人工智能chapter8uncertainty

DepartmentofComputerScience&Technology,NanjingUniversityArtificialIntelligenceSpring第八章不确定知识与推理概述非精确性推理不确定性人工智能的数学基础贝叶斯网络2DepartmentofComputerScience&Technology,NanjingUniversityArtificialIntelligenceSpring8.1概述知识的不确定性随机性模糊性自然语言中的不确定性常识知识的不确定性知识的其他不确定性3DepartmentofComputerScience&Technology,NanjingUniversityArtificialIntelligenceSpring随机性以牛顿理论为代表的确定性科学，创造了给世界以精确描绘的方法，将整个宇宙看作是钟表式的动力学系统，处于确定、和谐、有序的运动之中。客观世界上随机的，映射到人脑的客观世界，即主观世界也应该是随机的。因此，人类在认知过程中表现出的智能和知识，不可避免地伴随有随机性。随机性无处不在，随机性使得世界更为复杂，也更为丰富多彩。8.1概述4DepartmentofComputerScience&Technology,NanjingUniversityArtificialIntelligenceSpring模糊性直到20世纪，人们才认识到，模糊性并不是坏事。它能够用较少的代价，传递足够的信息，并能对复杂事物做出高效率的判断和处理。模糊性的客观性哲学家罗素早在1923年一篇题为Vagueness的论文中明确指出：“认为模糊知识必定是靠不住的，这种看法是大错特错的”。随着科学技术的发展，科学家们已经认识到：硬要把模糊事物人为地精确化，不仅会以方法的复杂性为代价，而且会降低结果的意义性。8.1概述5DepartmentofComputerScience&Technology,NanjingUniversityArtificialIntelligenceSpring自然语言中的不确定性语言带有不确定性是很自然的，是人类思维的本质特征之一。计算机自然语言理解、机器翻译等研究，从20世纪40年代兴起至今已经有60多年的历史，…人们寄希望于表示概念的语言值的不确定性研究取得突破8.1概述6DepartmentofComputerScience&Technology,NanjingUniversityArtificialIntelligenceSpring常识知识的不确定性在人工智能界，常识知识的表示、处理和验证是非常困难的。常识知识的相对性目前，人工智能界有这样的共识：有无常识是人和机器的根本区别之一。8.1概述7DepartmentofComputerScience&Technology,NanjingUniversityArtificialIntelligenceSpring知识的其他不确定性知识的不完备性知识的不协调性知识的非恒常性8.1概述8DepartmentofComputerScience&Technology,NanjingUniversityArtificialIntelligenceSpring不确定性知识的表示、处理和模拟，寻找并且形式化地表示不确定性知识中的规律性，让机器模拟人类知识客观世界和人类自身的认知过程，使机器具有不确定性智能，成为人工智能学家的重要任务。8.1概述9DepartmentofComputerScience&Technology,NanjingUniversityArtificialIntelligenceSpring8.2非精确性推理非精确性推理方法研究产生的原因大致如下：•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·划分是模糊的·推理能力不足·解题方案不唯一10DepartmentofComputerScience&Technology,NanjingUniversityArtificialIntelligenceSpringES是通过大量专家知识来取得高水平的问题求解能力。由于专家知识是不确定的，因此ES要达到高性能,必须解决好不确定性问题。传统的概率统计方法受限制放弃传统程序求解的逻辑完备性8.2非精确性推理11DepartmentofComputerScience&Technology,NanjingUniversityArtificialIntelligenceSpringShortliffe等人1975年结合MYCIN系统的建立提出了确定性理论。DURA等人1976在PROSPECTOR的基础上给出了概率法。DempsterShafter同年提出证据理论。Zadeh两年后提出了可能性理论，1983年提出了模糊逻辑。8.2非精确性推理非确定性推理的研究和发展12DepartmentofComputerScience&Technology,NanjingUniversityArtificialIntelligenceSpringMYCIN系统是第一个采用了不确定推理逻辑的专家系统，在20世纪70年代非常有名。这个系统提出该确定性方法时遵循了下面的原则：（1）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。（2）用专家的经验估计代替统计数据（3）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。（4）新方法应适用于证据为增量式地增加的情况。（5）专家数据的轻微扰动不影响最终的推理结论。