1、不确定性知识的表示与推理,8.1 不确定性处理概述,8.1.1 不确定性及其类型,1. (狭义)不确定性 不确定性(uncertainty)确实是一个命题(亦即所表示的事件)的真实性不能完全确信, 而只能对其为真的可能性给出某种可能。 例如:,假如乌云密布同时电闪雷鸣, 那么很可能要下暴雨。 假如头痛发烧, 那么大概是患了感冒。,确实是两个含有不确定性的命题。 所以, 它们描述的是人们的经验性知识。,2. 不确切性(模糊性) 不确切性(imprecision)确实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, 也确实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
2、, 即边界是软的或者说是不明确的。 例如, 小王是个高个子。 张三和李四是好朋友。 假如向左转, 那么身体就向左稍倾。,这几个命题中就含有不确切性, 因为其中的言词“高”、 “好朋友”、“稍倾”等的涵义基本上不确切的。我们无妨称这种涵义不确切的言词所代表的概念为软概念(soft concept)。 (注: 在模糊集合(fuzzy set)的概念出现以后, 有些文献中(包括本书的第【一】 二版)将那个地方的不确切性称为模糊性(fuzziness), 将含义不确切的言词所代表的概念称为模糊概念, 但笔者认为将这种概念称为软概念大概更为合理和贴切。 ),3. 不完全性 不完全性确实是对某事物来说,
3、关于它的信息或知识还不全面、不完整、不充分。例如,在破案的过程中, 警方所掌握的关于罪犯的有关信息, 往往确实是不完全的。但确实是在这种情况下, 办案人员仍能通过分析、 推理等手段而最终破案。 ,4. 不一致性 不一致性确实是在推理过程中发生了前后不相容的结论; 或者随着时间的推移或者范围的扩大, 原来一些成立的命题变得不成立、 不适合了。例如, 牛顿定律关于宏观世界是正确的, 但关于微观世界和宇观世界却是不适合的。,8.1.2 不确定性知识的表示及推理 关于不确定性知识, 其表示的关键是如何描述不确定性。 一般的做法是把不确定性用量化的方法加以描述, 而其余部分的表示模式与前面介绍的(确定性
4、)知识差不多相同。关于不同的不确定性, 人们提出了不同的描述方法和推理方法。下面我们要紧介绍(狭义)不确定性和不确切性知识的表示与推理方法,关于不完全性和不一致性知识的表示, 简介几种非标准逻辑。,我们只讨论不确定性产生式规那么的表示。关于这种不确定性, 一般采用概率或信度来刻划。一个命题的信度是指该命题为真的可信程度, 例如,(这场球赛甲队取胜, 0.9),那个地方的0.9确实是命题“这场球赛甲队取胜”的信度。它表示“这场球赛甲队取胜”那个命题为真(即该命题所描述的事件发生)的可能性程度是0.9。,一般地, 我们将不确定性产生式规那么表示为,A(B, C(B|A),(8-1),其中C(B|A
5、)表示规那么的结论B在前提A为真的情况下为真的信度。 例如, 对上节中给出的两个不确定性命题, 假设采用(8-1)式, 那么可表示为,假如乌云密布同时电闪雷鸣, 那么天要下暴雨(0.95)。假如头痛发烧, 那么患了感冒(0.8)。,那个地方的0.95和0.8确实是对应规那么结论的信度。它们代替了原命题中的“很可能”和“大概”, 可视为规那么前提与结论之间的一种关系强度。,信度一般是基于概率的一种度量,或者就直截了当以概率作为信度。例如, 在著名的专家系统MYCIN中的信度确实是基于概率而定义的(详见8.2.1确定性理论), 而在贝叶斯网络中确实是直截了当以概率作为信度的。关于上面的(8-1)式
6、, 要直截了当以概率作为信度那么只需取C(B|A)=P(B|A)(P(B|A)为A真时B真的条件概率)即可。 ,基于不确定性知识的推理一般称为不确定性推理。 由于不确定性推理是基于不确定性知识的推理, 因此其结果仍然是不确定性的。 但关于不确定性知识, 我们是用信度即量化不确定性的方法表示的(实际是把它变成确定性的了), 因此, 不确定性推理的结果仍然应含有信度。 这确实是说, 在进行不确定性推理时, 除了要进行符号推演操作外, 还要进行信度计算, 因此不确定性推理的一般模式可简单地表示为不确定性推理符号推演信度计算,能够看出,不确定性推理与通常的确定性推理相比, 区别在于多了个信度计算过程。
7、然而, 正是因为含有信度及其计算, 因此不确定性推理与通常的确定性推理就存在显著差别。 (1) 不确定性推理中规那么的前件要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。那个限度一般称为“阈值”。 (2) 不确定性推理中一个规那么的触发,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
