第3章5不确定性推理.ppt

3.8 不确定性推理;3.8.2 关于结论的不确定性 ;基本概念;基本概念(1/5);基本概念(2/5);不确定性推理方法研究产生的原因;不确定性推理方法研究产生的原因;不确定性推理方法研究产生的原因;不确定性推理方法研究产生的原因;不确定性推理方法研究产生的原因;不确定性推理方法研究产生的原因;不确定性推理方法研究产生的原因;不确定性推理方法研究产生的原因;一个人工智能系统，由于知识本身的不精确和不完全，采用标准逻辑意义下的推理方法难以达到解决问题的目的。对于一个智能系统来说，知识库是其核心。在这个知识库中，往往大量包含模糊性、随机性、不可靠性或不知道等不确定性因素的知识。为了解决这种条件下的推理计算问题，不确定性推理方法应运而生。 由于人类认识水平的客观限制，客观世界的很多知识仍不为人们所认知。 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。在人类的知识和思维行为中，精确性只是相对的，不精确性才是绝对的。知识工程需要各种适应不同类的不精确性特点的不精确性知识描述方法和推理方法。;《师氏食狮史》;知识的不确定性;关于证据的不确定性;关于规则的不确定性;推理的不确定性;研究和发展;基本概念(3/5); 不确定性的度量是指不确定的程度。根据不同的需要，往往采用不同的数据和方法来度量知识、证据和结论不确定性的程度，同时还需要事先规定它的取值范围。 在确定一种量度方法及其范围时，应注意以下几点：(1)量度要能充分表达相应知识及证据不确定性的程度。(2)量度范围的指定应便于领域专家及用户对不确定性的估计。(3)量度要便于对不确定性的传递进行计算，而且对结论算出的不确定性量度不能超出量度规定的范围。(4)量度的确定应当是直观的，同时应有相应的理论依据。; 不确定性的计算主要指不确定性的传递和更新,也即获得新信息的过程。主要包括如下三个方面： 1）不确定性匹配算法及阈值的选择 目前常用的解决方法是，设计一个算法用来计算匹配双方相似的程度，另外再指定一个相似的“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。如果落在指定的限度内，就称它们是可匹配的，相应知识可被应用，否则就称它们是不可匹配的，相应知识不可应用。上述中，用来计算匹配双方相似程度的算法称为不确定性匹配算法，用来指出相似的“限度”称来阈值。; 2）组合证据的不确定性算法 知识的前提条件既可以是简单条件，也可以是用合取或析取把多个简单条件连接起来构成的复合条件。进行匹配时，一个简单条件对应于一个单一的证据，一个复合条件对应于一组证据，称这一组证据为组合证据。 目前，用的较多的有如下3种： (1) 最大最小法 C(E1 AND E2)=min{C(E1), C(E2)} C(E1 OR E2)=max{C(E1), C(E2)} (2) 概率方法 C(E1 AND E2)=C(E1)C(E2) C(E1 OR E2)=C(E1)+C(E2)-C(E1)C(E2) (3) 有界方法 C(E1 AND E2)=max{0,C(E1)+C(E2)-1} C(E1 OR E2)=min{1,C(E1)+C(E2)} 上述的每一组公式都有相应的适用范围和适用条件。 ; 3）不确定性的传递算法 求解问题时，一般都需要通过多步推理才能得出结论，并求出结论的不确定性。在这一过程中，不确定性是逐步传递的。因此，为了得到最终结论的不确定性，必须设计不确定性的传递算法。在不同的系统中，由于面向的领域问题有不同特性，所采用不确定性的表示方法不同，因而所用的算法也不一样。不确性的传递一般包括两个子问题：一是在每一步推理中，如何把证据及知识的不确定性传递给结论；二是在多步推理中，如何把初始证据的不确定性传递给最终结论。; 4）结论不确定性合成 推理中有时会出现这样一种情况：用不同知识进行推理到得到了相同结论，但不确定性程度却不相同。此时，需要用合适的算法对它们进行合成。 若有n条独立的证据Ｅi(i=1,2,…,n)，分别求得结论H的不确定性为Ci (H)。则所有证据Ｅi的组合导致结论H的不确定性C(H)，即定义算法g，使得 C(H)=g[C1(H), C2(H),…, Cn(H)] 在不同的不确定性推理方法中所采用的合成算法g各不相同，这将在以下的各节中分别予以讨论。;基本概念(5/5);不确定性推理方法可分为形式化方法和非形式化方法。形式化方法是对确定性推理方法的扩展，它包括逻辑法