人工智能及應(yīng)用(文件)
【正文】 {紅 } {紅 }： [,] 表示 {紅 }的精確信任度為 ，不可駁斥部分為，而肯定不是 {紅 }的為 典型值的含義 ? A[0,1]：說明對 A一無所知。 Bel(A)=0,Pl(A)=0， Bel(172。我們使用同樣的方式表示知識信任度。A)=1 ∑si?172。A)=1f(A) 證明： ∵ f(172。A)Bel(172。A)=m(Ω) Bel(172。 證據(jù)不確定性的表示 ? 證據(jù)的不確定性由證據(jù)的類概率函數(shù)給出。A)=10=1 f(A)=Bel(A)+|A|/|Ω|*(Pl(A)Bel(A)) =+2/10*()= CER(A)=f(A)= 示例 2. 求 CER(B) CER(E3 and(E4 or E5))= m({b1})=(*)=() Bel(B)= Pl(B)=1Bel(172。H) f(H)=Bel(H)+|H|/|Ω|m(Ω) 3. CER(H)=f(H) 結(jié)論不確定性的合成 如果有兩條知識支持同一結(jié)論 if E1 then H={h1,h2,…,h n} CF={c1,c2,…,c n} if E2 then H={h1,h2,…,h n} CF={e1,e2,…,e n} 先求出每條知識的概率分配函數(shù) m1 ,m2,然后求 出兩個概率分配函數(shù)的正交和 m1⊕ m2以正交和 作為 H的概率分配函數(shù)。A)=1Bel(A)m(Ω)+(|Ω||A|)/|Ω|m(Ω) =1Bel(A)m(Ω)+m(Ω)|A|/|Ω|m(Ω) =1(Bel(A)+|A|/|Ω|(Pl(A)Bel(A))) =1f(A) 類概率函數(shù)的性質(zhì) ? 根據(jù)前面的性質(zhì)可以很容易得到 1. f(Φ)=0 2. f(Ω)=1 3. 對任何 A?Ω,0≤f(A)≤1 知識不確定性的表示 ? DS理論中，不確定性知識的表示形式為 if E then H={h1,h2,…,h n} CF={c1,c2,…,c n} 其中： E為前提條件，它可以是簡單條件，也可 以是復合條件； H是結(jié)論，它用樣本空間的子集表示， h1,h2,… ,hn是該子集的元素； CF是可信度因子，用集合的方式表示。A|=|Ω||A| Pl(172。A)+|172。Ω)=1 類概率函數(shù) 定義 46：設(shè) Ω為有限域，對任何命題 A?Ω其類概率函數(shù)為 f(A)=Bel(A)+|A|/|Ω|[Pl(A)Bel(A)] 其中 |A|和 |Ω|表示 A和 Ω中的元素個數(shù)。 一類特殊的概率分配函數(shù) ? 設(shè) Ω={s1,s2,…,s n},m為定義在 2Ω上的概率分配函數(shù)，且 m滿足： 1. m({si})≥0,對任給 si ?Ω 2. ∑ m({si})≤1 3. m(Ω)=1∑ m({si}) 4. 當 A?Ω，且 A的元素多于 1個或沒有元素，則m(A)=0。 ? A[
教學課件相關(guān)推薦
鄂ICP備17016276號-1