AI07-不确定性推理方法
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
人工智能的推理推断和决策方法
人工智能的推理推断和决策方法人工智能（Artificial Intelligence, AI）是一门研究如何使计算机能够模拟和表现人类智能的学科。
推理、推断和决策是人工智能领域中至关重要的技术之一。
本文将介绍人工智能中的推理推断和决策方法，并深入探讨它们在现实生活中的应用。
一、推理推断方法推理推断是通过已有信息和已有的推理机制从中得出新的结论或发现之间的关系。
推理推断的方法可以分为演绎推理和归纳推理。
1. 演绎推理演绎推理是根据已知的前提和逻辑规则，通过确定性推理得出结论。
它可以分为传统逻辑推理和不确定逻辑推理。
传统逻辑推理是依据逻辑学的基本规则和形式公理进行推理。
其中最著名的逻辑是命题逻辑和谓词逻辑。
命题逻辑主要用于处理简单的命题间的推理，例如当已知A为真，且A蕴含B时，可以推出B为真。
谓词逻辑则用于处理谓词与量词，更为灵活。
不确定逻辑推理是用于处理不确定性信息的推理方法，其中最常用的方法是模糊逻辑和概率逻辑。
模糊逻辑通过引入模糊概念来处理不精确或不完全的信息，如“云彩是模糊的白色”。
概率逻辑则通过将概率引入到逻辑推理中来处理不确定性，如“在下雨的情况下，道路湿滑的概率更高”。
2. 归纳推理归纳推理是通过从具体的事实或实例中总结出普遍规律来进行推理。
归纳推理的方法可以分为归纳泛化和归纳推理。
归纳泛化是从特殊情况中抽象出一般规律。
例如，我们观察到许多坏学生是在游戏时间过长后表现不佳，可以推断出游戏时间过长对学生学习的负面影响。
归纳推理则是通过观察现象、分析数据等方法得出结论。
它通过观察和经验总结概括，可能会受到样本规模、采样偏差等因素的影响。
二、决策方法决策是从多个备选方案中选择最佳方案的过程。
在人工智能领域中，决策问题经常被建模为决策树、马尔可夫决策过程、深度强化学习等形式。
1. 决策树决策树是一种树状的决策图，用于帮助决策者作出决策。
在决策树中，每个分支代表一个决策点，而每个叶节点代表一个可能的决策结果。
如何解决AI技术中的不确定性问题
如何解决AI技术中的不确定性问题AI技术在近年来取得了巨大的发展，其应用领域日益扩大。
然而，随着AI技术的快速发展，人们也逐渐意识到其中存在的不确定性问题。
本文将探讨如何解决AI技术中的不确定性问题。
一、认识AI技术中的不确定性问题AI技术中的不确定性问题主要体现在以下几个方面：1. 数据不确定性：AI算法的训练和预测依赖于大量的数据，但数据的质量和完整性往往难以保证。
数据中的噪声、缺失和错误可能会导致AI模型的不确定性。
2. 算法不确定性：AI算法的复杂性使得其内部运作难以解释和预测。
在某些情况下，AI模型可能会出现意外的行为，这种不确定性给人们带来了困扰。
3. 决策不确定性：AI系统在进行决策时，往往需要基于概率和不确定性进行推理。
然而，这种推理过程可能会受到多种因素的影响，导致决策结果的不确定性。
二、加强数据质量管理为解决AI技术中的数据不确定性问题，首先需要加强数据质量管理。
这包括数据采集、清洗、标注和验证等环节。
通过建立完善的数据质量管理体系，可以提高数据的准确性和完整性，减少数据中的噪声和错误，从而降低AI模型的不确定性。
三、提高算法的可解释性为解决AI技术中的算法不确定性问题，需要提高算法的可解释性。
这可以通过使用可解释的AI模型或者解释AI模型的技术来实现。
可解释的AI模型可以提供对其内部运作的解释，使人们能够理解AI模型的决策过程和结果。
解释AI模型的技术可以通过可视化、图形化或者自然语言的方式来呈现AI模型的决策过程和结果，使人们能够更好地理解和信任AI系统。
四、引入不确定性推理技术为解决AI技术中的决策不确定性问题，可以引入不确定性推理技术。
不确定性推理技术可以基于概率和统计的方法，对AI系统的决策结果进行评估和解释。
通过引入不确定性推理技术，可以提供决策结果的置信度或者概率分布，使人们能够更好地理解和接受AI系统的决策。
五、建立AI技术的监管机制为解决AI技术中的不确定性问题，需要建立AI技术的监管机制。
人工智能中的不确定性估计
人工智能中的不确定性估计是一个重要的研究领域，它涉及到如何评估人工智能系统在处理不确定信息时的表现。
不确定性估计可以帮助我们更好地理解人工智能系统的性能，并为其提供更准确的决策支持。
以下是一些人工智能中不确定性估计的方法：
1. 概率模型：概率模型是一种常见的不确定性估计方法，它使用概率分布来描述输入数据的不确定性。
这些模型通常使用贝叶斯网络、隐马尔可夫模型等工具来建模数据的不确定性。
2. 随机森林和集成学习：随机森林和集成学习方法通过组合多个预测模型的输出来提高不确定性估计的准确性。
这些方法通常使用多个决策树或神经网络来生成预测，并使用投票或加权平均等方法来组合它们的输出。
3. 贝叶斯推理：贝叶斯推理是一种基于概率的方法，它使用先验知识来更新对不确定性的认识。
这种方法通常用于处理因果推理和异常检测等问题。
4. 深度强化学习：深度强化学习使用深度神经网络来学习如何做出最优决策，同时考虑到各种不确定性因素。
这种方法通常用于处理具有挑战性的实时决策问题，如自动驾驶和机器人控制。
5. 贝叶斯近似方法：贝叶斯近似方法是一种基于贝叶斯统计的方法，它使用简单的模型来近似复杂的模型，并估计其不确定性。
这种方法通常用于处理大规模数据集和复杂模型的不确定性估计。