8、的计算等等。 这些计算也确实是在推理过程中要反复进行的计算。 总之, 不确定性推理要涉及信度、阈值以及信度的各种计算和传播方法的定义和选取。 所有这些就构成了所谓的不确定性推理模型。,8.1.3 不确切性知识的表示及推理关于不确切性知识, 现在一般用模糊集合与模糊逻辑的理论和方法来处理。这种方法一般是用模糊集合给相关的概念或者说语言值(要紧是软概念或者软语言值)建模。然而, 我们发现, 关于有些问题也可用程度化的方法来处理。本节就先简单介绍这种程度化方法, 而将模糊集合与模糊逻辑安排在8.4一节专门介绍。 所谓程度确实是一个命题中所描述事物的特征(包括属性、 状态或关系等)的强度。程度化方法确
9、实是给相关语言特征值(简称语言值)附一个称为程度的参数, 以确切刻画对象的特征。例如, 我们用刻画一个人“胖”的程度。 ,(胖, 0.9),我们把这种附有程度的语言值称为程度语言值。 其一般形式为,(LV, d),其中, LV为语言值, d为程度, 即,(, ),能够看出, 程度语言值实际是通常语言值的细化, 其中的一项为哪一项对对象所具有的属性值的精确刻画。 至于程度如何取值, 可因具体属性和属性值而定。例如可先确定一个标准对象, 规定其具有相关属性值的程度为1, 然后再以此标准来确定其他对象所具有该属性值的程度。如此, 一般来说, 程度的取值范围确实是实数区间,(0,1)。,1. 程度元组
10、一般形式如下: (, , (, )例8.1 我们用程度元组将命题“那个苹果比较甜”表示为(那个苹果, 味道, (甜, 0.95)其中的0.95就代替“比较”而刻画了苹果“甜”的程度。,2. 程度谓词谓词也确实是语言值。按照前面程度语言值的做法, 我们给谓词也附以程度, 即细化为程度谓词, 以精确刻画相应个体对象的特征。 依照谓词的形式特点, 我们将程度谓词书写为,Pd 或 dP,其中, P表示谓词, d表示程度; Pd为下标表示法, dP为乘法表示法。,例8.2 采用程度谓词, 那么(1) 命题“雪是白的”可表示为white1.0(雪) 或 1.0white(雪)(2) 命题“张三和李四是好朋
11、友”可表示为friends1.15(张三, 李四) 或 1.15 friends(张三, 李四),3. 程度框架含有程度语言值的框架称为程度框架。 例8.3 下面是一个描述大枣的程度框架。 框架名: 类属: (, 0.8) 形状: (圆, 0.7) 颜色: (红, 1.0) 味道: (甘, 1.1) 用途: 范围: (食用, 药用) 缺省: 食用,4. 程度语义网含有程度语言值的语义网称为程度语义网。 例8.4 图8-1所示是一个描述狗的程度语义网。,图 8-1 程度语义网例如,5. 程度规那么含有程度语言值的规那么称为程度规那么。 其一般形式为,(Oi, Fi, (LVi, xi) (O,
12、F, (LV, D(x1, x2, xn),(8-2),其中，Oi, O表示对象，Fi, F表示特征，LVi, LV表示语言特征值，x, D(x1, x2, xn )表示程度，D(x1, x2, xn )为x1, x2, xn 的函数。我们称其为规那么的程度函数。,例8.5 设有规那么: 假如某人鼻塞、 头疼同时发高烧,那么该人患了重感冒。 我们用程度规那么描述如下: (某人, 症状, (鼻塞,x)(某人,症状,(头疼, y)(患者, 症状, (发烧,z)(该人, 患病, (感冒, 1.2(0.3x+0.2y+0.5z)程度规那么的关键是程度函数。 一个差不多的方法确实是采用机器学习(如神经网
13、络学习)。 这需要事先给出一些含有具体程度值的实例规那么, 学习作为样本。,由上述程度化知识表示方法能够看出, 基于这种知识表示的推理, 同一般的确切推理相比,多了一个程度计算的手续。 确实是说, 推理时, 除了要进行符号推演操作外, 还要进行程度计算。 我们称这种附有程度计算的推理为程度推理。程度推理的一般模式为 程度推理符号推演程度计算,这一模式类似于前面的信度推理模式。因此,程度推理也应该有程度阈值,从而在推理过程中, 规那么的前件要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程度必须达到阈值; 所推得的结论是否有效, 也取决于其程度是否达到阈值
