不确定推理的基本问题
确定性与不确定性推理主要方法-人工智能导论
确定性与不确定性推理主要方法1.确定性推理：推理时所用的知识与证据都是确定的，推出的结论也是确定的，其真值或者为真或者为假。
2.不确定性推理：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。
3.演绎推理：如：人都是会死的（大前提）李四是人（小前提）所有李四会死（结论）4.归纳推理：从个别到一般：如：检测全部产品合格，因此该厂产品合格；检测个别产品合格，该厂产品合格。
5.默认推理：知识不完全的情况下假设某些条件已经具备所进行的推理；如：制作鱼缸，想到鱼要呼吸，鱼缸不能加盖。
6.不确定性推理中的基本问题：①不确定性的表示与量度：1)知识不确定性的表示2)证据不确定性的表示3)不确定性的量度②不确定性匹配算法及阈值的选择1)不确定性匹配算法：用来计算匹配双方相似程度的算法。
2)阈值：用来指出相似的“限度”。
③组合证据不确定性的算法最大最小方法、Hamacher方法、概率方法、有界方法、Einstein方法等。
④不确定性的传递算法1)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。
2)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6.可信度方法：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。
其优点是：直观、简单，且效果好。
可信度：根据经验对一个事物或现象为真的相信程度。
可信度带有较大的主观性和经验性，其准确性难以把握。
C－F模型：基于可信度表示的不确定性推理的基本方法。
CF（H，E）的取值范围: [-1,1]。
若由于相应证据的出现增加结论 H 为真的可信度，则 CF（H，E）> 0，证据的出现越是支持 H 为真，就使CF（H，E) 的值越大。
反之，CF（H，E）< 0，证据的出现越是支持 H 为假，CF（H，E）的值就越小。
若证据的出现与否与 H 无关，则 CF（H，E）= 0。
人工智能第十二讲不确定性推理-可信度方法
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
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)
人工智能教程习题及答案第4章习题参考解答
第四章不确定性推理习题参考解答4.1 练习题4.1什么是不确定性推理？有哪几类不确定性推理方法？不确定性推理中需要解决的基本问题有哪些？4.2什么是可信度？由可信度因子CF(H，E)的定义说明它的含义。
4.3什么是信任增长度？什么是不信任增长度？根据定义说明它们的含义。
4.4当有多条证据支持一个结论时，什么情况下使用合成法求取结论的可信度？什么情况下使用更新法求取结论可信度？试说明这两种方法实际是一致的。
4.5设有如下一组推理规则：r1：IF E1THEN E2(0.6)r2：IF E2AND E3THEN E4 (0.8)r3：IF E4THEN H (0.7)r4：IF E5THEN H (0.9)且已知CF(E1)=0.5，CF(E3)=0.6，CF(E5)=0.4，结论H的初始可信度一无所知。
求CF(H)=？4.6已知：规则可信度为r1：IF E1THEN H1(0.7)r2：IF E2THEN H1(0.6)r3：IF E3THEN H1(0.4)r4：IF (H1 AND E4) THEN H2(0.2)证据可信度为CF(E1)=CF(E2)=CF(E3)=CF(E4)=CF(E5)=0.5H1的初始可信度一无所知，H2的初始可信度CF0(H2)=0.3计算结论H2的可信度CF(H2)。
4.7设有三个独立的结论H1，H2，H3及两个独立的证据E1与E2，它们的先验概率和条件概率分别为P(H1)=0.4，P(H2)=0.3，P(H3)=0.3P(E1/H1)=0.5，P(E1/H2)=0.6，P(E1/H3)=0.3P(E2/H1)=0.7，P(E2/H2)=0.9，P(E2/H3)=0.1利用基本Bayes方法分别求出：（1）当只有证据E1出现时，P(H1/E1)，P(H2/E1)，P(H3/E1)的值各为多少？这说明了什么？（2）当E1和E2同时出现时，P(H1/E1E2)，P(H2/E1E2)，P(H3/E1E2)的值各是多少？这说明了什么？4.8在主观Bayes方法中，请说明LS与LN的意义。
不确定推理主要解决的基本问题
不确定推理的概念与应用1、概念不确定推理（Uncertain Reasoning）是人工智能领域中的一个重要概念，它主要解决的是在面对不确定信息时，如何进行推理和决策的问题。
