人工智能第五章不确定推理

《人工智能第五章不确定推理》由会员分享，可在线阅读，更多相关《人工智能第五章不确定推理（188页珍藏版）》请在金锄头文库上搜索。

1、2019/1/30,1,第五章 不确定推理,2019/1/30,2,前言,【传统逻辑的系统】 “硬”计算 要求使用确定的和精确的数据及知识； 【解决实际问题】 人的认识常常是不确定的或不精确的； 模糊性； 近似性； 不能以简单的真假逻辑加以表示；,2019/1/30,3,前言,不确定推理 模仿人作近似而非严格推理的“软”计算技术； 不确定推理在确定性推理方法的基础上发展起来 使用不确定的和不精确的数据及知识； 把指示确定性程度的数据附加到数据及知识； 3种不确定推理方法（不同的确定性程度定义）： 5.3 主观Bayes方法 5.4 可信度方法 5.5 证据理论,2019/1/30,4,常识(c

2、ommon sense)具有不确定性。 一个常识可能有众多的例外，一个常识可能是一种尚无理论依据或者缺乏充分验证的经验。 常识往往对环境有极强的依存性。 “鸟是会飞的”，“常在河边走，哪能不湿鞋”。,2019/1/30,5,5.1 概述 知识的不确定性,智能主要反映在求解不确定性问题的能力上。 推理是人类的思维过程，它是从已知事实出发，通过运用相关的知识逐步推出某个结论的过程。 其中已知事实和知识是构成推理的两个基本要素。 已知事实（证据），用以指出推理的出发点及推理时应使用的知识； 知识是推理得以向前推进，并逐步达到最终目标的依据。,2019/1/30,6,在客观世界中，由于事物发展的随机性

3、和复杂性，人类认识的不完全、不可靠、不精确和不一致性，自然语言中存在的模糊性和歧义性，使得现实世界中的事物以及事物之间的关系极其复杂，带来了大量的不确定性。 大多数要求智能行为的任务都具有某种程度的不确定。 不确定性可以理解为在缺少足够信息的情况下做出判断。,2019/1/30,7,确定性推理是建立在经典逻辑基础上的 经典逻辑的基础之一就是集合论 这在很多实际情况中是很难做到的，如高、矮、胖、瘦就很难精确地分开。 经典逻辑不适合用来处理不确定性。,2019/1/30,8,不确定推理是建立在非经典逻辑基础上的一种推理，它是对不确定性知识的运用与处理。 不确定性推理就是从不确定性初始证据出发，通过

4、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。,2019/1/30,9,5.1.2 不确定推理要解决的基本问题,由于证据和规则的不确定性，导致了所产生的结论的不确定性。 不确定性推理反映了知识不确定性的动态积累和传播过程，推理的每一步都需要综合证据和规则的不确定因素，通过某种不确定性测度，寻找尽可能符合客观实际的计算模式，通过不确定测度的传递计算，最终得到结果的不确定测度。,2019/1/30,10,在专家系统中，不确定性表现在证据、规则和推理三个方面，需要对专家系统中的事实与规则给出不确定性描述，并在此基础上建立不确定性的传递计算方法。 要实现对不

5、确定性知识的处理，要解决 不确定知识的表示问题 不确定信息的计算问题 不确定性表示 计算的语义解释问题,2019/1/30,11,1.表示问题,表示问题指的是采用什么方法描述不确定性。通常有数值表示和非数值的语义表示方法。数值表示便于计算、比较；非数值表示，是一种定性的描述。 在专家系统中的“不确定性” 分为： 规则的不确定性 事实的不确定性,2019/1/30,12,(1)规则不确定性 (EH，f(H，E)， (2)证据不确定性 (E，C(E)， 证据不确定性的表示方法应与知识不确定性的表示方法保持一致，证据的不确定性通常也是一个数值表示，它代表相应证据的不确定性程度，称之为动态强度。,它表

