推 理 技 术-传统的精确推理.pptxVIP

6.5推理技术;②专家系统是推理系统。

③所以，专家系统是智能系统。这就是一个三段论。其中①是大前提，它描述的是关于一般的知识；②是小前提，它描述的是关于个体的判断；③是结论，它描述的是由大前提推出的适合于小前提所示情况的新

判断。可以看出，在演绎推理中，结论是蕴含在大前提中的，即从已知判断中推出其中包含的判

断，所以演绎推理并没有增加新的知识。在三段论式的演绎推理中，只要大前提和小前提是正确的，则由它们推出的结论也是必然正确的。

归纳推理

人们对客观事物的认识总是由认识个别事物开始，进而认识事物的普遍规律，其中归纳推理起了重要的作用。归纳推理是从足够多的事例中归纳出一般性结论的推理过程，是一种从个别到一般的推理过程。常用的归纳推理有简单枚举法和类比法。

枚举法归纳推理是由已观察到的事物都有某属性，而没有观察到相反的事例，从而推出某类事物都有某属性。其推理过程可以形式地表示为：

S1是PS2是P

S。是P

（S1，S2，···，S。S类中的个别事物，在枚举中兼容）

S都是P

在两个或两类事物在许多属性上都相同的基础上，推出它们在其他属性上也相同，这就是类比法归纳推理。类比法归纳可形式化地表示为：

A具有属性a，b，c，d，eB具有属性a，b，c，d，

B也具有属性e

类比法的可靠程度决定于两个或两类事物的相同属性与推出的那个属性之间的相关程度，相关程度越高，则类比法的可靠性就越高。

归纳推理是人类思维活动中最基本、最常用的一种推理形式。归纳推理增加了知识，所以在机器学习部分称为归纳学习，这部分内容将在后面做详细介绍。

默认推理

默认推理又称缺省推理，它是在知识不完全的情况下假设某些条件已经具备所进行的推理。例如，在条件A已成立的情况下，如果没有足够的证据能证明条件B不成立，;则就默认B是成立的，并在此默认的前提下进行推理，推导出某个结论。由于这种推理允许默认某些条件是成立的，这就摆脱了需要知道全部有关事实才能进行推理的要求，使得在知识不完全的情况下也能进行推理。在默认推理过程中，如果到某???时刻发现原先所做的默认不正确，就要撤销所做的默认以及由此默认推出的所有结论，重新按新情况进行推理。

非精确推理

在人类知识中，有相当一部分属于人们的主观判断，是不精确的和含糊的。由这些知识归纳出来的推理规则往往是不确定的。据于这种不确定的推理规则进行推理，形成的结论也是不确定的，这种推理称为不精确推理。

现实世界中的事物以及事物之间的关系是极其复杂的，在人类知识中，有相当一部

分是不精画的、模糊的，特别是在专家系统领域，专家提供的领域知识很难表示成确定的因果关系，有些是经验性知识，有些甚至是直觉，所以在专家系统中主要使用不精确推理。

实际上，人工智能系统的智能主要反映在求解不确定性问题的能力上。因此，不精确推理模型是人工智能和专家系统的一个核心研究问题。

主观贝叶斯方法

概率方法直接使用Bayes公式求结论Hi在证据E存在情况下的概率P（HijE）时，要求给出结论

田的先验概率P（Hi）及证据E的条件概率P（E｜Hi），这在实际应用中是十分困难的。为此R.O.Duda

和P．E．Hart等人于1976年在Bayes公式的基础上经适当改进提出了主观Bayes方法，建立了相应的

不精确推理模型，并在矿藏勘探专家系统PROSPECTOR中得到了成功的应用。在主观Bayes方法中，规则表示为：

IFETHEN(LS,LN)H(P(H))

其中LS、LN（≥0）分别称为充分性量度和必要性量度，这两个数值由领域专家给出。证据（前提）E的概率为P（E），结论H有一个先验概率P（H），表示在没有任何专门证据的情况下结论为真的概率，其值同样也由专家根据以往的实践及经验给出。主观Bayes方法的不精确推理过程，就是根据前提E的概率P（E），利用规则的LS和LN，把结论H的先验概率P（H）更新为后验概

率P（H｜E）的过程。;2．可信度方法

可信度方法是MYCIN系统采用的一种不精确推理模型，它对许多实际应用都是一个合理

而且有效的推理模式，因此获得了较广泛的应用。根据经验对一个事物或现象为真的相信程度

称为可信度。在MYCIN中，不确定性用可信度表示，知识用产生式规则表示，每一条规则都有

一个可信度；每个证据也具有一个可信度。

在可信度方法的不精确推理中，规则的一般形式为：

IFETHENH(CF(H,E))

其中CF（H，E）是该规则的可信度，称为可信度因子或规则强度。CF（H，E）在［-1,1］上取值，它表

示在已知证据E的情况下对假设H为真的支持程度。CF（H，E）＞0，表