不确定性推理
合集下载
不确定性推理方法
不确定性推理是一种在不确定情况下进行推理的方法，是人工智能领域中的一个重要分支。
它是基于对不确定性的建模，使用数学方法对不确定的信息进行推理的过程。
不确定性推理的应用非常广泛，在计算机科学、统计学、人工智能等领域都有广泛的应用。
它可以用于解决各种类型的推理问题，例如：
决策支持：通过不确定性推理，可以对决策过程中的不确定信息进行推理，为决策者提供支持。
建模和预测：不确定性推理可以用于对复杂的系统进行建模，并预测未来的发展趋势。
诊断和故障排除：不确定性推理可以用于诊断系统故障，并提供
解决矛盾问题：不确定性推理可以用于解决矛盾问题，例如两个相互矛盾的命题的真假性判定。
自然语言理解：不确定性推理可以用于自然语言理解，例如解决句子的歧义问题。
模式识别：不确定性推理可以用于模式识别，例如识别图像中的物体。
不确定性推理方法有许多种，其中包括贝叶斯网络、规则基系统、不确定性推理语言、随机游走模型等。
贝叶斯网络是一种用于不确定性推理的图形模型，它基于贝叶斯定理，通过对条件概率进行建模，可以对不确定的信息进行推理。
规则基系统是一种基于规则的不确定性推理方法，它使用规则来描述系统的知识，并使用规则来对不确定的信息进行推理。
不确定性推理语言是一种用于表示不确定信息的语言，常见的不确定性推理语言有PROLOG 和Fuzzy Logic。
随机游走模型是一种基于随机游走的不确定性推理方法，它通过模拟随机游走的过程，对不确定的信息进行推理。
在实际应用中，不确定性推理方法通常需要与其他方法结合使用，才能得到最优的结果。
例如，在人工智能系统中，不确定性推理方法常常与机器学习方法结合使用，以获得更好的结果。
人工智能第十二讲不确定性推理-可信度方法
当用不同的知识进行推理得到了 相同的结 论，但不确定性的程度却不同，这样就需要对 这些不确定性程度进行合成。（注意：如果推 出的结论不同就产生 冲突，无法进行合成）
基本概念 －－不确定性推理方法的分类
? 沿着两条路线发展：一是 模型方法 ，与控制策略 无关；二是控制方法，没有统一模型，依赖于控 制策略。我们只讨论模型方法。
? 例如： IF 发热38 °以上 AND 四肢关节疼痛无力 AND 胸闷咳嗽 THEN 患SARS (0.7) 表示病人如有上述症状则有七成把握认为他患 SARS
可信度方法
－－C-F模型
? 定义： CF(H,E) = MB(H,E) －MD(H,E), 其中CF(H,E) ∈[-1,1] MB（Measure Belief ）－－信任增长度 ，表示因 与E匹配的证据的出现，使 H为真的信任增长度。
不确定性推理
－－可信度方法
内容简介
一． 不确定性推理的基本概念与原理 二． 可信度方法的基本模型和三个扩展方法
基本概念
－－不确定性推理的定义
? 从不确定性的初始证据出发，通过运用不 确定性的知识，最终推出具有一定程度的 不确定性但却是合理或者近乎合理的结论 的思维过程。
? 事实和知识是构成推理的两个基本要素。 已知事实称为证据（E），用以指出推理 的出发点及推理时应该使用的知识；而知 识是推理得以向前推进，并逐步达到最终 目标（H）的依据。
基本概念
－－ 一些基本问题
1. 不确定性的表示与量度
a. 知识不确定性的表示
? 制定表示方法时需要考虑：一是要能根据领域 问题的特征把其不确定性比较准确地描述出来， 满足问题求解的需要；另一是要便于推理过程 中对不确定性的推算。
? 一般由领域专家给出，称为知识的 静态强度 。 静态强度可以是相应知识在应用中成功的概率， 也可以是该条知识的可信程度或其他。
基本概念 －－不确定性推理方法的分类
? 沿着两条路线发展：一是 模型方法 ，与控制策略 无关；二是控制方法，没有统一模型，依赖于控 制策略。我们只讨论模型方法。
? 例如： IF 发热38 °以上 AND 四肢关节疼痛无力 AND 胸闷咳嗽 THEN 患SARS (0.7) 表示病人如有上述症状则有七成把握认为他患 SARS
可信度方法
－－C-F模型
? 定义： CF(H,E) = MB(H,E) －MD(H,E), 其中CF(H,E) ∈[-1,1] MB（Measure Belief ）－－信任增长度 ，表示因 与E匹配的证据的出现，使 H为真的信任增长度。
不确定性推理
－－可信度方法
内容简介
一． 不确定性推理的基本概念与原理 二． 可信度方法的基本模型和三个扩展方法
基本概念
－－不确定性推理的定义
? 从不确定性的初始证据出发，通过运用不 确定性的知识，最终推出具有一定程度的 不确定性但却是合理或者近乎合理的结论 的思维过程。
? 事实和知识是构成推理的两个基本要素。 已知事实称为证据（E），用以指出推理 的出发点及推理时应该使用的知识；而知 识是推理得以向前推进，并逐步达到最终 目标（H）的依据。
基本概念
－－ 一些基本问题
1. 不确定性的表示与量度
a. 知识不确定性的表示
? 制定表示方法时需要考虑：一是要能根据领域 问题的特征把其不确定性比较准确地描述出来， 满足问题求解的需要；另一是要便于推理过程 中对不确定性的推算。
? 一般由领域专家给出，称为知识的 静态强度 。 静态强度可以是相应知识在应用中成功的概率， 也可以是该条知识的可信程度或其他。
ai7不确定性推理_tmp
主观Bayes方法 提出：1976年 杜达(R.O.Duda) 应用：地矿勘探专家系统PROSPECTOR
知识不确定性的表示 在主观Bayes方法中，知识(规则)就是推理网络中 的一条弧，它的不确定性是以一个数值对 (LS,LN)来进行描述的。 若以产生式规则的形式表示，其形式为： IF E THEN (LS,LN) H (P(H)) 其中各项含义如下 ①E是该知识的前提条件，既可以是单个的条件， 也可以是由AND或OR把多个简单条件连接而成的 复合条件。 ②H是结法 当证据E是由多个单一证据的合取组合而成时，即 E=E1E2…En 如果已知P(E1/S),P(E2/S),…,P(En/S)，则 P(E/S)=min{P(E1/S),P(E2/S),…,P(En/S)} 当证据E是由多个单一证据的析取组合而成时，即 E=E1E2…En 如果已知P(E1/S),P(E2/S),…,P(En/S)，则 P(E/S)=max{P(E1/S),P(E2/S),…,P(En/S)}
