主观贝叶斯方法c语言,主观贝叶斯方法.ppt

主观贝叶斯方法概要1

主观Bayes方法 概述 主观Bayes方法 又称为主观概率论 一种处理不确定性推理 一种基于概率逻辑的方法 以概率论中的贝叶斯公式为基础 首先应用于地矿勘探专家系统PROSPECTOR 5.3.1 基本Bayes公式 —概率论基础 条件概率： 设A，B是两个随机事件， ，则 是在B事件已经发生的条件下， A事件发送的概率。 乘法定理: 5.3.1 基本Bayes公式 5.3.1 基本Bayes公式 5.3.1 基本Bayes公式 把全概率公式带入贝叶斯公式后，得如下公式: 5.3.1 基本Bayes公式 又有产生式规则 IF E THEN Hi 用产生式中的前提条件E代替Bayes公式中的B，用Hi 代替公式中的Ai,就可以得到公式： 用来求得在条件E下，Hi的先验概率。 5.3.1 基本Bayes公式 在有些情况下，有多个证据E1,E2,…,En和多个结论H1,H2,….,Hn，并且每个证据都以一定程度支持结论，这是可对上面的公式进行扩充，得： 5.3.1 基本Bayes公式 此时，只要知道Hi的先验概率P(Hi)以及Hi成立时证据E1,E2,…,Em出现的条件概率P(E1|Hi),P(E2|Hi),…P(Em|Hi)，就可以求得在E1,E2,...,Em出现情况下Hi的条件概率P(Hi|E1E2...Em) 5.3.2 主观Bayes方法 主观Bayes方法的基本思想 由于证据E的出现，使得P (H)变为P(H|E) 主观Bayes方法,就是研究利用证据E，将先验概率P(H)更新为后验概率P(H|E) 主观Bayes方法引入两个数值(LS，LN)用来度量规则成立的充分性和必要性。其中， LS: 充分性量度 LN: 必要性量度 5.3.3 知识不确定性的表示 1.知识表示方法 在地矿勘探专家系统中，为了进行不确定性推理，把所有的知识规则连接成一个有向图，图中的各节点代表假设结论，弧代表规则。 在主观Bayes方法中，知识的不确定性是以一个数值对(LS，LN)来进行描述的。其具体产生式规则形式表示为： IF E THEN (LS,LN) H (P(H)) 5.3.3 知识不确定性的表示 其中，(LS,LN)是为度量产生式规则的不确定性而引入的一组数值，用来表示该知识的强度，LS和LZ的表示形式如下。 (1)充分性度量(LS)的定义 5.3.3 知识不确定性的表示 (2)必要性度量的定义 它表示~E对H的支持程度，即E对H为真的必要程度，取值范围[0,+∞)。 5.3.3 知识不确定性的表示 结合Bayes公式，得： P(﹁H|E)=P(E|﹁H)P(﹁H)/P(E) Bayes公式除以上式得： 5.3.3 知识不确定性的表示 为了讨论方便，引入几率函数 又 则 可以化为 5.3.3 知识不确定性的表示 上式被称为Bayes公式的几率似然性形式。LS称为充分似然性，如果LS->+∞，则证据E对于推出H为真是逻辑充分的。 同理，可得关于LN的公式： O(H|﹁ E)=LN× O(H) 其被称为Bayes公式的必率似然性形式。LN称为必然似然性，如果LN=0，则有O(H|﹁ E)=0。这说明当~E为真时，H必为假，即E对H来说是必然的。 5.3.3 知识不确定性的表示 2.LS和LN的性质 (1)LS的性质 LS表示证据E的存在，影响结论H为真的概率：O(H|E)=LS × O(H) 当LS>1时，P(H|E)>P(H),即E支持H，E导致H为真的可能性增加； 当LS->+∞时,表示证据E将致使H为真； 当LS=1时，表示E对H没有影响，与H无关； 当LS<1时，说明E不支持H，E导致H为真的可能性下降； 当LS=0时，E的存在是H为假； 5.3.3 知识不确定性的表示 (2)LN的性质 表示证据E的不存在，影响结论H为真的概率： O(H|﹁ E)=LN× O(H) 当LN>1时，P(H|~E)>P(H),即~E支持H，~E导致H为真的可能性增加； 当LN->+∞时,表示证据~E将致使H为真； 当LN=1时，表示~E对H没有影响，与H无关； 当LN<1时，说明~E不支持H，~E导致H为真的可能性下降； 当LN=0时，~E的存在是H为假； 5.3.3 知识不确定性的表示 (3)LS与LN的关系 由于E和~E不会同时的支持或者同时排斥H，因此只有以下三种情况： 5.3.4 证据不确定性的表示 1.单个证据不确定性的表示方法 证据通常可以分为全证据和部分证据。全证据就是所有的证据，即所有可能的证据和假设，他们组成证据E。部分证据S就是E的一部分，这部分证据也可以称之为观察。在主观Bayes方法中，证据的不确定性是用