不确定性推理
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。
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。
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)
人工智能第4章(不确定性推理方法)
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。
不确定性推理
2,
…，则称{An,
n=1,
2,
…}为
▪ 完备事件族与基本事件族有如下的性质： 定理：若{An, n=1, 2, …}为一完备事件族，则
▪ 有n P若(An{)A 1n，, n且=1对, 2于, …一}事为件一B基有本事P件(B)族 ，n P则(An B)
P(B) P( An ) An B
15
作或，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 。
11
▪ 设A，B，A1，A2，…An为一些事件，它们有下 述的运算：
– 交：记C=“A与B同时发生”，称 为事件A与B的交， C={ω|ω∈A且ω∈B}，记作或。 类似地用来表示事件“n个事件A1, A2, …An同时发生” 。
C
交通事故
A
B
橙色桶
T
交通缓慢
L
闪光灯
24
考虑，如果交通缓慢，那么 是由道路施工引起的概率有 多少？即P(C|T)=?
▪ 对任意事件A，有
0 P( A) 1
▪ 必 然 事 件 Ω 的 概 率 P(Ω) =1，不 可 能 事 件 φ 的 概 率
P(φ) = 0
▪ 对任意事件A，有
P(~ A) 1 P( A)
▪ 设事件A1，A2，…An（k≤n）是两两互不相容的事件
，即有，则
k
P( Ai ) P( A1 ) P( A2 ) ... P( Ak )
C(H)=f1(C(E),f(H，E))
6
(2)结论不确定性合成 即已知由两个独立的证据E1和E2,求得的假设H的 不确定性度量C1(H)和C2(H)，求证据E1和E2的组 合导致的假设H的不确定性C(H)，即定义函数f2， 使得： C(H)=f2(C1(H),C2(H))
不确定性推理概念
不确定性推理概念6.1不确定性推理概念的基本概念不确定性是智能问题的一个本质特征，研究不确定性推理概念是人工智能的一项基本内容。
为加深对不确定性推理概念的理解和认识，在讨论各种不确定性推理概念方法之前，首先先对不确定性推理概念的含义，不确定性推理概念的基本问题，以及不确定性推理概念的基本类型进行简单讨论。
6.1.1不确定性推理概念的含义不确定性推理概念是指那种建立在不确定性知识和证据的基础上的推理。
例如，不完备、不精确知识的推理，模糊知识的推理等。
不确定性推理概念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，最终推出具有一定程度的不确定性但却又是合理或基本合理的结论的思维过程。
采用不确定性推理概念是客观问题的需求，其原因包括以下几个主要方面。
（1）所需知识不完备、不精确。
所谓知识的不完备是指在解决某一问题时，不具备解决该问题所需要的全部知识。
例如，医生在看病时，一般是从病人的部分症状开始诊断的。
所谓知识的不精确是指既不能完全确定知识为真，又不能完全确定知识为假。
例如，专家系统中的知识多为专家经验，而专家经验又多为不精确知识。
（2）所需知识描述模糊。
所谓知识描述模糊是指知识的边界不明确，它往往是由模糊概念所引起的。
例如，人们平常所说的“很好”、“好”、“比较好”、“不很好”、“不好”、“很不好”等都是模糊概念。
那么，当用这类概念来描述知识时，所得到的知识当然也是模糊的。
例如，“如果李清这个人比较好，那么我就把他当成好朋友”所描述的就是一条模糊知识。
（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，在不确定性推理概念中，这些知识的静态强度可能是不同的。
（4）解决方案不唯一。
所谓解决方案不唯一是指同一个问题可能存在多种不同的解决方案。
(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。
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。
精选人工智能不确定性推理课件
“失之毫厘，差之千里”。初始条件的 微小的差别能引起结果的巨大的差异。
6
复杂网络: Internet
❖具有小世界效应和无尺度特性
7
不确定性
➢人类认知过程的不确定性 ✓感知的不确定性
✓记忆的不确定性 ✓思维的不确定性
17
不确定性的表示与量度
