人工智能_不确定性推理课件

《人工智能_不确定性推理课件》由会员分享，可在线阅读，更多相关《人工智能_不确定性推理课件（35页珍藏版）》请在金锄头文库上搜索。

1、1,不确定性人工智能,4.1 不确定性推理基本理论 4.2 可信度方法 4.3 主观Bayes方法 4.4 D-S证据理论 4.5 模糊集理论,2,不确定性的产生与来源,来自人类的主观认识与客观实际之间存在的差异 产生原因 事物发生的随机性 人类知识的不完全、不可靠、不精确和不一致 自然语言中存在的模糊性和歧义性,3,不确定性（狭义）,不确定性(uncertainty)就是一个命题(亦即所表示的事件)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。 例 如果乌云密布电闪雷鸣，则可能要下暴雨。 如果头痛发烧，则大概是患了感冒。,4,不确切性（模糊性） 不确切性(imprecision)

2、就是一个命题中所出现的某些言词其涵义不够确切，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，其外延没有硬性的边界，即边界是软的或者说是不明确的。 例 小王是个高个子。 张三和李四是好朋友。 如果向左转，则身体就向左稍倾。,5,自然界中的不确定现象,随机 模糊 混沌 分形 复杂网络,6,随机性(偶然性)和随机数学 以贝叶斯公式为基础的贝叶斯理论,在人工智能中一直是处理不确定性的重要工具 带可信度的不确定推理 证据理论 引入信任函数和似然函数来描述命题的不确定性 当先验概率已知时,证据理论就变成了概率论 模糊性(非明晰性)和模糊数学 模糊集合论,隶属度 粗糙集理论 Vague 集理论

3、 通过对模糊对象赋予真、假隶属函数,从正、反两个方面来处理模糊性,随机性和模糊性是不确定性的基本内涵,7,混 沌,混沌是一种确定性系统中出现的类似随机的过程。因为很难对初值确定得非常精确，近似相同的初值产生很不相同的貌似随机的结果。初值敏感性导致过程的不确定性和不可预测性。 蝴蝶效应：亚马逊河热带雨林中的一只蝴蝶扇动了两下翅膀，可能两周之后会引发美国德克萨斯州的一场龙卷风。 “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。,8,复杂网络: Internet,具有小世界效应和无尺度特性,9,不确定性,认知的不确定性 感知的不确定 记忆的不确定性 思维的不确定性,知识本身的不确

4、定性,10,思维的不确定性,思维有精确的一面，更有不 确定的一面。人类习惯于用自然语言进行思维，思维的结果往往是可能如何、大概如何等定性的结论。 人类还擅长通过联想的、直觉的、创造的形象思维来思考，很少象计算机一样做精确的数学运算或者逻辑推理，但是这并不妨碍人类具有发达的、灵活的智能，并不妨碍人类具有发达的、灵活的模式识别能力。,11,4.1 不确定性推理基本理论,为什么要研究不确定性推理？现实世界的问题求解大部分是不良结构;对不良结构的知识描述具有不确定性:1) 问题证据(初始事实,中间结论)的不确定性;2) 专门知识(规则)的不确定性.,12,不确定性推理是指从不确定性的初始证据出发，通过

5、运用不确定性的知识，最终推理出具有一定程度的不确定性，但又是合理或者似乎合理的结论的思维过程。,什么是不确定性推理,13,不确定性推理中的基本问题,在不确定性推理中,知识和证据都具有某种程度的不确定性,这就为推理机的设计与实现增加了复杂性和难度。除了要解决推理方向、推理方法、控制策略等基本问题外，还需要解决以下问题 ： 不确定性的表示和量度 不确定性匹配 不确定性的传递算法 不确定性的合成,14,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

6、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前推理的证据.,15,确定度量方法和范围的原则,度量要充分表达相应知识及证据不确定性程度。 度量范围的指定应便于领域专家及用户对不确定性的估计。 度量要便于对不确定性的传递和计算，对结论算出的不确定性度量不能超出度量规定范围。 度量的确定是直观的，同时应有相应理论基础。,16,不确定性匹配,对于不确定性推理,由于知识和证据都具有不确定性,而且知识所要求的不确定性与证据实际具有的不确定性程度不一定相同，因而就出现“怎样才算匹配成功”的问题 对于这个

7、问题,目前常用的解决方法是： 设计一个算法用来计算匹配双方相似的程度,另外再指定一个相似的限度,用来衡量匹配双方相似的程度是否落在指定的限度内.如果落在指定的限度内,就称它们是可匹配的,相应知识可被应用.用来计算匹配双方相似程度的算法称为不确定性匹配算法.用来指出相似的限度称为阈值.,17,不确定性推理的一般算法,根据规则前提E的不确定性C(E)和规则强度f(H，E)求出假设H的不确定性C(H)，即定义一函数g1，使C(H)=g1C(E),f(H,E) 根据分别由独立的证据E1和E2,求得的假设H的不确定性C1(H)和C2(H)，求得证据E1和E2的组合所导致的假设的不确定性C(H)，即定义一

