不确定性处置.ppt

主观Bayes方法 知识不确定性表示 证据不确定性表示 组合证据不确定性 不确定性的传递算法 结论不确定性的合成 知识不确定性表示（一） 知识是用产生式规则表示的，具体形式为： if E then (LS, LN)H ( P(H) ) 其中: ? E 是该条知识的前提条件，它既可以是一个简单条件，也可以是用 and、or 把单个条件连接起来的复合条件。 ? H 是结论，P(H) 是 H 的先验概率，它指出在没有任何专门证据的情况下，结论为真的概率，其值由领域专家根据以往的实践及经验给出。 知识不确定性表示（二） ? LS 称为充分性量度，用于指出 E 对H的支持程度，取值范围为 [ 0，∞），其定义为： LS = 几率函数：O(H|E)=(1-P(H|E))/P(H|E),则 O(H|E)=O(H)*LS LS 的值由领域专家给出，具体情况在下面论述。 ? LN 称为必要性量度，用于指出 ? E 对H的支持程度，取值范围为 [ 0， ∞ ），其定义为： LN = = 类似地， O(H|?E)＝ O(H)*LN LN 的值也由领域专家给出，具体情况在下面论述。 ? LS, LN 相当于知识的静态强度。 P(E | H) P(E | ?H) P(? E | H) P(? E | z?H) 1 ? P(E | H) 1 ? P(E | ?H) 主观Bayes方法 知识不确定性表示 证据不确定性表示 组合证据不确定性 不确定性的传递算法 结论不确定性的合成 证据不确定性表示（一） 证据的不确定性也是用概率表示的。 对于初始证据E，由用户根据观察S给出P(E|S)，它相当于动态强度。 具体应用中采用变通的方法在 PROSPECTOR 中引进了可信度的概念，让用户在 –5 至 5 之间的 11 个整数中选一个数作为初始证据的可信度。 可信度 C(E|S) 与 概率 P(E|S) 的对应关系如下： C(E|S)= – 5 ，表示在观察 S 下证据 E 肯定不存在，即 P(E|S)=0； C(E|S)= 0 ，表示 S 与 E 无关，即 P(E|S) =P(E) ； C(E|S)= 5 , 表示在观察 S 下证据 E 肯定存在，即 P(E|S)=1； 证据不确定性表示（二） C(E | S) = 其它数值时与 P(E | S) 的对应关系，可通过对上述三点进行分段线性插值得到，如下图。 P(E/S) 1 P(E) C(E | S) -5 -4 -3 -2 -1 0 1 2 3 4 5 由上图可得到 C(E|S) 与 P(E|S) 的关系式： P(E | S) = 若 0 ? C(E | S) ? 5 若 ? 5 ? C(E | S) 0 C(E | S) + P(E) ? ( 5 ? C(E | S)) 5 5 P(E) ? ( C(E | S) + 5 ) 主观Bayes方法 知识不确定性表示 证据不确定性表示 组合证据不确定性 不确定性的传递算法 结论不确定性的合成 组合证据不确定性（一） 多个单一证据的合取时，即 E=E1 AND E2 AND …AND En， 如果已知P(E1 | S),P(E2 | S),…,P(En | S), 则： P(E | S) = min { P(E1 | S), P(E2 | S), … , P(En | S) } 多个单一证据的析取时，即 E=E1 OR E2 OR…OR En 如果已知P(E1 | S),P(E2 | S),…,P(En | S)，则： P(E | S) = max { P(E1 | S), P(E2 | S), … , P(En | S) } 对“非”运算，则： P( ?E | S) = 1 – P(E | S) 主观Bayes方法 知识不确定性表示 证据不确定性表示 组合证据不确定性 不确定性的传递算法 结论不确定性的