确定性理论13DepartmentofComputerScience&Technology,NanjingUniversityArtificialIntelligenceSpringMYCIN概述用户解释模块咨询模块知识获取模块感染病专家与知识工程师知识库动态数据库(推理记录)患者数据库(原始数据库)MYCIN系统结构图14DepartmentofComputerScience&Technology,NanjingUniversityArtificialIntelligenceSpringMYCIN推理策略采用反向推理和深度优先搜索。诊断治疗过程如下：(1)确定患者有无细菌性感染。(2)确定可能引起感染的有机体。(3)确定对其有抑制作用的药物。(4)选择对治疗最合适的药物。这四个步骤由目标规则来执行。15DepartmentofComputerScience&Technology,NanjingUniversityArtificialIntelligenceSpringMYCIN知识表示如：RULE037PREMISE:($AND(NOTKNOWNCONTXTIDENT)(SAMECONTXTGRAMGRAMNEG)(SAMECONTXTMORPHROD)(SAMECONTXTAIRAEROBIC)ACTION:(CONCLUDECONTXTCLASSENTEROBACTERIACEAETALLY0.8)16DepartmentofComputerScience&Technology,NanjingUniversityArtificialIntelligenceSpring可信度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。可信度的概念可信度具有一定的主观性，较难把握。但对某一特定领域，让该领域专家给出可信度还是可行的。17DepartmentofComputerScience&Technology,NanjingUniversityArtificialIntelligenceSpring8.3.2CF模型表示形式：在C-F模型中，知识是用产生式规则表示的，其一般形式为：IFETHENH(CF(H,E))其中，E是知识的前提条件；H是知识的结论；CF(H,E)是知识的可信度。1.知识不确定性的表示:例子：IF发烧AND流鼻涕THEN感冒(0.8)说明：当某人确实有“发烧”及“流鼻涕”症状时，则有80%的把握是患了感冒。18DepartmentofComputerScience&Technology,NanjingUniversityArtificialIntelligenceSpring说明：(1)E可以是单一条件，也可以是复合条件。例如：E=(E1ORE2)ANDE3ANDE4(2)H可以是单一结论，也可以是多个结论(3)CF是知识的静态强度，CF(H,E)的取值为[-1,1]，表示当E为真时，证据对H的支持程度，其值越大，支持程度越大。(4)CF(H,E)可以理解为规则的可信度19DepartmentofComputerScience&Technology,NanjingUniversityArtificialIntelligenceSpring可信度的定义在CF模型中，把CF(H,E)定义为CF(H,E)=MB(H,E)-MD(H,E)2.可信度的定义与性质1,()1(,)max{(|),()}(),1()PHMBHEPHEPHPHPH若否则MB:信任增长度，MB(H,E)定义为:1,()0(,)min{(|),()}(),()PHMDHEPHEPHPHPH若否则MD:不信任增长度，MB(H,E)定义为:20DepartmentofComputerScience&Technology,NanjingUniversityArtificialIntelligenceSpringMB和MD的关系:)))()|(()|(()|()()|()(),(00)(1)()|(0),(),(HPEHPHPEHPHPEHPHPEHPHPEHMDHPHPEHPEHMBEHCF若若若1,()1(,)max{(|),()}(),1()PHMBHEPHEPHPHPH若否则1,()0(,)min{(|),()}(),()PHMDHEPHEPHPHPH若否则当MB(H,E)0时:P(H|E)P(H)E的出现增加了H的概率当MD(H,E)0时：P(H|E)P(H)E的出现降低了H的概率CF(H,E)=MB(H,E)-MD(H,E)21DepartmentofComputerScience&Technology,NanjingUniversityArtificialIntelligenceSpring可信度的性质: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)=01),(1,1),(0,1),(0EHCFEHMDEHMB值域22DepartmentofComputerScience&Technology,NanjingUniversityArtificialIntelligenceSpring典型值(1)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)=1，MD(H,E)=0。(2)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。(3)当CF(H,E)=0时，有MB(H,E)=0、MD(H,E)=0。前者说明E所对应证据的出现不证实H；后者说明E所对应证据的出现不否认H。(4)对H的信任增长度等于对非H的不信任增长度(,)(,)+0MDHEMBHECF(H,E)CF(H,E)对H的信任增长度等于对非H的不信任增长度对H的可信度与非H的可信度之和等于0可信度不是概率概率满足：P(H)+P(﹁H)=1和0≤P(H),P(﹁H)≤1但可信度不满足。23