不确定性推理.ppt

规则 (推理计算 1） “与”的计算： A1 ∧ A2 →B CF(A1 ∧ A2 ) = min { CF(A1), CF(A2 )} “或”的计算： A1 ∨ A2 →B CF(A1 ∨ A2 ) = max { CF(A1), CF(A2 )} “非”的计算： CF(～A ) = ～CF(A ) 由A， A →B，　求 B： CF(B) = CF(A )·CF(B,A ) (CF(A ) ＜ 0 时可以不算即为“0”) 规则 (推理计算 2） 合成，由两条规则求出再合并： 由CF１(B)、 CF２(B)，求 CF(B) 规则 (推理计算 3） 更新，由CF(A)、A →B、CF(B, A )、CF(B)，求 B ： 当A必然发生，CF(A)=1时： 主观贝叶斯方法(概述） 在Prospector的探矿系统的研究过程中提出的。 原有贝叶斯公式只考虑A出现对B的影响，没有考虑A不出现的影响。 贝叶斯规则： 当B为n个互不相容事件的集合时，贝叶斯公式可写为： 主观贝叶斯方法(概述） 思路 先定好应该怎么办，再凑公式。主要是避开P(A| B)的计算。 主观贝叶斯方法(概述） 规则的不确定性 定义： 表示A为真时，对B的影响。（规则成立的充分性） 表示A为假时，对B的影响。（规则成立的必要性） （确定性理论中没有考虑这点） 主观贝叶斯方法（规则的不确定性） 几率函数O(X) O(X)称为先验几率。表示证据X的出现概率和不出现的概率之比，显然O(X)是P(X)的增函数，且有： 当 P(X)＝0， 有O(X)＝0 当 P(X)＝0.5， 有 O(X)＝1 当 P(X)＝1， 有O(X)＝∞ 由此可见，几率函数实际上表示了证据X的不确定性。 相应有， 称为后验几率． 主观贝叶斯方法（规则的不确定性） O(X)的性质 P(X) = 0时, O(X) = 0 假 P(X) = 0.5时, O(X) = 1 P(X) = 1时, O(X) = ∞ 真 O(X)与LN，LS的关系 O(B|A) = LS ? O(B) O(B|~A) = LN ? O(B) 主观贝叶斯方法（规则的不确定性） ，且必须满足： 主观贝叶斯方法（规则的不确定性） LS、LN≥０，不独立。 LS, LN不能同时 ＞１或 ＜１ LS, LN可同时＝1 主观贝叶斯方法（证据A的不确定性） P(A)或O(A)表示证据A的不确定性 主观贝叶斯方法（推理计算1） A必出现时： O(B|A) = LS?O(B) O(B|~A) = LN?O(B) 若需要概率时： 主观贝叶斯方法（推理计算2） A不确定时：即P(A) ? 1 （1976年的算法） 向前看一步A’， A’ 为与A有关的所有观察 P(B|A’) = P(B|A)P(A| A’)+P(B|～A)P(～A| A’) P(A| A’) = 1时，证据A必然出现（P95） P(A| A’) = 0时，LN代替上式 的LS， 公式（2） P(A| A’) = P(A) 时，(A’对A无影响)，由上式 P(B| A’) = P(B) 主观贝叶斯方法（推理计算2） P(A| A’)与P(B| A’)坐标系上的三点：(P96) 总之是找一些P(A| A’)与P(B| A’)的相关值， 两点也可以做曲线（或折线、直线）。由差值法从线上得到其它点的结果，具体过程可参考教科书上例题。 主观贝叶斯方法（推理计算2） 插值计算公式 线性插值图 主观贝叶斯方法（推理计算3） 两个证据时： 主观贝叶斯方法（推理计算2） 互相独立证据导出同一假设 例题（1） 已知：P(A)=1,P(B1)=0.04, P(B2)=0.02 R1:A→B1 LS=20 LN=1 R2:B1→B2 LS=300 LN=0.001 计算：P(B2|A)。分析：当使用规则R2时，证据B1并不是确定的发生了，即P(B1)≠1，因此要采用插值方法。 解：先依照A必然发生，由定义和R1得： O(B1) = P(B1)/(1-P(B1) = 0.04/(1-0.04) = 0.0417 O(B1|A) = LS*O(B1)=0.83 P(B1|A) = O(B1|A )/(1+O(B1|A ) = 0.83/(1+0.83) = 0.454 然后假设P(B1|A)=1,计算： O(B2) = P(B2)/(1-P(B2) = 0.02 P(B2|B1) = LS*O(B2)/(1+ LS*O(B2)) = 300*0.02/(300*0.02