人工智能之不确定知识表示及推理.ppt

第 一 章 不确定知识表示及推理;内容 1.1 概述 1.2 概率模型 1.3 主观Bayes方法 1.4 可信度方法;1.1 概述;所谓不确定性推理就是从不确定性的初始事实（证据）出发，通过运用不确定的知识，最终推出具有一定程度的不确定性却是合理或者近乎合理的结论的思维过程。; 证据的不确定性;规则：IF E THEN H;在确定一种量度方法及其范围时，应注意以下几点：;二、不确定性的匹配算法 ;三、不确定性的更新算法 ;3、证据合取的不确定性算法;设A1、A2、A3、A4为原始证据，不确定性分别为： C(A1)、C(A2)、C(A3)、C(A4) 求A5、A6、A7的不确定性。;①由证据A1和A2的不确定性C(A1)和C(A2);⑤由A5的不确定性C(A5)和规则R3的规则强度f3;1.2 概率方法;一、基础 ;2、Bayes公式;如果把全概率公式代入Bayes公式中，就可得到：;二、概率推理模型;如果一个证据E支持多个假设H1,H2,?Hn，即：IF E THEN Hi 并已知P(Hi)和P(E | Hi)，则;设已知：P(H1)=0.4, P(H2)=0.3, P(H3)=0.3 P(E1|H1)=0.5, P(E1|H2)=0.6, P(E1|H3)=0.3 P(E2|H1)=0.7, P(E2|H2)=0.9, P(E2|H3)=0.1;概率推理模型的优缺点;1.3 主观Bayes方法;E;O等价于概率函数P，定义如下：;H的先验几率O(H)和后验几率O(H|E);同理可得：;①LS：规则的充分性量度;②LN：规则的必要性量度;③LS和LN的关系;2、证据的不确定性表示;二、主观Bayes方法推理的基本算法; 当P(E|S)=1; 当P(?E|S)=1;在证据不确定的情况下，不能再用上面的公式计算后验概率，而要用杜达(R.O.DUDA)等人于1976年证明了的如下公式：;P(E|S);函数的解析式，即EH公式; C(E|S)=5，表示在观察S之下证据E肯定存在，即P(E|S)=1。;C(E|S);C(E|S)与P(E|S)的关系式; 当用初始证据进行推理时，通过提问用户得到C(E|S)，通过运用CP公式就可求出P(H|S);3、证据E为若干证据的组合;合成法;结论更新算法;②证据的合取;③证据的析取;设有如下知识：;A1;依据规则R1：;依据规则R4：;解法2：利用更新算法;R1：IF E1 THEN (2，0.001) H1;2 0.001;①求O(H1 | S1);②求O(H1 | S2);③求O(H1 | S1S2) ;④求O(H2 | S1S2);⑤求O(H2 | S3);⑥求O(H2 | S1S2S3);四、主观Bayes方法的主要优缺点;它的主要缺点有：;练习：;3、设有如下知识：;1.4 可信度方法;一、基于可信度的不确定的表示;1、知识不确定???的表示;如果P(H | E)=1，CF(H,E)=1;②对同一个证据E，若有n个互不相容的假设Hi(i=1,2,?, n)，则;③可信度CF和概率P有一定的对应关系，但又有区别。;根据定义式，由先验概率P(H)和后验概率P(H|E)可求CF(H,E)。;2、证据的不确定性的表示;①证据的合取 E=E1?E2???En CF(E)=min{CF(E1)，CF(E2，?，CF(En) };2、不确定性的传递算法;IF E1 THEN H (CF(H,E1)) IF E2 THEN H (CF(H,E2));;即：已知规则 IF E THEN H CF(H,E) 及CF(H)，求CF(H | E); CF(H)?0, CF(H,E)?0： CF(H|E)=CF(H)+CF(H,E)-CF(H,E)?CF(H) CF(H)0, CF(H,E)0 ： CF(H|E)=CF(H)+CF(H,E)+CF(H,E)?CF(H) CF(H) 和CF(H,E)异号：; CF(H)?0, CF(H,E)?0： CF(H | E)=CF(H)+CF(H,E)?CF(E)-CF(H)?CF(H,E)?CF(E) CF(H)0, CF(H,E)0 ： CF(H | E)=CF(H)+CF(H,E)?CF(E)+ CF(H)?CF(H,E)?CF(E) CF(H) 和CF(H,E)异号：;③当CF(E)?0时;R1：IF A1 THEN B1 CF(B1,A1)=0.8 R2：IF A2 THEN B1 CF(B1,A2)=0.5 R3：IF B1?A3 THEN B2 CF(