6、示相应知识的不确定性程度，称为知识或规则强度。,它表示证据E为真的程度。它有两种来源：初始证据 (由用户给出)；前面推出的结论作为当前证据 (通过计算得到)。,2019/1/30,13,2.计算问题,计算问题主要指不确定性的传播与更新，即获得新信息的过程。 它是在领域专家给出的规则强度和用户给出的原始证据的不确定性的基础上，定义一组函数，求出结论的不确定性度量。 它主要包括如下三个方面：,2019/1/30,14,(1)不确定性的传递算法 已知规则的前提E的不确定性C(E)和规则强度f（H，E)，求假设H的不确定性C(H)， 即定义函数f1，使得： C(H)=f1(C(E),f(H，E),20

7、19/1/30,15,(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),2019/1/30,16,(3)组合证据的不确定性算法 已知证据E1和E2的不确定性度量C(E1)和C(E2)，求证据E1和E2的析取和合取的不确定性，即定义函数f3和f4使得： C(E1E2)=f3(C(E1),C(E2) C(E1E2)=f4(C(E1),C(E2),2019/1/30,17,常用组合证据的不确定性的计算方法有3种。 (a)最大最

8、小法 C(E1E2)=min(C(E1),C(E2) C(E1E2)=max(C(E1),C(E2) (b)概率方法 C(E1E2)=C(E1)C(E2) C(E1E2)= C(E1)+C(E2)-C(E1)C(E2) (c)有界方法 C(E1E2)=max0,C(E1)+C(E2)-1 C(E1E2)=min1,C(E1)+C(E2),2019/1/30,18,3.语义问题,语义问题指上述表示和计算的含义是什么。如C(H,E)可理解为当前提E为真时，对结论H为真的一种影响程度，C(E)可理解为E为真的程度。 处理不确定性问题的主要数学工具: 概率论 模糊数学 概率论与模糊数学所研究和处理的是

9、两种不同的不确定性。,2019/1/30,19,概率论研究和处理随机现象，事件本身有明确的含义，只是由于条件不充分，使得在条件和事件之间不能出现决定性的因果关系(随机性)。 模糊数学研究和处理模糊现象，概念本身就没有明确的外延，一个对象是否符合这个概念是难以确定的 (属于模糊的)。 无论采用什么数学工具和模型，都需要对规则和证据的不确定性给出度量。,2019/1/30,20,规则的不确定性度量f(H，E)，需要定义在下述3个典型情况下的取值： 若E为真，则H为真，这时f(H，E)=? 若E为真，则H为假，这时f(H，E)=? E对H没有影响，这时f(H，E)=? 对于证据的不确定性度量C(E)

10、，需要定义在下述3个典型情况下的取值： E为真，C(E)=? E为假，C(E)=? 对E一无所知，C(E)=?,2019/1/30,21,对于一个专家系统，一旦给定了上述不确定性的表示、计算及其相关的解释，就可以从最初的观察证据出发，得出相应结论的不确定性程度。 专家系统的不确定性推理模型指的就是证据和规则的不确定性的测度方法以及不确定性的组合计算模式。,2019/1/30,22,5.1.3 不确定性推理方法分类,两种不确定性推理： 在推理一级上扩展不确定性推理的方法（模型方法） 在控制策略级处理不确定性的方法（ 控制方法）,把不确定证据和不确定的知识分别与某种量度标准对应起来，并且给出更新结

11、论不确定性算法，从而建立不确定性推理模式。,通过识别领域中引起不确定性的某些特征及相应的控制策略来限制或减少不确定性对系统产生的影响，这类方法没有处理不确定性的统一模型，其效果极大地依赖于控制策略。,2019/1/30,23,模型方法分为： 数值方法 非数值方法,数值方法，对不确定性的一种定量表示和处理方法。如概率方法(本章内容),如古典逻辑方法和非单调推理方法等,2019/1/30,24,纯概率方法虽然有严格的理论依据，但通常要求给出事件的先验概率和条件概率，而这些数据又不易获得，因此使其应用受到限制。 为了解决这个问题，人们在概率论的基础上发展起来了一些新的方法和理论，主要有 可信度方法、

