【实验目的】
在证据不确定的情况下,根据充分性量度LS、必要性量度LN、E的先验概率P(E)和H的先验概率P(H)作为前提条件,分析P(H/S)和P(E/S)的关系。
【实验原理】
1、 证据不确定性的表示
1. 在主观Bayes方法中,证据的不确定性用概率表示。对于证据E,由用户根据观察S给出P(E|S),即动态强度。用P(E|S)描述证据的不确定性 (证据E不是可以直接观测的)。
2. 证据肯定存在时,P(E|S)=1;
3. 证据肯定不存在时, P(E|S)=0;
4. 证据具有不确定性时, 0<P(E|S)<1。
2、LN和LS的意义
1.当证据E愈是支持H为真时,则应是使相应的LS值愈大。
若证据E对H愈是必要,则相应LN的值愈小。
- 不能出现LS>1且LN>1的取值
因为: LS>1:表明证据E是对H有利的证据。
LN>1:表明证据¬E是对H有利的证据。
- 不能出现LS<1且LN<1的取值
因为:LS<1: 表明证据 E是对H不利的证据。
LN<1:表明证据¬E是对H不利的证据。
4. 一般情况下,取LS>1, LN<1。
3、证据不确定的情况
在现实中,证据肯定存在和肯定不存在的极端情况是不多的,更多的是介于二者之间的不确定情况。对初始证据来说,由于用户对客观事物或现象的观察不是很精确,因而所提供的证据是不确定的;另外,一条知识的证据往往来源于另一条知识推出的结论,一般也具有某种程度的不确定性。所以我们要在S对E的观察的先验概率0<P(E/S)<1的情况下确定H的后验概率P(H/S)。
在证据确定的情况下,我们因该用杜达等人1976年证明了的公式来进一步讨论:
分四种情况讨论这个公式:
1. P(E/S)=1
当P(E/S)=1时,P(-E/S)=0。此时公式变成(肯定存在的情况):
2. P(E/S)=0
当P(E/S)=0时,P(-E/S)=1.此时公式变成(肯定不存在的情况):
3. P(E/S)=P(E)
当P(E/S)=P(E)时,表示E与S无关。利用全概率公式就将公式变为:
4. 当P(E/S)为其它值时,通过分段线性插值就可得到计算P(H/S)的公式:
该公式称为EH公式或UED公式。
【实验内容】
运用贝叶斯公式进行不确定性推理,必然受到贝叶斯公式运用条件的限制。事实上,事件之间彼此独立的要求很苛刻的,在现实中往往不能保证这个条件被严格满足。而且在贝叶斯公式中还要求事先知道已知结论时前件的条件概率和结论的先验概率。要获得这些概率,就必须做一些统计工作。然而,在实践中未必能进行足够的重复实验来获得充分的观察数据。再者,用贝叶斯公式得到的后验概率实际上是对先验概率的修正。
假如先验概率偏差比较大,那么必然会对后验概率造成不良影响。所以在人工智能实践中,为了应用简便和省事,往往用主观决定代替客观观察,用主观指定的数值来代替统计