14、。,需要指出的是, 程度语言值中的程度也能够转化为命题的真度。 例如, 我们能够把命题“小明个子比较高”用程度元组表示为,(小明, 身高, (高, 0.9),那个地方的0.9是小明高的程度。 但也能够表示为,(小明, 身高, 高), 真实性, (真, 0.9),那个地方的0.9是命题“小明个子高”的真实程度, 即真度。 如此, 我们就把小明的个子高的程度, 转化为命题“小明个子高”的真度, 而且二者在数值上是相等的。,8.1.4多值逻辑 我们明白,人们通常所使用的逻辑是二值逻辑。即对一个命题来说, 它必须是非真即假,反之亦然。但现实中一句话的真假却并非一定如此, 而可能是半真半假, 或不真不假
15、,或者真假一时还不能确定等等。如此, 仅靠二值逻辑有些情况就无法处理,有些推理就无法进行。因此, 人们就提出了三值逻辑、 四值逻辑、多值逻辑乃至无穷值逻辑。例如, 模糊逻辑确实是一种无穷值逻辑。下面我们介绍一种三值逻辑, 称为Kleene三值逻辑。,在这种三值逻辑中, 命题的真值, 除了“真”、 “假”外, 还能够是“不能判定”。 其逻辑运算定义如下：,其中的第三个真值U的语义为“不可判定”,即不明白。显然, 遵循这种逻辑,就可在证据不完全不充分的情况下进行推理。,8.1.5非单调逻辑 所谓“单调”,是指一个逻辑系统中的定理随着推理的进行而总是递增的。那么,非单调确实是逻辑系统中的定理随着推理
16、的进行而并非总是递增的, 确实是说也可能有时要减少。传统的逻辑系统基本上单调逻辑。但事实上,现实世界却是非单调的。例如,人们在对某事物的信息和知识不足的情况下,往往是先按假设或默认的情况进行处理, 但后来发现得到了错误的或者矛盾的结果, 那么就又要撤消原来的假设以及由此得到的一切结论。这种例子不论在日常生活中依然在科学研究中基本上屡见不鲜的。这就说明,人工智能系统中就必须引入非单调逻辑。,在非单调逻辑中, 假设由某假设出发进行的推理中一旦出现不一致, 即出现与假设矛盾的命题, 那么允许撤消原来的假设及由它推出的全部结论。基于非单调逻辑的推理称为非单调逻辑推理, 或非单调推理。 非单调推理至少在
17、以下场合适用： (1) 在问题求解之前, 因信息缺乏先作一些临时假设, 而在问题求解过程中依照实际情况再对假设进行修正。,(2) 非完全知识库。随着知识的不断获取, 知识数目渐增,那么可能出现非单调现象。例如, 设初始知识库有规那么： x(bird(x)fly(x)即“所有的鸟都能飞”。 后来得到了事实： bird(ostrich)即“驼鸟是一种鸟”。假如再将这条知识加入知识库那么就出现了矛盾, 因为驼鸟可不能飞。这就需要对原来的知识进行修改。,(3) 动态变化的知识库。常见的非单调推理有缺省推理(reasoning by default )和界限推理。由于篇幅所限, 这两种推理不再详细介绍,
18、 有兴趣的读者可参阅有关专著。,8.1.6时序逻辑 关于时变性, 人们提出了时序逻辑。时序逻辑也称时态逻辑, 它将时间词(称为时态算子, 如“过去”, “今后”, “有时”, “一直”等)或时间参数引入逻辑表达式, 使其在不同的时间有不同的真值。从而可描述和解决时变性问题。 时序逻辑在程序规范(specifications)、程序验证以及程序语义形式化方面有重要应用, 因而它现已成为计算机和人工智能科学理论的一个重要研究课题。,8.2几种经典的不确定性推理模型,8.2.1 确定性理论确定性理论是肖特里菲(E.H.Shortliffe)等于1975年提出的一种不精确推理模型,它在专家系统MYCI
19、N中得到了应用。 1. 不确定性度量CF(Certainty Factor), 称为确定性因子, (一般亦称可信度), 其定义为,(8-3),其中, E表示规那么的前提, H表示规那么的结论, P(H)是H的先验概率, P(H|E)是E为真时H为真的条件概率。,那个可信度的表达式是什么意思呢？原来, CF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),而,当P(H)=1,否那么,当P(H)=0,否那么,当MB(H, E)0, 表示由于证据E的出现增加了对H的信任程度。 当MD(H, E)0, 表示由于证据E的出现增加了对H的不信任程
20、度。由于对同一个证据E, 它不可能既增加对H的信任程度又增加对H的不信任程度, 因此, MB(H,E)与MD(H,E)是互斥的, 即 当MB(H,E)0时, MD(H, E)0； 当MD(H, E)0时, MB(H, E)0。,下面是MYCIN中的一条规那么：,假如 细菌的染色斑呈革兰氏阳性, 且 形状为球状,且 生长结构为链形, 那么 该细菌是链球菌(0.7)。,那个地方的0.7确实是规那么结论的CF值。 最后需说明的是, 一个命题的信度可由有关统计规律、 概率计算或由专家凭经验主观给出。,2. 前提证据事实总CF值计算 CF(E1E2En)minCF(E1)，CF(E2)，CF(En) C
