先进人工智能课程复习笔记Ⅳ--不确定性推理

不确定性推理

重点：可信度方法、模糊推理

• 基本概念

• 概率方法

• 主观Bayes方法

• 可信度方法

• 模糊理论

• 简单模糊推理

  ---

【定义】：从不确定性的初始证据E出发，用不确定性的知识，推出一定程度上不确定的结论。即后面可信度方法中的，已知证据的可信度CF(E)，通过知识的可信度CF(E,H)，计算出结论的可信度CF(H)。

不确定性推理一般需要考虑的问题

1.【如何表示】：

• 知识不确定性：由领域专家给出的一个数值表示，称为静态强度
• 证据不确定性：也是一个数值，称为动态强度

2.【不确定性的匹配&阈值的选择】：

• 设计不确定性匹配算法
• 指定一个匹配阈值

3.【组合证据不确定性计算】：

由多条证据组合起来才可以得到结论时，需要对证据进行合成。

形如：IF $E_1$ AND $E_2$ THEN H 或者 IF $E_1$ OR $E_2$ THEN H

• 最大最小法：

  T( $E_1$ AND $E_2$ ) = min($T(E_1),T(E_2)$)

  T( $E_1$ OR $E_2$ ) = max($T(E_1),T(E_2)$)

• 概率法：

  T( $E_1$ AND $E_2$ ) = $T(E_1)\times T(E_2)$)

  T( $E_1$ OR $E_2$ ) = $T(E_1)+T(E_2)-T(E_1)\times T(E_2)$

• 有界法：

  T( $E_1$ AND $E_2$ ) = max{ 0,T(E1)+T(E2)−1}max\{0,T(E_1)+T(E_2)-1\}max{ 0,T(E1​)+T(E2​)−1})

  T( $E_1$ OR $E_2$ ) = min{ 1,T(E1)+T(E2)}min\{1,T(E_1)+T(E_2)\}min{ 1,T(E1​)+T(E2​)}

• 注：该条是后加的，第一次看的时候觉得没什么用处，也没理解。T(E)可以表示证据为真的程度（动态强度），例如后面介绍的可信度方法中，就使