人工智能课件3要点.ppt

3.4.1 不确定性的表示与度量 证据不确定性的表示 观察事物产生的不确定性导致证据的不确定性。 有2种来源的证据： 用户在求解问题时提供的初始证据 在推理中用前面推出的结论作为当前推理的证据。 证据强度：表示相应证据的不确定性程度。对于初始证据，其值由用户给出；对于推理中产生的证据，由推理的不确定传递算法计算得到。 3.4.1 不确定性的表示与度量 结论不确定性的表示 由于使用知识和证据具有不确定性，导致结论也具有不确定性。 也称为规则的不确定性，表示当规则的条件完全满足时，产生某种结论的不确定性程度。 3.4.1 不确定性的表示与度量 不确定性的度量 明确取值范围，如［-1，1］或［0，1］。 确定量度方法和范围时，须注意： 量度要能充分表达相应知识和证据不确定性的程度。 量度范围的指定应便于领域专家和用户对不确定性的估计。 量度要便于对不确定性的传递进行计算。 量度的确定应当是直观的，并有相应的理论依据。 3.4.2 不确定性的算法 不确定性的匹配算法 推理是一个不断运用知识的过程，为了找到所需的知识，需要在这一过程中用知识的前提条件与已知证据进行匹配，只有匹配成功的知识才能可能被应用。 在不确定性推理中，存在“如何才算匹配成功”这一问题。目前常用的解决方法是：设计一个用来计算匹配双方相似程度的算法，再指定一个相似的限度，用来衡量匹配双方相似的程度是否落在指定的限度内。这个限度称为阈值。 3.4.2 不确定性的算法 不确定性的更新算法：解决“知识不确定性的动态积累和传递”，算法如下： 已知规则前提：已知证据E的不确定性 和规则的强度 ，其中H表示假设，试求H的不确定性 。即 3.4.2 不确定性的算法 并行规则算法：根据独立的证据 和 ，分别求得假设 H的不确定性为 和 。求出证据 和 的组合导致结论H的不确定性 ，即 3.4.2 不确定性的算法 组合证据的不确定性算法 证据合取的不确定性算法：根据2个证据 和 的确定性值 ，求出证据 和 合取的不确定性。即： 证据析取的不确定性算法：根据2个证据 和 的确定性值 ，求出证据 和 析取的不确定性。即： 3.4.2 不确定性的算法 组合证据不确定性计算中常用算法 最大最小法 概率方法 有界方法 3.5 概率推理 概率推理 设有如下产生式规则 则证据或前提条件E不确定性的概率为P（E），概率推理的目的就是求出在证据E下结论H发生的概率 。 3.5 概率推理 采用贝叶斯方法进行推理 已知前提E的概率 和H的先验概率 ，并已知H成立时E出现的条件概率 ，则： 3.5 概率推理 若一个证据E支持多个假设 则贝叶斯公式为 若有多个证据和多个结论，则有 3.5 概率推理 例：设 为三个结论，E是支持这些结论的证据，已知： 则 说明随着证据E的出现， 成立的可能性略有增加，而 成立的可能性却略有降低。 3.5 概率推理 在原来证据 的基础上，增加另一个证据 ，已知： 则 由于E1和E2的出现，使得H2、H1的可能性增大，H3的可能性下降。 实际应用中，不容易获知“结论 的先验概率 及证据E的条件概率 杜达、哈特等人在贝叶斯公式的基础上，于1976年提出主观贝叶斯方法，建立了不精确推理模型，并把它成功应用于PROSPECTOR专家系统（地矿勘察）。 3.6 主观贝叶斯方法 主观贝叶斯方法的不精确推理过程就是根据前提E的概率 ，利用规划的充分性因子LS和必要性因子LN，把结论H的先验概率 更换为后验概率 的过程。 3.6 主观贝叶斯方法 知识表示方法 表示知识的静态强度 LS为上式成立的充分性因子，衡量证据E对结论H的支持程度 3.6.1 知识不确定性的表示 LN为上式成立的必要性因子。衡量证据～E对结论H的支持程度 LS、LN的取值范围为 ，其具体数值由领域专家决定 。 3.6.1 知识不确定性的表示 定义概率函数 上式表示X的几率等于X出现的概率与X不出现的概率之比。 3.6.1 知识不确定性的表示 则有 修改后的贝叶斯公式为：