不确定性的推理计算 回顾1：Bayes公式
例1：设H1，H2，H3分别是三个结论，E是支持这些 结论的证据，且已知： P(H1)=0.4 P(H2)=0.5 P(H3)=0.2 P(E/H1)=0.3 P(E/H2)=0.4 P(E/H3)=0.5 求P(H1/E),P(H2/E),P(H3/E)的值
③(LS,LN)表示该知识的规则强度，度量知识的不 确定性。 LS：表示规则成立的充分性，体现前提为真对结论 的影响程度。 LN：表示规则成立的必要性，体现前提为假对结论 的影响程度。
证据不确定性的表示 1.单个证据不确定性的表示方法 在主观Bayes方法中，证据的不确定性是用概率表 示的。例如对于初始证据E，其先验概率为P(E) ，也可由用户根据观察S给出它的后验P(E/S)。 证据的不确定性也可用几率来表示。 概率与几率的关系
2不确定性推理1基本概念2不确定性推理中的基本问题不确定
1 2
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“ 不确定性推理中的“不确定性” 不确定性”一般分为两类： 一般分为两类：一是知 识的不确定性， ，一是证据的不确定性。 识的不确定性 一是证据的不确定性。 知识不确定性的表示： 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， 性一般是由领域专家给出的，通常用一个数值表示， 通常用一个数值表示，它 表示相应知识的不确定性程度， 表示相应知识的不确定性程度，称为知识的静态强度。 称为知识的静态强度。 证据不确定性的表示： 证据不确定性的表示：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， 不确定性的表示方法一致，通常也用一个数值表示， 通常也用一个数值表示，代 表相应证据的不确定性程度， 表相应证据的不确定性程度，称之为动态强度。 称之为动态强度。
第四章2
基本概念 概率方法 可信度方法
不确定性推理
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， 上的一种推理，它是对不确定性知识的 运用与处理。 运用与处理。 具体地说， 具体地说，所谓不确定性推理就是从不 确定性的初始证据（ 确定性的初始证据（即事实） 即事实）出发， 出发，通 过运用不确定性的知识， 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。 一定程度不确定性的结论。
8
7
概率推理方法 概率推理方法
经典概率方法要求给出条件概率P(H/E)，在实际 中通常比较困难。 中通常比较困难。例如E代表咳嗽， 代表咳嗽，H代表支气管 炎，则P(H/E)表示在咳嗽的人群中患支气管炎的 概率， 概率，这个比较困难， 这个比较困难，因为样本空间太大。 因为样本空间太大。而逆 概率P(E/H)表示在得支气管炎的人群中咳嗽的概 率，这个就比较容易获得。 这个就比较容易获得。 我们可以根据Bayes定理从P(E/H)推出P(H/E)
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“ 不确定性推理中的“不确定性” 不确定性”一般分为两类： 一般分为两类：一是知 识的不确定性， ，一是证据的不确定性。 识的不确定性 一是证据的不确定性。 知识不确定性的表示： 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， 性一般是由领域专家给出的，通常用一个数值表示， 通常用一个数值表示，它 表示相应知识的不确定性程度， 表示相应知识的不确定性程度，称为知识的静态强度。 称为知识的静态强度。 证据不确定性的表示： 证据不确定性的表示：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， 不确定性的表示方法一致，通常也用一个数值表示， 通常也用一个数值表示，代 表相应证据的不确定性程度， 表相应证据的不确定性程度，称之为动态强度。 称之为动态强度。
第四章2
基本概念 概率方法 可信度方法
不确定性推理
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， 上的一种推理，它是对不确定性知识的 运用与处理。 运用与处理。 具体地说， 具体地说，所谓不确定性推理就是从不 确定性的初始证据（ 确定性的初始证据（即事实） 即事实）出发， 出发，通 过运用不确定性的知识， 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。 一定程度不确定性的结论。
8
7
概率推理方法 概率推理方法
经典概率方法要求给出条件概率P(H/E)，在实际 中通常比较困难。 中通常比较困难。例如E代表咳嗽， 代表咳嗽，H代表支气管 炎，则P(H/E)表示在咳嗽的人群中患支气管炎的 概率， 概率，这个比较困难， 这个比较困难，因为样本空间太大。 因为样本空间太大。而逆 概率P(E/H)表示在得支气管炎的人群中咳嗽的概 率，这个就比较容易获得。 这个就比较容易获得。 我们可以根据Bayes定理从P(E/H)推出P(H/E)
人工智能第4章(不确定性推理方法)
28
例：容器里的球
现分别有 A，B 两个容器，在容器 A 里分别有 7 个红球和 3 个白球，在容器 B 里有 1 个红球和 9 个白球。
现已知从这两个容器里任意抽出了一个球，且是红球， 问：这个红球是来自容器 A 的概率是多少?
