人工智能第五章不确定推理.ppt

2023/11/10,1,第五章不确定推理,2023/11/10,2,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；,2023/11/10,3,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,2023/11/10,4,常识(common 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”。,2023/11/10,5,5.1 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。,2023/11/10,6,在客观世界中，由于事物发展的随机性和复杂性，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。,2023/11/10,7,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。,2023/11/10,8,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。,2023/11/10,9,5.1.2 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。,2023/11/10,10,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,2023/11/10,11,1.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,2023/11/10,12,(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)。,2023/11/10,13,2.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：,2023/11/10,14,(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),2023/11/10,15,(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),2023/11/10,16,(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),2023/11/10,17,常用组合证据的不确定性的计算方法有3种。(a)最大最小法 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),2023/11/10,18,3.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两种不同的不确定性。,2023/11/10,19,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。,2023/11/10,20,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)，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)=?,2023/11/10,21,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。,2023/11/10,22,5.1.3 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。,2023/11/10,23,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,2023/11/10,24,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、证据理论、主观概率论(又称主观Bayes方法)等。,2023/11/10,25,(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。,2023/11/10,26,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。,2023/11/10,27,5.3 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；,2023/11/10,28,5.3 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),2023/11/10,29,5.3 主观Bayes方法,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,2023/11/10,30,5.3 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p(Q),病状,疾病,p(P)=0.001,p(Q)=0.0001,p(P/Q)=0.9,=0.09,2023/11/10,31,5.3 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,=0.88,2023/11/10,32,5.3 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)：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；,2023/11/10,33,5.3 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)；,2023/11/10,34,5.3 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)；,2,1,2023/11/10,35,5.3 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)；,2,1,2023/11/10,36,5.3 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)；,命题Q的先验几率O(Q)Q成立的先验概率p(Q)和Q不成立的先验概率p(Q)之比,O(Q)随p(Q)增大而增大p(Q)=0,O(Q)=0;p(Q)=1,O(Q)=;,2023/11/10,37,5.3 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)；,命题Q的后验几率O(Q/P)前提P成立情况下,Q成立的后验概率p(Q/P)和Q不成立的后验概率p(Q/P)之比,2023/11/10,38,5.3 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)；,命题Q的后验几率O(Q/P)前提P成立情况下,Q成立的后验概率p(Q/P)和Q不成立的后验概率p(Q/P)之比,3,2023/11/10,39,5.3 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)；命题Q的先验几率O(Q)；命题Q的后验几率O(Q/P)；LS推理规则PQ成立的充分性因子；表示P成立对Q成立的影响力；公式称为Bayes公式的几率似然形式,3,2023/11/10,40,5.3 主观Bayes方法,1、应用Bayes理论于不确定推理主观Bayes方法,命题Q的后验几率O(Q/P)前提P不成立情况下,Q成立的后验概率p(Q/P)和Q不成立的后验概率p(Q/P)之比,4,2023/11/10,41,5.3 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)；LS推理规则PQ成立的充分性因子；LN推理规则PQ成立的必要性因子；,3,4,2023/11/10,42,5.3 主观Bayes方法,LS充分性因子=1:O(Q/P)=O(Q)，P对Q无影响；1:O(Q/P)O(Q)，P支持Q；1:O(Q/P)O(Q)，P支持Q；1:O(Q/P)O(Q)，P不支持Q；,3,4,2023/11/10,43,5.3 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)；LS推理规则PQ成立的充分性因子；表示P成立对Q成立的影响力；LN推理规则PQ成立的必要性因子；表示P不成立对Q成立的影响力；,3,4,2023/11/10,44,5.3 主观Bayes方法,1、应用Bayes理论于不确定推理主观Bayes方法LS和LN促进了Bayes理论不确定推理中的应用；LS（和LN）表示了前提P对结论Q的影响程度：专家可以在缺乏大量统计数据的情况下，做出近似的估计；在不需要精确计算的应用中，近似估计十分有用；,3,4,2023/11/10,45,5.3 主观Bayes方法,1、应用Bayes理论于不确定推理主观Bayes方法基于专家主观估计的LS（和LN）而演算出来的后验概率p(Q/P)称为主观概率；上述推算主观概率的方法称为主观Bayes方法；,3,4,2023/11/10,46,5.3 主观Bayes方法,1、应用Bayes理论于不确定推理主观Bayes方法P征兆，汽车轮子发出刺耳的噪声；Q原因，汽车刹车失调；,征兆P,原因Q,先验概率p(Q),p(Q)=0.05,先验几率O(Q)=P(Q)/P(Q)=0.053,LS=120,LN=0.3,O(Q/P)=6.4,O(Q/P)=0.016,2023/11/10,47,5.3 