智能计算基础.pptVIP

智能计算根底;第一章绪论;智能的概念;最早的智力工具;最早的智力工具;思维逻辑研究;思维逻辑研究;思维逻辑研究;思维逻辑研究;思维逻辑研究;思维逻辑研究;脑的作用和发现;哲学的开展;逻辑学;逻辑学;形而上学;近代智能世界;近代智能世界;概率论的产生;数字计算器的创造;逻辑数学化;逻辑数学化;生命进化论;脑的研究;脑的研究;神经网络;心理学;计算机模型的提出;计算机模型的提出;计算机的出现;控制论和信息论的出现;神经元学习;人工智能的诞生;进化计算;计算智能;专家系统与知识工程;知识工程;人机大战;智能计算的分支;第二章不精确推理;推理的类型;推理的类型;不精确推理的因素;不精确推理的概念;不精确推理的根本问题;证据的不确定性为C〔E〕，它表示证据E为真的程度。

规那么的不确定性为f〔H，E〕，它称为规那么强度，表示证据E为真的前提下，假设H为真的程度。

不精确推理就是在规那么强度和证据的不确定性的根底上，定义一组函数，求出结论的不确定性度量。;〔1〕根据规那么前提E的不确定性C(E)和规那么强度f(H，E)求出假设H的不确定性C(H)，即定义函数g1，使

C(H)=g1[C(E)，f(H，E)]

〔2〕根据分别由独立的证据E1、E2求得的假设H的不确定性C1(H)和C2(H)，求出证据E1和E2的组合所导致的假设H的不确定性C(H)，即定义函数g2，使C(H)=g2[C1(H)，C2(H)];〔3〕根据两个证据E1和E2的不确定性C(E1)和C(E2)，求出证据E1和E2的合取的不确定性，即定义函数g3，使

C(E1ANDE2)=g3[C(E1)，C(E2)]

〔4〕根据两个证据E1和E2的不确定性C(E1)和C(E2)，求出证据E1和E2的析取的不确定性，即定义函数g4，使

C(E1ORE2)=g4[C(E1)，C(E2)];可信度方法：可信度方法是MYCIN系统使用的不精确推理模型，它以确定性理论为根底，方法简单实用。

主观Bayes方法：主观Bayes方法是PROSPECTOR系统使用的不精确推理模型，它是对Bayes公式进行修正后形成的一种不精确推理方法。缺点是难以给出每个命题的先验概率。

证据理论：证据理论通过引进信任函数，把不确定和不知道区别开来。这些函数满足比概率函数还弱的公理。;1．知识的不确定性 IfEthenH，CF

规那么强度〔规那么可信度〕：CF(H，E)=MB(H，E)-MD(H，E)

其中MB为??任增长度(MeasureBelief)，MB(H，E)0表示因证据E的出现增加了相信假设H为真的程度，即P(H|E)P(H)。

MD为不信增长度(MeasureDisbelief)，MD(H，E)0表示因证据E的出现减少了相信假设H为真的程度，即P(H|E)P(H)。;?1 ifP(H)=1

MB(H,E)=?max[P(H,E),P(H)]-P(H)else ? 1-P(H)

因E而对H信任的增长

不相信H的概率

?1 ifP(H)=0

MD(H,E)=?min[P(H,E),P(H)]-P(H)else ? -P(H)

因E而对H信任的减小

相信H的概率;性质：

〔1〕互斥性 当MB(H，E)0时MD(H，E)=0

当MD(H，E)0时MB(H，E)=0

〔2〕值域 0?MB(H，E)?1

0?MD(H，E)?1

-1?CF(H，E)?1;〔3〕典型值

假设P(H|E)=1，即E为真时H为真，那么CF(H，E)=1

假设P(H|E)=0，即E为真时H为假，那么CF(H，E)=-1

假设P(H|E)=P(H)，即E对H无影响，那么CF(H,E)=0，称为单位元。

〔4〕CF(H，E)+CF(~H，E)=0

此点与概率不同：P(H|E)+P(~H|E)=1;证明CF(H，E)+CF(~H，E)=0

CF(H，E)+CF(~H，E)=MB(H，E)–MD(H，E)+MB(~H，E)–MD(~H，E)

IfP(H|E)P(H)，P(~H|E)P(~H)

那么MB(H，E)–MD(~H，E)={P(H|E)–P(H)}/(1–P(H))–{P(~H|E)–P(~H)}/(-P(~H))=

;(P(H|E)–P(H)+