人工智能第5节不确定(概率与可信度).ppt

资源描述

《人工智能第5节不确定(概率与可信度).ppt》由会员分享，可在线阅读，更多相关《人工智能第5节不确定(概率与可信度).ppt（22页珍藏版）》请在三一办公上搜索。

1、第三章不确定推理2,基本概念概率方法主观Bayes方法可信度方法,1 基本概念,什么是不确定性推理不确定性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。具体地说，所谓不确定性推理就是从不确定性的初始证据（即事实）出发，通过运用不确定性的知识，最终推出具有一定程度不确定性的结论。,2 不确定性推理中的基本问题,1.不确定性的表示与度量不确定性推理中的“不确定性”一般分为两类：一是知识的不确定性，一是证据的不确定性。知识不确定性的表示：目前在专家系统中知识的不确定性一般是由领域专家给出的，通常用一个数值表示，它表示相应知识的不确定性程度，称为知识的静态强度。证据不确定性

2、的表示：证据不确定性的表示方法与知识不确定性的表示方法一致，通常也用一个数值表示，代表相应证据的不确定性程度，称之为动态强度。,不确定性推理中的基本问题,2.不确定性匹配算法及阈值的选择推理是不断运用知识的过程,为了找到所需的知识,需要在这一过程中用知识的前提与已知证据进行匹配.只有匹配成功的知识才有可能被应用.设计一个不确定性匹配算法；指定一个匹配阈值。,3.组合证据不确定性的计算方法需要解决的另一个问题是不确定性的更新问题,不确定性的(更新算法）组合证据有:在匹配时，一个简单条件对应于一个单一的证据，一个复合条件对应于一组证据，称这一组证据为组合证据。最大最小法：T(E1 AND E2

3、)=minT(E1),T(E2)T(E1 OR E2)=maxT(E1),T(E2)概率法：T(E1 AND E2)=T(E1)T(E2)T(E1 OR E2)=T(E1)T(E2)T(E1)T(E2)有界法：T(E1 AND E2)=max0,T(E1)T(E2)1T(E1 OR E2)=min1,T(E1)T(E2)其中，T(E)表示证据E为真的程度（动态强度），如可信度、概率等。,4.不确定性的传递算法在每一步推理中，如何把证据及知识的不确定性传递给结论。在多步推理中，如何把初始证据的不确定性传递给最终结论5.结论不确定性的合成用不同知识进行推理得到了相同结论，但所得结论的不确定性却不

4、同。此时，需要用合适的算法对结论的不确定性进行合成。,不确定性推理中的基本问题,不确定性推理方法的分类,不确定性推理方法主要可分为模型法与控制法。模型法：在推理一级对确定性推理进行扩展，引入证据的不确定性及知识的不确定性。模型方法又分为数值方法和非数值方法两类。数值方法对不确定性进行定量的描述，按其所依据的理论又可分为基于概率的方法和基于模糊理论的方法。本文主要针对模型方法中相关的典型算法展开.,可信度方法,可信度方法是在确定性理论的基础上，结合概率论等提出的一种不确定性推理方法，简称C-F模型。该方法首先在医疗系统MYCIN中得到成功的应用。可信度的概念根据经验对一个事物和现象为真的相信程度

5、称为可信度。在可信度方法中，由专家给出规则或知识的可信度，从而可避免对先验概率、或条件概率的要求。,5.4.2 C-F模型,知识不确定性的表示:在C-F模型中，知识是用产生式规则表示的，其一般形式为：IFETHENH(CF(H,E)其中：（1）前提E可以是命题的合取和析取组合（2）结论H可为单一命题，也可以是复合命题（3）CF(H,E)为确定性因子，简称可信度，用以量度规则的确定性（可信）程度。取值于-1，1，表示E为真时，对H的支持程度。CF(H,E)值越大，E就越支持H为真。,可信度因子的定义,IF ETHEN H(CF(H,E)CF(H,E)定义为：CF(H,E)=MB(H,E)-MD(

6、H,E)MB反映了证据对结论有利的一面，MD反映了证据对结论不利的一面。MB(Measure Belief)表示因与E匹配的证据出现，使H为真的信任增长度。MD(Measure Disbelief)指不信增长度，表示因与E匹配的证据出现，使H为真的不信任增长度。MB和MD的定义为：,当P(H|E)P(H)时：表示证据E支持结论H MB(H,E)0，MD(H,E)=0。当P(H|E)0，MB(H,E)=0。当p(H/E)p(H)时，表示E对H无影响，则有MBMD0MB(H,E)与MD(H,E)是互斥的：当MB(H,E)0时，MD(H,E)0 当MD(H,E)0时，MB(H,E)0,CF(H,E)