主观Bayes方法,1、应用Bayes理论于不确定推理主观Bayes方法P征兆，汽车轮子发出刺耳的噪声；Q原因，汽车刹车失调；,征兆P,原因Q,O(Q/P)=6.4,O(Q/P)=0.016,p(Q/P)=0.87,p(Q/P)=0.016,2023/11/10,48,5.3 主观Bayes方法,1、应用Bayes理论于不确定推理主观Bayes方法P征兆，汽车轮子发出刺耳的噪声；Q原因，汽车刹车失调；,征兆P,原因Q,p(Q/P)=0.87,p(Q)=0.05,LS=120,p(P)=0.04,p(Q)=0.05,p(P/Q)=0.7,p(Q/P)=0.88,主观Bayes方法,Bayes公式,2023/11/10,49,5.3 主观Bayes方法,例对于规则PQ，已知p(Q)=0.04，LS=100，LN=0.4，请应用主观Bayes方法求出p(Q/P)和p(Q/P),5.3 主观Bayes方法,例对于规则PQ，已知p(Q)=0.04，LS=100，LN=0.4，请应用主观Bayes方法求出p(Q/P)和p(Q/P),2023/11/10,51,5.3 主观Bayes方法,1、应用Bayes理论于不确定推理概率公式：加法原理：事件A和事件B不相容,A,B,2023/11/10,52,B,5.3 主观Bayes方法,1、应用Bayes理论于不确定推理乘法原理：,A,扩展形式,B,C,A,2023/11/10,53,5.3 主观Bayes方法,1、应用Bayes理论于不确定推理不确定性的推理（P P Q）前提（即导致结论的证据）的不确定性可以设想为与另一事件P有关：给出后验概率p(P/P)；推算出证据P相对于结论Q的后验概率p(Q/P)；,加法定理（事件不相容）,乘法定理的扩展,2023/11/10,54,5.3 主观Bayes方法,1、应用Bayes理论于不确定推理不确定性的推理（P P Q）前提（即导致结论的证据）的不确定性可以设想为与另一事件P有关：给出后验概率p(P/P)；推算出相对于结论Q的后验概率p(Q/P)；P是通过P去影响Q，且P已是成立或不成立忽略P；,5,6,3,4,2023/11/10,55,5.3 主观Bayes方法,1、应用Bayes理论于不确定推理不确定性的推理（P P Q）前提（即导致结论的证据）的不确定性可以设想为与另一事件P有关：给出后验概率p(P/P)；推算出相对于结论Q的后验概率p(Q/P)；,6,3,4,2023/11/10,56,5.3 主观Bayes方法,1、应用Bayes理论于不确定推理不确定性的推理（P P Q）例2、汽车刹车失调问题P征兆，汽车轮子发出刺耳的噪声；Q原因，汽车刹车失调；,征兆P,原因Q,p(Q/P)=0.87,p(Q)=0.05,LS=120,主观Bayes方法,LN=0.3,p(Q/P)=0.016,3,4,2023/11/10,57,5.3 主观Bayes方法,1、应用Bayes理论于不确定推理不确定性的推理（P P Q）例2、汽车刹车失调问题P征兆，汽车轮子发出刺耳的噪声；Q原因，汽车刹车失调；,征兆P,原因Q,p(Q/P)=0.87,p(Q/P)=0.016,p(P/P)=0.8,6,p(P/P)=0.2,2023/11/10,58,5.3 主观Bayes方法,1、应用Bayes理论于不确定推理不确定性的推理（P P Q）前提（即导致结论的证据）的不确定性可以设想为与另一事件P有关：给出后验概率p(P/P)；推算出相对于结论Q的后验概率p(Q/P)；传递可以有更长的路径如，P P Q W,6,2023/11/10,59,5.3 主观Bayes方法,1、应用Bayes理论于不确定推理不确定性的推理（P P Q）前提（即导致结论的证据）的不确定性可以设想为与另一事件P有关：给出后验概率p(P/P)；推算出相对于结论Q的后验概率p(Q/P)；,6,2023/11/10,60,5.3 主观Bayes方法,1、应用Bayes理论于不确定推理不确定性的推理（P P Q）前提（即导致结论的证据）的不确定性可以设想为与另一事件P有关：给出后验概率p(P/P)；推算出相对于结论Q的后验概率p(Q/P)；,6,2023/11/10,61,5.3 主观Bayes方法,1、应用Bayes理论于不确定推理不确定性的推理（P P Q）前提（即导致结论的证据）的不确定性可以设想为与另一事件P有关：给出后验概率p(P/P)；推算出相对于结论Q的后验概率p(Q/P)；,6,p(Q/P),p(Q),LS,主观Bayes方法,LN,p(Q/P),2023/11/10,62,5.3 主观Bayes方法,1、应用Bayes理论于不确定推理不确定性的推理前提（即导致结论的证据）的不确定性可以设想为与另一事件P有关：给出后验概率p(P/P)；推算出相对于结论Q的后验概率p(Q/P)；,6,主观Bayes方法,2023/11/10,63,5.3 主观Bayes方法,1、应用Bayes理论于不确定推理不确定性的推理为了避免这种不一致性，主观Bayes方法采用分段线性插值的手段：,2023/11/10,64,5.3 主观Bayes方法,2023/11/10,65,5.3 