第4章 非精确性推理gy.docxVIP

第4章 非精确性推理gy 第4章不确定与非单调推理 在现实世界中，能够进行精确描述的问题只占较少一部分，而大多数问题是非精确、非完备的。对于这些问题，若采用上一章所讨论的精确性推理方法显然是不行的。为此，人工智能需要研究不确定性的推理方法，以满足客观问题的需求。 4.1.1c-f模型 c-f模型是消特里菲等人在确定性理论的基础上，结合概率论和模糊集合论等方法提出的一种基本的不确定性推理方法。下面讨论其知识表示和推理问题。 1.知识不确定性的表示 在c-f模型中，知识是用产生式规则表示的，其一般形式为：ifethenh（cf（h，e）） 其中，e是知识的前提条件；h是知识的结论；cf（h，e）是知识的可信度。对它们的简单说明如下： 前提条件可以是一个简单条件，也可以是由合取和析取构成的的复合条件。例如e=（e1ore2）ande3ande4就是一个复合条件。 结论可以是一个单一的结论，也可以是多个结论。 可信度cf（certaintyfactor简记为cf）又称为可信度因子或规则强度，它实际上是知识的静态强度。cf（h，e）的取值范围是[-1，1]，其值表示当前提条件e所对应的证据为真时，该前提条件对结论h为真的支持程度。cf（h，e）的值越大，对结论h为真的支持程度就越大。例如 if发烧and流鼻涕then感冒（0.8）表示当某人确实有“发烧”及“流鼻涕”症状时，则有80%的把握是患了感冒。可见，cf（h，e）反映的是前提条件与结论之间的联系强度，即相应知识的知识强度。 2.可信度的定义 在c-f模型中，把cf（h，e）定义为cf（h，e）=mb（h，e）-md（h，e） 其中，mb（measurebelief简记为mb）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。 md（measuredisbelief简记为md）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的不信任增长度。 在以上两个式子中，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 。1，。mb（h，e）。。max{p（h/e），p（h）}。p（h），。1。p（h）。。1，。md（h，e）。。min{p（h/e），p（h）}。p（h），。。p（h）。 121 若p（h）。1否则若p（h）。0否则现的情况下，结论h的条件概率。由mb与md的定义可以看出： 当mb（h，e）0时，有p（h/e）p（h），这说明由于e所对应的证据的出现增加了h的信任程度。 当md（h，e）0时，有p（h/e）1为非法，应进行调整或规范化（归一化）。（5与3差2，10与8也差2，绝对差值与相对差值含义完全不同） 最后需要指出，在实际应用中p（h）和p（h/e）的值是很难获得的，因此cf（h，e）的值应有领域专家直接给出。其原则是：若相应证据的出现会增加h为真的可信度，则cf（h，e）0，证据的出现对h为真支持越大，则cf（h，e）的值越大；反之，证据的出现减少h为真的可信度，则cf（h，e） 第4章非精确性推理gy（2）.doc免费为全国范文类知名网站，下载全文稍作修改便可使用，即刻完成写稿任务。 支付6元已有11人下载 下载这篇word文档 f1。f2。。。fn。u1。u2。。。un。（。f1（u1）。。f2（u2）。。。。fn（un））/（u1，u2，。，un） 为f1，f2，…，fn的笛卡尔乘积，它是u1×u2×…×un上的一个模糊集。 定义4.21在u1×u2×…×un上的一个n元模糊关系r是指以u1×u2×…×un为论域的一个模糊集，记为 r。 ru1。u2。。。un。。（u1，u2，。，un）/（u1，u2，。，un）在上面的两个定义中，。fi（ui）（i=1，2，…，n）是模糊集fi的隶属函数；。r（u1，u2，。，un）是模糊关系r的隶属函数，它把u1×u2×…×un上的每一个元素（u1，u2，…，un）映射为[0，1]上的一个实数，该实数反映出u1，u2，…，un具有关系r的程度。 例如，当n=2时有 r。u。v。。r（u，v）/（u，v）其中，。r（u，v）反映了u与v具有关系r的程度。例4.14设有一组学生 u={u1，u2}={秦学，郝玩}一些在计算机上的活动 v={v1，v2，v3}={编程，上网，玩游戏} 并设每个学生对各种活动的爱好程度分别为。r（ui，vj）i=1，2；j=1，2，3，即 。r（秦学，编程）。0.9，。r（秦学，上网）。0.6，。r（秦学，玩游戏）。0，。r（郝玩，编程）。0.2，。r（郝玩，上网）。0.3，。r（郝玩，玩游戏）。0.8则u×v上的模糊关系r为 。0.90.60。r。。。。0.20.30.8。此外，u与v可以有相同的论域，即u=v。当u=v时，r应该是u