在现实生活中，我们所接触到的信息往往是带有不确定性的，例如天气预报的准确性无法做到100%，医学诊断中的数据也存在误差，金融市场的预测涉及到复杂的变量等等。
因此，在这些情况下，我们需要一种方法来处理不确定性，帮助我们做出正确的决策。
不确定推理的出现就是为了解决这一类问题。
它不仅可以帮助我们分析和推理不确定信息，还可以根据不确定信息进行决策和规划，从而使人工智能系统能够更好地适应现实生活中的复杂环境。
2、基本问题不确定推理主要解决的基本问题包括：不确定性的建模与表示、不确定性的推理和决策。
2.1 不确定性的建模与表示不确定性的建模与表示是不确定推理的基石，它涉及到如何将不确定性信息表达为数学模型，并通过模型来描述和处理不确定性。
通常，不确定性可以通过概率论、模糊逻辑、证据理论等方法来进行建模和表示。
其中，概率论是一种常用的形式，它通过概率分布来描述不确定性的程度。
模糊逻辑则可以更好地处理模糊性和不精确性的问题。
证据理论则可以用于处理不同来源的不确定信息的融合。
在不确定性的建模与表示中，需要考虑的问题包括：不确定性的类型、不确定信息的采集和融合、不确定信息的表示和存储等等。
2.2 不确定性的推理不确定性的推理是指在给定不确定信息的情况下，通过推理算法来从中得出有关结论的过程。
不确定推理的算法涉及到模糊推理、贝叶斯推理、推理机制等，基本原理是根据不确定信息的模型和规则进行计算和推断。
在不确定推理中，需要解决的问题包括：推理的计算复杂性、推理的效率和准确性、推理结果的解释和可信度等等。
2.3 不确定性的决策不确定推理的最终目的是为了做出决策。
在不确定信息的基础上，如何进行决策是一个关键的问题。
不确定性的决策涉及到决策算法、决策规则、决策模型等，其目标是根据不确定信息来选择最优的行动或决策策略。
人工智能原理及应用第4章 不确定性推理方法
4.2 概率推理
4.2.1 概率的基本性质和计算公式
4.2.1.2 事件间的关系 两个事件A与B可能有以下几种特殊关系： 并事件：对两个事件A与B，如果事件表达的是“事件A与事件B至 少有一个发生”，则称该事件为A与B的并事件，记为AUB。可见， 并事件是由A与B的所有样本点共同构成的事件。 交事件：如果事件表达的是“事件A与事件B同时发生”，则称该 事件为A与B的交事件，记为A∩B。可见，交事件是由既属于A又属 于B的所有样本点构成的事件。 互斥关系：若A与 B不能同时发生，则称A与B互斥，记作AB= Ø 对立关系：若A与B互斥，且必有一个发生，则称A与B对立，又称 A为B的余事件，或B为A的余事件。
并：记C=“A与B中至少有一个发生”，称为事件A与B的并，记
作 C { ห้องสมุดไป่ตู้ A 或 B} 。
差：记C=“A发生而B不发生”，称为事件A与B的差。
求余： ~ A \ A
4.2 概率推理
4.2.1 概率的基本性质和计算公式
4.1.2.3 事件的概率 定义4.5 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 一个实数与之对应且满足以下三条基本性质，记为P(A)，称为事件A 发生的概率：
知识
图4-1 不确定性推理
4.1 不确定推理概述
4.1.1 不确定推理的概念
采用不确定性推理是客观问题的需求，其原因包括以下几个方面： （1）所需知识不完备，不精确 （2）所需知识描述模糊 （3）多种原因导致同一结论 （4）解决方案不唯一
4.1 不确定推理概述
4.1.2不确定性推理的基本问题和方法分类
机缘控制
启发式搜索
图4-2 不确定性推理分类
概率方法 主观Bayes方法 可信度方法 证据理论
(完整版)不确定性推理推理方法
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。
第5章 不确定推理习题解答
习题55.1不确定推理的概念是什么？为什么要采用不确定推理？解：略。
5.2 不确定推理中需要解决的基本问题是什么？解：略。
5.3 主观Bayes 方法的优点是什么？有什么问题？试说明LS 和LN 的意义。
解：略。
5.4 为什么要在MYCIN 中提出可信度方法？可信度方法还有什么问题？解：略。
5.5 何谓可信度？说明规则强度CF (H ,E )的含义。
解：略。
5.6 设有三个独立的结论H1, H2, H3及两个独立的证据E1, E2,它们的先验概率和条件概率分别为：P(H1)=0.4， P(H2)=0.3， P(H3)=0.3P(E1 | H1)=0.5， P(E1 | H2)=0.3， P(E1 | H3)=0.5P(E2 | H1)=0.7， P(E2 | H2)=0.9， P(E2 | H3)=0.1利用概率方法求出：当只有证据E1出现时，P(H1 | E1)、P(H2 | E1)及P(H3 | E1)的值；并说明E1的出现对H1,H2, H3的影响。
