不确定性推理方法（1，2）

四、不确定性推理方法

4.1不确定性推理中的基本问题

不确定性及其类型：

• （狭义）不确定性：（uncertainty）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 eg: 这场比赛A队可能获胜

• （模糊性）不确切性：就是一个命题中所出现的某些言辞含义不够确切 eg：小明是个高个子

• 不完全性：对事物来说，关于它的信息或知识不全面、不完整、不充分。eg：刑侦过程的某些阶段往往要针对不完全的证据进行推理

• 不一致性：推理过程中发生了前后不相容的结论

4.1.1 不确定性的表示与度量

三种不确定性：
    ①关于知识的不确定性
    ②关于证据的不确定性
    ③关于结论的不确定性

知识的表示与推理密切相关，不同的推理方法要求有相应的知识表示模式与之对应

知识的度量
静态强度：专家系统中通常用一个数值表示相应知识的不确定性程度
动态强度：证据的不确定性也通常用一个数值代表相应证据的不确定性程度

4.1.2 不确定性匹配算法及阈值的选择

不确定性匹配算法：用来计算匹配双方相似程度的算法

阈值：用来指出相似的“限度”

4.1.3 组合证据不确定性算法

最大最小法
C(E1∧E2) = min{C(E1),C(E2)}
C(E1∨E2) = max{C(E1),C(E2)}
概率方法
C(E1∧E2) = C(E1)×C(E2)
C(E1∨E2) = C(E1)+C(E2)−C(E1)×C(E2)
有界方法
C(E1∧E2) = max{0, C(E1)+C(E2)−1}
C(E1∨E2) = min{1, C(E1)+C(E2)}

4.1.4 不确定性的传递算法

• 已知前提E的不确定性C(E)和规则强度f(H,E)求结论H的不确定性
• 即定义函数f1，使得C(H)=f1(C(E),f(H,E))

4.1.5 结论不确定性的合成

• 由两个独立的证据E1和E2求得的假设H的不确定性C1(H)和C2(H)，求证据E1和E2的组合导致的假设H的不确定性
• 即定义函数C(H)=f2(C1(H),C2(H))

4.2 概率方法

4.2.1 经典概率方法

4.2.2 逆概率方法