假设已经抽出红球为事件 B，从容器 A 里抽出球为事件 A， 则有：P(B) = 8 / 20 P(A) = 1 / 2 P(B | A) = 7 / 10，
证据（前提）的不确定性表示 规则的不确定性表示 推理计算---结论的不确定性表示
11
证据的不确定性度量
单个证据的不确定性获取方法：两种 初始证据：由提供证据的用户直接指定，用可信度因子对 证据的不确定性进行表示。如证据 E 的可信度表示为 CF(E)。 如对它的所有观测都能肯定为真，则使CF(E)=1；如能肯定 为假，则使 CF(E)=-1 ；若它以某种程度为真，则使其取小 于1的正值，即0< CF(E)<1;若它以某种程度为假，则使其 取大于 -1 的负值，即-1< CF(E)<0; 若观测不能确定其真假， 此时可令CF(E)=0。
P (H | E) - P (H) , 当 P (H | E) P (H) 1 P (H) CF(H, E) P (H | E) - P (H) , 当P (H | E) P (H) P (H)
15
确定性方法
规则
规则的不确定性表示 证据（前提）的不确定性表示 推理计算—结论的不确定性表示
24
规则
(推理计算 4）
CF(E) < =0，
规则E H不可使用，即此计算不必进行。
0 < CF(E) <= 1，
例：容器里的球
现分别有 A，B 两个容器，在容器 A 里分别有 7 个红球和 3 个白球，在容器 B 里有 1 个红球和 9 个白球。
现已知从这两个容器里任意抽出了一个球，且是红球， 问：这个红球是来自容器 A 的概率是多少?
假设已经抽出红球为事件 B，从容器 A 里抽出球为事件 A， 则有：P(B) = 8 / 20 P(A) = 1 / 2 P(B | A) = 7 / 10，
证据（前提）的不确定性表示 规则的不确定性表示 推理计算---结论的不确定性表示
11
证据的不确定性度量
单个证据的不确定性获取方法：两种 初始证据：由提供证据的用户直接指定，用可信度因子对 证据的不确定性进行表示。如证据 E 的可信度表示为 CF(E)。 如对它的所有观测都能肯定为真，则使CF(E)=1；如能肯定 为假，则使 CF(E)=-1 ；若它以某种程度为真，则使其取小 于1的正值，即0< CF(E)<1;若它以某种程度为假，则使其 取大于 -1 的负值，即-1< CF(E)<0; 若观测不能确定其真假， 此时可令CF(E)=0。
P (H | E) - P (H) , 当 P (H | E) P (H) 1 P (H) CF(H, E) P (H | E) - P (H) , 当P (H | E) P (H) P (H)
15
确定性方法
规则
规则的不确定性表示 证据（前提）的不确定性表示 推理计算—结论的不确定性表示
24
规则
(推理计算 4）
CF(E) < =0，
规则E H不可使用，即此计算不必进行。
0 < CF(E) <= 1，
不确定性推理概述
不确定性推理概述4.1.1 不确定推理的概念所谓推理就是从已知事实出发，运⽤相关知识（或规则）逐步推出结论或证明某个假设成⽴或不成⽴的思维过程。
其中已知事实和知识（规则）是构成推理的两个基本要素。
已知事实是推理过程的出发点，把它称为证据。
4.1.2 不确定性推理⽅法的分类可信度⽅法、主观Bayes⽅法、证据理论都是在概率论的基础上发展起来的不确定性推理⽅法。
4.1.3 不确定性推理知识库是⼈⼯智能的核⼼，⽽知识库中的知识既有规律性的⼀般原理，⼜有⼤量的不完全的专家知识，即知识带有模糊性、随机性、不可靠或不知道不确定因素。
世界上⼏乎没有什么事情是完全确定的。
不确定性推理即是通过某种推理得到问题的精确判断。
（1）不确定性问题的代数模型⼀个问题的代数模型由论域、运算和公理组成。
建⽴不确定性问题模型必须说明不确定知识的表⽰、计算、与语义解释。
不确定性的表⽰问题：指⽤什么⽅法描述不确定性，通常有数值和⾮数值的语义表⽰⽅法。
数值表⽰便于计算，⽐较，再考虑到定性的⾮数值描述才能较好的解决不确定性问题。
例如对规则A->B（即A真能推导B真）和命题（或称证据、事实）A，分别⽤f(B,A)来表⽰不确定性度量。
推理计算问题：指不确定性的传播和更新，也即获得新的信息的过程。
包括：①已知C(A),A->B,f(B,A)，如何计算C(B)②证据A的原度量值为C1(A),⼜得C2(A)，如何确定C(A)③如何由C(A1)和C(A2)来计算C(A1∧A2)，C(A1∨A2)等。
⼀般初始命题/规则的不确定性度量常常由有关领域的专家主观确定。
语义问题：是指上述表⽰和计算的含义是什么？即对它们进⾏解释，概率⽅法可以较好地回答这个问题，例如f(B,A)可理解为前提A为真时对结论B为真的⼀种影响程度，C(A)可理解为A为真的程度。
特别关⼼的是f(B,A)的值是：①A真则B真，这时f(B,A)=?②A真则B假，这时f(B,A)=?③A对B没有影响时，这时f(B,A)=?对C(A)关⼼的值是①A真时，C(A)=?②A假时，C(A)=?③对A⼀⽆所知时，C(A)=?（2）不确定推理⽅法的分类不确定推理⽅法在⼈⼯智能系统中通常是不够严谨的，但尚能解决某些实际问题，符合⼈类专家的直觉，在概率上也可给出某种解释。
