人工智能_不確定性推理(編輯修改稿)
2025-06-15 10:35 本頁面
【文章內(nèi)容簡介】 . ? MD：稱為不信任增長度 ,它表示因與前提條件 E匹配的證據(jù)的出現(xiàn) ,使結論 H為真的不信任增長度 . ? 規(guī)則的不確定性 31 ● 在環(huán)境 E 39。 下 ， 若兩個證據(jù)的合取或析取支持結論 H， 則可表示為 證據(jù)的不確定性組合定義為 CF(E1∧ E2, E 39。 ) = min[CF(E1, E 39。 ), CF(E2, E 39。 )] CF(E1∨ E2, E 39。 ) = max[CF(E1, E 39。 ), CF(E2, E 39。 )] 當兩條規(guī)則支持同一結論 H時，可表示為 不確定性的組合 32 不確定性的組合 ? 當組合證據(jù)是多個單一證據(jù)的合取時 ,即 : E = E1 and E2 and … and En 若已知 CF(E1), CF(E2),… , CF(En),則 CF(E) = min {CF(E1), CF(E2),… , CF(En) } ? 當組合證據(jù)是多個單一證據(jù)的析取時 ,即 : E = E1 or E2 or … or En 若已知 CF(E1), CF(E2),… , CF(En),則 CF(E) = max {CF(E1), CF(E2),… , CF(En) } 33 結論不確定性的合成算法 ? 若由多條不同知識推出了相同的結論 ,但可信度不同 ,則可用合成算法求出綜合可信度 . 設有如下知識 : if E1 then H (CF(H, E1)) if E2 then H (CF(H, E2)) 則結論 H 的綜合可信度可分如下兩步算出 : 34 結論不確定性的合成 ? 首先分別對每一條知識求出 CF(H): CF1(H) = CF(H, E1) max { 0, CF(E1) } CF2(H) = CF(H, E2) max { 0, CF(E2) } 然后用下述公式求出 E1 與 E2 對 H 的綜合影響所形成的可信度 : CF1(H) + CF2(H) – CF1(H) CF2(H) 若 CF1(H) ≥0, CF2(H) ≥ 0 CF1(H) + CF2(H) + CF1(H) CF2(H) 若 CF1(H) ＜ 0, CF2(H) ＜ 0 CF1(H) + CF2(H) 1 – min { | CF1(H) | , | CF2(H) | } 若 CF1(H) CF2(H) ＜ 0 35 實例 ? 有下列一組知識 : r1: if E1 then H ( ) r2: if E2 then H ( ) r3: if E3 then H ( ) r4: if E4 and ( E5 or E6 ) then E1 ( ) r5: if E7 and E8 then E3 ( ) 已知 : CH ( E2 ) = , CH ( E4 ) = ,CH ( E5 ) = , CH ( E6 ) = , CH ( E7 ) = , CH ( E8 ) = , 求 : CF ( H ) = 36 確定因子法的缺點 ? （ 1）如何將人表示可信度的術語轉(zhuǎn)變?yōu)閿?shù)字化的 CFs。例如，人的經(jīng)驗規(guī)則常涉及 很可能 、 不大可能 等術語，應對應到多大的 CF值。 （ 2）如何規(guī)范化人們對可信度的估計，不同人所作的估計往往相差較大。 （ 3）為防止積累誤差，需指定門檻值，但多大合適呢？太小固然不行，但太大也不好，因為可信度的傳遞需要累計較小的變化。 （ 4）為改進可信度的精確性，需提供從系統(tǒng)的實際執(zhí)行反饋的信息，并基于反饋信息調(diào)整可信度。這實際上是一種機器學習問題，尚未較好地加以解決。 37 Bayes方法 ? 在 PROSPECTOR探礦專家系統(tǒng)中，采用了主觀 Bayes方法來度量不確定性。引入兩個數(shù)值（ LS， LN）來作度量， LS表現(xiàn)規(guī)則 AB成立的充分性， LN表現(xiàn)規(guī)則 AB成立的必要性。也就是說 LS表現(xiàn)規(guī)則 AB， A為真時對 B為真的支持程度， LN表現(xiàn)了 A不為真（ ~A）對 B為真的支持程度。 38 對規(guī)則的不確定性度量 ? 對規(guī)則 AB的不確定性 CF(B,A)以（ LS， LN）來描述。 ? 39 ? 建立幾率函數(shù) ? 表示事實 X為真的概率與 X為假的概率之比，顯然 P(X)的越大 O(X)也加大，而且： ? P(X)=0， O(X)=0 ? P(X)=1， O(X)=∞ 40 ? O(B|A)=LSO(B) ? O(B|~A)=LNO(B） ? ? 由這兩個公式，對于規(guī)則 AB， LS表現(xiàn) A為真時對 B為真的支持程度， LN表現(xiàn)了 A為假（ ~A）時對 B為真的支持程度。 41 42 ? 根據(jù) LS、 LN的定義可知， LS≥0， LN≥0，而且LS和 LN不是獨立取值，只能出現(xiàn)： ? LS1， LN1 或 LS1， LN1 或 LS=LN=1 ? 但不能兩者同時 1或同時
黨政相關相關推薦
鄂ICP備17016276號-1