ImageVerifierCode 换一换
格式:PPT , 页数:53 ,大小:214KB ,
资源ID:4100242      下载积分:8 文钱
快捷下载
登录下载
邮箱/手机:
温馨提示:
快捷下载时,用户名和密码都是您填写的邮箱或者手机号,方便查询和重复下载(系统自动生成)。 如填写123,账号就是123,密码也是123。
特别说明:
请自助下载,系统不会自动发送文件的哦; 如果您已付费,想二次下载,请登录后访问:我的下载记录
支付方式: 支付宝    微信支付   
验证码:   换一换

加入VIP,省得不是一点点
 

温馨提示:由于个人手机设置不同,如果发现不能下载,请复制以下地址【https://www.wenke99.com/d-4100242.html】到电脑端继续下载(重复下载不扣费)。

已注册用户请登录:
账号:
密码:
验证码:   换一换
  忘记密码?
三方登录: QQ登录   微博登录 

下载须知

1: 本站所有资源如无特殊说明,都需要本地电脑安装OFFICE2007和PDF阅读器。
2: 试题试卷类文档,如果标题没有明确说明有答案则都视为没有答案,请知晓。
3: 文件的所有权益归上传用户所有。
4. 未经权益所有人同意不得将文件中的内容挪作商业或盈利用途。
5. 本站仅提供交流平台,并不能对任何下载内容负责。
6. 下载文件中如有侵权或不适当内容,请与我们联系,我们立即纠正。
7. 本站不保证下载资源的准确性、安全性和完整性, 同时也不承担用户因使用这些下载资源对自己和他人造成任何形式的伤害或损失。

版权提示 | 免责声明

本文(第4讲不确定性推理.ppt)为本站会员(坚持)主动上传,文客久久仅提供信息存储空间,仅对用户上传内容的表现方式做保护处理,对上载内容本身不做任何修改或编辑。 若此文所含内容侵犯了您的版权或隐私,请立即通知文客久久(发送邮件至hr@wenke99.com或直接QQ联系客服),我们立即给予删除!

第4讲不确定性推理.ppt

1、 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 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 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 。 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.

2、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。 4.1 不确定性及其类型 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( E1E2En) =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

3、. 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 1. 主观 Bayes公式: a. p(E): 证据 E的不确定性,为 E发生的概率。 b. p(h|E):产生式规则 “if E then h”的不确定性

4、c. Bayes公式: 已知先验概率 P(E)和 P(h)、 h成立时, E出现的条件概率 P(E|h), 则: P(E|h)P(h) P(h|E)=- P(E) 4.2 主观 Bayes方法 主观贝叶斯方法的两个基本假设: ( 1)如一组证据 E1、 E2、 E3、 、 En同时 支持假设 h, 则对于 h与 , 证据之间互不相 容。 ( 2)当一个证据 E支持多个假设时,假设 h1、 h2、。、 hn之间互不相容。 2 主观贝叶斯方法的不确定性计算模 式 ( 1)证据逻辑组合: 设证据 E1、 E2、 E3、 、 En相互独立,则 P( Ei) =1-P( Ei) P(E1E2En)=P(

5、Ei) P(E1 V E2 V V En)=1-(1-P(Ei) ( 2)并行法则: 设证据 E1、 E2、 E3、 、 En同时支持假设 h, 且 E1、 E2、 E3、 、 En相对于 h与 条件独立,则 O(h|E1E2En)=(h,Ei)O(h) (h,E)=P(E|h)/P(E| ):假设 h关于证据 E的似然 率 O=P/( 1-P): 表示几率。 可以看作一个几率修改因子,显然, 1时,后验概率 大于先验概率,相应证据支持假设; 0, 那么 MD(h,E)=0。 如果 MD(h,E)0, 那么 MB(h,E)=0。 (2) 当 p(h|E)p(h)时,证据 E增加假设 h的信任度

6、而不改变 其不信任度,即 MB(h,E)0, MD(h,E)=0。 (3) 当 p(h|E)0, MB(h,E)=0。 (4) 当 p(h|E)=p(h)时,证据 E和假设 h相互独立,即 MD(h,E)=0, MB(h,E)=0。 在实际模型中,通常将 MB、 MD组合成一个单一的量,这 就是可信度。 MB与 MD具有以下性质: 可信度是由称为信任增长度 MB和不信任增长 度 MD相减而来的。即 CF(H, E) MB(H, E)-MD(H, E) 2可信度 可信度 CF(h,E)=MB(h,E) MD(h,E) CF(h,E)描述了证据 E下假设 h信任度的修改量。 CF(h,E)0, 表