人工智能第5章不确定性推理
计算问题
指不确定性的传播和更新，即获得新的信息的过程。
不确定性的传递问题： 已知规则A→B，P(A)和P(B,A)，如何计算结论P(B) 结论不确定性的合成： 用不同的知识进行推理得相同结论，但可信度度量不同，如 P1(A)和P2(A)，如何计算最终的P(A) 组合证据的不确定性算法： 已知证据A1和A2的可信度度量P(A1)、P(A2)，求证据析取和合 取的可信度度量P(A1∧A2)和P(A1∨A2)
事件间的关系
两个事件A与B可能有以下几种特殊关系
包含：若事件B发生则事件A也发生，称“A包含B”， 或“B含于A”，记作A⊃B或B⊂A 等价：若A⊃B且B⊂A，即A与B同时发生或同时不发 生，则称A与B等价，记作A=B 互斥：若A与B不能同时发生，则称A与B互斥，记作 AB=φ 对立：若A与B互斥，且必有一个发生，则称A与B对 立，记作A=~B或B=~A，又称A为B的余事件，或B为 A的余事件 任意两个事件不一定会是上述几种关系中的一种。
因此，要实现对不确定性知识的处理， 必须解决不确定知识的表示问题，不确定信 息的计算问题，以及不确定表示和计算的语 义解释问题。
表示问题 指用什么方法描述不确定性，这是解决不确定性推 理关键的一步。
通常有数值表示和非数值的语义表示方法。
知识的不确定性表示(A→B)：P(B,A) 证据的不确定性表示(A)：P(A)
k
P (i 1A i)P (A 1)P (A 2) ...P (A k)
• 设A，B是两事件，则 P(A∪B)=P(A)+P(B)-P(A∩B)
条件概率
事件B的条件概率 设B与A是某个随机实验中的两个事件，如果在事件 A发生的条件下，考虑事件B发生的概率，就称它为 事件B的条件概率。 • 定义：设A，B为事件且P(A)>0，称 P(B| A)P(AB)
人工智能第五章不确定性推理 (2)
概率论基础（概率性质 ）
• 定 穷多义个：事设件{A，n, 两n=两1,不2相, …交}，为且一组 A有n 限 ，或可则称列事无
件族{An, n=1, 2, …}为样本空间n Ω的一个完备
，
事 2,件…族，，则又称若{A对n,任n=意1事, 2件, …B有}为B基An=本An事或件φ族, 。n=1,
• 定义：设Ω为一个随机实验的样本空间， 对Ω上的任意事件A，规定一个实数与之 对应，记为P(A)，满足以下三条基本性
，
质，称为事件A发生的概率：
0 P(A) 1 P() 1 P() 0
–若二事件AB互斥，即，则
P(A B) P(A) P(B)
• 以上三条基本规定是符合常识的。
《人工智能原理》第五章 不确定性推理
• 随机事件：随机事件是一个随机实验的一些 可能结果的集合，是样本空间的一个子集。 常用大写字母A,B,C,…表示。
《人工智能原理》第五章 不确定性推理
概率论基础（事件间的关系与运算 ）
• 两个事件A与B可能有以下几种特殊关系：
– 包含：若事件B发生则事件A也发生，称“A包含B”， 或“B含于A”，记作AB或BA。
• 设A，B是两事件，则
P(A B) P(A) P(B) P(A B)
《人工智能原理》第五章 不确定性推理事件且P(A)>0，称
P(B | A) P( AB)
P( A)
，
• 为事件A已发生的条件下，事件B的条件
概率，P(A)在概率推理中称为边缘概率。
《人工智能原理》第五章 不确定性推理
第五章 不确定性推理
• 概述 • 概率论基础 • Bayes网络 • 主观Bayes方法 • 确定性方法 • 证据理论
(完整版)不确定性推理推理方法
H：是结论，它可以是一个单一结论，也可以是多 个结论。
CF(H,E)：是该条知识的可信度，称为可信度因子或 规则强度，静态强度。
CH(H,E) 在[-1，1]上取值，它指出当前提条件 E 所 对应的证据为真时，它对结论为真的支持程度。
例如： if 头痛 and 流涕 then 感冒（0.7）
表示当病人确有“头痛”及“流涕”症状时，则有7 成的把握认为 他患了感冒。
MD：称为不信任增长度，它表示因与前提条件E匹 配的证据的出现，使结论H为真的不信任增长度。
在 C-F 模型中，把CF(H,E)定义为：
CF(H,E)=MB(H,E) – MD(H,E)
MB：称为信任增长度，它表示因与前提条件 E 匹 配的证据的出现，使结论H为真的信任增长度。
MB定义为：
MB(H,E)=
1 Max{P(H/E), P(H)} – P(H)
1 – P(H)
若P(H)=1 否则
性。
3. 可信度方法
(1) 可信度 根据经验对一个事物或现象为真的相信程度。
(2) C-F模型 C-F 模型是基于可信度表示的不确定性推理的基本方法。
Ⅰ. 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 形式是：
if E then H (CF(H, E)) 其中，
E：是知识的前提条件，它既可以是一个单个条件， 也可以是用 and 及 or 连接起来的复合条件；
* 证据的不确定性表示方法应与知识的不确定性表 示方法保持一致，以便于推理过程中对不确定性进行统 一处理。
• 不确定性的量度
