第五章不确定性推理概述不确定性推理模型的基本结构确定性方法主观Bayes方法证据理论可能性理论第五章不确定性推理概述不确定性推理模型的基本结构确定性方法主观Bayes方法证据理论概述不精确思维并非专家的习惯或爱好所至,而是客观现实的要求。很多原因导致同一结果推理所需的信息不完备背景知识不足信息描述模糊信息中含有噪声规划是模糊的推理能力不足解题方案不唯一在人类的知识和思维行为中,精确性只是相对的,不精确性才是绝对的。知识工程需要各种适应不同类的不精确性特点的不精确性知识描述方法和推理方法。不确定性推理不确定性的类型随机性模糊性不完全性(对事物认识不足)不一致性(随着推理的进行,原来成立的,变的不那么成立了)不确定性的表示(I)(1)知识不确定性的表示知识不确定性的表示方式是与不确定性推理方法密切相关的一个问题。在选择知识的不确定性表示时,通常需要考虑以下两个方面的因素:要能够比较准确地描述问题本身的不确定性便于推理过程中不确定性的计算一般将这两个方面的因素结合起来综合考虑。知识的不确定性通常为一个数值,也称为知识的静态强度。不确定性的表示(II)知识的静态强度可以是该知识在应用中成功的概率,也可以是该知识的可信程度等。如果用知识在应用中成功的概率来表示静态强度,则其取值范围为[0,1],该值越接近于1,说明该知识越接近于“真”;其值越接近于0,说明该知识越接近于“假”。如果用知识的可信度来表示静态强度,则其取值范围为[-1,1],当该值大于0时,值越大说明知识越接近于真,当其值小于0时,值越小说明知识越接近于假。在实际应用中,知识的不确定性是由领域专家给出的。不确定性的表示(III)(2)证据的不确定性的表示推理中的证据有两种来源:一种是用户在求解问题时所提供的初始证据,如病人的症状、检查结果等;另一种是在推理中得出的中间结果,即把当前推理中所得到的中间结论放入综合数据库,并作为以后推理的证据来使用。一般来说,证据的不确定性表示应该与知识的不确定性表示保持一致,以便推理过程能对不确定性进行统一处理。证据的不确定性可以用概率来表示,也可以用可信度等来表示,其意义与知识的不确定性类似。要解决的问题事实的表示规则的表示逻辑运算运算规则运算规则的合成不确定性推理法的类型(I)关于不确定性推理的类型由多种不同的分类方法,如果按照是否采用数值来描述非精确性,可将其分为数值方法和非数值方法两大类型。数值方法是一种用数值对非精确性进行定量表示和处理的方法。非数值方法是指除数值方法以外的其他各种对不确定性进行表示和处理的方法,如非单调推理等。不确定性推理法的类型(II)对于数值方法,又可按其所依据的理论分为两种类型一类是基于概率论的有关理论发展起来的方法,称为基于概率的模型,如确定性理论、主管Bayes方法、证据理论、可能性理论等;另一类是基于模糊逻辑理论发展起来的可能性理论方法,称为模糊推理。概述不确定问题的数学模型表示的3方面问题表示问题:表达要清楚。表示方法规则不仅仅是数,还要有语义描述。计算问题:不确定性的传播和更新。也是获取新信息的过程。语义问题:将各个公式解释清楚。第五章不确定性推理概述不确定性推理模型的基本结构确定性方法主观Bayes方法证据理论可能性理论第五章不确定性推理概述不确定性推理模型的基本结构确定性方法主观Bayes方法证据理论可能性理论不确定性推理模型的基本结构规则的一般表示形式:IFETHENH(C(H,E))其中:E表示规则的前提条件,即证据H表示规则的结论部分,即假设C(H,E)表示规则的精确程度或可信度。任何一个不确定性推理模型必须解决三个问题:前提(证据,事实)的不确定性描述规则(知识)的不确定性描述不确定性的更新算法不确定性推理模型的基本结构证据的不确定性C(E),表示证据E为真的程度。需定义其在三种典型情况下的取值:E为真E为假对E一无所知(该情况下的取值称为证据的单位元e(E))规则的不确定性C(H,E),表示规则的强度。