总之，人工智能中的不确定性估计是一个重要的研究领域，涉及多种方法和技术。
这些方法和技术可以帮助我们更好地理解人工智能系统的性能，并为其提供更准确的决策支持。
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。
(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。
人工智能导论_第5章
i
i
《人工智能原理》第五章 不确定性推理
i
概率论基础（贝叶斯定理 ）
• 设 A ， B1 ， B2 ， … ， Bn 为 一 些 事 件 ， P(A)>0 ， B1 ， B2 ， … ， Bn 互 不 相 交 ， P(Bi)>0, i=1, 2, …, n，且 P(B ) 1 ，则对 于k=1, 2, …, n，
n n
n n
，
n
n
P( B )
《人工智能原理》第五章 不确定性推理
An B
P( A )
n
概率论基础（统计概率性质 ）
• 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 P(~ A) 1 P( A) • 对任意事件A，有 P( A ) P( A ) P( A ) ... P( A ) • 设事件 A1 ， A2 ， …An （ k≤n ）是两两互 不相容的事件，即有，则 • 设A，B是两事件，则
《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
《人工智能原理》第五章 不确定性推理
概述
• 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。
–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
0 P( A) 1 P () 1 P( ) 0 –若二事件AB互斥，即，则 P( A B) P( A) P( B)
人工智能 课件 第十二讲 不确定性推理-可信度方法
基本概念
－－ 一些基本问题
b.
证据的不确定性的表示 证据来源于用户在求解问题时提供的初始 证据或者在推理中用前面推出的结论作为 当前推理的证据。证据的不确定性称为动 态强度。 不管怎么表示，通常证据的不确定性表示 方法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的 处理。
可信度方法
－－带有阈值限度的不确定性推理
2.
3.
证据不确定性的表示 证据可信度的取值范围也作了改变： 0≤CF(E)≤1 CF(E)=0时，表示该证据可信度无法得 知。 组合证据不确定性的算法 与C-F模型一样。
可信度方法
－－带有阈值限度的不确定性推理
4.
不确定性的传递算法 当CF(E)≥λ时，结论H的可信度CF(H)由下式计 算得到： CF(H)=CF(H,E)×CF(E) 注：由于CF(E)≥0,所以用CF(E)与CF(H,E)“相 乘”，而不是max{0,CF(E)}；并且这里的“×” 既可为“相乘”运算，也可为“取极小”或其 他运算，要按实际情况定。（后面出现的“×” 号均表示这个意思，不再赘述）
可信度方法
－－带有阈值限度的不确定性推理
加权求和法： CF(H,Ei)被看作权值 III. 有限和法： 各结论H的可信度和不能大于1，否则CF(H)取1
II.
可信度方法
－－带有阈值限度的不确定性推理
上式是加权求和法 下式是有限和法
可信度方法
－－带有阈值限度的不确定性推理
IV.
递推计算法： 从CF1(H)开始，按知识被应用的顺序逐步进行 递推。可用以下两条公式表示： 令 C1 = CF(H,E1)×CF(E1) 对任意的k>1,
第四章 不确定推理方法
观Bayes方法，建立了不确定性推理模型，并在地矿勘探专家 系统PROSPECTOR中得到了成功的应用。
主观Bayes方法：根据证据E的概率，利用知识强度，把结论
H的先验概率P(H)更新为后验概率P(H/E).
先验概率：在获得与期望结果相关的任何信息之前已经被算出的概 率 ，无条件概率。 及证据 Ej的条件概率 P( Ej | Hi)：此事件被加上一些新信息后的概率 。
第4章 不确定性推理方法 不确定性推理方法的分类
路线 1 （在推理一级上扩展确定性推理）：把不确定的 证据和知识与某种度量标准对应起来，并且不断更新结 论不确定性的算法，从而构成相应不确定推理的模型。
路线 2 （在控制策略一级上处理不确定性）：通过识别 领域中引起不确定性的特征和相应的控制策略来限制或 减少不确定性对系统的影响
4.3 主观Bayes方法
4.4 可信度方法
4.5 证据理论
4.6 模糊推理方法
4.1 不确定性推理中的基本问题
已知事实 推理： 某种策略 结 论
（证据）
知识
不确定推理：
不确定证据 不确定知识
某种策略
不确定结 论 （不确定程度）
4.1 不确定性推理中的基本问题 不确定性的表示与量度
概率方法
4.3 主观Bayes方法
4.4 可信度方法 4.5 证据理论 4.6 模糊推理方法
4.2 概率方法
例：特定的目标身份融合问题，
目标身份的可能种类的集合称为假设空间，可以抽象地表 示为一个有限集合，该集合中的每个元素的先验概率P(H) 是已知的。
有若干信息源（如传感器），分别能够从某一角度对所关
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