当E1和E2同时出现时，P(H1 | E1, E2)、P(H2 | E1, E2)及P(H3 | E1, E2)的值；并说明E1和E2同时出现对H1,H2, H3的影响。
解： (1)P (H 1|E 1)=0.45P (H 2|E 1)=0.20P (H 3|E 1)=0.34经比较可知，E1的出现，H1和H3成立的可能性略有增加，H2成立的可能性略有降。
(2)P (H 1|E 1,E 2)=0.5932212(|,)=0.3432P H E E312(|,)=0.0636P H E E经比较可知，E 1和E 2同时出现，H 1成立的可能性显著增加，H 2成立的可能性略有增加，H 3成立的可能性显著下降。
5.7设有如下知识：111222333: (201)(0.06): (101)(0.05): (10.08)(0.4)R IFE THEN H R IFE THENH R IF E THEN H ，，，求：当证据321E E E ，，存在时，)|(i i E H P 的值各是多少？解：P (H 1|E 1)=0.5607P (H 2|E 2)=0.34483.0)|(33=E H P 。
不确定性推理
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。
《不确定性推理》PPT课件
2020/11/2
5
不确定性推理中的基本问题
• 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 2. 计算问题
表达要清楚。表示方法规则不仅 仅是数，还要有语义描述。
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
个事件发生）的可能性程度是0.9。
• 在实际应用2020中/11，/2 知识的不确定性是由领域专家给出的。 8
知识的不确定性表示
（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。
不确定性推理
• 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。
2020/11/2
1
本章内容
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
• 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：20P20(/A111/∧2 A2)＝max(0，P(A1)+P (A2)-1)
11
P(A1∨A2)＝min(1，P(A1)+P (A2))
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
不确定推理主要解决的基本问题
不确定推理是指在存在不完全或不确定信息的情况下进行推理和决策的过程。
它主要解决的基本问题包括：
不确定性表示和建模：不确定推理需要处理各种类型的不确定信息，包括概率、模糊性、随机性等。
因此，关键问题是如何准确地表示和建模不确定性，以便能够进行有效的推理。
推理方法和算法：不确定推理涉及到推断和决策的过程，需要开发和应用相应的推理方法和算法。
这些方法可以是基于概率论、模糊逻辑、贝叶斯网络等的技术，以便能够从不完整或不确定的信息中推断出最有可能的结果或做出最优的决策。
不确定性的量化和管理：在不确定推理中，需要对不确定性进行量化和管理。
这包括计算和评估不确定性的度量，例如概率、置信度等，并采用适当的策略来处理不确定性，如合并、更新和传播不确定性。
不确定推理的可信度和可解释性：在不确定推理中，需要考虑推理结果的可信度和可解释性。
可信度是指对推理结果的信任程度，可解释性是指能够解释和理解推理结果的能力。
这些因素对于决策和应用的可靠性和可接受性至关重要。
综上所述，不确定推理的基本问题涉及不确定性的表示、推理方法和算法、不确定性的量化和管理，以及推理结果的可信度和可解释性。
通过解决这些问题，可以有效地进行不确定条件下的推理和决策。
第四章 不确定推理讲解
知识不确定性的表示
其中要注意的有：
E是知识的前提条件或者称为证据，它既可以是一 个简单的条件，也可以是用AND及OR把多个简单 条件连接起来所构成的符合条件；
H是结论，它可以是一个单一的结论，也可以是多 个结论；
CF(H,E)是该条知识的可信度，有的时候也成为可 信因子或者是规则强度。
不确定性推理的概念
