管理信息系统_8.ppt

例题 如果规则树如图8.4所示，当问及D、L、M、I、N、O、K时用户的回答为y、n、y、n、y、y、n、n。问G、A、B、C各是否满足。 图8.4 规则树规则集 解：从根G开始逐级向下搜索，到A，再到D，已知用户的回答为y，再到E，到L，已知用户的回答为n，再到M，已知用户的回答为y，向上回溯到E为y，再向上回溯到A为y，已经可以得到G为y。搜索B，到I，用户的回答为n，回溯到B为n。搜索C，到J，到N，用户的回答为y，再到O，用户的回答为n，因为是AND关系，回溯到J为n。再看K，用户的回答为n，回溯到C为n。 推理方法小结 专家系统将规则组织成推理树，根节点的状态是需要得到的信息，每个节点都可以有真与假二个状态，系统工作的基本流程是按深度优先的方法对推理树进行搜索，在叶节点让用户通过预先设计的人机界面回答系统的提问，推理机将用户的回答与各个规则的条件进行匹配，再向上回溯逐层判断各枝节点状态，枝节点状态由其下层节点决定，如果下层节点均为AND关系，只要其中有一个节点为假，该枝节点状态为假；如果下层节点均为OR关系，只要其中有一个节点为真，该枝节点状态为真；如果下层节点中同时存在AND关系与OR关系，可以将AND关系看成是一个临时节点，只要这些临时节点与其他节点中有一个节点为真，该枝节点状态为真。这样最终可以推理得到根节点的状态。 实际的专家系统 实际的专家系统中状态并不是真与假这样简单，例如前面关于销售量的推理树，其中有关产量、质量、价格等都有具体的数据，来自管理信息系统中各有关数据库，可以由数据库中的数据分析各个因素增加与减少的情况，人机交互界面供用户输入那些数据库中数据不能回答的信息。 在设计专家系统时，要事先分析需要提出那些问题，用户回答的内容大致有那些，对每一可能的回答规定一定的语境，再表示成规则的形式，放到规则树中，有针对性地设计推理方法。 8.2.3 不确定性推理 在日常工作中，许多决策是在知识不确定的情况下进行的，例如数据不完全、各个因素对最终决策的作用不容易估计等等。需要研究存在不确定性知识情况下的推理。可以用可信度（CF）表示知识的不确定性。 例如，已知规则R1为E→H，CF（R1）=0.8 表示规则R1（条件E满足就可以得到结论H满足）的可信度为0.8。 可信度又分为条件的可信度、结论的可信度、推理的可信度。例如：CF（H）表示结论的可信度， CF（E）表示条件的可信度， CF（R1）表示推理的可信度。 关于可信度的计算方法 （1）如果E→H，那么CF（H）=CF（E）╳CF（R1） 当条件肯定成立时，CF（E）=1，那么结论的可信度等于规则的可信度。 （2）如果K=K1∧K2∧……∧Kn 那么CF（K）=Min{ CF（K1），CF（K2），……，CF（Kn）} 这里K可以是条件，也可以是规则。 （3）如果E= E1∨E2∨……∨En 那么CF（E）=Max{ CF（E1），CF（E2），……，CF（En）} 这里E表示条件。 （4）如果条件不同，结论相同，例如R1为E1→H，R2为E2→H，且R= R1∨R2 那么需要先根据每一规则的可信度计算各自结论的可信度CF1（H）与CF2（H） 当CF1（H）与CF2（H）均大于0时，最终CF（H）= CF1（H）+ CF2（H）- CF1（H）╳CF2（H） 当CF1（H）与CF2（H）均小于0时，最终CF（H）= CF1（H）+ CF2（H）+ CF1（H）╳CF2（H） 当CF1（H）与CF2（H）异号时，最终CF（H）= CF1（H）+ CF2（H） （5）如果有三条以上规则，且中间有“或”关系，则可以先处理二个，得到合并后的可信度，再将合并后的规则逐一和尚未合并的规则合并并计算每一新合并后的可信度。 例8.2 如图8.4所示规则树中D、L、M、F、I、N、O、K的可信度均为0.7，各规则集及其可信度如下所示，求结果G的可信度。 A∨（B∧C）→G (A→G 0.8，B→G 0.7，C→G 0.8) D∧E）∨F→A （D→A 0.9，E→A 0.8，F→A 0.9) 图8.4 规则树规则集 I→B 0.6 J∨K→C (J→C 0.7，K→C 0.7) L∨M→E (L→E 0.8，M→E 0.7) O∧N→J (O→J 0.7，N→J 0.5) 解： D、L、M、F、I、N、O、K的可信度均为0.7 (1)CF1(E)=CF(L) ╳CF (E,L)=0.7╳0.8=0.56 CF2(E)=CF(M) ╳CF (E,M)=0.7╳0