对于不同的知识和不同的证据，其不确定性的程度 一般是不相同的，需要用不同的数据表示其不确定性的 程度，同时还要事先规定它的取值范围。
CF(H,E)：是该条知识的可信度，称为可信度因子或 规则强度，静态强度。
CH(H,E) 在[-1，1]上取值，它指出当前提条件 E 所 对应的证据为真时，它对结论为真的支持程度。
例如： if 头痛 and 流涕 then 感冒（0.7）
表示当病人确有“头痛”及“流涕”症状时，则有7 成的把握认为 他患了感冒。
MD：称为不信任增长度，它表示因与前提条件E匹 配的证据的出现，使结论H为真的不信任增长度。
在 C-F 模型中，把CF(H,E)定义为：
CF(H,E)=MB(H,E) – MD(H,E)
MB：称为信任增长度，它表示因与前提条件 E 匹 配的证据的出现，使结论H为真的信任增长度。
MB定义为：
MB(H,E)=
1 Max{P(H/E), P(H)} – P(H)
1 – P(H)
若P(H)=1 否则
性。
3. 可信度方法
(1) 可信度 根据经验对一个事物或现象为真的相信程度。
(2) C-F模型 C-F 模型是基于可信度表示的不确定性推理的基本方法。
Ⅰ. 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 形式是：
if E then H (CF(H, E)) 其中，
E：是知识的前提条件，它既可以是一个单个条件， 也可以是用 and 及 or 连接起来的复合条件；
* 证据的不确定性表示方法应与知识的不确定性表 示方法保持一致，以便于推理过程中对不确定性进行统 一处理。
• 不确定性的量度
对于不同的知识和不同的证据，其不确定性的程度 一般是不相同的，需要用不同的数据表示其不确定性的 程度，同时还要事先规定它的取值范围。
不确定性推理
若CF(H,E) < 0，则P(H|E) < P(H)。这说明由于证据E的出现减少了H为真的概率，即增加了H为假的可信度，CF(H,E)的值越小，增加H为假的可信度就越大。
知识的不确定性通常是用一个数值来描述的，该数值表示相应知识的确定性程度，也称为知识的静态强度。知识的静态强度可以是该知识在应用中成功的概率，也可以是该知识的可信程度等。如果用概率来表示静态强度，则其取值范围为［0，1］，该值越接近于1，说明该知识越接近于“真”；其值越接近于0，说明该知识越接近于“假”。如果用可信度来表示静态强度，则其取值范围一般为［−1，1］。当该值大于0时，值越大，说明知识越接近于“真”；当其值小于0时，值越小，说明知识越接近于“假”。在实际应用中，知识的不确定性是由领域专家给出的。
6.1.2 不确定性推理的基本问题
在不确定性推理中，除了需要解决在确定性推理中所提到的推理方向、推理方法、控制策略等基本问题外，一般还需要解决不确定性的表示与度量、不确定性的匹配、不确定性的合成和不确定性的更新等问题。
1．不确定性的表示
不确定性的表示包括知识的不确定性表示和证据的不确定性表示。
1．知识不确定性的表示
在CF模型中，知识是用产生式规则表示的，其一般形式为
IF E THEN H (CF(H,E))
其中，E是知识的前提证据；H是知识的结论；CF(H,E)是知识的可信度。对它们简单说明如下。
（1）前提证据E可以是一个简单条件，也可以是由合取和析取构成的复合条件。例如
（3）多种原因导致同一结论。所谓多种原因导致同一结论是指知识的前提条件不同而结论相同。在现实世界中，可由多种不同原因导出同一结论的情况有很多。例如，引起人体低烧的原因至少有几十种，如果每种原因都作为一条知识，那就可以形成几十条前提条件不同而结论相同的知识。当然，在不确定性推理中，这些知识的静态强度可能是不同的。
知识的不确定性通常是用一个数值来描述的，该数值表示相应知识的确定性程度，也称为知识的静态强度。知识的静态强度可以是该知识在应用中成功的概率，也可以是该知识的可信程度等。如果用概率来表示静态强度，则其取值范围为［0，1］，该值越接近于1，说明该知识越接近于“真”；其值越接近于0，说明该知识越接近于“假”。如果用可信度来表示静态强度，则其取值范围一般为［−1，1］。当该值大于0时，值越大，说明知识越接近于“真”；当其值小于0时，值越小，说明知识越接近于“假”。在实际应用中，知识的不确定性是由领域专家给出的。
6.1.2 不确定性推理的基本问题
在不确定性推理中，除了需要解决在确定性推理中所提到的推理方向、推理方法、控制策略等基本问题外，一般还需要解决不确定性的表示与度量、不确定性的匹配、不确定性的合成和不确定性的更新等问题。
1．不确定性的表示
不确定性的表示包括知识的不确定性表示和证据的不确定性表示。
1．知识不确定性的表示
在CF模型中，知识是用产生式规则表示的，其一般形式为
IF E THEN H (CF(H,E))
其中，E是知识的前提证据；H是知识的结论；CF(H,E)是知识的可信度。对它们简单说明如下。
（1）前提证据E可以是一个简单条件，也可以是由合取和析取构成的复合条件。例如