12、 证据理论、 主观概率论 (又称主观Bayes方法)等。,2019/1/30,25,(1)主观Bayes方法 (2)可信度方法 (3)证据理论,PROSPECTOR专家系统中使用的不确定推理模型，是对Bayes公式修正后形成的一种不确定推理方法，为概率论在不确定推理中的应用提供了一条途径。,它是MYCIN专家系统中使用的不确定推理模型，它以确定性理论为基础，方法简单、易用。,它通过定义信任函数、似然函数，把知道和不知道区别开来。这些函数满足比概率函数的公理要弱的公理，因此，概率函数是信任函数的一个子集。,2019/1/30,26,基于概率的方法没有把事物自身所具有的模糊性反映出来。 Zadeh

13、提出模糊集理论。 概率论处理的是由随机性引起的不确定性，可能性理论处理的是由模糊性引起的不确定性。,2019/1/30,27,5.3 主观Bayes方法,处理不确定性的主要理论基础： 传统概率论中的Bayes理论；,2019/1/30,28,5.3 主观Bayes方法,1、应用Bayes理论于不确定推理 先验概率 表示为p(事件) ； 在没有知识支持它的出现或不出现的情况下赋给这个事件的概率； 即，先于证据的概率； 后验概率 表示为p(事件/证据) ； 给定一些证据的条件下这个事件发生的概率；,推理规则PQ的不确定性表示为后验概率p(Q/P),2019/1/30,29,5.3 主观Bayes方

14、法,1、应用Bayes理论于不确定推理 后验概率 Bayes理论有以下条件概率公式 ： 其中： p(P)前提P的先验概率； p(Q)结论Q的先验概率； p(P/Q)后验概率 结论Q成立时前提P成立的概率； 后验概率p(P/Q)比后验概率p(Q/P)更容易获取 由等式获得后验概率p(Q/P) ；,1,P,Q,2019/1/30,30,5.3 主观Bayes方法,1、应用Bayes理论于不确定推理 后验概率 P症状，如，患有头疼的人； Q疾病，如，脑膜炎病人； p(Q/P)带有症状P的人患疾病Q的后验概率； p(P/Q)患疾病Q的人带有症状P的后验概率；,症状P,疾病Q,先验概率p(P),先验概率

15、p(Q),病状,疾病,p(P)=0.001,p(Q)=0.0001,p(P/Q)=0.9,=0.09,2019/1/30,31,5.3 主观Bayes方法,1、应用Bayes理论于不确定推理 后验概率 P征兆（病症），汽车轮子发出刺耳的噪声； Q原因（疾病），汽车刹车失调； 后验概率p(Q/P)；,征兆P,原因Q,先验概率p(P),先验概率p(Q),征兆,原因,p(P)=0.04,p(Q)=0.05,p(P/Q)=0.7,=0.88,2019/1/30,32,5.3 主观Bayes方法,处理不确定性的主要理论基础： 传统概率论中的Bayes理论； 应用Bayes理论获得确定性程度p(Q|P)

16、： 收集大量的样品事件来统计p(P) p(Q) p(P|Q) ； 【问题同类事件出现的频率不高】： 无法作客观概率统计，获取其客观概率； 如，“某地发生地震”的概率；,2019/1/30,33,5.3 主观Bayes方法,1、应用Bayes理论于不确定推理 主观Bayes方法 先验概率p(P)比先验概率p(Q)更难获得； 对Bayes理论进行改进，消去先验概率p(P)；,2019/1/30,34,5.3 主观Bayes方法,1、应用Bayes理论于不确定推理 主观Bayes方法 对Bayes理论进行改进，消去先验概率p(P)；,2,1,2019/1/30,35,5.3 主观Bayes方法,1、应用Bayes理论于不确定推理 主观Bayes方法 对Bayes理论进行改进，消去先验概率p(P)；,2,1,2019/1/30,36,5.3 主观Bayes方法,1、应用Bayes理论于不确定推理 主观Bayes方法 对Bayes理论进行改进，消去先验概率p(P)；,