知识不确定性的表示 在确立其表示方法时,有两个直接相关的因素需 要考虑: 1) 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; 2) 要便于推理过程中对不确定性的推算. 证据不确定性的表示 在推理中,有两种来源不同的证据: 1) 一种是用户在求解问题时提供的初始证据; 2) 另一种是在推理中用前面推出的结论作为当
CF(E1∨E2, E ' ) = max[CF(E1, E ' ), CF(E2, E ' )] 当两条规则支持同一结论H时，可表示为
30
不确定性的组合
当组合证据是多个单一证据的合取时,即: E = E1 and E2 and … and En 若已知 CF(E1), CF(E2),…, CF(En),则 CF(E) = min {CF(E1), CF(E2),…, CF(En) }
(3) 不确定性推理中所推得的结论是否有效，也取决于其 信度是否达到阈值。
(4)不确定性推理还要求有一套关于信度的计算方法，包括 “与”关系的信度计算、 “或”关系的信度计算、“非”关系 的信度计算和推理结果信度的计算等等。
22
不确定性推理模型
不确定性推理模型没有一个统一的模型，种类不计其数， 其中比较著名的有：
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
– 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
第四章不确定性推理-精选文档93页
(4.4.1)
P(H/E) LSP(H) (LS1)P(H)1
(4.4.2)
这是把先验概率P(H)更新为后验概率P(H|E)的计算公式。
4.4 主观Bayes方法
2．证据肯定不存在的情况
在证据E肯定不存在时，把先验几率O(H)更新为后验 几率O(H|﹁E)的计算公式为
是：
0 当A为假时
O(A)1PP (A()A)0 ,当A介 当 于 A为 真真 假时 之间时
4.4 主观Bayes方法
4.4.3 不确定性的传递算法
1．证据肯定存在的情况
在证据E 肯定存在时，把先验几率O(H)更新为后验 几率O(H|E)的计算公式为
O (H /E )L S O (H )
成立时前提条件E 所对应的证据出现的条件概率P(E|Hi)，就可以用上
式求出相应证据出现时结论Hi 的条件概率P(Hi|E)。
4.3 概率方法
例子: 求P(肺炎|咳嗽)可能比较困难，但统计P(咳嗽|肺炎)可能
比较容易(因为要上医院)
假设P(肺炎)=1|10000，而P(咳嗽)=1|10，90%的肺炎患 者都咳嗽， P(咳嗽|肺炎)=0.9, 则 P(肺炎|咳嗽)= P (咳|P 肺 嗽 (咳 ) )炎 P 嗽 (肺) 炎 0.9 0 0 .1 .000 0.01009
1．表示问题
1、知识不确定性的表示 2、证据的不确定性表示
2. 计算问题
1、不确定性的传递算法 2、结论不确定性的合成 3、组合证据的不确定性算法
3. 语义问题
1、知识的不确定性度量 2、证据的不确定性度量
4.2 不确定性推理方法分类
1、模型方法 特点:把不确定的证据和不确定的知识分别与某
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
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
- 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)。
• 方法： 对于人类做的比较好的智能•定任理务证，明让计
算机来完成
•下国际象棋
• 最著名的就是Turing测试
•做外科手术 •诊断疾病
……
2020/3/5
史忠植 人工智能：绪论
5
Turing测试
• 测试者A，被测试者B与C。
• A是人，B与C一个是人，另一个是计 算机。
• A提出问题，B与C分别回答。
2020/3/5
史忠植 人工智能：绪论
11
人工智能的发展
•1958: Newell和Simon的四个预测 –十年内，计算机将成为世界象棋冠军 –十年内，计算机将发现或证明有意义的数学定理 –十年内，计算机将能谱写优美的乐曲 –十年内，计算机将能实现大多数的心理学理论
•1959: Frank Rosenblatt提出感知器模型（Perceptron Model)
2020/3/5
史忠植 人工智能：绪论
3
人工智能
Stuart Russell和Peter Norvig把当 前有关AI的定义分成四类 ：
类人思维方法 理性思维系统
类人行为方法 理性行为系统
2020/3/5
史忠植 人工智能：绪论
4
类人行为方法
• Kurzwell提出人工智能认为人工智能是一门技 术，它创造出够完成一定任务的机器，而当我 们人类对这些任务进行处理的时候，需要一定 的智能。