7、示有更多理由相信假设; CF(h,E)P(H) 当 P(H|E)=P(H) 当 P(H|E)=0,CF(h,E2)=0时, CF(h,E1 E2)=CF(h,E1)+CF(h,E2)-CF(h,E1)CF(h,E2) 当 CF(h,E1)h, 则有 CF(h,E)=CF(h,E)max(0,CF(E,E) 或 MB(h, E)=MB(h,E)max(0,CF(E,E) MD(h,E)=MD(h,E)max(0,CF(E, ) 在图所示的推理网络中, A、 B、 E为确定性 证据,网络中弧上的数值表示对应的 CF值, 如 CF(C,A)=0.8, CF(F,E)=-0.3, 求基于证据 A、 B

8、、 E的结论 F的 CF值。 C A B D F E 0.8 0.5 0.7 0.9 -0.3 CF(C,AB)=CF(C,A)+CF(C,B)-CF(C,A)CF(C,B) -并行规 则 =0.8+0.5-0.8*0.5=0.9 CF(D,AB)=CF(D,C)max(0,CF(C,AB) -顺序法则 =0.7*0.9=0.63 CF(F,AB)=CF(F,D)max(0,CF(D,AB) -顺序法则 =0.9*0.63=0.567 CF(F,ABE) =CF(F,AB)+CF(F,E) / 1-min(|CF(F,AB),|CF(F,E)|) =(0.567-0.3)/(1-0.3)=0.

9、381 -并行规则 C A B D F E 0.8 0.5 0.7 0.9 -0.3 4.4 证据理论 4.5.1基本概念 1.识别框架 识别框架就是所考察判断的事物或对象的集合 ,记为 。 例如下面的集合都是识别框架: 1 晴天,多云,刮风,下雨 2 感冒,支气管炎,鼻炎 3 红,黄,蓝 4 80, 90, 100 识别框架的子集就构成求解问题的各种解答 。这些子集也都可以表示为命题。 证据理论就是通过定义在这些子集上的几种 信度函数,来计算识别框架中诸子集为真的 可信度。 例如,在医疗诊断中,病人的所有可能的疾 病集合构成识别框架,证据理论就从该病人 的种种症状出发,计算病人患某类疾病(含

10、 多种病症并发)的可信程度。 2. 基本概率分配函数 定义 4 给定识别框架 , A 2, 称 m(A) : 2 0, 1 是 2上的一个基本概率分 配 函数 (Function of Basic Probability Assignment), 则它满足 (1) m() 0; 例 1: 设 a, b, c, 其基本概率分配函数为 m(a) 0.4 m(a, b) 0 m(a, c) 0.4 m(a, b, c) 0.2 m(b) 0 m(b, c) 0 m(c) 0 可以看出,基本概率分配函数之值并非概率。如 m(a) m(b) m(c) 0.41 3.信任函数 定义 5 给定识别框架 ,

11、称为 2上的信任函数 (Function of Belief)。 信任函数表示对 A为真的信任程度。所以,它就 是证据理论的信度函数。信任函数也称为下限函数。 信任函数有如下性质: (1) Bel() 0, Bel() 1, 且对于 2中的任意元素 A, 有 0Bel(A)1。 (2) 信任函数为递增函数。即若 ,则 Bel(A1)Bel(A2)。 (3) Bel(A) Bel(A)1 (A为 A的补集 ) 例 2 由例 1可知 Bel(a, b) m(a) m(b) m(a, b) 0.4 0 0 0.4 4.似真函数 定义 6 Pl(A) 1 Bel(A)( A 2, A为 A的 补集)称

12、为 A的似真函数 (Plausible function) , 函数值称为似真度。 似真函数又称为上限函数,它表示对 A非 假的信任程度。 例 3 由例 2、例 1可知 Pl(a, b) 1-Bel(a, b) 1-(c) 1-0 1 5.信任区间 定义 7 设 Bel (A)和 Pl(A)分别表示 A的信任度和 似真度,称二元组 Bel(A), Pl(A) 为 A的一个信任区间。 6. Dempster 组合规则 1) 基本的组合规则 设 m1(A)和 m2(A)( A 2) 是识别框架 基于不同证据的两个基本概率分配函数,则 将二者可按下面的 Dempster组合规则合并: 该表达式一般称

13、为 m1与 m2的正交和,并记 为 m m1m2。 不难证明,组合后的 m(A)满足 例 4 设识别框架 a, b, c, 若基于两 组不同证据而导出的基本概率分配函数分别 为: m1(a) 0.4 m1(a, c) 0.4 m1(a, b, c) 0.2 m2(a) 0.6 m2(a, b, c) 0.4 将 m1和 m2合并 m(a) m1(a)m2(a) m1(a)m2(a, b, c) m1(a, c)m2(a) m1(a, b, c)m2(a) 0.76 m(a, c) m1(a, c)m2(a, b, c) 0.16 m(a, b, c) m1(a, b, c)m2(a, b, c