21、F(E1E2En)maxCF(E1)，CF(E2)，CF(En)其中E1，E2，En是与规那么前提各条件匹配的事实。,3.推理结论CF值计算 CF(H)CF(H，E)max0，CF(E) 其中E是与规那么前提对应的各事实，CF(H，E)是规那么中结论的可信度，即规那么强度。,4. 重复结论的CF值计算 假设同一结论H分别被不同的两条规那么推出, 而得到两个可信度CF(H)1和CF(H)2, 那么最终的CF(H)为,（8-7）,例8.6 设有如下一组产生式规那么和证据事实，试用确定性理论求出由每一个规那么推出的结论及其可信度。 规那么: if At hen B(0.9) if B and C t
22、hen D(0.8) if A and C then D(0.7) if B or D then E(0.6)事实: A，CF(A)=0.8;C，CF(C)=0.9,解 规那么得:CF(B)0.90.80.72 由规那么得:CF(D)10.8min0.72，0.9)0.80.720.576 由规那么得:CF(D)20.7min0.8，0.9)0.70.80.56 从而 CF(D)CF(D)1CF(D)2CF(D)1CF(D)2 0.5760.560.5760.560.32256 由规那么得:CF(E)0.6max0.72，0.322560.60.720.432,8.2.2 主观贝叶斯方法主观贝
23、叶斯方法是R.O.Duda等人于1976年提出的一种不确定性推理模型, 并成功地应用于地质勘探专家系统PROSPECTOR。主观贝叶斯方法是以概率统计理论为基础, 将贝叶斯(Bayesian)公式与专家及用户的主观经验相结合而建立的一种不确定性推理模型。 1. 不确定性度量主观贝叶斯方法的不确定性度量为概率P(x),另外还有三个辅助度量: LS,LN和O(x),分别称充分似然性因子、必要似然性因子和几率函数。,在PROSPECTOR中, 规那么一般表示为,if E then (LS, LN) H (P(H ) ),或者图示为,其中, E为前提(称为证据); H为结论(称为假设); P(H)为H
24、为真的先验概率;LS, LN分别为充分似然性因子和必要似然性因子, 其定义为,(8-8),(8-9),前者刻画E为真时对H的影响程度,后者刻画E为假时对H的影响程度。 另外, 几率函数O(x)的定义为,(8-10),它反映了一个命题为真的概率(或假设的似然性(likelihood)与其否定命题为真的概率之比, 其取值范围为0, +。,下面我们介绍LS, LN的来历并讨论其取值范围和意义。由概率论中的贝叶斯公式,有,两式相除得,即,亦即,O(H|E)= O(H)LS,从而,由此式不难看出： LS1 当且仅当O(H|E)O(H), 说明E以某种程度支持H; LS1 当且仅当O(H|E)1, 且LN
25、1; LSLN1。,需说明的是,在概率论中, 一个事件的概率是在统计数据的基础上计算出来的, 这通常需要大量的统计工作。为了避免大量的统计工作, 在主观贝叶斯方法中,一个命题的概率可由领域专家依照经验直截了当给出, 这种概率称为主观概率。 推理网络中每个陈述H的先验概率P(H)基本上由专家直截了当给出的主观概率。同时, 推理网络中每条规那么的LS、LN也需由专家指定。这确实是说, 尽管前面已有LS、LN的计算公式, 但实际上领域专家并不一定真按公式计算规那么的LS、LN, 而往往是凭经验给出。因此, 领域专家依照经验所提供的LS、LN通常不满足这一理论上的限制, 它们常常在承认E支持H(即LS
26、1)的同时却否认E反对H(即LN1时, LN1。这种主观概率与理论值不一致的情况称为主观概率不一致。 当出现这种情况时,并不是要求专家修改他提供的LS、 LN使之与理论模型一致(如此做通常比较困难), 而是使似然推理模型符合专家的意愿。,2. 推理中后验概率的计算推理中后验概率的计算有以下几个公式:,(8-11),这是当证据E确信存在即为真时,求假设H的后验概率的计算公式。其中的LS和P(H)由专家主观给出。,(8-12),这是当证据E确信不存在即为假时,求假设H的后验概率的计算公式。其中的LN和P(H)由专家主观给出。,由上面介绍的LS, LN的来历, 有,由此式即可推得公式(8-11)。
