不确定性处理.PPTVIP

第7章 不确定性处理 7.1 不确定性及其类型 7.2 不确定性知识的表示 7.3 不确定性推理的一般模式 7.4 确定性理论 7.5 证据理论 7.6 模糊推理 7.1 不确定性及其类型 由于客观世界的复杂、多变性和人类自身认识的局限、主观性，致使我们所获得、所处理的信息和知识中，往往含有不肯定、不准确、不完全甚至不一致的成分。这就是所谓的不确定性。 事实上，不确定性大量存在于我们所处的信息环境中，例如人的日常语言中就几乎处处含有不确定性（瞧！这句话本身就含有不确定性：什么叫“几乎”？）。不确定性也大量存在于我们的知识特别是经验性知识之中。 所以，要实现人工智能，不确定性是无法回避的。人工智能必须研究不确定性，研究它们的表示和处理技术。事实上，关于不确定性的处理技术，对于人工智能的诸多领域，如专家系统、自然语言理解、控制和决策、智能机器人等，都尤为重要。按性质划分，不确定性大致可分为随机性、模糊性、不完全性、不一致性和时变性等几种类型。 1. 随机性 随机性就是一个命题(亦即所表示的事件)的真实性不能完全肯定，而只能对其为真的可能性给出某种估计。例如， 如果乌云密布并且电闪雷鸣，则很可能要下暴雨。 如果头痛发烧，则大概是患了感冒。 就是两个含有随机不确定性的命题。当然，它们描述的是人们的经验性知识。 2.模糊性 模糊性就是一个命题中所出现的某些言词，从概念上讲，无明确的内涵和外延，即是模糊不清的。例如， 小王是个高个子。 张三和李四是好朋友。 如果向左转，则身体就向左稍倾。 这几个命题中就含有模糊不确定性，因为其中的“高”、“好朋友”、“稍倾”等都是模糊概念。 3.不完全性 不完全性就是对某事物来说，关于它的信息或知识还不全面、不完整、不充分。例如，在破案的过程中，警方所掌握的关于罪犯的有关信息，往往就是不完全的。但就是在这种情况下，办案人员仍能通过分析、推理等手段而最终破案。 4.不一致性 不一致性就是在推理过程中发生了前后不相容的结论；或者随着时间的推移或者范围的扩大，原来一些成立的命题变得不成立、不适合了。例如，牛顿定律对于宏观世界是正确的，但对于微观世界和宇观世界却是不适合的。 7.2 不确定性知识的表示 7.2.1 随机性知识的表示 我们只讨论随机性产生式规则的表示。对于随机不确定性，一般采用信度（或称可信度）来刻划。一个命题的信度是指该命题为真的可信程度。例如， (这场球赛甲队取胜，0.9) 这里的0.9就是命题“这场球赛甲队取胜”的可信度。它表示“这场球赛甲队取胜”这个命题为真（即这个事件发生）的可能性程度是0.9。 随机性产生式的一般表示形式为 A→B(C(A→B)) (7―1) 或者 A→(B，C(B|A)) (7--2) 其中C(A→B)表示规则A→B为真的信度；而C(B|A)表示规则的结论B在前提A为真的情况下为真的信度。例如，对上节中给出的两个随机性命题，其随机性可以用信度来表示。 ? 信度也可以是基于概率的某种度量。例如，在著名的专家系统MYCIN中，其规则E→H中，结论H的信度就被定义为 其中，E表示规则的前提，H表示规则的结论，P(H)是H的先验概率，P(H|E)是E为真时H为真的条件概率，CF(Certainty Factor)称为确定性因子，即可信度。 由此定义，可以求得CF的取值范围为［-1，1］。当CF＝1时，表示H肯定真；CF=-1表示H肯定假；CF=0表示E与H无关。 这个可信度的表达式是什么意思呢？原来，CF是由称为信任增长度MB和不信任增长度MD相减而来的。即 CF(H，E)＝MB(H，E)-MD(H，E)