AI第3章-不确定性推理

《AI第3章-不确定性推理》由会员上传分享，免费在线阅读，更多相关内容在教育资源-天天文库。

1、人工智能主讲教师：李娜娜Instructor:LiNanaE-mail:linana@scse.hebut.edu.cn第五章不确定性推理概述可信度方法(确定性方法)主观Bayes方法证据理论第五章不确定性推理概述确定性方法(可信度方法)主观Bayes方法证据理论概述--不确定推理的概念推理：从已知事实出发，运用相关知识(或规则)逐步推出结论或者证明某个假设成立或不成立的思维过程。已知事实是推理过程的出发点即推理中使用的知识，我们把它称为证据。不确定推理：从具有不确定性的证据出发，运用不确定性的知识

2、(或规则)，最终推出具有一定程度的不确定性，但却是合理的或近乎合理的结论的思维过程。概述--不确定性的主要表现1、证据的不确定性观察度量的不确定性证据表示的不确定性多个不确定证据合成时表现出来的不确定性2、规则的不确定性3、结论的不确定性E1→HE2→H概述—不确定推理中的基本问题不确定性的表示单个证据的不确定性表示证据的来源：(1)初始证据:通过观察而得到的，由于观察本身的不精确性，因此所得的初始证据具有不确定性；(2)间接证据:在推理过程中利用前面推理出的结论作为当前新的推理证据。证据不确定性的

3、表示通常为一个数值，用以表示相应证据的不确定性程度。(1)对于由观察得到的证据，其值一般由用户或专家给出;(2)对于用前面推理所得结论作为当前推理的证据，其值则是由推理中的不确定性传递算法计算得到。组合证据的不确定性表示证据不止一个，而是几个，这几个证据间可能是and或or的关系，假设C(E1)表示证据E1的不确定性程度，C(E2)表示证据E2的不确定性程度，如何由C(E1)和C(E2)来计算C(E1∧E2)和C(E1∨E2)概述—不确定推理中的基本问题规则的不确定性表示规则不确定性要由领域专家给出

4、，以一个数值表示，该数值表示了相应知识的不确定性程度。推理计算—结论的不确定性表示不确定性传递问题：已知证据E的不确定性度量为C(E)，而规则E→H的不确定性度量为CF(H,E)，那么如何计算结论H的不确定性程度C(H)，即如何将证据E的不确定和规则E→H的不确定性传递到结论H上。结论不确定性的合成问题：如果有两个证据分别由两条规则支持结论，如何根据这两个证据和两条规则的不确定性确定结论的不确定性。即已知E1→HC(E1),CF(H,E1)E2→HC(E2),CF(H,E2)如何计算C(H)概述-分

5、类（1）不确定性推理方法控制方法模型方法数值方法非数值方法基于概率的方法模糊推理方法可信度方法主观Bayes方法证据理论方法第五章不确定性推理概述可信度方法(确定性方法)主观Bayes方法证据理论可信度方法（确定性方法）MYCIN系统研制过程中产生的不确定推理方法,第一个采用了不确定推理逻辑，70年代很有名。它是不确定推理方法中应用最早、且简单有效的方法之一。可信度方法可信度：人们在实际生活中根据自己的经验或观察对某一事件或现象为真的相信程度,也称为确定度因子。可信度具有较大的主观性和经验性。但是，

6、对某一具体领域而言，由于该领域专家具有丰富的专业知识及实践经验，要给出该领域知识的可信度还是完全有可能的。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确定性(可信度)方法证据的不确定性度量单个证据的不确定性获取方法：两种初始证据：由提供证据的用户直接指定，用可信度因子对证据的不确定性进行表示。如证据E的可信度表示为CF(E)。如对它的所有观测都能肯定为真，则使CF(E)=1；如能肯定为假，则使CF(E)=-1；若它以某种程度为真，则使其取小于1的正

7、值，即0

8、是多个单一证据的析取时，即E=E1∨E2∨…∨En若各证据的可信度分别为CF(E1),CF(E2),…,CF(En),则CF(E)=max{CF(E1),CF(E2),…,CF(En)}当证据是某一证据的非时，即E=～A；则CF(E)=-CF(A)若E=E1∨（E2∧E3)∨E4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确定性方法规则的不确定性度量规则E→H，可信度表示为CF(H,E)。表示当证据E为真时，对结论H为真的支持程度。