资助。 •1969: SRI研制出机器人Shakey
2020/3/5
史忠植 人工智能：绪论
13
人工智能的发展
自然语言处理
•1970: Stanford的Terry Winograd等研制出（ETAOIN） SHRDLU
•1970: Colmerauer研制出PROLOG语言的解释系统 •1972: DARPA取消Stanford大学机器人研究(Shakey)的
2020/3/5
史忠植 人工智能：绪论
2
人工智能
人工智能(Artificial Intelligence)是相对人的自 然智能而言，即用人工的方法和技术,模仿、延伸和扩展人 的智能, 实现某些“机器思维”。
作为一门学科，人工智能研究智能行为的计算模型， 研制具有感知、推理、学习、联想、决策等思维活动的计 算系统，解决需要人类专家才能处理的复杂问题。
如果说某个程序能够像人一样思考，那么就必须以某种 方式确定人是如何思考的。为确定人类思维的内部是怎 样工作的，可以有两种方法：通过内省（introspection） ----在人思考过程中，掌握人自己的想法；或者通过心 理学实验
2020/3/5
史忠植 人工智能：绪论
7
理性思维方法
1985年Charniak和McDermott提出人工智能是用计算模型 研究智力能力。这是一种理性思维方法。
行为上的理性指的是已知某些信念，执行某些动作以达到某个目标。 主体（agent）可以看作是可以进行感知和执行动作的某个系统。 在这种方法中，人工智能可以认为就是研究和建造理性主体 （agent）。
在“理性思维”方法中，它所强调的是正确的推理。做出正确的推 理有时被作为理性主体（agent）的一部分。另一方面，正确的推 理并不是理性的全部，因为在有些情景下，往往没有某个行为一定
•1959: MIT AI Lab正式成立（Minsky和McCarthy）
2020/3/5
史忠植 人工智能：绪论
12
人工智能的发展
专家系统时期
•1962: McCarthy调到Stanford, 1963年创建Stanford AI Lab •1963: M. Ross Quillian开创语义网络（Semantic Nets) •1965: Feigenbaum 掌管 Stanford AI Lab; Noftsker 掌管 MIT AI Lab •1965: MIT的Joseph Weizenbaum研制出ELIZA •1965-83: Feigenbaum和Lederberg启动DENDRAL工程 •1966: ALPAC的负面报告造成 美国政府取消对机器翻译的资助 •1969: Minsky 和 Papert的感知机造成美国政府取消对神经网络研究的
1956: 世界上第一次正式的AI会议 –美国的Dartmouth College，为期2月 –John McCarthy 正式提出“Artificial Intelligence” 这一术语 –著名参加者：J.McCarthy、C.Shannon、M.Minsky、 N.Wiener、W.McCulloch、S.Papert
人工智能 Artificial Intelligence
第一章
绪论
Introduction
史忠植
中国科学院计算技术研究所 /
2020/3/5
史忠植 人工智能：绪论
1
内容提要
1.1 什么是人工智能 1.2 人工智能的起源与发展历史 1.3 人工智能研究的基本内容 1.4 人工智能研究的主要学派 1.5 人工智能的应用 1.6 小结和展望
一个系统如果能根据它所知的信息(知识、时间、资源等) 能够做出最好的决策，这就是理性的
当知识是完全的，并且资源是无限的时候，就是所谓的 逻辑推理。
当知识是不完全的，或者资源有限时，就是理性的行为。
2020/3/5
史忠植 人工智能：绪论
8
理性行为方法
Байду номын сангаас
尼尔森（Nilsson）认为人工智能关心的是人工制品中的智能行为。 这种人工制品主要指能够动作的主体（agent）。
是正确的，而其他的是错误的。
2020/3/5
史忠植 人工智能：绪论
9
内容提要
1.1 什么是人工智能 1.2 人工智能的起源与发展历史 1.3 人工智能研究的基本内容 1.4 人工智能研究的主要学派 1.5 人工智能的应用 1.6 小结和展望
2020/3/5
史忠植 人工智能：绪论
10
人工智能的诞生
• 如果B与C的回答，使得A无法区分是 人的回答还是计算机的回答，则计 算机具有了智能。
• Turing测试第一次给出了检验计算
机是否具有智能的哲学说法。
2020/3/5
史忠植 人工智能：绪论
6
类人思维方法
Bellman提出人工智能是那些与人的思维、决策、问题求 解和学习等有关活动的自动化。
主要采用的是认知模型的方法---是关于人类思维工作原 理的可检测的理论。