27、类似地也可得到公式(8-12)。,(8-13),这是当证据E自身也不确定时, 求假设H的后验概率的计算公式。其中的S为与E有关的观察,即能够影响E的事件。公式(8-13)是一个线性插值函数, 其中P(H|E),P(H|E), P(E), P(H)为公式中的值(前两个由公式(8-11)、(8-12)计算而得, 后两个由专家直截了当给出); P(E|S)为公式中的变量(其值由用户给出或由前一个规那么SE求得)。那个插值函数的几何解释如图8-2所示。,图 8-2 线性插值函数的几何解释,由公式(8-13)和图8-2能够看出, 当证据E自身也不确定时, 假设H的后验概率是通过的,P(H|E), P(E
28、),P(H)和用户给出的概率P(E|S)或前一个规那么SE的中间结果而计算的。这也确实是把原来的后验概率P(H|E)用后验概率P(H|S)来代替了。 这相当于把S对E的影响沿规那么的弧传给了H。,公式(8-13)是如此得来的: 起初, Duda等人证明了在某种合理的假定下, P(H|S)是P(E|S)的线性函数, 同时满足:,P(H|E) 当P(H| S)=1时；P(H|S)= 当P(H| S)=0时； P(H) 当P(H|S)= P(E)时,但由于P(E), P(H)基本上专家给出的主观概率, 它们常常是不一致的, 因此当P(E|S)P(E)时, 按线性函数计算出的理论值P(H|S)Pc(H
29、)通常并不是专家给出的先验概率P(H)。当P(E)P(H), 但按线性函数计算却是P(H|S) P(E1)=0.5,因此应采用公式,即,其中P(H1 )、P(E1)，还需要计算E1确信存在的情况下的P(H1| E1)，我们直截了当采用前面例1的结果，因此有,例8.10 设有规那么,R1: if E1 then (200, 0.02) H R2: if E2 then (300, 1) H,证据E1和E2必然发生，同时P(H)=0.04，求H的后验概率P(H| E1 E2)。 解 由P(H)=0.04，有,O(H)=0.04/(1-0.04) 0.04,由R1有,O(H|E1)=LS1O(H)=
30、2000.04=8,由R2有,O(H|E2)=LS2O(H)=3000.04=12,因此,从而,8.2.3 证 据理论,1. 差不多概念1) 识别框架 识别框架确实是所考察判断的事物或对象的集合,记为。 例如下面的集合基本上识别框架： 1晴天，多云，刮风，下雨 2感冒，支气管炎，鼻炎 3红，黄，蓝 480，90，100,识别框架的子集就构成求解问题的各种解答。 这些子集也都能够表示为命题。证据理论确实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
31、(含多种病症并发)的可信程度。,2) 基本概率分配函数 定义4给定识别框架，A2，称m(A)：20，1是2上的一个基本概率分配函数(Function of Basic Probability Assignment)，若它满足(1) m()0;,例8.11 设a，b，c，其差不多概率分配函数为 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能够看出，差不多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2 给定识别框架，,称为2上的信任函数(Function of Belief)。 信任函数表示对
32、A为真的信任程度。因此，它确实是证据理论的信度函数。信任函数也称为下限函数。,可以证明，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8.12 由例8.11可知 Bel(a，b)m(a)m(b)m(a，b)0.4000.4,4）似真函数 定义3 Pl(A)1Bel(A)（A2，A为A的补集）称为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。,
33、例8.13 由例8.11、例8.12可知,Pl(a，b)1-Bel(a，b)1-(c)1-01,5) 信任区间定义4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。,信任区间刻划了对A所持信任程度的上下限。 如： (1)1, 1表示A为真(Bel(A)Pl(A)1)。 (2)0, 0表示A为假(Bel(A)Pl(A)0)。 (3)0, 1表示对A完全无知。因为Bel(A)0, 说明对A不信任; 而Bel(A) 1-Pl(A)0, 说明对A也不信任。 (4)1/2, 1/2表示A是否为真是完全不确定的。 (5)0.25, 0.85