14、) 0.08 2) 含冲突修正的组合规则 上述组合规则在某些情况下会有问题。考察 两个不同的基本概率分配函数 m1和 m2, 若存 在集合 B、 C, BC , 且 m1(A)0, m2(B)0, 这时使用 Dempster组合规则将导 出 这与概率分配函数的定义冲突。这时,需将 Dempster 组合规则进行如下修正 : 规范数 K的引入,实际上是把空集所丢弃的正交 和按比例地补到非空集上,使 m(A)仍然满足 如果所有交集均为空集,则出现 K , 显然, Dempster组合规则在这种情况下将失去意义。 其中 K为规范数,且 -1 7 基于证据理论的不确定性推理 基于证据理论的不确定性推理

15、,大体可分为 以下步骤: (1)建立问题的识别框架 ; (2)给幂集 2定义基本概率分配函数; (3)计算所关心的子集 A 2( 即 的子集 )的信任函数值 Bel(A)、 似真函数值 Pl(A); (4)由 Bel(A)、 Pl(A)得出结论。 例 13 设有规则 : (1)如果流鼻涕则感冒但非过敏性鼻炎 (0.9)或过敏 性鼻炎但非感冒 (0.1) (2)如果眼发炎则感冒但非过敏性鼻炎 (0.8)或过敏 性鼻炎但非感冒 (0.05)括号中的数字表示规则前提对 结论的支持程度。又有事实 : (1)小王流鼻涕 (0.9) (2)小王眼发炎 (0.4) 括号中的数字表示事实的可信程度。 问 :小

16、王患什么病? 我们用证据理论求解这一医疗诊断问题 。 首先,取识别框架 h1, h2, h3 其中, h1表示 “感冒但非过敏性鼻炎 ”, h2 表示 “过敏性鼻炎但非感冒 ”, h3表示 “同时得 了两种病 ”。 再取下面的基本概率分配函数 : m1(h1) 规则前提事实可信度 规则结论可信度 0.90.9 0.81 m1(h2) 0.90.1 0.09 m1(h1, h2, h3) 1- m1(h1)- m1(h2) 1-0.81-0.09 0.1 m1(A) 0 (A为 的其他子集 ) m2(h1) 0.40.8 0.32 m2(h2) 0.40.05 0.02 m2(h1, h , h

17、3) 1-m2(h1)-m2(h2) 0.66 m2(A) 0 (A为 的其他子集 ) 将两个概率分配函数合并 K 1/1- m1(h1)m2(h2) m1(h2)m2(h1) 1/1- 0.810.02+0.090.32 1/1-0.045 1/0.955 1.05 m(h1) K* m1(h1)m2(h1) m1(h1)m2(h1, h2, h3 m1(h1, h2, h3)m2(h1) 1.050.8258 0.87 m(h2) K m1(h2)m2(h2) m1(h2)m2(h1, h2, h3 m1(h1, h2, h3)m2(h2) 1.050.0632 0.066 m(h1, h

18、2, h3) 1-m(h1)-m(h2) 1-0.87-0.066 0.064 由信任函数求信任度 Bel(h1) m(h1) 0.87 Bel(h2) m(h2) 0.066 由似真函数求似真度 Pl(h1) 1-Bel(h1) 1-Bel(h2, h3) 1- m(h2 m(h3) 1- 0.066 0 0.934 Pl(h2) 1-Bel(h2) 1-Bel(h1, h3) 1- m(h1) m(h3) 1- 0.87 0 0.13 于是,最后得到: “感冒但非过敏性鼻炎 ”为真的信任度为 0.87, 非假的信任度为 0.934; “过敏性鼻炎但非感冒 ”为真的信任度为 0.066 ,非假的信任度为 0.13。 所以,看来该患者是感冒了。 证据理论是被推崇的处理随机性不确定性的 好方法,受到人工智能特别是专家 系统领域的广泛 重视,并且已为许多专家系统所采用。

Copyright © 2018-2021 Wenke99.com All rights reserved

工信部备案号浙ICP备20026746号-2  

公安局备案号:浙公网安备33038302330469号

本站为C2C交文档易平台,即用户上传的文档直接卖给下载用户,本站只是网络服务中间平台,所有原创文档下载所得归上传人所有,若您发现上传作品侵犯了您的权利,请立刻联系网站客服并提供证据,平台将在3个工作日内予以改正。