第四章 不确定性方法推理

目录

不确定性推理中的基本问题

概率方法

经典概率方法

逆概率方法的基本思想

主观Bayes方法

知识不确定性的表示

组合证据不确定性的算法

不确定性的传递算法

结论不确定性的合成算法

可信度方法

C-F模型

证据理论

概念分配函数

信任函数

似然函数

信任函数和似然函数的关系

概率分配函数的正交和

基于证据理论的不确定性推理

模糊推理方法

模糊集合

模糊集合的运算

模糊关系与模糊关系的合成

模糊推理

模糊控制

模糊控制规则

模糊推理与决策

---

不确定性推理中的基本问题

不确定性推理是从不确定性的初始证据出发，通过运用不确定性知识，最终推出具有一定程度的不确定性但却合理或者近乎合理的结论的思维过程。

不确定性就是一个命题的真实性不能完全肯定，而只能对其为真的可能性给出某种估计。

不确切性就是一个命题中所出现的某些言词其涵义不够确切。

不完全性就算对某种事物来说，关于它的信息或知识还不全面、不完整、不充分。

不一致性就是在推理过程中发生了前后不相容的结论。

1. 不确定性的表示与度量

   • 知识不确定性的表示

   • 证据不确定性的表示

   • 不确定性的度量

2. 不确定性匹配算法及阈值的选择

3. 组合证据不确定性的算法

4. 不确定性的传递算法

5. 结论不确定性的合成

概率方法

经典概率方法

产生式规则：

复合条件：

逆概率方法的基本思想

1. Bayes定理：

1. 单个证据的情况

产生式规则：IF     E      THEN      H_i        i=1,2,...,n

例1

多个证据的情况

多个证据 E_i,E_2,...,E_m, 多个结论H_1,H_2,...,H_n, 且每个证据都以一定程度支持结论。

扩充后的公式：

例2

主观Bayes方法

根据证据E的概率，利用知识强度，把结论H的先验概率P(H)更新为后验概率P(H/E)

先验概率：在获得与期望结果相关的任何信息之前已经被算出概率，无条件概率。

后验概率: 也是条件概率给出新证据后的事件发生概率。

知识不确定性的表示

P(E | S)：对于初始证据E，由用户根据观察S给出的概率，可信度C(E | S)：对所提供的证据可以相信的程度。

组合证据不确定性的算法

多个单一证据的合取：

则组合证据的概率：

多个单一证据的析取：

则组合证据的概率：

非运算：P(¬E | S)= 1 - P(E | S)

不确定性的传递算法

P(H): 专家对结论H给出的先验概率，在没有考虑任何证据的情况下根据经验给出的。

主观Bayes方法推理的任务：

1. 证据肯定存在的情况：

2. 证据肯定不存在的情况

例1 设有如下知识

例3 设有如下知识

1. 证据不确定的情况

用户告知只有60%的把握说明证据E是真的，表示初始证据E为真的程度为0.6，即P(E | S) = 0.6。这里S是对E的观察。

在 0 < P(E | S) < 1的情况下，确定的后验概率P(H | S)，证明该公式：

P(H | S) = P(H | S) × P(E | S) + P(H | ¬E)×P(¬E | S)

CP公式:

结论不确定性的合成算法

例4 设有如下知识：