产生原因
很多原因导致同一结果 推理所需的信息不完备 背景知识不足 信息描述模糊 信息中含有噪声 规划是模糊的 推理能力不足 解题方案不唯一 不精确思维并非专家的习惯或爱好所至，而是客观现实的要
求
不确定性推理方法的分类
模型方法
定义：把不确定性的证据和不确定性的知识 分别与某种度量标准对应起来，并给出更新 结论不确定性的合适算法，从而构成相应的 不确定性推理模型
第四章 不确定性推理
王醒策 信息科学与技术学院
不确定推理方法
概述 可信度方法 主观Bayes方法 证据理论
概述
不确定性推理的概念 不确定性推理的方法 不确定性推理中的基本问题
不确定性推理的概念
一个人工智能系统，由于知识本身的不精确和 不完全，采用标准逻辑意义下的推理方法难以 达到解决问题的目的。对于一个智能系统来说， 知识库是其核心。在这个知识库中，往往大量 包含模糊性、随机性、不可靠性或不知道等不 确定性因素的知识。为了解决这种条件下的推 理计算问题，不确定性推理方法应运而生。
示前提条件E匹配的证据出现，使结论H为真的不 信任增长度
知识不确定性的表示
这里P(H/E)表示前提E所对应的证据出现情 况下，结论H的条件概率
P(H)表示H得先验条件概率
知识不确定性的表示
《人工智能》考试复习资料
中南大学人工智能习题:1—1、什么是人工智能？试从学科和能力两方面加以说明。
从学科方面定义：人工智能是计算机科学中涉及研究、涉及应用智能机器的一个分支。
它的近期主要目标在于研究用机器来模范和执行人脑的某些智力功能，并开发相关理论和技术。
从能力方面定义：人工智能是智能机器所执行的通常与人类智能有关的智能行为，如判断、推理、证明、识别、感知、理解、通信、设计、思考、规划、学习和问题求解等思维活动。
1-2、在人工智能的发展过程中,有哪些思想和思潮起了重要作用？1、数理逻辑和关于计算本质的新思想2、1956年第一次人工智能研讨会召开3、控制论思想的影响4、计算机的发明发展5、专家系统和知识工程6、机器学习、计算智能、人工神经网络和行为主义研究1—3、为什么能够用机器(计算机）模仿人的智能?物理符号系统的假设：任何一个系统，如果它能够表现出智能,那么它就必定能执行输入符号、输出符号、存储符号、复制符号、建立符号结构、条件性迁移6种功能。
反之，任何系统如果具有这6种功能，那么它就能够表现出智能(人类所具有的智能）。
物理符号系统的假设伴随有3个推论：推论一: 既然人具有智能，那么他（她）就一定是个物理符号系统。
推论二: 既然计算机是一个物理符号系统，它就一定能够表现出智能。
推论三：既然人是一个物理符号系统，计算机也是一个物理符号系统，那么我们就能够用计算机来模拟人的活动。
1—4、人工智能的主要研究和应用领域是什么？其中，哪些是新的研究热点？研究和应用领域：问题求解（下棋程序），逻辑推理与定理证明（四色定理证明)，自然语言理解，自动程序设计，专家系统,机器学习，神经网络，机器人学（星际探索机器人），模式识别（手写识别,汽车牌照识别,指纹识别），机器视觉（机器装配，卫星图像处理),智能控制，智能检索,智能调度与指挥（汽车运输高度,列车编组指挥），系统与语言工具。
新的研究热点：概率图模型(隐马尔可夫模型、贝叶斯网络)、统计学习理论（SLT)＆支持向量机（SVM）、数据挖掘与知识发现（超市市场商品数据分析），人工生命1—5、人工智能有哪几种学派?1）符号主义(Symbolicism），又称为逻辑主义（Logicism）、心理学派（Psychlogism）或计算机学派(Computerism)，其原理主要为物理符号系统（即符号操作系统）假设和有限合理性原理。
- 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)。
不确定推理的基本问题
推理的基本问题包括以下几点：
1. 线性推理：在给定的前提条件下，推导出一个确定的结论。
例如，如果前提是“所有人都会死亡”，结论是“玛丽是人，所
以她最终会死亡”。
2. 反向推理：通过给定的结论推断出可能的前提条件。
例如，如果结论是“玛丽是人，所以她最终会死亡”，则可能的前提是“所有人都会死亡”。
3. 概率推理：根据概率推断出最有可能的结论。
例如，如果前提是“大多数人平均寿命为70岁”，则可以推断出“玛丽很可能
会活到70岁”。
4. 消解推理：通过将已知的事实与新的信息进行比较和分析，得出结论。
例如，如果已知“玛丽是美国人”和“每个美国公民
都有选举权”，则可以推断出“玛丽具有选举权”。
5. 归纳推理：通过观察一系列事实或例子，得出一般性的结论。
例如，通过观察多个例子，可以得出结论“所有鸟都有翅膀”。
这些是推理过程中常见的基本问题，掌握它们可以帮助我们更清晰地思考和判断。