经典人工智能课件4.ppt

* D-S理论的数学基础 在可信度方法和主观Bayes方法中，知识是以产生式形式表示的。在可信度的方法中，证据、结论以及知识的不确定性是以可信度进行度量的。在主观Bayes方法中，证据及结论的不确定性是以概率的形式进行度量，而知识的不确定性则是以数值对(LS，LN)来进行度量的。 在D-S理论中，知识也是用产生式形式表示的，但证据和结论都要以集合进行表示。例如，假设D是所有可能疾病的集合，医生为进行诊断而进行的各种检查所获得的就是证据。这些证据就构成了证据集合E/根据E中的证据，就可以判断病人的疾病。 c * 通常，有的证据所支持的不只是一种疾病，而是多种疾病，这些疾病构成了D的一个子集H/H为结论集合。 在D-S理论中，知识的不确定性通过一个集合形式的“可信度因子”来表示，而证据和结论的不确定性度量则采用信任函数和似然函数来表示。 证据理论用集合来表示命题。设D是变量y的样本空间，其中具有n个元素，则D中元素所构成的子集个数为2n个。在任何时刻变量y的取值都会落入某个子集。也就是说，每一个子集A都对应着一个关于y的命题/用集合A表示某个命题 c * 概率分配函数 设D为样本空间，其中有n个元素，则D中元素所构成的子集个数为2n，并以2D来表示这个集合。概率分配函数的作用是将D上的任意一个子集A都映射为[0,1]上的一个数M(A)。当A对应一个命题时， M(A)即是对相应命题不确定性的度量 设D为样本空间，领域内的命题都用D的子集表示，如果定义函数M(x)为集合2D到区间[0,1]上的一个映射函数，其满足下列条件： 则称M(x)为2D上的概率分配函数。M(A)称为命题A的基本概率数 c * 概率分配函数不是概率：根据概率分配函数的定义，集合D的所有子集的概率分配数之和为1。而概率的定义则认为D上各元素的基本概率数之和为1。 c * 信任函数 定义：设D为样本空间，A为2D中的一个命题，定义函数Bel(x)为将集合2D映射到[0，1]上的一个函数，即0≤ Bel(x)≤1,并且满足条件 则称Bel(x)为信任函数，或下限函数 信任函数Bel(A)是表示对命题A为真的信任程度。从定义看 出，A的信任函数值为A的所有子集的基本概率数之和。 容易得到 c * 似然函数 定义 设函数Pl(x)是从集合2D到区间[0，1]的映射函数，且有 则称Pl(x)为似然函数 因为Bel(A)表示对命题A为真的信任程度， Bel(~A)表示对命题A为假的信任程度，1-Bel(~A)表示对A非假的信任程度。 非假不一定为真，则有Pl(A)≥ Bel(A) Pl(A)- Bel(A)表示对A既不为假又不为真的信任程度，即既信任A又不信任A，“不知道” 一般用[Bel(A), Pl(A)]描述命题A的不确定性 c * 概率分配函数的正交和 命题的不确定性需要信任函数和似然函数，而这些函数的定义又依赖于概率分配函数，则概率分配函数是命题不确定性度量的基础。 有些情况，由于数据来源不同，同样的证据会得到两个不同的概率分配函数。这又如何来度量命题的不确定性呢？——将两个概率分配函数合成一个概率分配函数。 A.Dempster提出了一种组合方法，即对两个概率分配函数进行正交和运算 c * 定义 设M1和M2是两个概率分配函数，则它们的正交和 为 若K≠0，则正交和M也是一个概率分配函数； 若K=0，则不存在正交和，称M1和M2矛盾。 c * 例：设D={c, d} 求M1和M2是组合后的概率分配函数。 c * 定义 设M1, M2,…, Mn是n个概率分配函数，则正交和 为 c * 特定概率分配函数 推理模型是建立在概率分配函数的基础上，所选取的概率分配函数之复杂性，就直接影响推理模型的复杂性，进而影响不确定性计算的复杂性。 定义 设样本空间D={S1,S2,..,Sn}，领域内的命题都用D的子集表示，则定义2D上的概率分配函数M(x)满足如下条件： D c * 只有含有单个元素的子集和样本空间D本身的基本概率数才有可能大于0，其他子集的基本概率数为0。 得到如下性质： c * c * 基于特定概率分配函数的不确定性推理模型 用Bel(A)和Pl(A)构造信任度函数f(A)以度量命题的不确定性 c * 证据的不确定性表示 [0，1] c * 知识不确定性的表示 表示形式： CF是该条知识的可信度因子，用集合形式表示。其中，ci用来指出hi(i=1,2,…,n)的可信度, ci与hi对应，ci应满足以下条件 c * 不确定性的传递推理方法 假设有知识 则结论H的可信度f(H)通