主观Bayes方法,1、应用Bayes理论于不确定推理不确定性的推理为了避免这种不一致性，主观Bayes方法采用分段线性插值的手段：,2023/11/10,66,5.3 主观Bayes方法,1、应用Bayes理论于不确定推理不确定性的推理已知：R1:IF E1 THEN(65,0.01)H其中，P(E1|S1)=0.5，P(H)=0.01，P(E1)=0.1求：P(H|S1)因为，P(E1|S1)=0.5 P(E1)=0.1 则,2023/11/10,67,5.3 主观Bayes方法,已知：R1:IF E1 THEN(65,0.01)H其中，P(E1|S1)=0.5，P(H)=0.01，P(E1)=0.1求：P(H|S1),2023/11/10,68,5.3 主观Bayes方法,1、应用Bayes理论于不确定推理不确定性的推理已知：R1:IF E1 THEN(65,0.01)H其中，P(E1|S1)=0.5，P(H)=0.01，P(E1)=0.1求：P(H|S1)因为，P(E1|S1)=0.5 P(E1)=0.1 则,2023/11/10,69,5.3 主观Bayes方法,1、应用Bayes理论于不确定推理不确定性的组合常常会出现多个相互独立的前提Pi支持同一结论Q的情况，表示为：,2023/11/10,70,5.3 主观Bayes方法,不确定性的组合,多个相互独立的前提Pi,2023/11/10,71,5.3 主观Bayes方法,1、应用Bayes理论于不确定推理不确定性的推理例已知：R1:IF E1 THEN(65,0.01)HR2:IF E2 THEN(300,0.0001)H其中，P(H)=0.01P(E1|S1)=0.5，P(E2|S2)=0.02，P(E1)=0.1，P(E2)=0.03求：P(H|S1S2),2023/11/10,72,5.3 主观Bayes方法,已知：R1:IF E1 THEN(65,0.01)HR2:IF E2 THEN(300,0.0001)H其中，P(H)=0.01P(E1|S1)=0.5，P(E2|S2)=0.02，P(E1)=0.1，P(E2)=0.03求：P(H|S1S2),2023/11/10,73,5.3 主观Bayes方法,已知：R1:IF E1 THEN(65,0.01)HR2:IF E2 THEN(300,0.0001)H其中，P(H)=0.01P(E1|S1)=0.5，P(E2|S2)=0.02，P(E1)=0.1，P(E2)=0.03求：P(H|S1S2),因为，P(E1|S1)=0.5 P(E1)=0.1 则,2023/11/10,74,5.3 主观Bayes方法,已知：R1:IF E1 THEN(65,0.01)HR2:IF E2 THEN(300,0.0001)H其中，P(H)=0.01P(E1|S1)=0.5，P(E2|S2)=0.02，P(E1)=0.1，P(E2)=0.03求：P(H|S1S2),2023/11/10,75,5.3 主观Bayes方法,已知：R1:IF E1 THEN(65,0.01)HR2:IF E2 THEN(300,0.0001)H其中，P(H)=0.01P(E1|S1)=0.5，P(E2|S2)=0.02，P(E1)=0.1，P(E2)=0.03求：P(H|S1S2),因为，P(E1|S1)=0.5 P(E1)=0.1 则,2023/11/10,76,5.3 主观Bayes方法,已知：R1:IF E1 THEN(65,0.01)HR2:IF E2 THEN(300,0.0001)H其中，P(H)=0.01P(E1|S1)=0.5，P(E2|S2)=0.02，P(E1)=0.1，P(E2)=0.03求：P(H|S1S2),2023/11/10,77,5.3 主观Bayes方法,已知：R1:IF E1 THEN(65,0.01)HR2:IF E2 THEN(300,0.0001)H其中，P(H)=0.01P(E1|S1)=0.5，P(E2|S2)=0.02，P(E1)=0.1，P(E2)=0.03求：P(H|S1S2),2023/11/10,78,5.3 主观Bayes方法,已知：R1:IF E1 THEN(65,0.01)HR2:IF E2 THEN(300,0.0001)H其中，P(H)=0.01P(E1|S1)=0.5，P(E2|S2)=0.02，P(E1)=0.1，P(E2)=0.03求：P(H|S1S2),因为，P(E2|S2)=0.02 P(E2)=0.03 则,2023/11/10,79,5.3 主观Bayes方法,已知：R1:IF E1 THEN(65,0.01)HR2:IF E2 THEN(300,0.0001)H其中，P(H)=0.01P(E1|S1)=0.5，P(E2|S2)=0.02，P(E1)=0.1，P(E2)=0.03求：P(H|S1S2),2023/11/10,80,5.3 主观Bayes方法,已知：R1:IF E1 THEN(65,0.01)HR2:IF E2 THEN(300,0.0001)H其中，P(H)=0.01P(E1|S1)=0.5，P(E2|S2)=0.02，P(E1)=0.1，P(E2)=0.03求：P(H|S1S2),因为，P(E2|S2)=0.02 