34、表示对A为真信任的程度为0.25;由Bel(A)=1-0.85=0.15表示对A也有一定程度的信任。 由上面的讨论, Pl(A)-Bel(A)表示对A不明白的程度, 即既非对A 信任又非不信任的那部分。,似真函数Pl具有下述性质： (1) Pl(A); (2) Pl(A)Pl(A)1; (3) Pl(A)Bel(A)。 这里, 性质(1)指出似真函数也可以由基本概率分配函数构造, 性质(2)指出A 的似真度与A的似真度之和不小于1, 性质(3)指出A的似真度一定不小于A的信任度。,6）Dempster 组合规那么 1) 差不多的组合规那么。设m1(A)和m2(A)（A2）是识别框架基于不同证据
35、的两个差不多概率分配函数，那么将二者可按下面的 Dempster组合规那么合并：,该表达式一般称为m1与m2的正交和，并记为mm1+m2。不难证明，组合后的m(A)满足,例8.14 设识别框架a，b，c，假设基于两组不同证据而导出的差不多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,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
36、，c)0.08,2) 含冲突修正的组合规那么 上述组合规那么在某些情况下会有问题。考察两个不同的差不多概率分配函数m1和m2，假设存在集合B、C，BC，且m1(A)0，m2(B)0，这时使用 Dempster组合规那么将导出,这与概率分配函数的定义冲突。这时，需将Dempster 组合规那么进行如下修正：,其中K为规范数，且,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,假如所有交集均为空集，那么出现K，显然，Dempster组合规那么在这种情况下将失去意义。,2. 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，大体可分为以下步骤： (1)建立问
37、题的识别框架； (2)给幂集2定义差不多概率分配函数； (3)计算所关心的子集A2（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8.15 设有规那么: (1)假如流鼻涕那么感冒但非过敏性鼻炎(0.9)或过敏性鼻炎但非感冒(0.1) (2)假如眼发炎那么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那么前提对结论的支持程度。又有事实:小王流鼻涕(0.9)小王眼发炎(0.4)括号中的数字表示事实的可信程度。,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
38、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”。,再取下面的差不多概率分配函数: m1(h1)规那么前提事实可信度规那么结论可信度0.90.90.81m1(h2)0.90.10.09m1(h1，h2，h3)1- m1(h1)- m1(h2)1-0.81-0.090.1 m1(A)0 (A为的其他子集) m2(h1)0.40.80.32m2(h2)0.40.050.02m2(h1，h，h3)1-m2(h1)-m2(h2)1-0.32-0.020.66 m2(A)0 (A为的其他子集),将两个概率分配函数合并 K1/1-m1(h1)m2(h2)m1(h2)m2(h1)1
39、/1-0.810.02+0.090.32 1/1-0.045 1/0.955 1.05 m(h1)Km1(h1)m2(h1)m1(h1)m2(h1，h2，h3 m1(h1，h2，h3)m2(h1) 1.050.82580.87,m(h2)Km1(h2)m2(h2)m1(h2)m2(h1，h2，h3m1(h1，h2，h3)m2(h2) 1.050.06320.066m(h1，h2，h3)1-m(h1)-m(h2) 1-0.87-0.0660.064 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(h2m(h3) 1-0.06600.934Pl(h2)1-Bel(h2)1-Bel(h1，h3)1-m(h1)m(h3)1-0.8700.13,因此，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。 因此，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，同时已为许多专家系统所采用。,
