人工智能原理第7章不精确推理(阅读).ppt

人工智能原理第7章 不精确推理本章内容 7.1 不精确推理的必要性 7.2 贝叶斯概率推理 7.3 贝叶斯网络 7.4 可信度方法* 7.5 模糊推理 参考书目 7.1 不精确推理的必要性不精确推理的原因 / 方法 为什么要不精确推理 做不精确推理的原因有多种： 推理所需的信息不完备：竞争双方不知道对方信息 背景知识不足：疑难病症的机理 多种原因导致同一结果：疾病的诊断 信息描述模糊：目击者对嫌疑犯的描述 信息中含有噪声：做假帐，虚假统计报表，采集数据当中的噪声（雷达、声纳/化验）等 不精确推理的原因 规则是模糊的：定性描述，如“如果刑事犯罪猖獗，就应加大打击力度”等 推理能力不足：天气预报的计算 解决方案不唯一：多个方案如何选优的问题 两种不确定性 环境的不确定性—智能体几乎从来无法了解关于其环境的全部事实 反映环境的知识的不确定性—过于复杂而无组织—知识粥(knowledge soup) 不确定环境下的智能体行动 从智能体角度看，他不得不在不确定的环境下行动 克服这种不确定性的解决方案 1)条件规划 2)使用简单而不完全正确的模型 大部分时间模型或者规划可行，但有时会出现矛盾 理性决策—依赖于各种目标的相对重要性，也依赖于这些目标被实现的可能性 不确定性下的决策 不确定性的存在改变了智能体进行决策的方式 智能体要在各种规划的不同可能结果之间进行选择(有所偏好) 一种结果是一个被完全确定的状态—任何状态对于智能体来说都具有一定程度的有用性即效用，智能体将偏好具有更高效用的状态 决策理论=概率理论+效用理论 理性智能体选择能产生最高效用的行动 不精确推理 现实不确定性需要不精确推理，将数值计算引入推理过程 继续使用逻辑联结词 真假值概率化，以表示某种可靠程度 在推理的前提和结论之间建立概率公式（解释） 前提称为证据，结论称为假设 应用：专家系统中的推理网络 (PROSPECTOR系统/ MYCIN系统) 贝叶斯网络(Bayesian network) 智能体使用概率对行动结果(用事件之间的联系表示)进行预测，进而选择期望效用最高的行动 贝叶斯网络(也叫贝叶斯信念网)是一个节点标注了定量概率信息的有向图，反映了一个事件对于另一个事件的影响程度/表示了变量之间的依赖关系和概率信息 贝叶斯网络是事件之间联系的全面而形象的表示 知识粥(Knowledge Soup) 现实世界的复杂性和不确定性反映在智能体内部—异质的、不固定的、经常不一致的知识—称为知识粥 “粥体”包含小块(small chunk)—对应于规则、框架等，大块(large chunk)—对应于整个理论 这些“块”的内部是一致的，“块”之间可以是不一致的 从整体来说，知识往往具有这样的特性—模糊、不确定、随机、无知 7.2 Bayes概率推理7.2.1 有关概念和公式7.2.2 几率和似然比7.2.3 似然比应用 主观Bayes主义 主观Bayes主义： 将概率推理与归纳逻辑的解释联系起来，现实世界的一些因果关系可以形成一种信念，它并非在所有场合下都正确，可称为部分信念 / 表示这种信念的最好方法是概率方法，对概率的解释有若干种，其中Bayes创立了主观解释，也称为主观Bayes主义 其要点是：概率是个人的一种合理置信度，每个人的估计(概率)虽然各不相同，但应该满足概率的基本规律和其他某些客观规律，因而是合理的 7.2.1 有关概念和公式 在Bayes概率推理中，推理规则表示为 if E(前提/证据) then H(结论/假设)(LS, LN) 规则强度用LS/LN表示(也称为似然比) / 其不精确推理过程是：根据证据E的概率P(E)，利用规则的LS和LN，把结论的先验概率P(H)更新为后验概率P(H|E)，因而也称为概率传播 Bayes条件概率 Bayes条件概率：令假设H的先验概率为P(H)，P(H)是指定的 / 证据E为真时H的条件概率为P(H|E)，P(H|E)的一部分是指定的，一部分是根据P(H)和指定的P(H|E)计算出来的，这部分计算出的概率称为后验概率 条件概率P(H|E)可看作以一定概率成立的E→H的推理规则 概率公理 Bayes概率服从如下公理(Kolmogorov公理)： (1)0≤P(H)≤1 (2)P(H=T)=1 / P(H=F)=0 (3)P(H∨G)=P(H)+P(G)—P(H∧G) / 当H和G互斥有P(H∨G)=P(H)+P(G) 特别有P(H)+P(﹁H)=1 / 一般地有∑P(Hi|E)=1即证据E下Hi的全体构成了一切可能的假设，其中任意Hi和Hj (i≠j)互斥 这样的概率公理是不能违反的(p364论证) 条件概率公式 条件概率公式 P(HG)=P(H|G)P(G)=P(G|H)P(H)