贝氏推理和确定因数的比较.pptVIP

不確定項及其解釋 +1.0 肯定是 +0.8 差不多就是 +0.6 可能 +0.4 也許 -0.2到+0.2 不知道 -0.4 也許不 -0.6 可能不 -0.8 幾乎不可能 -1.0 完全不可能 確定因數 項 在具有確定因數的專家系統中，知識庫中含有一系列規則，其語法如下： IF evidence THEN hypothesis {cf } 其中 cf 表示證據 E 出現時假設 H 的可信度。 確定因數理論基於兩個函數：可信度的測量MB (H,E)和不可信度的測量MD (H,E) 。 p(H)是假設H為真的事前機率。 p(H|E)是證據E出現時假設H為真的機率。 如果 p(H)=1 否則 如果 p(H)=0 否則 * * 不確定性簡介 基本機率論 貝氏推理 貝氏方法的偏差 確定因數理論和證據推理 總結 第 3 講 基於規則的專家系統的不確定管理 n資訊可能是不確定的、不一致的、不完整的，或上述三種情況都有。換句話說，這種資訊經常並不適於用來解決一個 n不確定性可被定義為：缺乏使我們可以得到完美可信結論的確切知識。典型的邏輯僅允許確切的推理。它假設始終存在完善的知識，始終應用排中律： IF A is true IF A is false THEN A is not false THEN A is not true 不確定性簡介 1 脆弱的暗示。領域專家和知識工程師承擔著棘手且幾乎沒有希望完成的任務，即要在規則的IF(條件)和THEN(動作)部分建立具體的關係。因此，專家系統需要有處理模糊關聯的能力，例如，用數值型的確定因數來描述關係的程度。 不確定知識的來源 不精確的語言。我們的自然語言是天生模糊和不精確的。我們描述事實時常用“often”、“sometimes”、“frequently”、“hardly ever”這樣的詞語。因此，要用產生式規則中精確的IF-THEN形式來表達知識就是非常困難的。但是，如果這些事實的含義可以被量化，其就可以被用於專家系統。1944年，Ray Simpson詢問了355個高中和大學的學生，讓他們把20個諸如“often”這樣的詞語按照1到100來打分。1968年，Milton Hakel重複了這個實驗 時間頻率範圍上不明確和不精確的術語的量化 100 87 79 74 74 72 72 50 34 29 28 22 16 16 9 8 7 5 2 0 Always Very often Usually Often Rather often Frequently Generally About as often as not Now and then Sometimes Occasionally Once in a while Not often Usually not Seldom Hardly ever Very seldom Rarely Almost never Never 99 88 85 78 78 73 65 50 20 20 20 15 13 10 10 7 6 5 3 0 Always Very often Usually Often Generally Frequently Rather often About as often as not Now and then Sometimes Occasionally Once in a while Not often Usually not Seldom Hardly ever Very seldom Rarely Almost never Never 均　值 術　語 均　值 術　語 Milton Hakel(1968) Ray Simpson(1944) 不知道的資料。當資料不完整或缺失時，唯一的解決方法就是接受“不知道”的資料，並用這個資料進行近似的推理。 綜合不同專家的觀點。大多數專家系統經常會綜合大量專家的知識和經驗。不幸地，專家的觀點經常對立並產生有衝突的規則。為了解決這種衝突，知識工程師不得不為每個專家設定一個權重，然後計算綜合的結論。但是，權重的設定也沒有系統的方法。 機率的概念已經有很長的歷史，可以追溯到數千年前，當時，人們的口語中就出現了諸如“probably”、“likely”、“maybe”、“perhaps”和“possibly”這樣的辭彙。但是，機率的數學理論是在17世紀才形成的。 事件的機率是該事件發生的比例。機