8、CF(E)的取值范围：-1，+1。CF(E)0:表示证据以某种程度为真。CF(E)0:表示证据以某种程度为假。CF(E)表示证据的强度，即动态强度。,证据不确定性的表示,设证据E所在的环境为 S，则可用可信度CF(E,S)来表示E在 S下的确定性程度，并有：CF(E,S)=MB(E,S)-MD(E,S)若S下E为真，则 CF(E,S)=1；若E为假，则 CF(E,S)=-1；若S 对E的真值无影响，则CF(E,S)=0。类似于规则的不确定性，证据的可信度往往可由领域专家凭经验主观确定。证据的可信度值来源于两种情况：（1）初始证据由领域专家或用户给出；（2）中间结论由不确定性传递算法计算得到。,

9、3、组合证据不确定性的算法(1)当组合证据是多个单一证据的合取时，即：E=E1 AND E2 ANDAND En则CF(E)=minCF(E1),CF(E2)CF(En)(2)当组合证据是多个单一证据的析取时，即：E=E1 OR E2 OROR En则CF(E)=maxCF(E1),CF(E2)CF(En),4.不确定性的传递不确定性的传递算法定义如下：CF(H)=CF(H,E)max0，CF(E)由上式可以看出:(1)CF(E)0时,CF(H)=0,说明该模型没有考虑证据为假时对结论H所产生的影响。（2）CF(E)=1时,CF(H)=CF(H,E),说明规则可信度CF(H,E)就是证据为真时

10、的结论H的可信度。,5、结论不确定性的合成算法若由多条不同知识推出了相同的结论，但可信度不同，则可用合成算法求出综合的可信度。由于对多条知识的综合可通过两两的合成实现，所以下面只考虑两条知识的情况。设有如下知识：IF E1 THEN H（CF(H,E1)IF E2 THEN H（CF(H,E2)则结论H的综合可信度可分为如下两步算出：（1）首先分别对每一条知识求出CF(H)CF1(H)=CF(H,E1)max0,CF(E1)CF2(H)=CF(H,E2)max0,CF(E2)（2）然后用下述公式求出E1与E2对H的综合可信度CF12(H):,C-F模型推理示例(1),例5.5 设有如下一组知识

11、：R1:IFE1THENH(0.8)R2:IFE2THENH(0.6)R3:IFE3THENH(-0.5)R4:IFE4 AND(E5 OR E6)THENE1(0.7)R5:IFE7 AND E8 THENE3(0.9)已知：CF(E2)=0.8,CF(E4)=0.5,CF(E5)=0.6CF(E6)=0.7,CF(E7)=0.6,CF(E8)=0.9求：CF(H)=？解：由R4得到：CF(E1)=0.7max0,CFE4 AND(E5 OR E6)=0.7max0,minCF(E4),CF(E5 OR E6)=0.35由R5得到：CF(E3)=0.9max0,CFE7 AND E8=0.5

12、4,R1:IFE1THENH(0.8)R2:IFE2THENH(0.6)R3:IFE3THENH(-0.5)由R1得到：CF1(H)=0.8max0,CF(E1)=0.28由R2得到：CF2(H)=0.6max0,CF(E2)=0.48由R3得到：CF3(H)=-0.5max0,CF(E3)=-0.27根据结论不确定性的合成算法：CF12(H)=CF1(H)+CF2(H)-CF1(H)CF2(H)=0.63CF123(H)=CF12(H)+CF3(H)/1-min|CF12(H)|,|CF3(H)|=0.49即最终的综合可信度为CF(H)=0.49。,IFETHEN H(CF(H,E)C-F模

13、型的核心问题是三个可信度：(1)知识的可信度CF(H,E)：取值范围-1，1 CF(H,E)=1 对应于 P(H|E)=1(证据绝对支持结论)CF(H,E)=-1 对应于 P(H|E)=0(证据绝对否定结论)CF(H,E)=0 对应于 P(H|E)=P(H)(证据与结论无关)(2)证据的可信度CF(E)：取值范围-1，1 CF(E)=1 对应于 P(E)=1(证据绝对存在);CF(E)=-1 对应于 P(E)=0;(证据绝对不存在)CF(E)=0 对应于 P(E)=0.5(对证据一无所知)。(3)结论的可信度CF(H)：取值范围-1，1 CF(H)=CF(H,E)max0,CF(E)该公式隐含了一个知识运用的条件,即CF(E)0。,基于可信度的不确定性推理方法的特点,优点：简单、直观。缺点：可信度因子依赖于专家主观指定，没有统一、客观的尺度，容易产生片面性。随着推理延伸，可信度越来越不可靠，误差越来越大。当推理深度达到一定深度时，有可能出现推出的结论不再可信的情况。,

展开阅读全文