人工智能 第7章 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 ; 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。它们描述人们的经验性知识。 ; 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 ; 信度也可以是基于概率的某种度量。在专家系统MYCIN中，其规则E→H中，结论H的信度就被定义为;; 7.2.2 模糊性知识的表示 对于模糊不确定性，一般采用程度或集合来刻划。所谓程度就是一个命题中所描述的事物的属性、状态和关系等的强度。 例如，三元组（张三，体型，(胖，0.9）)表示命题“张三比较胖”，其中的0.9就代替“比较”而刻划了张三“胖”的程度。 这种程度表示法，一般是一种针对对象的表示法。其一般形式为 （对象，属性，(属性值，程度）) 它实际是通常三元组(对象，属性，属性值)的细化，其中的程度一项是对前面属性值的精确刻划。 这种方法可广泛用于产生式规则、谓词逻辑、框架、语义网络等多种知识表示方法中，从而扩充它们的表示范围和能力。;例7.1 模糊规则: 如果患者有些头疼并且发高烧，则他患了重感冒。 (患者，症状，(头疼，0.95))∧(患者，症状，(发烧，1.1))→(患者，疾病，(感冒，1.2)) 例7.2 模糊谓词 (1)雪是白的: 1.0白(雪)或白1.0(雪) (2)张三和李四是好朋友: 朋友1.15(张三，李四) (3)计算机系的同学学习都很努力: x(计算机系学生(x) → 1.0 努力1.2(x));例7.3 模糊框架 框架名:大枣 属:(干果,0.8) 形:(圆,0.7) 色:(红,1.0) 味:(甘,1.1) 用途:食用 药用: 用量:约五枚 用法:水煎服 注意：室温下半天内服完 ;例7.4 模糊语义网 理解人意 狗 食肉动物 （灵敏，1.5）; 7.2.3 模糊集合与模糊逻辑 以上是从对象角度讨论模糊性知识的表示。如果从概念着眼，模糊性知识中的模糊概念则可用模糊集表示。 1.模糊集合 设Ｕ是一个论域，Ｕ到区间［0，1］的一个映射： μ:Ｕ → ［0，1］ 论域Ｕ上的模糊集合Ａ，一般可记为： U有限： U无限：;例7.5 设Ｕ＝｛0，1，2，3，4，5，6，7，8，9，10｝。则Ｕ中“大数的集合”和“小数的集合”可分别定义如下： 大数的集合＝0/0＋0/1＋0/2＋0.1/3＋0.2/4＋0.3/5＋0.5/6＋0.7/7＋0.9/8＋1/9＋1/10 小数的集合＝1/0＋1/1＋1/2＋0.8/3＋0.7/4＋0.5/5＋0.4/6＋0.2/7＋0/8＋0/9＋0/10 ; 例7.6 设论域Ｕ＝［1，200］，