智能决策支持系统和智能技术的决策支持.ppt

五、不确定性推理 事实的不确定性 事实的不确定性一般用可信度CF(Certainty Factor)值表示，它的取值范围为： 0≤CF≤1　　　或　0≤CF≤100 例：“头有点痛”表示成：头痛CF（0.8) “这批货可能今天运不到”表示成：运到CF（0.2) “这个问题不好解决”表示成：解决CF（0.4) 第一百五十八页，共二百零一页。 五、不确定性推理 规则的不确定性 规则反映了客观事物的规律性。大量的实际问题中，专家掌握的规则大多是经验性的，不是精确的。 推理的不确定性 由于事实和规则的不确定性，从而产生了结论的不确定性。它反映不确定性的传播过程。 例：如果乌云密布并且电闪雷鸣，则天要下暴雨(0.95)。 A→B CF(0.95) 如果头痛发烧，则患了感冒(0.8)。 C→D CF(0.8) 第一百五十九页，共二百零一页。 五、不确定性推理 ⒈ 前提中AND（与）连接时，结论可信度的计算公式 规则形式： 　　IF E1∧E2∧...∧EN THEN H CF(R) 　　结论H的可信度为： CF(H)＝CF(R)? MIN{CF(E1)，CF(E2)…CF(EN)} 第一百六十页，共二百零一页。 五、不确定性推理 ⒉ 前提中OR（或）连接时结论的可信度计算公式 规则形式： 　　IF E1 OR E2 THEN H CF(R) 把它转化成等价的两条规则，即 　　IF　E1　THEN　H　CF(R) 　　IF　E2　THEN　H　CF(R) 第一百六十一页，共二百零一页。 五、不确定性推理 如果已知两条规则形式如下: 　 IF　E1　THEN　H　CF(R1) 　　IF　E2　THEN　H　CF(R2) 则结论H的可信度计算分别有： 　　CF1(H)＝CF(R1) ?CF(E1) 　　CF2(H)＝CF(R2) ?CF(E2) 合并为： CF(H)＝CF1(H)+CF2(H)－CF1(H) ?CF2(H) 第一百六十二页，共二百零一页。 五、不确定性推理 对于三条规则，如： IF E1 THEN H CF(R1) IF E2 THEN H CF(R2) IF E3 THEN H CF(R3 ) 先按二条规则合并方法计算出： CF12(H)＝CF1(H)+CF2(H)－CF1(H)?CF2(H) 再将它和第三条规则合并： CF(H)＝CF12(H)+CF3(H)－CF12(H) ?CF3(H) 其中CF3(H)＝CF(R3) ?CF(E3) 对于多OR连接：依次分解、滚动式合并 第一百六十三页，共二百零一页。 不确定性推理和确定性推理的区别 可信度的差别 推理过程的差别 对于确定性推理，当结论的可信度为1时，就不再进行推理；对于不确定性推理，当某个结论的可信度不为1时（即CF≠1），对于相同结论的其它规则仍然要进行推理，求该结论的可信度，并和已计算出该结论的可信度进行合并。 第一百六十四页，共二百零一页。 确定性推理： 　　先引用规则R1，提问A？当回答为yes时，推得结论G成立，即yes，这样就不再搜索R2对结论G进行推理。 例如，有两条相同结论的规则 　　 R1：A→G；　　R2：B∧C→G 第一百六十五页，共二百零一页。 由于G的可信度不为1，还必须对结论G的其它规则进行推理。再引用规则R2，提问B和C？ 　　设回答B为yes，CF(0.7)，回答C为yes，CF(0.8)，计算G的可信度为： CF2(G)＝0.9?MIN{0.7，0.8}＝0.63 合并G的可信度为： CF(G)＝CF1(G)+CF2(G)－CF1(G)×CF2(G) ＝0.56+0.63－0.56×0.63＝0.84 不确定性推理： 　　R1：A→G　 CF(0.8)；　R2：B∧C→G　 CF(0.9) 　　推理时，先引用规则R1，提问A？当回答为yes时，还须给定可信度，设为CF(0.7），求得G的可信度： CF1(G)＝0.8?0.7＝0.56 第一百六十六页，共二百零一页。 例：有如下规则集和可信度： 　　R1：A∧B∧C→G CF(0.8） 　　R2：D∨E→A CF(0.7） 　　R3：J∧K→B CF(0.8） 　　R4：P∨Q→C CF(0.9） 　　R5：F∨（R∧S）→D CF(0.6） 已知事实及可信度 　　F(0.4)，R(0.5)，S(0.6)，E(n)，J(0.4)，K(0.6)，P(n)