（3）多种原因导致同一结论。所谓多种原因导致同一结论是指知识的前提条件不同而结论相同。在现实世界中，可由多种不同原因导出同一结论的情况有很多。例如，引起人体低烧的原因至少有几十种，如果每种原因都作为一条知识，那就可以形成几十条前提条件不同而结论相同的知识。当然，在不确定性推理中，这些知识的静态强度可能是不同的。
6 不确定性推理
模糊推理
最重要的模糊推理是基于模糊规则的推理。 模糊规则的前提是模糊命题的逻辑组合作为推理的条件 结论是表示推理结果的模糊命题 所有模糊命题成立的模糊程度均以相应语言变量定性值 的隶属函数来表示
模糊推理
模糊推理的步骤： 模糊化：接受输入变量的当前值，并最终把他们变换到合适的范围中。
准确输入值x通常变为模糊集合μx
模糊值
模糊推理（例1）
我们用一个假设的汽车漫游控制器作为例子来说明推理过程。 漫游器是在一段长的空旷路上保持汽车速度的一种自动方法。 司机选择需要的速度，控制器的工作是保持这个速度。在漫游 途中路况会发生变化，路上会有上坡和下坡，控制器应调节油 门以保持预定的速度。有两个输入变量：速度和加速度。速度 变量由预定速度和真实速度的差计算得出： 速度差=真实速度-预定速度 差可能是零、正（太快了）或者负（太慢了）。 如果在一段特定的时间间隔内（比如2秒）汽车的速度不变则加 速度是零，如果汽车在加速则加速度为正，如果汽车在减速则 加速度为负。
模糊推理（例1）
负 零 正
-15 -10 -5
0
5 10 15
速度差
速度差的模糊函数
模糊推理（例1）
负
0.5
零
正
-15 -10 -5
0
5 10 15
加速度
加速度的模糊函数
模糊推理（例1）
大量 减少 少量 减少 不变 少量 增加 大量 增加
-15 -10 -5
0
5 10 15
油门
油门调节的模糊函数
数值方法 模型法 非数值方法：非单调推理方法
概率论：可信度方法、证据理论、Bayes方法
模糊数学
控制方法
outlook
第四章不确定性推理
– 在推理一级上扩展确定性推理。其特点是把不确定的 证据和不确定的知识分别与某种度量标准对应起来， 并且给出更新结论不确定的算法。这类方法与控制策 略一般无关，即无论用何种控制策略，推理的结果都 是唯一的。模型方法分为：
– 数值方法 • 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模糊推理。 – 非数值方法
19
若A1,A2,…,An是彼此独立的事件， P( Ai ) P( B | Ai ) P( Ai | B) n , i 1, 2,..., n P( Aj ) P( B | Aj )
j 1
其中，P(Ai)是事件Ai的先验概率；P(B|Ai)是在事件Ai发生条 件下事件B的条件概率。 如果用产生式规则 IF E THEN Hi 中的前提条件E代替Bayes公式中的B，用Hi代替公式中的Ai ， 就可得到 P( H i ) P( E | H i ) P( H i | E ) n , i 1, 2,..., n 20 P( H j ) P( E | H j )
• P(¬ A)=1-P(A) • P(A∪B)=P(A)+P(B)-P(AB) • 如果 A B ，则P(A-B)=P(A)-P(B)
13
• 如果在事件B发生的条件下考虑事件A发生的概率， 就称它为事件A的条件概率，记为P(A|B)。 • 定义4.3 设A，B是两个事件，P(B)>0,则称
P( A | B) P( A B) P( B)
j 1
P ( H i | E1 E2 Em ) P ( H i ) P ( E1 | H i ) P ( E2 | H i ) P ( Em | H i )
P( H
j 1
n
– 数值方法 • 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模糊推理。 – 非数值方法
19
若A1,A2,…,An是彼此独立的事件， P( Ai ) P( B | Ai ) P( Ai | B) n , i 1, 2,..., n P( Aj ) P( B | Aj )
j 1
其中，P(Ai)是事件Ai的先验概率；P(B|Ai)是在事件Ai发生条 件下事件B的条件概率。 如果用产生式规则 IF E THEN Hi 中的前提条件E代替Bayes公式中的B，用Hi代替公式中的Ai ， 就可得到 P( H i ) P( E | H i ) P( H i | E ) n , i 1, 2,..., n 20 P( H j ) P( E | H j )
• P(¬ A)=1-P(A) • P(A∪B)=P(A)+P(B)-P(AB) • 如果 A B ，则P(A-B)=P(A)-P(B)
13
• 如果在事件B发生的条件下考虑事件A发生的概率， 就称它为事件A的条件概率，记为P(A|B)。 • 定义4.3 设A，B是两个事件，P(B)>0,则称
P( A | B) P( A B) P( B)
j 1
P ( H i | E1 E2 Em ) P ( H i ) P ( E1 | H i ) P ( E2 | H i ) P ( Em | H i )
P( H
j 1
n
第4讲 不确定性推理
