第三章 不确定性推理.pptVIP

第三章 不确定性推理 概述 可信度方法 主观Bayes方法 证据理论 概述 确定性推理： 对周围世界完全了解，完全可判断。 要么真，要么假。无二义性 如：命题逻辑、谓词逻辑 人类实际知识：具有不确定性 含有不肯定、不准确、不完全甚至不一致的成分 原因 客观世界的复杂多变；人类的局限性、主观性 概述(续) 所处信息环境存在不确定性 日常语言 人类知识 经验知识 人工智能：由机器完成人的智能工作 实现AI，必须研究不确定性。 不确定性知识的表示、处理。 在诸多领域的应用：ES、内容分析、机器人等 不确定性分类 按性质分类 随机性 模糊性 不完全性 不一致性 按语法分类 形式化(逻辑法、新计算法、新概率法) 非形式化(启发式) 按语义分类 外延式 内涵式 不确定性问题的代数模型 代数模型：论域，运算，公理 希望引入的推理方法符合某种代数结构。如在某种意义下构成半群（具有封闭性并满足可结合律） 不确定问题模型的三个方面： 不确定性的表示。数值；非数值 不确定性的计算、传播、更新 已知C(A), A-B, f(B,A), 求C(B) = ? 已知C1(A), C2(A), 求C(A) = ? 如何求C(A∧B), C(A∨B) 初始命题的不确定性？ 语义问题。有何含义？ 概率推理 随机性不确定性 利用概率论知识描述知识并进行推理 P(A) 表示事件A发生的概率， ΣPi=1，0≤ Pi≤1 P(Hi|E) 表示当有证据E时，假说Hi为真的概率 P(E|Hi) 表示当假说Hi为真时证据E发生的概率 P(Hi) 表示当缺少证据时假说的概率（先验概率） n 假说的个数 Bayes公式 设Hi互不相容（独立）且 ∪Hi=Ω (全集) E只能与H1, H2, …, Hn其中之一同时发生，则 例：桥牌中的推理 计算各种牌型分布的概率，根据局况制定战术 Bayes公式 例：疾病诊断。 已知：某地区的所有疾病B1, B2, …, Bn。且已知 P(Bi) 无任何症状时Bi发病率 P(A|Bi) 得了Bi后具有症状A的概率 某人有症状A。 需要判断：最有可能得哪种病？ 依Bayes公式，计算 P(Bk|A)，找出最大值。 取最大值的那个Bk为最可能的诊断。 确定性方法 又称可信度方法 在专家系统MYCIN中提出 Stanford大学Shortliffe 1975年建立，对细菌感染疾病的诊断、治疗提供咨询。 引入可信度因子CF，Certainty Factor, 描述知识、事件或对象的确定性 产生式规则：If A Then B, 记为A→B (不是蕴涵!) 事实及规则都具有不确定性。如何描述、计算。 Certainty Factor 引入测度 MB: Measure of Belief, 信任测度 MD: Measure of Disbelief, 不信任测度 分别用条件概率和先验概率表示为 Certainty Factor MB[h,e]表示由于观测到证据e，对假设h的相信程度的增加量 MD[h,e]表示由于观测到证据e，对假设h的相信程度的减少，或不相信程度的增加 当P(h|e)P(h), 说明证据e支持假说h，MB0, MD=0 当P(h|e)=P(h), 说明证据e对假说h无影响，MB＝0, MD=0 当P(h|e)P(h), 说明证据e否定假说h，MD=0, MD0 把MB和MD合并，定义可信度因子CF为 CF[h,e] = MB[h,e] - MD[h,e] 因MB∈[0, 1], MD∈[0, 1], 故CF ∈[-1, 1] Certainty Factor CF[h,e] = MB[h,e] - MD[h,e] 因MB∈[0, 1], MD∈[0, 1], 故CF ∈[-1, 1] 当CF = -1, MB = 0, MD = 1, P(h) = 0, 完全不信任h 当CF = 0, MB = 0, MD 0, P(h|e) P(h), 否定h的程度 当CF = 0, MB = 0, MD = 0, P(h|e) = P(h), h与e无关 当CF = 0, MB 0, MD = 0, P(h|e) P(h), 支持h的程度 当CF = 1, MB = 1, MD = 0, P(h) = 1, 完全信任h 初始的MB, MD, CF值由专家给出，而不是由概率公式得出！ 可信度计算 确定性问题的推理 产生式规则：IF A THEN B 当 A 为真，则产生 B 为真 简记为 A→B 不是蕴涵式！ 不确定性问题 规则本身的不确定性； 证据的不确定性 产生结论的不确定性的计算 结论可信度计算 规则的可信度描述 If E Then H Wit