P(E2)=0.03 则,2023/11/10,81,5.3 主观Bayes方法,已知：R1:IF E1 THEN(65,0.01)HR2:IF E2 THEN(300,0.0001)H其中，P(H)=0.01P(E1|S1)=0.5，P(E2|S2)=0.02，P(E1)=0.1，P(E2)=0.03求：P(H|S1S2),2023/11/10,82,5.3 主观Bayes方法,已知：R1:IF E1 THEN(65,0.01)HR2:IF E2 THEN(300,0.0001)H其中，P(H)=0.01P(E1|S1)=0.5，P(E2|S2)=0.02，P(E1)=0.1，P(E2)=0.03求：P(H|S1S2),传递+组合,2023/11/10,83,5.3 主观Bayes方法,2、在推理网络中传递不确定性许多实际问题中规则都具有不确定性；不确定推理在基于规则的专家系统中具有重要地位 规则构成一个推理网络中间结果：规则的结论；其他规则的前提；,给出相应于各规则的LSi和LNi,p(A)，p(B)和p(Qf),Qf为真的后验概率P(Qf|P1P2P3P4),2023/11/10,人工智能 丁世飞,84,练习 设有规则 R1:If E1 Then(20,l)H R2:If E2 Then(300,l)H已知证据E1和E2必然发生，并且P(H)=0.03，求H的后验概率。解:因为P(H)=0.03，则 O(H)=0.03/(1-0.03)=0.030927 根据R1有:O(H|E1)=LS1O(H)=200.030927=0.6185 根据R2有：O(H|E2)=LS2O(H)=3000.030927=9.2781,P(HE1E2),2023/11/10,人工智能 丁世飞,85,那么=0.61859.2781/0.030927=185.55所以H的后验概率为,P(HE1E2),=185.55/(1185.55)=0.99464,2023/11/10,人工智能 丁世飞,86,主观Bayes方法不足：1）要求有大量的概率数据来构造知识库，并且难于对这些数据进行解释；2）在原始证据具有相互独立性，并能提供精确且一致的主观概率数据的情况下，该方法可以令人满意地处理不确定推理。但在实际当中，这些概率值很难保证一致性。,主观Bayes方法有优点：1）该方法基于概率理论，具有坚实的理论基础，是目前不确定推理中最成熟的方法之一；2）计算量适中。,2023/11/10,人工智能 丁世飞,87,5.4 可信度方法,可信度方法是由美国斯坦福大学肖特利夫()等人在考察了非概率的和非形式化的推理过程后于己于1975年提出的一种不确定性推理模型，并于1976年首次在血液病诊断专家系统MYCIN中得到了成功应用。它是不确定性推理中非常简单且又十分有效的一种推理方法。目前，有许多成功的专家系统都是基于这一方法建立起来的。,2023/11/10,人工智能 丁世飞,88,建造医学专家系统时的问题,1.Bayes方法的问题 医疗诊断问题和地质问题一样都具有不确定性，主要的不同是由于自然界中总共才有92种天然元素，所以关于矿物的地质假设数目就是有限的。但是由于微生物的数量巨大，因此可能的疾病假设也更多。虽然Bayes定理在医学上很有用，但是它的准确性和事先知道有多少种可能性有关。,5.4 可信度方法,2023/11/10,人工智能 丁世飞,89,如给定一些症状，使用Bayes定理来确定某种疾病的概率:其中i是第i种疾病；E是证据；P(i)是在已知任何证据之前病人得这种病的先验概率；P(Ei)是在已知患有i疾病的情况下，病人出现症状E的条件概率；j是对所有疾病求和。,Bayes方法的问题,5.4 可信度方法,2023/11/10,人工智能 丁世飞,90,要给出所有这些概率一致的、完整的值往往是不可能的。实际上这些概率或统计是在数据或信息不断积累的基础上得到，并且随着证据一点一点的积累，又会增加新的概率需要计算或统计，以确定证据积累时病人患某种疾病的可能性。,Bayes方法的问题,5.4 可信度方法,2023/11/10,人工智能 丁世飞,91,信任与不信任问题是设计医学诊断专家系统时所面临的又一个问题。可信度是对信任的一种度量，是指人们根据以往经验对某个事物或现象为真的程度的一个判断，或者说是人们对某个事物或现象为真的相信程度。根据概率论，我们知道:P(H)+P(H)=1于是有P(H)=l-P(H)对于基于证据E的后验假设有 P(HE)=l-P(HE)把上式用于医学专家系统中，如:对于MYCIN中的规则:,2.可信与不信任问题,5.4 可信度方法,2023/11/10,人工智能 丁世飞,92,规则:If生物体的染色呈革兰氏阳性，并且 生物体的形态为球形，并且 生物体生长构造是链状 Then 有证据表明(0.7)这种生物是链球菌。即是说如果3个前提条件都满足的话，有70%的可能确定它是一种链球菌:P(HE1E2E3)0.7医学专家认为上式是可以接受的，但是医生认为下式是不正确的:P(HE1E2E3)=1-0.7=0.3这说明0.7和0.3反映的不是信任的概率，而只是一种似然性。