8、函数g2，使C(H)=g2C1(H),C2(H) 根据两个证据E1和E2的不确定性C(E1)和C(E2)，求出证据E1和E2的合取E1E2的不确定性，即定义一函数g3，使C(E1E2)=g3C(E1),C(E2) 根据两个证据E1和E2的不确定性C(E1)和C(E2)，求出证据E1和E2的析取的不确定性，即定义函数g4，使C(E1E2)=g4C(E1),C(E2),18,不确定性推理与通常的确定性推理的差别： (1) 不确定性推理中规则的前件能否与证据事实匹配成功，不但要求两者的符号模式能够匹配（合一），而且要求证据事实所含的信度必须达“标”，即必须达到一定的限度。这个限度一般称为“阈值”。

9、(2) 不确定性推理中一个规则的触发，不仅要求其前提能匹配成功，而且前提条件的总信度还必须至少达到阈值。 (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。,19,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： Shortliffe在1975年结合医疗专家系统MYCIN建立的确定性理论 Duda在1976年结合探矿专家系统PROSPECTOR建立的主观Bayes推理 Dempster S

10、hafer在1976年提出的证据理论 Zadeh在1978年提出的可能性理论，1983年提出的模糊逻辑和逻辑推理 Nilsson在1986年提出的概率逻辑 Pearl在1986年提出的信任网络,20,确定因子法（可信度方法） 主观Bayes方法 证据理论 可能性理论 粗集理论 批注理论,不确定性推理的方法,21,确定因子法的缺点,（1）如何将人表示可信度的术语转变为数字化的CFs。例如，人的经验规则常涉及很可能、不大可能等术语，应对应到多大的CF值。（2）如何规范化人们对可信度的估计，不同人所作的估计往往相差较大。（3）为防止积累误差，需指定门槛值，但多大合适呢？太小固然不行，但太大也不好，因

11、为可信度的传递需要累计较小的变化。 （4）为改进可信度的精确性，需提供从系统的实际执行反馈的信息，并基于反馈信息调整可信度。这实际上是一种机器学习问题，尚未较好地加以解决。,22,4.4 证据理论 证据理论是由Dempster和他的学生Shafer共同提出来的一种不确定性推理模型，所以也称为D-S证据理论。证据理论可以满足比概率更加弱的公理体系，当概率值已知的时候，证据理论就变成为概率论了。 证据的不确定性 设U的幂集2U上定义了一个基本概率赋值函数m：2U 0,1，使满足 ，基本概率赋值函数m(A)表示了证据对U的子集A成立的一种信任程度。,23,信任函数：信任函数定义为 似然函数：似然函数

12、定义为 信任函数与似然函数的关系,24,证据理论基本思想 (1)用一个概率范围而不是简单的概率值来模拟不确定性。 (2)引入信任函数Bel和似然函数Pl. (3)用区间(Bel(A),Pl(A)表示证据A的不确定度量,25,证据理论 1、样本空间 设D是变量x的所有可能取值的集合，且D中的元素是互斥的，则称D为x的样本空间。 D中的任意一个子集都对应于一个关于x的命题。 若D有n个元素，则2D表示D的2n个子集。,26,2、概率分配函数 设D为样本空间，有映射函数 M(x): 2D0,1，且满足 M()=0 M(A)=1 A D 则称M(x)是2D上的概率分配函数。M(A)称为命题A的基本概率

13、数。它是命题A的信任度。,27,3、信任函数 （1）定义 设D为样本空间，有映射函数 Bel(x): 2D0,1，且满足 Bel(A)= M(B), 对所有的A2D B A 则称Bel(x)为信任函数或下限函数。 Bel(A)表示对命题A为真的信任程度（支持度）。,28,（2）性质 Bel()= M()=0 Bel(D)=M(B)=1 B D,29,例3、设D=红、黄、蓝，且 M(红)=0.3，M(黄)=0，M(蓝)=0.1，M(红，黄)=0.2， M(红，蓝)=0.2，M(黄，蓝)=0.1，M(红，黄，蓝)=0.1 求Bel(A),30,解： Bel(红)= M(红)=0.3 Bel(红，黄

14、)=M(红)+M(黄+M(红，黄) =0.3+0+0.2=0.5,31,Bel(红，黄，蓝)=M(红)+M(黄)+ M(蓝+ M(红，黄)+M(红，蓝)+M(黄，蓝)+ M(红，黄，蓝) =0.+.1+0.2+0.2+0.1+0.1 =1,32,、似然函数 Pl: 2D0,1，且 Pl(A)=1-Bel( A) 对所有的A2D Bel(A)表示对A为非假的程度。 Pl(A)：A的最大信任度（合情度） f(A)=Bel(A)+|A|/|U|(Pl(A)-Bel(A) f(A):A的不确定性,33,例、对于例，求Pl(A) Pl(红)=1-Bel( 红)=1-Bel(黄，蓝) =1-M(黄)+ M(蓝)+ M(黄，蓝) =1-(0+0.1+0.1) =0.8,34,Pl(黄，蓝)=1-Bel( 黄，蓝)=1-Bel(红) =1-0.3=0.7,35,Thanks.,