需定义其在三种典型情况下的取值:若E为真则H为真若E为假则H为假E对H没有影响(该情况下的取值称为规则的单位元e(H,E))不确定性推理模型的基本结构一个不确定性推理模型必须包括下列算法:(1)C(H)=g1[C(E),C(H,E)](2)C(H)=g2[C1(H),C2(H)](3)C(E1ANDE2)=g3[C(E1),C(E2)](4)C(E1ORE2)=g4[C(E1),C(E2)](5)C(~E)=~C(E)不确定性推理模型的基本结构一个不确定性推理模型必须满足下列条件:(1)当全部证据和规则都是确定性的时候,此模型应满足确定性推理。(2)若算法(1)中,C(E)=e(H),则C(H)=e(H)(3)若算法(2)中,C1(H)=e(H),则C(H)=C2(H)C2(H)=e(H),则C(H)=C1(H)(4)若算法(1)中,C(H,E)=e(H),则C(H)=e(H)(5)在算法(3)中,g3(x1,…,xn)=min(x1,…,xn)(6)在算法(4)中,g4(x1,…,xn)=max(x1,…,xn)第五章不确定性推理概述不确定性推理模型的基本结构确定性方法主观Bayes方法证据理论可能性理论第五章不确定性推理概述不确定性推理模型的基本结构确定性方法主观Bayes方法证据理论可能性理论确定性方法(可信度方法)E.Short和B.Buchanan在MYCIN系统研制过程中产生了不确定推理方法,第一个采用了不确定推理逻辑,70年代很有名。提出该方法时应遵循的原则不采用严格的统计理论。使用的是一种接近统计理论的近似方法。用专家的经验估计代替统计数据尽量减少需要专家提供的经验数据,尽量使少量数据包含多种信息。新方法应适用于证据为增量式地增加的情况。专家数据的轻微扰动不影响最终的推理结论。理论基础以定量法为工具,比较法为原则的相对确认理论。采用此方法的MYCIN系统的诊断结果不是只给出一个最可信结论及其可信度,而是给出可信度较高的前几位,供人们比较选用。规则规则的不确定性度量证据(前提)的不确定性度量。推理计算。确定性方法理论基础以定量法为工具,比较法为原则的相对确认理论。采用此方法的MYCIN系统的诊断结果不是只给出一个最可信结论及其可信度,而是给出可信度较高的前几位,供人们比较选用。规则规则的不确定性度量证据(前提)的不确定性度量。推理计算。确定性方法理论基础以定量法为工具,比较法为原则的相对确认理论。采用此方法的MYCIN系统的诊断结果不是只给出一个最可信结论及其可信度,而是给出可信度较高的前几位,供人们比较选用。规则规则的不确定性度量证据(前提)的不确定性度量。推理计算。确定性方法规则(规则的不确定性度量)定义:信任增强度MB(B,E)和不信任增强度MD(B,E)否则当,P(B)-1P(B)-P(B)}A),|max{P(B1P(B),1A)MB(B,否则当,P(B)-P(B)-P(B)}A),|min{P(B0P(B),1A)MD(B,P(B)表示B的先验概率,P(B|A)表示当A为真时,B的条件概率(1)(2)规则(规则的不确定性度量)(1)0≤MB(B,A)≤1,0≤MD(B,A)≤1(2)MB(B,A)0,即P(B|A)P(B),表示由于证据A的出现,结论B为真的信任度增强.(3)MD(B,A)0,即P(B|A)P(B),表示由于证据A的出现,结论B为真的信任度减少.(4)同一证据A不可能既增加对B的信任度,又增加对B的不信任度.即MB(B,A)0,MD(B,A)=0MD(B,A)0,MB(B,A)=0(5)P(B|A)=P(B),表示证据A与结论B无关(6)MB(B,A)=0,即P(B|A)≤P(B)表示证据A的存在证实不了结论B.MD(B,A)=0,即P(B|A)≥P(B)表示证据A的存在不能否认结论B.规则(规则的不确定性度量)规则A→B,可信度表示为CF(B,A)。