第8章 不确定性知识的表示与推理.pptVIP

基于贝叶斯网络结构和条件概率, 不仅可以由祖先节点推算出后代节点的后验概率, 更重要的是利用贝叶斯公式还可以通过后代节点的概率反向推算出祖先节点的后验概率。 因为通过后代节点的概率反向推算出祖先节点的后验概率要用贝叶斯公式, 所以这种概率推理就称为基于贝叶斯网络的不确定性推理。 贝叶斯网络的建造涉及其拓扑结构和条件概率, 可通过机器学习的方法来解决贝叶斯网络的建造问题, 称为贝叶斯网络学习。 本章总结 本章我们讲述了 不确定性及其类型：4种类型 不确定性和不确切性知识表示及推理 经典的不确定性推理模型：确定性理论、确定性理论求解可信度，主观贝叶斯方法 基于贝叶斯网络的概率推理：因果推理和诊断推理 下面是MYCIN中的一条规则： 如果 细菌的染色斑呈革兰氏阳性, 且 形状为球状,且 生长结构为链形,  则 该细菌是链球菌(0.7)。 这里的0.7就是规则结论的CF值。  最后需说明的是, 一个命题的信度可由有关统计规律、 概率计算或由专家凭经验主观给出。 2. 前提证据事实总CF值计算 CF(E1∧E2∧…∧En)＝min{CF(E1)，CF(E2)，…，CF(En)} CF(E1∨E2∨…∨En)＝max{CF(E1)，CF(E2)，…，CF(En)} 其中E1，E2，…，En是与规则前提各条件匹配的事实。 3.推理结论CF值计算 CF(H)＝CF(H，E)·max{0，CF(E)} 其中E是与规则前提对应的各事实，CF(H，E)是规则中结论的可信度，即规则强度。 　　4. 重复结论的CF值计算 　若同一结论H分别被不同的两条规则推出, 而得到两个可信度CF(H)1和CF(H)2, 则最终的CF(H)为 　CF(H)1＋CF(H)2－CF(H)1·CF(H)2 当CF(H)1≥0，且CF(H)2≥0 CF(H)= CF(H)1＋CF(H)2＋CF(H)1·CF(H)2 当CF(H)1＜0，且CF(H)2＜0 CF(H)1＋CF(H)2 否则 （8-7） 　　例8.6　 设有如下一组产生式规则和证据事实，试用确定性理论求出由每一个规则推出的结论及其可信度。 规则: ① if A then B(0.9) ② if B and C then D(0.8) ③ if A and C then D(0.7) ④ if B or D then E(0.6) 事实: A，CF(A)=0.8;C，CF(C)=0.9 解 规则①得:CF(B)＝0.9×0.8＝0.72 由规则②得:CF(D)1＝0.8×min{0.72，0.9)＝0.8×0.72＝0.576 由规则③得:CF(D)2＝0.7×min{0.8，0.9)＝0.7×0.8＝0.56 从而 CF(D)＝CF(D)1＋CF(D)2－CF(D)1×CF(D)2 　　　　　＝0.576＋0.56－0.576×0.56＝0.32256 由规则④得: 　　　CF(E)＝0.6×max{0.72，0.32256}＝0.6×0.72＝0.432 课堂练习：P180：习题八-7题 设有如下一组规则： R1: if E1 then E2(0.6) R2: if E2 and E3 then E4(0.8) R3: if E4 then H(0.7) R4: if E5 then H(0.9) 且已知 CF(E1)=0.5, CF(E3)=0.6, CF(E5)=0.4 用确定性理论求CF(H). 8.2.2 主观贝叶斯方法 　　主观贝叶斯方法是R.O.Duda等人于1976年提出的一种不确定性推理模型, 并成功地应用于地质勘探专家系统PROSPECTOR。主观贝叶斯方法是以概率统计理论为基础, 将贝叶斯(Bayesian)公式与专家及用户的主观经验相结合而建立的一种不确定性推理模型。  其核心思想是： Ⅰ.根据证据的概率P(E); Ⅱ.利用规则的（LS，LN）；LS：E 的出