《人工智能与专家系统（第二版）》-尹朝庆-电子教案.ppt

4 精确概念与模糊概念的匹配 规则的前提条件与证据可能一个是精 确概念，另一个是模糊概念。 对任意u∈U，μA(u)表示u属于模糊概 念A的隶属度，若精确概念x与u相匹配， 则x与A的匹配程度就是μA(u)。 例6.9 设U = {1，2，3，4，5，6，7，8，9，10} 小 = 1/1 + 0.8/2 + 0.6/3 + 0.4/4 + 0.2/5 较小 = 1/1 + 0.89/2 + 0.77/3 + 0.63/4 + 0.45/5 大 = 0.2/4 + 0.4/5 + 0.6/6 + 0.8/7 + 1/8 + 1/9 + 1/10 且有如下模糊规则： R1：if x is 小 then y is B1 (0.15) R2：if x is 较小 then y is B2 (0.25) R3：if x is 大 then y is B3 (0.3) 若提供的证据为：e: x is 5 计算证据e与三条模糊规则的匹配度 解：由于精确证据分别与模糊集“小”、“较小”、“大”中的u = 5匹配，因此，匹配度分别是μ小(5)、μ较小(5)和μ大(5)，即： δ(小，5) = μ小(5) = 0.2 δ(较小，5) = μ较小(5) = 0.45 δ(大，5) = μ大(5) = 0.4 由于证据e与规则R1、R2和R3的前提条件的匹配度都 分别大于规则给定的阈值，即： δ(小，5)＞λ1 = 0.15 δ(较小，5)＞λ2 = 0.25 δ(大，5)＞λ3 = 0.3 因此，这三条规则发生冲突，需要按一定的冲突消解策 略选出一条规则来执行。若冲突消解策略为匹配度大的 规则优先，那么，将选择规则R2执行。 模糊规则组合条件与证据的匹配 组合条件与多个证据的模糊匹配的步骤如下： (1)选择一种计算单一条件与单一证据匹配度 的方法，分别对规则组合条件中的每一个子条件 计算出与相应证据的匹配度。 例如对一条规则的组合条件： E = (x1 is A1)∧(x2 is A2)∧(x3 is A3) 及相应证据E?： x1 is A1? x2 is A2? x3 is A3? 分别计算出Ai与Ai?的匹配度： ，i = 1，2，3。 (2)选择一种计算总匹配度的方法，计算组 合条件与证据的总匹配度。对于合取组合条件， 计算总匹配度的方法有“取极小”和“相乘”方法， 即： 或 (3)若总匹配度δ(E，E?)大于等于规则的阈值 λ， 则可匹配；否则，不可匹配。 6.4 简单模糊推理 6.4.1 模糊推理的基本模式 6.4.2 简单模糊推理方法 6.4.3 模糊三段论推理方法 6.4.1 模糊推理的基本模式 1 模糊假言推理 设A和B分别是论域U和V上的模糊集，且具 有下述规则： if x is A then y is B 若有U上的模糊集A? 可以与A模糊匹配，则可推 出y is B? ，且B? 是V上的模糊集。称这种模糊推 理为模糊假言推理。 例如，设U = {x1，x2，x3}表示三个人的集合， U×U上表示“彼此熟悉”的模糊关系R可以表示为： R = 1/(x1，x1) + 0.7/(x1，x2) + 0.5/(x1，x3) + 0.9/(x2，x1) + 1/(x2，x2)+ 0.4/(x2，x3) + 0.5/(x3，x1) + 0.1/(x3，x2) + 1/(x3，x3) 隶属度矩阵： 定义6.10 设R1、R2是U×V上的两个模糊关 系，则有： ①包含：若R1 R2，当且仅当 ②相等：若R1 = R2，当且仅当 ③模糊关系R1和R2的并集R1∪R2的隶属函数为： ④模糊关系R1和R2的交集R1∩R2的隶属函数为： ⑤模糊关系R的补集的隶属函数为： 定义6.11 若R1是论域U×V上的模糊关系， R2是论域V×W上的模糊关系，则R1和R2的合成 R1R2是U×W上的模糊关系，R1R2的隶属度定义 为： 定义6.12 若有二元模糊关