第3章推理技术2.pptVIP

《人工智能》 推理技术 经典推理与非经典推理 传统人工智能（即逻辑学派）是建立在逻辑符号推理基础上的。一般所提到的逻辑有形式逻辑和数理逻辑。然而这两种逻辑存在一定的局限性，无法解决一些面临的实际应用问题，从而出现了一些新的逻辑学派。人们把这些新的逻辑学派称为非经典逻辑，其相应的推理方法则叫做非经典推理。与此相应，把传统的逻辑学派及其推理方法称为经典逻辑和经典推理。 经典推理与非经典推理的区别： （1）推理方法：经典推理采用演绎逻辑推理。 （2）逻辑值：经典逻辑都是二值的。 （3）运算法则：经典逻辑的许多运算法则在非经典逻辑中不能成立。 （4）逻辑运算符：非经典逻辑具有更多的运算符。 （5）推理的单调性：经典逻辑推理是单调的。 不确定性推理 不确定性推理是建立在非经典逻辑基础上的一种推理，它是对不确定性知识的运用与处理。 严格地说，所谓不确定性推理就是从不确定性的初始证据出发，通过运用不确定性的知识，最终推出具有一定程度的不确定性但却是合理或者近乎合理的结论的思维过程。 不确定性推理中的基本问题： （1）不确定性的表示与度量 （2）不确定性匹配算法及阈值的选择 （3）组合证据不确定性的算法 （4）不确定性的传递算法 （5）结论不确定性的合成 如果用产生式规则 IF E THEN Hi 中的前提条件E代替Bayes公式中的B，用Hi代替公式中的Ai ，就可得到： 相关概念 为阐明主观Bayes方法，先引入几个概念： 2、 证据不确定性的表示 在主观Bayes方法中，证据的不确定性也用概率表示。对于证据E，由用户根据观察S给出P(E|S)，即动态强度。 由于主观给定P(E|S)有所困难，所以实际中可以用可信度C(E|S)代替P(E|S)。例如在PROSPECTOR中C(E|S)和P(E|S)遵从如下关系： 3、组合证据不确定性的算法 可以采用最大最小法。 当组合证据是多个单一证据的合取时，即 E=E1 AND E2 AND … AND En 则：P(E|S)=min{P(E1|S),P(E2|S),…,P(En|S)} 当组合证据是多个单一证据的析取时，即 E=E1 OR E2 OR … OR En 则：P(E|S)=max{P(E1|S),P(E2|S),…,P(En|S)} 对于“?”运算则： P(?E|S)=1-P(E|S) 4、不确定性的传递算法 （1）证据肯定存在 在证据肯定存在时 P(E)=P(E|S)=1。 由Bayes公式得： P(H|E)=P(E|H)×P(H)/P(E) (1) P(?H|E)=P(E|?H)×P(?H)/P(E) (2) (1)式除以(2)式得： P(H|E)/P(?H|E)=P(E|H)/P(E|?H)×P(H)/P(?H) 由LS和几率函数的定义得： Θ(H|E)=LS×Θ(H) 即 P(H|E)=LS×P(H)/[(LS-1)×P(H)+1] （2）证据肯定不存在 在证据肯定不存在时，P(E)=P(E|S)=0， P(?E)=1。 由Bayes公式得： P(H|?E)=P(?E|H)×P(H)/P(?E) (1) P(?H|?E)=P(?E|?H)×P(?H)/P(?E) (2) (1)式除以(2)式得： P(H|?E)/P(?H|?E)=P(?E|H)/P(?E|?H)×P(H)/P(?H) 由LN和几率函数的定义得： Θ(H|?E)=LN×Θ(H) 即 P(H|?E)=LN×P(H)/[(LN-1)×P(H)+1] 必要性度量LN的意义 当LN1时，Θ(H|?E)=LN×Θ(H)Θ(H)，表明由于证据E不存在，增强了H为真的程度。 当LN＝1时，Θ(H|?E)=LN×Θ(H)＝Θ(H)，表明?E与H无关。 当LN1时，Θ(H|?E)=LN×Θ(H)Θ(H)，表明由于证据E不存在，减小了H为真的程度。 当LN＝0时， Θ(H|?E)=LN×Θ(H)＝0，表明由于证据E不存在，导致H为假。 注意：由于E和?E不可能同时支持H或同时反对H，所以在一条知识中的LS和LN不应该出现如下情况： LS1, LN1 LS1, LN1 （3）证据不确定时 当0P(E|S)1时，应该用杜达等人1976年证明的下述公式计算后验概率： P(H|S)=P(H|E)×P(E|S)+P(H|?E)×P(?E|S) 当P(E|S)=1时，证据肯定存在