第4讲 不确定性推理课件.pptVIP

徒瞬映橙斟薄砧洼声芬此托凳癣眷屉讯悦脏跑绦徒肆承团犹宵始瓢笔晶箔第4讲 不确定性推理课件第4讲 不确定性推理课件;第4章 不确定性推理 ;推理的分类： 精确推理 不精确推理（即不确定推理）;4.1 不确定性及其类型 ; B 规则的不确定性 前提条件的不确定性： 例如“如发高烧则可能感冒”， 发高烧是个模糊的概念。 观察证据的不确定性：如人的体温早晚是不同的。 组合证据的不确定性。 规则自身的不确定性。 在规则的使用过程中含有两种典型的不确定性; C 推理的不确定性 推理的不确定性反映了知识不确定性的动态积累和转播过程。;二、 不确定推理网络中的三种基本模式 证据逻辑组合模式 已知证据E1、E2、……、En的不确定测度分别为MU1、MU2、 …… 、MUn，则证据组合后的不确定测度为MU (1) 证据的合取： MU（E1^E2^……^En）=f(MU1,MU2,……,MUn) f是一个函数的名称。;(2) 证据的析取： MU（E1 V E2 V …… V En）=g(MU1,MU2,……,MUn) g是一个函数的名称。 (3) 证据的否定： MU（~Ei）=h(MUi) h是一个函数的名称。;2. 证据的并行规则模式 已知每一单条规则 if Ei then h with Mui(i=1,2,……,n)，则所有规则都满足时，h的不确定测度MU=p(MU1,MU2, … ,MUn) p是一个函数的名称。;3. 证据的顺序规则模式 已知规则 if E’ then E with MU0 if E then h with MU1 则规则 if E’ then h with MU 中的MU的计算 MU=s(MU0,MU1) s是一个函数的名称;1. 主观Bayes公式： a. p(E)：证据E的不确定性，为E发生的概率。 b. p(h|E):产生式规则“if E then h”的不确定性 c. Bayes公式： 已知先验概率P(E)和P(h)、 h成立时，E出现的条件概率P(E|h)， 则： P(E|h)P(h) P(h|E)=------------------------ P(E);;2 主观贝叶斯方法的不确定性计算模式;;;如果已知P(E)、P(h)和P(E|h) 则P(E| ~h)、P(h|E)和P(h|~E)： ;例：每个方框表示证据或假设，方框的右上角为它们的先验概率值，弧上的数字表示在相应的假设下证据出现的条件概率。如P(a)=0.4，P(ab|c)=0.8，P(d|f)=0.7。假定法则中需要的独立性条件都能满足。问题是：假定观察到a、b、e均已出现，求假设f的后验概??。 ;;;(2) p(f|e)的计算;(3) p(f|abe) 的计算;4.3 可信度理论; 当P(H)=1 ;(1) 互斥律：即一条证据不可能既支持又不支持某一假设， 如果MB(h,E)0，那么MD(h,E)=0。 如果MD(h,E)0，那么MB(h,E)=0。 (2) 当p(h|E)p(h)时，证据E增加假设h的信任度而不改变其不信任度，即 MB(h,E)0，MD(h,E)=0。 (3) 当p(h|E)p(h)时，证据E增加假设h的不信任度而不改变其信任度，即 MD(h,E)0，MB(h,E)=0。 (4) 当p(h|E)=p(h)时，证据E和假设h相互独立，即MD(h,E)=0，MB(h,E)=0。 在实际模型中，通常将MB、MD组合成一个单一的量，这就是可信度。;可信度是由称为信任增长度MB和不信任增长度MD相减而来的。即 CF(H，E)＝MB(H，E)-MD(H，E) ;2．可信度 可信度CF(h,E)=MB(h,E) – MD(h,E) CF(h,E)描述了证据E下假设h信任度的修改量。CF(h,E)0，表示有更多理由相信假设； CF(h,E)0，表示有更多理由不相信假设； CF(h,E)=0，表示证据与假设无关。; 3. MYCIN系统的3种基本模式的计算公式： (1) 两个证据的或运算 CF(E1 V E2,E’)=max(CF(E1,E’),CF(E2,E’)) MB(E1 V E2,E’)=max(MB(E1,E’),MB(E2,E’)) MD(E1 V E2,E’)=min(MD(E1,E’),MD(E2,E’)) (2) 两个证据的与运算 CF(E1 ^Ee2,E’)=mix(CF(E1,E’