第4章 不确定性推理4.1 不确定性及其类型 4.2 主观Bayes方法 4.3 可信度理论 4.4 证据理论4.1 不确定性及其类型推理的分类： 精确推理 不精确推理（即不确定推理）4.1 不确定性及其类型一、 不确定性的原因：A 证据的不确定性 歧义性： 不完全性： 不精确性： 模糊性： 可信性： 随机性：其它因素引起的不确定性。
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4.1 不确定性及其类型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4.2 主观Bayes方法1. 主观Bayes公式：a. p(E)：证据E的不确定性，为E发生的概率。
不确定性推理PPT课件
1.不确定性推理概论
不确定性及其类型 不确定性推理概念
2.不确定性推理中的基本问题
表示问题 计算问题
3.不确定性推理方法分类 4.经典的不确定性推理模型
可信度方法
主观贝叶斯方法
2024/5/6
1
不确定性：由于客观世界的复杂、多变性和人类 自身认识的局限、主观性，致使我们所获得、所 处理的信息和知识中，往往含有不肯定、不准确、 不完全甚至不一致的成分。
5
一、知识的不确定性表示 知识不确定性的表示方式是与不确定性推理方
法密切相关的一个问题。在选择知识的不确定性表 示时，通常需要考虑以下两个方面的因素：
▪ 要能够比较准确地描述问题本身的不确定性 ▪ 便于推理过程中不确定性的计算
2024/5/6
6
（1）狭义不确定性知识的表示
我们只讨论随机性产生式规则的表示。对于狭义不确定 性，一般采用信度（或称可信度）来刻划。一个命题的信
2024/5/6
20
-1 ≤ CF(H, E) ≤ 1 CF(B, A)的特殊值：
CF(B, A) = 1，前提真，结论必真 CF(B, A) = -1，前提真，结论必假 CF(B, A) = 0 ， 前提真假与结论无关
实际应用中CF(B, A)的值由专家确定，并不是由P(B|A), P(B)计算得到的。
2024/5/6
3
不确定性推理泛指除精确推理以外的其它各 种推理问题。包括不完备、不精确知识的推理， 模糊知识的推理，非单调性推理等。
不确定性推理过程实际上是一种从不确定的 初始证据出发，通过运用不确定性知识，最终推 出具有一定不确定性但却又是合理或基本合理的 结论的思维过程。
2024/5/6
CF(H)1＋CF(H)2－CF(H)1·CF(H)2 ， 当CF(H)1≥0，且CF(H)2≥0
不确定性及其类型 不确定性推理概念
2.不确定性推理中的基本问题
表示问题 计算问题
3.不确定性推理方法分类 4.经典的不确定性推理模型
可信度方法
主观贝叶斯方法
2024/5/6
1
不确定性：由于客观世界的复杂、多变性和人类 自身认识的局限、主观性，致使我们所获得、所 处理的信息和知识中，往往含有不肯定、不准确、 不完全甚至不一致的成分。
5
一、知识的不确定性表示 知识不确定性的表示方式是与不确定性推理方
法密切相关的一个问题。在选择知识的不确定性表 示时，通常需要考虑以下两个方面的因素：
▪ 要能够比较准确地描述问题本身的不确定性 ▪ 便于推理过程中不确定性的计算
2024/5/6
6
（1）狭义不确定性知识的表示
我们只讨论随机性产生式规则的表示。对于狭义不确定 性，一般采用信度（或称可信度）来刻划。一个命题的信
2024/5/6
20
-1 ≤ CF(H, E) ≤ 1 CF(B, A)的特殊值：
CF(B, A) = 1，前提真，结论必真 CF(B, A) = -1，前提真，结论必假 CF(B, A) = 0 ， 前提真假与结论无关
实际应用中CF(B, A)的值由专家确定，并不是由P(B|A), P(B)计算得到的。
2024/5/6
3
不确定性推理泛指除精确推理以外的其它各 种推理问题。包括不完备、不精确知识的推理， 模糊知识的推理，非单调性推理等。
不确定性推理过程实际上是一种从不确定的 初始证据出发，通过运用不确定性知识，最终推 出具有一定不确定性但却又是合理或基本合理的 结论的思维过程。
2024/5/6
CF(H)1＋CF(H)2－CF(H)1·CF(H)2 ， 当CF(H)1≥0，且CF(H)2≥0
相关主题
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
2020/7/6
14
2020/7/6
15
规则的一般表示形式：
IF E THEN H ， CF ( H， E ) 其中： E 表示规则的前提条件，即证据
H 表示规则的结论部分，即假设 C F( H, E ) 表示规则的精确程度或可信度。 任何一个不确定性推理模型必须解决三个问题：
前提(证据，事实)的不确定性描述 规则(知识)的不确定性描述 不确定性的更新算法
2020/7/6
6
一、知识的不确定性表示 知识不确定性的表示方式是与不确定性推理方
法密切相关的一个问题。在选择知识的不确定性表 示时，通常需要考虑以下两个方面的因素：
▪ 要能够比较准确地描述问题本身的不确定性 ▪ 便于推理过程中不确定性的计算
2020/7/6
7
（1）狭义不确定性知识的表示
我们只讨论随机性产生式规则的表示。对于狭义不确 定性，一般采用信度（或称可信度）来刻划。一个命题 的信度是指该命题为真的可信程度。例如， (这场球赛 甲队取胜，0.9)
