合表示命题的。设D是变量x所有可能 取值的集合，且D中的元素是互斥的，在任一时刻x都取D中 的某一个元素为值，则称D为x的样本空间。在证据理论中， D的任何一个子集A都对应于一个关于x的命题，称该命题为 “x的值在A中”。 证据理论中，为了描述和处理不确定性，引入了概率分 配函数、信任函数及似然函数等概念。 设D为样本空间，领域内的命题都用D的子集表示，则概率分配函数（Function of Probability Assignment）定义如下。 定义4.6.1 设函数M： ,且满足 则称M是 上的概率分配函数，M(A)称为A的基本概率函数（Function of Basic Probability Assignment），即对于样本空间D的任一子集都分配一个概率值。 1、概率分配函数 定义4.6.2 设函数Bel： ,且