人工智能[第四章不确定推理方法]山东大学期末考试知识点复习.docxVIP

山东大学 期末考试知识点复习 第四章 不确定推理方法 在日常生活中，人们通常所遇到的情况是信息不够完善、不够精确，所掌握的知识具有不确定性。为了解决这些问题，必须对不确定知识的表示、推理过程等进行研究。有关不确定性知识的表示及推理方法目前有很多种，但比较重要且比较著名的方法主要有可信度方法、主观 Bayes 方法和证据理论方法。 1．1 不确定推理概述 (1)不确定推理的概念 不确定推理是从具有不确定性的初始事实(证据)出发，运用不确定性知识(或规则)库中的知识，推出具有一定程度的不确定性、但却是合理的或近乎合理的结论的思维过程。 (2)不确定推理中的基本问题 在不确定推理中，知识和证据都具有某种程度的不确定性，这就使推理机的设计和实现的复杂度和难度增大。它除了必须解决推理方向、推理方法以及控制策略等问题外，一般还要解决证据及知识的不确定性的度量及表示问题、不确定性知识(或规则)的匹配问题、不确定性传递算法以及多条证据同时支持结论的情况下不确定性的更新或合成问题。 (3)推理模型 推理模型就是指根据初始事实(证据)的不确定性和知识的不确定性，推导和计算结论不确定性的方法和过程。不同的推理模型其不确定性的传递计算方法是不同的。目前常用的有可信度方法、主观 Bayes 方法、证据理论以及模糊推理。 (4)构建推理模型的思路 具有不确定性的知识(规则)如何表示?不确定性的证据如何表示?如何进行推理计算，即如何将证据的不确定性和知识的不确定性传递到结论? 1．2 可信度方法 山东大学 期末考试知识点复习 可信度方法是美国斯坦福大学 E．H．Shortlifie 等人在确定性理论(Theory of Confirmation)的基础上，结合概率论等提出的一种不确定性推理方法。1976年在专家系统 MYCIN 中首先应用。可信度是指人们在实际生活中根据自己的经验或观察对某一事件或现象为真的相信程度。知识的不确定性以可信度表示。 1．知识不确定性的表示 在基于可信度的不确定性推理模型中，知识是以产生式规则的形式表示的。其一般形式为 IF E THEN H (CF(H，E)) 其中：CF(H，E)是该条知识的可信度，称为可信度因子(Certainty Factor)或规则强度。 在专家系统 MYCIN 中，CF(H，E)被定义为 CF(H，E)=MB(H，E)－MD(H，E) 这里，啪(Measure Belief)称为信任增长度，它表示因与前提条件 E 匹配的证据的出现，使结论 H 为真的信任增长度。当 MB(H，E)0 时，有 P(H／E)P(H)。这里，P(H)表示 H 的先验概率；P(H／E)表示在前提条件 E 所对应的证据出现的情况下，结论 H 的条件概率。MD(Measure Disbelief)称为不信任增长度，它表示因与前提条件 E 匹配的证据的出现，对结论 H 为真的不信任增长度，当 MD(H， E)0 时，有 P(H／E)P(H)。MB(H，E)和 MD(H，E)的计算公式参见教材 4．2 节。显然，一个证据不可能既增加对 H 的信任程度，又同时增加对 H 的不信任程度，因此 MB(H，E)与 MD(H，E)是互斥的。即 当 MB(H，E)0 时，MD(H，E)=0。 当 MD(H，E)0 时，MB(H，E)=0。 MB 和 MD 的值域为[0，1]。 根据 CF(H，E)的定义及 MB(H，E)与 MD(H，E)的互斥性，可得到 CF(H，E) 山东大学 期末考试知识点复习 的计算公式： 其中，P(H／E)=P(H)表示 E 所对应的证据与 H 无关。CF(H，E)的取值范围是[－1， 1]。 2．证据不确定性的表示 如果支持结论的证据只有一条，则证据可信度值的确定分两种情况：第一种情况是，证据为初始证据，其可信度的值一般由提供证据的用户直接指定，指定的方法也是用可信度因子对证据不确定性进行表示，例如 CF(E)=0．8 表示证据 E 的可信度为 0．8。第二种情况就是用先前推出的结论作为当前推理的证据，对于这种情况的证据，其可信度的值在推出该结论时通过不确定性传递算法计算得到(传递算法将在下面讨论)。证据 E 的可信度 CF(E)也是在[－1，1]上取值。 如果支持结论的证据有多个，当多个证据间的关系是合取时，即 E=E1∧E2 ∧E3∧…∧En，则 CF(E)=min{CF(E1)，CF(E2)，…，CF(En)}；当多个证据间的关系是析取时，即 E=E1∨E2∨E3∨…∨En，则 CF(E)=max{CF(E1)，CF(E2)，…，CF(En)}。 3．不确定性的推理计算 不确定性的推理计算是从不确定的初始证据出发，通过运用相关的不确定性知识，最终推出结论并求出结论的可信度值。 (1)只有单条知识支持结论时，结论可