人工智能期末复习概要.pptVIP

第四章 不确定性推理 MB(H,E)：信任增长度 MD(H,E)：不信任增长度 MB(H,E)与MD(H,E)是互斥的 解释 当MD(H,E)0时，应该有P(H/E) P(H),那么有MB(H,E)=0 当MB(H,E)0时，则为P(H/E) P(H),那么有MD(H,E)=0 如果P(H/E)= P(H),则MD(H,E)= MD(H,E)=0表示，E与H无关 第四章 不确定性推理 不确定性的传递问题 单条知识 多条知识 第四章 不确定性推理 主观Bayes方法 知识的不确定性 LS：充分性度量 LN：必要性度量 是为度量产生式规则的不确定性而引入的一组数值。 第四章 不确定性推理 LS和LN的讨论 LN和LS之间的关系 LS1且LN1 LS=LN=1 LS1且LN1 第四章 不确定性推理 主观Bayes方法 证据的不确定性 给定了可信度C(E/S)，就等价于告知了P(E/S)， 组合证据的不确定性 当证据E是由多个单一证据合取组合而成 当证据E是由多个单一证据析取组合而成 对于非运算 第四章 不确定性推理 不确定性的传递问题 当证据肯定出现的时候P(E)=P(E/S)=1 肯定出现的时候，用下面的式子既可以把先验几率O(H)更换为后验几率O(H/E) 如果我们把几率用概率替换即可得 第四章 不确定性推理 在证据肯定不出现时P(E)=P(E/S)=0, P(~E)=1. 那么用下式计算当E肯定不出现的情况下，把先验几率O(H)更新为O(H/~E) 根据概率和几率的换算关系可得 第四章 不确定性推理 用概率表示证据的不确定性 上述针对确定性证据的后验概率将不再适用而要使用下面的公式。 第四章 不确定性推理 P(E/S)=1; P(H/S)=P(H/E) P(E/S)=0; P(H/S)=P(H/~E) P(E/S)=P(E); P(H/S)=P(H) 第四章 不确定性推理 利用这三个特殊点，使用分段插值公式可得P(E/S)与P(H/S)的解析表达式 第四章 不确定性推理 若有n条知识都支持相同的结论，并且每条知识的前提条件所对应的证据Ei都有相应的观察Si，这时需要按照下面的式子求得P(H/S1,…,Sn) D-S理论的数学基础 信任函数 Bel：2D →[0,1]。 似然函数 Pl: 2D →[0,1] D-S理论的数学基础 概率分配函数正交和 设M1和M2是两个概率分配函数，则他们的正交和M=M1⊕M2为 M(Φ) = 0; M(A) = K-1∑m1(X)m2(Y), 当X∩Y = A 其中K = 1 - ∑m1(X)m2(Y), 当X∩Y =Φ　　　　　= ∑m1(X)m2(Y), 当X∩Y ≠Φ 特定概率分配函数 设样本空间D={S1,S2,…,Sn},领域内的命题都用D的子集来表示，则定义2D上的概率分配函数M(x)满足如下条件 特定概率分配函数 其中，|A|表示命题A对应的集合中所包含的元素个数。 在这种特定的概率分配函数中，定义了只有单个元素构成的子集和样本空间D本身的基本概率数才有可能大于0，其它子集的基本概率数均为0 基于特定概率分配函数的不确定性推理 信任度函数 性质 不确定性推理 信任度函数 推论 不确定性推理 证据的不确定性表示 证据E为初始简单证据，f(E)由用户给出 证据E为前面推理所得到的结论，f(E)有推理计算给出 证据E为组合证据的时候 由多个证据的合取组成 由多个证据的析取组成 不确定性推理 知识的不确定性表示 不确定性知识用如下形式的产生式规则表示 E为前提条件 H是结论，用样本空间中的子集来表示，h1,h2,…,hn是该子集中的元素 CF是该集合中的可信度因子，用集合的形式来表示。 不确定性推理 不确定性的传递计算方法 求出H的概率分配函数 求出H的信任函数Bel(H)和似然函数Pl(H) 求出结论H的信任度f(H) 第五章 状态空间的搜索策略 状态空间搜索可以分为盲目搜索和启发式搜索两种 盲目搜索 又称为无信息搜索。也就是在搜索的过程中只按预先的搜索控制策略进行搜索，而没有任何中间信息来改变这些控制策略 启发式搜索 称为有信息搜索。它是指在问题搜索过程中，根据问题本身的特征或者搜索过程中产生出来的一些信息来不断地改变或者调整搜索方向，使搜索朝着最有希望的方向前进，加速问题的求解，并找到最优解。 第五章 状态空间的搜索策略 回溯搜索： 不是图搜索-不能记忆路径 BackTrack（DATA）递归过程 纵向递归 横向循环 第五章 状态空间的搜索策略 状态空间的搜索算法： 1 建立一个只含有初始节点S0的搜索图G，把S0放入到open表中 2 建立closed表，并且将其置为空表 3 判断open表是否为空表，若为空，则问题无