确定因子CF定义为:CF(B,A)=MB(B,A)-MD(B,A)P(B)A)|P(B,P(B)P(B)-A)|P(BP(B)A)|P(B,P(B)1P(B)-A)|P(BA)CF(B,当当规则(规则的不确定性度量)CF(B,A)表示的意义证据为真时相对于P(~B)=1-P(B)来说,A对B为真的支持程度。即A发生更支持B发生。此时CF(B,A)≥0。或,相对于P(B)来说,A对B为真的不支持程度。即A发生不支持B发生。此时CF(B,A)0。结论-1≤CF(B,A)≤1规则(规则的不确定性度量)CF(B,A)的特殊值:CF(B,A)=1,前提真,结论必真CF(B,A)=-1,前提真,结论必假CF(B,A)=0,前提真假与结论无关实际应用中CF(B,A)的值由专家确定,并不是由P(B|A),P(B)计算得到的。理论基础以定量法为工具,比较法为原则的相对确认理论。采用此方法的MYCIN系统的诊断结果不是只给出一个最可信结论及其可信度,而是给出可信度较高的前几位,供人们比较选用。规则规则的不确定性度量证据(前提)的不确定性度量。推理计算。确定性方法理论基础以定量法为工具,比较法为原则的相对确认理论。采用此方法的MYCIN系统的诊断结果不是只给出一个最可信结论及其可信度,而是给出可信度较高的前几位,供人们比较选用。规则规则的不确定性度量证据(前提)的不确定性度量。推理计算。确定性方法规则(证据的不确定性度量)证据A的可信度表示为CF(A)同样有:-1≤CF(A)≤1特殊值:CF(A)=1,前提肯定真CF(A)=-1,前提肯定假CF(A)=0,对前提一无所知CF(A)>0,表示A以CF(A)程度为真CF(A)<0,表示A以CF(A)程度为假理论基础以定量法为工具,比较法为原则的相对确认理论。采用此方法的MYCIN系统的诊断结果不是只给出一个最可信结论及其可信度,而是给出可信度较高的前几位,供人们比较选用。规则规则的不确定性度量证据(前提)的不确定性度量。推理计算。确定性方法理论基础以定量法为工具,比较法为原则的相对确认理论。采用此方法的MYCIN系统的诊断结果不是只给出一个最可信结论及其可信度,而是给出可信度较高的前几位,供人们比较选用。规则规则的不确定性度量证据(前提)的不确定性度量。推理计算。确定性方法规则(推理计算-1)“与”的计算:A1∧A2→BCF(A1∧A2)=min{CF(A1),CF(A2)}“或”的计算:A1∨A2→BCF(A1∨A2)=max{CF(A1),CF(A2)}“非”的计算:CF(~A)=~CF(A)由A,A→B,求B:CF(B)=CF(A)·CF(B,A)(CF(A)<0时可以不计算即为“0”,如MYCIN系统CF(A)0.2就认为是不可使用的。其目的是使专家数据经轻微扰动不影响最终结果。)规则(推理计算-2)更新,由两条规则求出再合并:两条规则A1-B,A2-B具有同一假设由CF1(B)、CF2(B),求CF(B)符号不同与当当当(B)CF(B)CF(B)CF(B)CF0(B)CF0(B)CF(B)CF(B)CF(B)CF(B)CF0(B)CF0(B)CF(B)CF(B)CF-(B)CF(B)CFCF(B)2121212121212121,,,,,规则(推理计算-3)在MYCIN系统的基础上形成的专家系统工具EMYCIN中:两条规则A1-B,A2-B具有同一假设由CF1(B)、CF2(B),求CF(B)符号不同与当当当(B)CF(B)CF}|(B)CF||,(B)CFmin{|1(B)CF(B)CF0(B)CF0(B)CF(B)CF(B)CF(B)CF(B)CF0(B)CF0(B)CF(B)CF(B)CF-(B)CF(B)CFCF(B)212121212121212121,,,,,例子例如有如下的推理规则:rulel:ifE1thenH,0.9rule2:ifE2thenH,0.7rule3:ifE