人工智能 ch5-1(高级推理).pptVIP

第5章 不确定知识表示和推理 常识(common sense)具有不确定性。 一个常识可能有众多的例外，一个常识可能是一种尚无理论依据或者缺乏充分验证的经验。 常识往往对环境有极强的依存性。 “鸟是会飞的”，“常在河边走，哪能不湿鞋”。 把指示确定性程度的数据附加到推理规则，并由此研究不确定强度的表示和计算问题。 本章讨论处理数据的不精确和知识的不确定所需要的一些工具和方法，包括： 在经验基础上抽象得到的确定性因子方法 基于Bayes理论的概率推理 基于信任测度函数的证据理论 基于模糊集合论的模糊推理等技术 5.1概述5.1.1 什么是不确定推理 智能主要反映在求解不确定性问题的能力上。 推理是人类的思维过程，它是从已知事实出发，通过运用相关的知识逐步推出某个结论的过程。 其中已知事实和知识是构成推理的两个基本要素。 已知事实（证据），用以指出推理的出发点及推理时应使用的知识； 知识是推理得以向前推进，并逐步达到最终目标的依据。 在客观世界中，由于事物发展的随机性和复杂性，人类认识的不完全、不可靠、不精确和不一致性，自然语言中存在的模糊性和歧义性，使得现实世界中的事物以及事物之间的关系极其复杂，带来了大量的不确定性。 大多数要求智能行为的任务都具有某种程度的不确定。 不确定性可以理解为在缺少足够信息的情况下做出判断。 确定性推理是建立在经典逻辑基础上的 经典逻辑的基础之一就是集合论 这在很多实际情况中是很难做到的，如高、矮、胖、瘦就很难精确地分开。 经典逻辑不适合用来处理不确定性。 不确定推理是建立在非经典逻辑基础上的一种推理，它是对不确定性知识的运用与处理。 不确定性推理就是从不确定性初始证据出发，通过运用不确定性的知识，最终推出具有一定程度的不确定性但却是合理或者近乎合理的结论的思维过程。 5.1.2 不确定推理要解决的基本问题 由于证据和规则的不确定性，导致了所产生的结论的不确定性。 不确定性推理反映了知识不确定性的动态积累和传播过程，推理的每一步都需要综合证据和规则的不确定因素，通过某种不确定性测度，寻找尽可能符合客观实际的计算模式，通过不确定测度的传递计算，最终得到结果的不确定测度。 在专家系统中，不确定性表现在证据、规则和推理三个方面，需要对专家系统中的事实与规则给出不确定性描述，并在此基础上建立不确定性的传递计算方法。 要实现对不确定性知识的处理，要解决 不确定知识的表示问题 不确定信息的计算问题 不确定性表示 计算的语义解释问题 1.表示问题 表示问题指的是采用什么方法描述不确定性。通常有数值表示和非数值的语义表示方法。数值表示便于计算、比较；非数值表示，是一种定性的描述。 在专家系统中的“不确定性” 分为： 规则的不确定性 事实的不确定性 (1)规则不确定性 (E→H，f(H，E))， (2)证据不确定性 (E，C(E))， 证据不确定性的表示方法应与知识不确定性的表示方法保持一致，证据的不确定性通常也是一个数值表示，它代表相应证据的不确定性程度，称之为动态强度。 2.计算问题 计算问题主要指不确定性的传播与更新，即获得新信息的过程。 它是在领域专家给出的规则强度和用户给出的原始证据的不确定性的基础上，定义一组函数，求出结论的不确定性度量。 它主要包括如下三个方面： (1)不确定性的传递算法 已知规则的前提E的不确定性C(E)和规则强度f（H，E)， 求假设H的不确定性C(H)， 即定义函数f1，使得： C(H)=f1(C(E),f(H，E)) (2)结论不确定性合成 即已知由两个独立的证据E1和E2 求得的假设H的不确定性度量C1(H)和C2(H)，求证据E1和E2的组合导致的假设H的不确定性C(H)，即定义函数f2，使得： C(H)=f2(C1(E),C2(H)) (3)组合证据的不确定性算法 已知证据E1和E2的不确定性度量C(E1)和C(E2)，求证据E1和E2的析取和合取的不确定性，即定义函数f3和f4使得： C(E1∧E2)=f3(C(E1),C(E2)) C(E1∨E2)=f4(C(E1),C(E2)) 常用组合证据的不确定性的计算方法有3种。 (a)最大最小法 C(E1∧E2)=min(C(E1),C(E2)) C(E1∨E2)=max(C(E1),C(E2)) (b)概率方法 C(E1∧E2)=C(E1)×C(E2) C(E1∨E2)= C(E1)+C(E2)-C(E1)×C(E2) (c)有界方法 C(E1∧E2)=max{0,C(E1)+C(E2)-1} C(E1∨E2)=min{1,C(E1)+C(E2)} 3.语义问题