浙江大学研究生人工智能引论课件PowerPointP.pptx

《人工智能引论》课件;Outline;[1] 王永庆. 人工智能原理与方法. 西安交通大学出版社, 1998. pp156-252. (偏重基本概念) [2] 张文修, 梁怡. 不确定性推理原理. 西安交通大学出版社, 1996. （偏重数学原理） [3] 陆汝钤. 人工智能(下册). 科学出版社, 2000. pp1133-1170. （偏重Bayes概率推理、可信度、模糊推理） [4] 史忠植. 知识发现. 清华大学出版社, 2002. pp24-26, pp141-202. （偏重Rough set和贝叶斯网络）;[5] Mitchell, T. M.著, 曾华军等译. 机器学习. 机械工业出版社, 2003. pp112-143. （偏重贝叶斯学习） [6] Russell, S., Norvig, P. Artificial Intelligence: A Modern Approach. 人民邮电出版社, 2002. pp413-522. （偏重贝叶斯网络及其应用）;4.1.1 精确推理的局限性 ? 推理 依据已知事实（证据）、相关知识（规则） 证明某个假设成立 or 不成立 ? 精确推理及其不足 将原本为不确定性的关系“硬性”转化为精确关系 将原本不存在明确界限的事物“人为”划定界限 歪曲了现实情况的本来面目 舍弃了事物的某些重要属性 失去了真实性;4.1.2 不确定性推理的定义及意义;4. 2 不确定性推理中的基本问题;4.2.1 不确定性的表示与度量;不确定性的表示与度量（续1）;不确定性的表示与度量（续2）;4.2.2 不确定性匹配;4.2.3 证据不确定性的组合;（1）最大最小法 T(E1 AND E2) = min {T(E1), T(E2)} T(E1 OR E2) = max {T(E1), T(E2) （2）概率方法 （要求事件之间完全独立） T(E1 AND E2) = T(E1) × T(E2) T(E1 OR E2) = T(E1) + T(E2) - T(E1) × T(E2) （3）有界方法 T(E1 AND E2) = max {0, T(E1) + T(E2) -1} T(E1 OR E2) = min {1, T(E1) + T(E2)} 【注】：上述T(E)表示证据E为真的程度，如可信度、概率等。每组公式都有相应的适用范围和使用条件。;4.2.4 不确定性的传递;4.2.5 结论不确定性的合成;4. 3 不确定性推理方法的分类;4.3.2 不确定性推理方法的分类;4.3.3 关于不确定性推理方法的说明;关于不确定性推理方法的说明（续1）;关于不确定性推理方法的说明（续2）;4.4 描述不确定性信息的测度理论 4.4.1 测度及其分类 设?(X) 是有限集合X上的子集合的全体，测度的定义如下： 定义6.1（测度） 若g?: ?(X) ? [0, 1]满足条件： (1) g?(X) = 1; (2) 当A ? B = ? 时，有 g?(A ?B) = g?(A) + g?(B) + ? ? g?(A) ? g?(B) 称为g?测度。 【注】：关于测度理论的详细论述请参见夏道行编著的《实变函数与泛函分析》，复旦大学出版社。;定义4.2（模糊测度） 模糊测度被定义为一个映射 M: ?(X) ? [0, 1] 具有如下性质： (1) 有界性： M(?) = 0, M(X) = 1; (2) 单调性： 对任意A, B??(X), A?B时，有M(A) ? M(B) 由模糊测度定义可知： （1）有界性表示：一个非空元素不可能属于?，它必然属于全集； （2）单调性表示：一个元素隶属于一个集合的确定度不大于它隶属于更大的一个集合的确定度。;定理4.1 当?-1时， 测度g?是模糊测度。 定理4.2 当?-1时， 测度g?具有如下性质：;定义4.3（概率测度） 称P： ?(X）→ [0，1]为概率测度，若满足： （1）有界性：P(X) = 1 （2）可加性：A∩B=Φ时，P(A∪B) = P(A) + P(B) 【注】：可证明概率测度是?＝0时模糊测度。 定义4.4? (条件概率) 如果P是X上的概率测度，E?X，且P(E)0，称; 对于条件概率有如下联合概率公式：;Markov条件独立性;定义4.6（全概率公式） 设Hi (i=m)是X上的分划， Hi ?Hj ? ? (i ? j)，且H1?H2 ?…? Hm =X。由概率可加性，对于任意