人工智能第五章不确定性推理2.ppt

第五章 不确定性推理 概述 概率论基础 Bayes网络 主观Bayes方法 确定性方法 证据理论 第五章 不确定性推理 概述 概率论基础 Bayes网络 主观Bayes方法 确定性方法 证据理论 5.1 概述 不精确思维并非专家的习惯或爱好所至，而是客观现实的要求。 很多原因导致同一结果 推理所需的信息不完备 背景知识不足 信息描述模糊 信息中含有噪声 规划是模糊的 推理能力不足 解题方案不唯一 不精确推理就是从不确定性的初始事实（证据）出发，通过运用不确定性的知识，最终推出具有一定程度的不确定性却是合理或者近乎合理的结论的思维过程 5.1.1 不确定性 1. 不确定性的表示 2. 不确定性的匹配 3. 组合证据的不确定性的计算 4. 不确定性的更新 5. 不确定性结论的合成 p160 证据的不确定性 规则的不确定性 推理的不确定性 5.1.2 不确定性推理的基本问题p161 不确定问题的数学模型表示的3方面问题 表示问题： 表达要清楚。表示方法规则不仅仅是数，还要有语义描述。 计算问题： 不确定性的传播和更新。也是获取新信息的过程。 不确定性推理例子 例如，对于如下的推理过程： R1：A2∧A3→B1 （f1=0.8） R2：A1∨A2→B2 （f2=0.6） R3：B1→B （f4=0. 4） R4：B2→B （f3=0.7） 在描述这些规则时 采用的都是不确定性知识表示方式 表示的3方面问题 语义问题：将各个公式解释清楚。 语义问题：如何解释表示和计算的含义，目前多用概率方法。 如：P（B，A）可理解为当前提A为真时结论B为真的一种影响程度， P（A）可理解为证据A为真的程度，即证据的可信度。 特别关心的是f（B，A）的值： 1）A(T) →B(T), P (B，A）=? 2）A(T) →B(F), P (B，A）=? 3）B 独立于A，P（B，A）=? 对P（A）关心的是： 1）A为TRUE，P（A）＝？ 2）A为FALSE, P（A）＝？ T：True，F：False 5.1.3 不确定性分类方法（1） 不确定性推理方法可分为形式化方法和非形式化方法。 形式化方法有逻辑法、新计算法和新概率法。 逻辑法是非数值方法，采用多值逻辑和非单调逻辑来处理不确定性。传统的有基于概率理论的贝叶斯网络等。 新计算法认为概率法不足以描述不确定性，从而出现了证据理论（也叫Dempster－Shafter， D-S方法），确定性方法（CF法）以及模糊逻辑方法。 新概率法试图在传统的概率论框架内，采用新的计算方法以适应不确定性描述。如主观贝叶斯方法、贝叶斯网络 非形式化方法是指启发性方法，对不确定性没有给出明确的概念。 不确定性分类方法（2） 不确定推理方法：工程方法、控制方法和并行确定性法。 工程法是将问题简化为忽略哪些不确定性因素。 控制法是利用控制策略来消除不确定性的影响，如启发式的有哪些信誉好的足球投注网站方法。 并行确定性法是把不确定性的推理分解为两个相对独立的过程：一个过程不计不确定性采用标准逻辑进行推理；另一过程是对第一个过程的结论加以不确定性的度量。前一过程决定信任什么，后一过程决定对它的信任程度。 第五章 不确定性推理 概述 概率论基础 Bayes网络 主观Bayes方法 确定性方法 证据理论 第五章 不确定性推理 概述 概率论基础 Bayes网络 主观Bayes方法 确定性方法 证据理论 5.2 概率论基础 概率论是研究随机现象中数量规律的科学。 所谓随机现象是指在相同的条件下重复进行某种实验时，所得实验结果不一定完全相同且不可预知的现象。众所周知的是掷硬币的实验。 实践证明，采用概率论的思想方法考虑能够得到较好的结果。 概率论的基本概念和贝叶斯定理。 5.2.1 随机事件 随机实验：随机实验是一个可观察结果的人工或自然的过程，其产生的结果可能不止一个，且不能事先确定会产生什么结果。 样本空间：样本空间是一个随机实验的全部可能出现的结果的集合，通常记作Ω，Ω中的点（即一个可能出现的实验结果）成为样本点，通常记作ω。 随机事件：随机事件是一个随机实验的一些可能结果的集合，是样本空间的一个子集。常用大写字母A,B,C,…表示。 例如：投币实验是一个随机实验，它的样本空间是全部可能出现的结果的集合＝【正面，反面】 随机事件：随机事件是一个随机实验的一些可能结果的集合，是样本空间的一个子集。 随机事件：现在投币5次，则有5个随机事件分别为【正面，正面，反面，正面，反面】 事件间的关系与运算 两个事件A与B可能有以下几种特殊关系： 包含：若事件B发生则事件A也发生，称“A包含B”，或“B含于A”，记作A B或B A。 等价：若A