人工智能不确定性推理课件.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;4.2 不确定性推理方法分类;数值方法;4.2 不确定性推理方法分类;4.2 不确定性推理方法分类; 设有如下产生式规则： IF E THEN H 其中，E为前提条件，H为结论，具有随机性。 根据概率论中条件概率的含义，我们可以用条件概率 表示上述产生式规则的不确定性程度，即表示为在证据 出现的条件下，结论H成立的确定性程度。 对于复合条件 E = E1 AND E2 AND … AND En 可以用条件概率作为在证据出现时结论的确定程度。;4.3 概率方法;4.3 概率方法;4.3 概率方法; 逆概率公式的优点是它有较强的理论背景和良好的数学特征，当证据及结论彼此独立时计算的复杂度比较低。其缺点是要求给出结论 的先验概率 及证据 的条件概率 ，尽管有些时候 比 相对容易得到，但总的来说，要想得到这些数据仍然是一件相当困难的工作。另外，Bayes公式的应用条件是很严格的，它要求各事件互相独立等，如若证据间存在依赖关系，就不能直接使用这个方法。 ;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;下面分四种情况讨论这个公式(4.4.5)： （1）当P(E/S)=1时，，此时式(4.4.5)变成 这就是证据肯定存在的情况。 （2）当P(E/S)=0时，，此时式(4.4.5)变成 这就是证据肯定不存在的情况。;（3）当P(E/S)=P(E)时，表示E与S无关，利用全概率公式将公式(4.4.5)变为 （4）当P(E/S)为其它值时，通过分段线性插值就可得计算P(H/S)的公式 该公式称为EH公式或UED公式。; 4．组合证据的情况 （1）当组合证据是多个单一证据的合取时，即 E = E1 and E2 and … and En 时，如果已知 则 P(E/S)=min{ } （2）当组合证据E是多个单一证据的析取时，即 E = E1 or E2 or … or En 时，如果已知 则， P(E/S)=max{ } “非”运算用下式计算 ; 若有n条知识都支持相同的结论，而且每条知识的 前提条件所对应的证据 都有相应的观察 与之对应，此时只要先对每条知识分别求出 然后就可运用下述公式求出; ; ; ?主观Bayes方法的主要优点如下： （1）主观Bayes方法中的计算公式大多是在概率论的基础上推导出来的，具有较坚实的理论基础。 （2）知识的静态强度LS及LN是由领域专家根据实验经验给出的，这就避免了大量的数据统计工作。另外，它既用LS指出了证据E对结论H的支持程度，又用LN指出了E对H的必要性程度，这就比较全面地反映了证据与结论间因果关系，符合现实世界中某些领域的实际情况，使推出的结论有较准确的确定性。 ;（3）主观Bayes方法不仅给出了在证据肯定存在或肯定不存在情况下由H的先验概率更新为后验概率的方法，而且还给出了在证据不确定情况下更新先验概率为后验概率的方法。另外，由其推理过程可以看出，它确实实现了不确定性的逐级传递。因此，可以说主观Bayes方法是一种比较实用且较灵活的不确定性推理方法。 ?它的主要缺点如下 （1）要求领域专家在给出知识的同时给出H的先验概率P(H)，这是比较困难的。 （2）Bayes方法中关于事件间独立性的要求使主观Bayes方法的应用受到了限制。;; 在以产生式作为知识表示的专家系统MYCIN中，用以度量知识和证据的不确定性。 显然，可信度具有较大的主观性和经验性，其准确性是难以把握的。但是，对于某一具体领域而言，由于该领域的专家具有丰富的专业知识和实践经验，要给出该领域知识的可信度还是完全有可能的。另外，人工智能所面临的问题，通常都较难用精确的数学模型进行描述，而且先验概率及条件概率的确定也比较困难，因此用可信度来表示知识及证据的不确定性仍然不失为一种可行的方法。;;;4.5 可信度方法;4.5 可信度方法;;; 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