人工智能原理教案03章不确定性推理方法3.2确定性方法.pdfVIP

3．2 确定性方法 以产生式作为知识表示方法的专家系统 MYCIN 中，第一次 使用了不确定性推理方法， 给出了以确定性因子或称可信度作为 不确定性的度量。这种推理方法必须解决几个方面的核心问题， 即规则和证据的不确定性度量问题，不确定性的传播与更新问 题。 MYCIN 系统研制过程中产生了不确定推理方法，该方法是第一 个采用了不确定推理逻辑的专家系统， 在 20 世纪 70 年代非常有 名。这个系统提出该确定性方法时遵循了下面的原则： （1） 不采用严格的统计理论。使用的是一种接近统计理论 的近似方法。 （2 ） 用专家的经验估计代替统计数据 （3） 尽量减少需要专家提供的经验数据，尽量使少量数据 包含多种信息。 （4 ） 新方法应适用于证据为增量式地增加的情况。 （5） 专家数据的轻微扰动不影响最终的推理结论。 注意：这种方法在理论上实质是以定量法为工具， 比较法为 原则的相对确认理论。因此，采用此方法的 MYCIN 系统的诊断 结果不是只给出一个最可信结论及其可信度， 而是给出可信度较 高的前几位，供人们比较选用。 3.2.1 规则的不确定性度量 在逻辑推理过程中，常常以 A → B 表示规则。其中 A 表示 前提，可以是一些命题的析取或合取； B 表示结论或推论，是在 前提 A 下的直接逻辑结果。在精确逻辑推理中，通常只有真假 的描述：若 A 真，则 B 也必为真。但在不确定推理过程中，通 常要考虑的是 A 为真时对 B 为真的支持程度，甚至还考虑 A 为 假（不发生） 时对 B 为真的支持程度。 为此， 引入规则的不确定 性度量。 有规则 A → B ，其可信度 CF(B, A) 定义如下： CF(B,A) 表示的意义： 证据为真是相对于 P(～B) = 1 - P(B) 来说， A 对 B 为真的支 持程度，即 A 发生更支持 B 发生，此时 CF(B,A) ≥ 0。 相对于 P(B)来说， A 对 B 为真的不支持程度。即 A 发生不 支持 B 发生，此时 CF(B,A) 0 。 它总是满足条件 - 1 ≤ CF(B,A) ≤ 1。 CF(B, A) 的特殊值： CF(B, A) = 1 ， 前提真，结论必真 CF(B, A) = -1 ， 前提真，结论必假 CF(B, A) = 0 ， 前提真假与结论无关 实际应用中 CF(B, A) 的值由专家确定， 并不是由 P(B|A), P(B) 计算得到的。 同时还要注意的是， CF(B,A) 表示的是增量 P （B|A ） －P （B）对 1－P （B ）或 P （B ）的比值，而不是绝对量的比值。 3.2.2 证据的不确定性度量 在精确的逻辑推理过程中，前提（规则 A → B 的左部 A ， 也就是证据） 要么为真， 要么为假， 不允许不真不假的情况出现。 但是在很多不确定性推理问题中，前提或证据本身是不确定的， 介于完全的真和完全的假之间。为了描述这种不确定性的程度， 引入了证据的可信度。 证据 A 的可信度用 CF( A) 来表示，为了计算方便，规定： - 1 ≤ CF( A) ≤ 1 不难理解，可信度 CF( A)