人工智能ArtificialIntelligence第四章备课讲稿.pptVIP

人工智能Artificial Intelligence第四章;史忠植 人工智能：不确定性推理 ;基本概念;基本概念;史忠植 人工智能：不确定性推理 ;知识的不确定性表示;知识的不确定性表示;知识的不确定性表示;知识的不确定性表示;知识的不确定性表示;知识的不确定性表示;证据的不确定性表示;组合证据不确定性算法;不确定性的传递算法;结论不确定性合成算法;可信度模型---- 例一;可信度模型---- 例二;史忠植 人工智能：不确定性推理 ;主观Bayes方法;规则不确定的表示;规则不确定的表示;证据不确定的表示;组合证据不确???的表示;不确定性的传递算法;证据肯定存在;证据肯定存在;证据肯定不存在;证据肯定不存在;不确定性的传递算法;例一;证据不确定;证据不确定;例二;结论不确定性的合成;例三;史忠植 人工智能：不确定性推理 ;证据理论;证据理论;概率分配函数;证据理论;信任函数;似然函数;证据的不确定性度量;规则的不确定性度量;推理计算;推理计算;推理计算;推理计算;推理计算;证据理论示例;史忠植 人工智能：不确定性推理 ;模糊推理;模糊集合与操作;模糊集合 　定义1　设Ｕ是一个论域,Ｕ到区间［0, 1］的一个映射 ;　　由定义, 模糊集合完全由其隶属函数确定, 即一个模糊集合与其隶属函数是等价的。  　　可以看出, 对于模糊集Ａ,当Ｕ中的元素u的隶属度全为0时, 则Ａ就是个空集；反之,当全为1时,Ａ就是全集Ｕ；当仅取0和1时, Ａ就是普通子集。 这就是说,模糊子集实际是普通子集的推广, 而普通子集就是模糊子集的特例。 ;或 ;通常所说的“高个”、“矮个”、“中等个”就是三个关于身高的语言值。我们用模糊集合为它们建模。  　取人类的身高范围［1.0, 3.0］为论域U, 在U上定义隶属函数μ矮(x)、μ中等(x)、μ高(x)如下(函数图像如图8-5所示)。 这三个隶属函数就确定了U上的三个模糊集合,它们也就是相应三个语言值的数学模型。 ;模糊集合例子;身高论域上的模糊集“矮”、 “中等”、 “高”的隶属函数 ; 除了有些性质概念是模糊概念外，还存在不少模糊的关系概念。如“远大于”、“基本相同”、“好朋友”等就是一些模糊关系。模糊关系也可以用模糊集合表示。下面我们就用模糊子集定义模糊关系。 定义 　集合U1，U2，…，Un的笛卡尔积集U1×U2×…×Un的一个模糊子集 ，称为U1，U2，…，Un间的一个n元模糊关系。特别地，Un的一个模糊子集称为U上的一个n元模糊关系。;普通集合一样, 也可定义模糊集合的交、并、补运算。 定义　设A、B是X的模糊子集, A、B的交集A∩B、并集A∪B和补集A′, 分别由下面的隶属函数确定： ;语言变量;模糊逻辑是研究模糊命题的逻辑。 设n元谓词 ;在上述真值定义的基础上, 我们再定义三种逻辑运算： ;模糊推理是基于不确切性知识(模糊规则)的一种推理。 例如 ;1965年，Zadeh 提出模糊集合的概念, 1974 年他又将模糊集引入推理领域开创了模糊推理技术以来, 模糊推理就成为一种重要的近似推理方法。特别是 20 世纪 90 年代初, 日本率先将模糊控制用于家用电器并取得成功, 引起了全世界的巨大反响和关注。之后, 欧美各国都竞相在这一领域展开角逐。模糊技术已向自动化、计算机、 人工智能等领域全面推进，出现模糊推理机、 模糊控制器、 模糊芯片、模糊计算机等, 模糊逻辑、模糊语言、 模糊数据库、模糊知识库、模糊专家系统、模糊神经网络等新概念层出不穷。;Zadeh给出的模糊推理方法, 一般称为模糊推理的CRI (Compositional Rule of Inference)法。 CRI法的关键有两步:一步是由模糊规则导出模糊关系矩阵R, 一步是模糊关系的合成运算。在第一步中, Zadeh给出的求R的公式,其依据是把模糊规则A→B作为明晰规则A→B的推广,并且利用逻辑等价式 ;模糊推理;模糊推理;　　正由于CRI方法缺乏坚实的理论依据, 所以常导致推理的失效。 为此, 包括Zadeh本人在内的许多学者, 都致力于模糊推理的理论和方法研究, 并提出了许许多多(不下数十种)的新方法。例如, Mandani推理法、TVR法、直接法、强度转移法、模糊计算逻辑推理法等等, 其中也有我国学者的重要贡献。但总的说来, 这些方法几乎还都是在逻辑框架下提出的一些隶属度变换或计算模型, 因而总存在这样或那样的问题或缺陷。因此, 模糊推理理论与技术仍然是人工智能中的重要课题。 ;史忠植 人工智能：不确定性推理 ;*;史忠植 人工智能：不确定性推理