2020/7/6
10
（1）组合证据的不确定性
如何由两个证据A1和A2的可信度度量P(A1)、P(A2)计算“与”、 “或”逻辑计算结果的可信度度量：
P(A1∧A2)=f(P(A1), P(A2))、P(A1∨A2)=f(P(A1), P(A2))
最大最小法： P(A1∧A2)＝min(P(A1)， P (A2)
P(A1∨A2)＝max(P(A1)， P (A2))
概率方法： P(A1∧A2)＝ P(A1)×P (A2)
P(A1∨A2)＝ P(A1)+ P(A2)- P(A1)×P (A2)
有界方法：P(A1∧A2)＝max(0，P(A1)+P (A2)-1)
2020/7/6
P(A1∨A2)＝min(1，P(A1)+P (A2))
2020/7/6
5
要实现对不确定性知识的处理，必须要解决不 确定知识的表示问题，不确定信息的计算问题， 以及不确定性表示和计算的语义解释问题。
1．表示问题
表达要清楚。表示方法规则不仅 仅是数，还要有语义描述。
2. 计算问题
不确定性的传播和更新。也是获取 新信息的过程。
3. 语义问题
将各个公式解释清楚。
4、不一致性：在推理过程中发生了前后不相容的结论，或者随 着时间的推移或者范围的扩带，原来的一些成立的命题就变得不 合适、不成立了。
2020/7/6
4
不确定性推理泛指除精确推理以外的其它各 种推理问题。包括不完备、不精确知识的推理， 模糊知识的推理，非单调性推理等。
不确定性推理过程实际上是一种从不确定的 初始证据出发，通过运用不确定性知识，最终推 出具有一定不确定性但却又是合理或基本合理的 结论的思维过程。
一种是用户在求解问题时所提供的初始证据，如病人 的症状、检查结果等；
另一种是在推理中得出的中间结果，即把当前推理中 所得到的中间结论放入综合数据库，并作为以后推理 的证据来使用。
一般来说，证据的不确定性表示应该与知识的不确定性 表示保持一致，以便推理过程能对不确定性进行统一处 理。 证据的不确定性可以用概率来表示，也可以用可信 度等来表示，其意义与知识的不确定性类似。
现实世界中的大多数问题是不精确、非完备的。 对于这些问题，若采用精确性推理方法显然是无 法解决的。为此，人工智能需要研究不精确性的 推理方法，以满足客观问题的需求。
2020/7/6
1
1.不确定性推理概论
不确定性及其类型 不确定性推理概念
2.不确定性推理中的基本问题
表示问题 计算问题
3.不确定性推理方法分类 4.经典的不确定性推理模型
2020/7/6
3
1、（狭义）不确定性：一个命题的真实性不能完全肯定，而只 能对其为真的可能性给出某种估计。
2、不确切性（模糊性）：一个命题中所出现的某些言词其含意 不够确切，从概念角度讲，也就是其代表的概念的内涵没有硬性 的标准或条件。
3、 不完全性：对某些事物，关于它的 信息或知识还不全面、不 完整、不充分。
11
（2）结论不确定性的合成 用多个不同知识推理得到了 相同的结论，但不确定性程
度不同。系统需要将相同结论的多个不确定性进行综合， 即对不确定性进行合成。结论不确定合成的方法也很多， 一般视不同推理方法而定
2020/7/6
12
关于不确定性推理的类型由多种不同的分类方 法，如果按照是否采用数值来描述非精确性， 可将其分为数值方法和非数值方法两大类型。
数值方法 数值方法是对不确定性的一种定量 表示和处理方法。
非数值方法是指出数值方法外的其他各种处 非数值方法 理不确定性的方法 ,它采用集合来描述和处
理不确定性，而且满足概率推理的性质。
2020/7/6
13
对于数值方法，按其依据的理论不同又可分为以下两类： 1、基于概率的方法：是基于概率论的有关理论发展起来的 方法，如可信度方法、主观Bayes方法、证据理论等； 2、模糊推理：是基于模糊逻辑理论发展起来的可能性理论 方法
这里的0.9就是命题“这场球赛甲队取胜”的可信度。
它表示“这场球赛甲队取胜”这个命题为真（即这个事
件发生）的可能性程度是0.9。
在实际应用中，知识的不确定性是由领域专家给出的。
2020/7/6
8
（2）不确切性知识的表示
对于不确切性，一般采用程度或集合来刻划。所谓程
度就是一个命题中所描述的事物的属性、状态和关系等的
强度。
例如，我们用三元组（张三，体型，(胖，0.9）)表示命题 “张三比较胖”，其中的0.9就代替“比较”而刻划了张三 “胖”的程度。
这种程度表示法，一般是一种针对对象的表示法。其一般
形式为（<对象>，<属性>，(<属性值>，<程度>）)
2020/7/6
9
二、证据的不确定性的表示
推理中的证据有两种来源：
可信度方法
主观贝叶斯方法
2020/7/6
2
Байду номын сангаас
不确定性：由于客观世界的复杂、多变性和人类 自身认识的局限、主观性，致使我们所获得、所 处理的信息和知识中，往往含有不肯定、不准确、 不完全甚至不一致的成分。
事实上，不确定性大量存在于我们所处的信息环 境中，例如人的日常语言中就几乎处处含有不确 定性（瞧！这句话本身就含有不确定性：什么叫 “几乎”？）。不确定性也大量存在于我们的知 识特别是经验性知识之中。