主观Bayes算法的实现

主观Bayes算法的实现

摘 要

不确定性推理是指建立在不确定性知识和论据基础上的推理。首先，本文设计了基于主观Bayes方法的不确定性推理算法, 通过实验结果比较了结论不确定的合成算法与更新算法的一致性, 实现了不确定推理问题求解的自动化。
关键词：不确定性推理 主观Bayes

1 问题描述
在证据不确定的情况下，以充分性量度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。

2 主观Bayes原理介绍
主观Bayes方法又称主观概率论,是杜达（R.O.Duda）等人在1976年提出的,是一种不确定性推理模型。
①知识不确定性的表示：
在主观Bayes方法中，知识是用产生式规则表示的，具体形式为：

其中，E是知识的前提条件，既可以是简单条件，也可以是复合条件。
• P(H)是结论H的先验概率，由专家根据经验给出。
• LS称为充分性度量，用于指出E对H的支持程度，取值范围为[0,∞)，其定义为：

• LN称为必要性度量，用于指出¬ E对H的支持程度，取值范围为[0,∞)，其定义为：

LS和LN的值由领域专家给出，代表知识的静态强度。
②证据不确定性的表示：
• 在主观Bayes方法中，证据的不确定性用概率表示[3]。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）。
• 由于主观给定P(E|S)有所困难，所以实际中可以用可信度C(E|S)代替P(E|S)。
• 在PROSPECTOR中C(E|S)取整数：{-5，….5}
C(E|S)=-5表示在观测S下证据E肯定不存在P(E|S)=0
C(E|S)= 5表示在观测S下证据E肯定存在P(E|S)=1
C(E|S)= 0表示S与E无关,即P(E|S)= P(E)
• 给定C(E|S)后，P(E|S)可近似计算如下：

组合证据的不确定性：
（1）当组合证据是多个单一证据的合取时，即：

则：
（2）当组合证据是多个单一证据的析取时，即：

则：
（3）对于“¬”运算， 则：

3 算法描述
MATLAB程序如下:

clc; 
X=input('请输入LS,LN,P(H),P(E):'); 
P1=(X(1)*X(3))/((X(1)-1)*X(3)+1); 
P0=(X(2)*X(3))/((X(2)-1)*X(3)+1); 
axis([0 1.1 0 1.1]); 
line([0 X(4)],[P0 X(3)],'color','k','linewidth',2); 
line([X(4) 1],[X(3) P1],'color','k','linewidth',2); 
line([X(4) X(4)],[0 X(3)],'linestyle',':'); 
line([0 X(4)],[X(3) X(3)],'linestyle',':');
 line([1 1],[0 P1],'linestyle',':');
 line([0 1],[P1 P1],'linestyle',':'); 
title('主观BAYES'); 
text(0,P0,'P(H/~E)'); 
text(0,X(3),'P(H)'); 
text(0,P1,'P(H/S)'); 
text(X(4),0,'P(E)'); 
xlabel('P(E/S)');
 ylabel('P(H/S)'); 
grid;