这就是说信任和不信任是不一致的。,MYCIN中的规则,5.4 可信度方法,2023/11/10,人工智能 丁世飞,93,尽管P(HE)表明E和H存在一种因果关系，但H和E之间可能没有因果关系。但是P(HE)-P(HE)却暗示如果E和H之间有因果关系，则E和H之间也有因果关系。正是由于概率论上的这些问题使得MYCIN专家系统的开发者需要建立新的模型来处理不确定性问题。这种模型和基于重复事件出现频率有关的普通概率不同，它基于利用某些证据去证实假设的方法，称为基于认知概率或确认度的确定性理论。,原因分析：,5.4 可信度方法,2023/11/10,人工智能 丁世飞,94,可信度模型,可信度模型是Shortliffe等人在开发细菌感染疾病诊断专家系统MYCIN中提出的一种不确定性推理模型，它是基于确定性理论，结合概率论和模糊集合论等方法提出的一种推理方法。该方法采用可信度CF(Certainty Factor)作为不确定性的测度，通过对CF(H,E)的计算，探讨证据E对假设H的定量支持程度，因此，该方法也称为C-F模型。先讨论在C-F模型中，关于信任与不信任的处理方法。,5.4 可信度方法,2023/11/10,95,5.4 可信度方法,1、方法的定义规则的不确定性MYCIN提出的可信度方法中，推理规则表示为：IF E THEN H，CF(H,E)，其中：证据E命题的合取和析取组合；结论H单一命题；CF(H,E)确定性因子，简称为可信度，证据E为真的情况下，结论F为真的可能程度；CF(H,E)=MB(H,E)-MD(H,E)MB(H,E)=a信任度量证据E成立使结论H的可信度增加了数量a；MD(H,E)=b 不信任度量证据E成立使结论H的不可信度增加了数量b；,MB(H,E)和MD(H,E)不能同时大于0同一证据E，不能 既增加结论H的可信度，又增加结论H的不可信度。,2023/11/10,人工智能 丁世飞,96,在C-F模型中，可信度最初定义为信任与不信任的差，即CF(H,E)定义为：CF(H,E)=MB(H,E)-MD(H,E),MB(Measure Belief,MB)称为信任增长度，它表示因为与前提条件E匹配的证据的出现，使结论H为真的信任的增长程度。,由证据E得到假设H的可信度（也称为确定性因子）,MD(Measure Disbelief,MD)称为不信任增长度，它表示因为与前提条件E匹配的证据的出现，对结论H的不信任的增长程度。,总结：可信度的定义,5.4 可信度方法,2023/11/10,97,5.4 可信度方法,p(H/E)p(H)：证据E支持结论H，MB0，MD=0；p(H/E)0；p(H/E)=p(H)：证据E对结论H无影响，MB=MD=0；,2023/11/10,98,5.4 可信度方法,CF(H,E)=1：P(H|E)=1,MB=1，MD=0，E确定性导致H为真；CF(H,E)=-1：P(H|E)=0,MB=0，MD=1，E确定性导致H为假；CF(H,E)=0：P(H|E)=P(H),MB=MD=0，E对H无影响；,-1,1,IF E THEN H,2023/11/10,人工智能 丁世飞,99,若CF(H,E)0，P(H|E)P(H)。说明由于前提条件E所对应证据的出现增加了H为真的概率，即增加了H的可信度，CF(H，E)的值越大，增加H为真的可信度就越大。,5.4 可信度方法,若CF(H,E)0，则P(H|E)P(H)。这说明由于前提条件E所对应证据的出现减少了H为真的概率，即增加了H为假的可信度，CF(H，E)的值越小，增加H为假的可信度就越大。,2023/11/10,人工智能 丁世飞,100,（1）互斥性 对同一证据，它不可能既增加对H的信任程度，又同时增加对H的不信任程度，这说明MB与MD是互斥的。即有如下互斥性：当MB(H,E)0时，MD(H,E)=0 当MD(H,E)0时，MB(H,E)=0（2）值域 0MB(H,E)1 0MD(H,E)1-1CF(H,E)1,根据CF、MB、MD的定义，可得性质：,5.4 可信度方法,2023/11/10,人工智能 丁世飞,101,当CF(H,E)=1时，有P(H|E)=1，它说明由于E所对应证据的出现使H为真。此时 MB(H,E)=l，MD(H,E)=0 当CF(H,E)=-1时，有P(H|E)=0，说明由于E所对应证据的出现使H为假。此时 MB(H,E)=0，MD(H,E)=1 当CF(H,E)=0时，则P(H|E)=P(H)，表示H与E独立即E所对应的证据的出现对H没有影响。,（3）典型值,根据CF、MB、MD的定义，可得性质：,5.4 可信度方法,2023/11/10,人工智能 丁世飞,102,根据MB、MD的定义及概率的性质,（4）对H的信任增长度等于对非H的不信任增长度,根据CF、MB、MD的定义，可得性质：,5.4 可信度方法,2023/11/10,人工智能 丁世飞,103,再根据CF的定义及MB、MD的互斥性有 CF(H,E)+CF(H,E)=(MB(H,E)-M