ai不确定性推理.pptxVIP

会计学;第五章 不确定性推理;概述--不确定推理的概念;概述--不确定性的主要表现;概述—不确定推理中的基本问题;概述—不确定推理中的基本问题;概述-分类（1）;第五章 不确定性推理;可信度方法（确定性方法）;可信度方法; 可信度(确定性)方法 证据（前提）的不确定性表示 规则的不确定性表示 推理计算---结论的不确定性表示;证据的不确定性度量;证据的不确定性度量; 规则 证据（前提）的不确定性表示 规则的不确定性表示 推理计算---结论的不确定性表示;规则的不确定性度量;规则 规则的不确定性表示 证据（前提）的不确定性表示 推理计算—结论的不确定性表示 ;规则 (推理计算 1）;规则 (推理计算 2）;例题;解：依规则R1， 　CF1（B1）＝ CF（B1，A1）·max{0, CF（A1）}＝0.8， 依规则R2： CF2（B1）＝ CF（B1，A2）·max{0, CF（A2）}＝0.5， 利用合成算法计算B１的综合可信度： 　CF1２( B1)＝CF1( B1)＋ CF２( B１)－ CF1( B1)·CF２( B１)＝0.9 依R3，先计算 CF（B1∧A3）＝ min（CF（A3），CF（B1））＝0.9 CF（B2）= CF(B2，B1∧A3) · max{0, CF（B1∧A3）} =0.9×0.8=0.72 答：CF（B1）＝0.9，CF（B2）＝0.72 ;;;;规则 (推理计算 3）;规则 (推理计算 4）;规则 (推理计算 3）;;解：考虑X、Y具有初始可信度，所以使用更新法计算结论可信度。 (1)X的可信度更新计算 由于证据初始值CF(A)= CF(B)= CF(C)= CF(D)=0.50，使用公式 由规则r1得到X的可信度更新值为： CF(X/A) =CF0(X)+ CF(A) CF(X,A)- CF0(X) CF(A) CF(X,A) =0.1+0.5X0.8- 0.1X0.5X0.8=0.46 由规则r2得到X的可信度更新值为： CF(X/A,B) =CF(X/A)+ CF(B) CF(X,B)- CF(X/A) CF(B) CF(X,B) =0.622 由规则r3得到X的可信度更新值为： CF(X/A,B,C) =CF(X/A,B)+ CF(C) CF(X,C)- CF(X/A,B) CF(C) CF(X,C) =0.698 CF(X/A,B,C)即是X的可信度更新值。 ;;主观贝叶斯方法(概述）;;主观贝叶斯方法(概述）; 主观贝叶斯方法 证据（前提）的不确定性表示 规则的不确定性表示 推理计算---结论的不确定性表示;主观贝叶斯方法(概述）; 主观贝叶斯方法 证据（前提）的不确定性表示 规则的不确定性表示 推理计算---结论的不确定性表示;主观贝叶斯方法(概述）; 主观贝叶斯方法 证据（前提）的不确定性表示 规则的不确定性表示 推理计算---结论的不确定性表示;主观贝叶斯方法;;主观贝叶斯方法(概述）;;;主观贝叶斯方法(概述）;讨论LN对后验概率的影响 (1)LN1 O(H/～E)O(H)，即 P(H/～E)P(H) (2)LN=1 O(H/～E)=O(H) (3)0LN1 O(H/～E)O(H) (4)LN=0 O(H/～E)=0 故， E的不存在使H为真的可能性下降，则应该相应的LN 设置的小于1而且越小越好。 ;主观贝叶斯方法（规则的不确定性）;主观贝叶斯方法（规则的不确定性）;主观贝叶斯方法;R1：E1→H1 LS=1 LN=0.003;  R2：E2→H2 LS=18 LN=1 R3：E3→H3 LS=12 LN=1;;主观贝叶斯方法;例题（2）;习题;;;第五章 不确定性推理;第五章 不确定性推理;证据理论;证据理论;证据理论;例: 设D={red, green, blue}， 则2D空间由D的8个子集构成，这8个子集分别是： A0=φ, A1={red}, A2={green}, A3={blue}, A4={red,green}, A5={red,blue}, A6={green,blue}, A7={red,green,blue} 假设定义一个函数m(x)，对各子集的概率分配如下