知识
相对正确性
不确定性
可表示性和可利用性
一阶谓词逻辑表示法
命题逻辑
－ 一个非真即假的陈述句，是否有一个唯一的真值
－ 可以在某个条件下判断真假
谓词
－ 刻画个体，状态，个体间的关系
做题
谓词公式表示
谓词定义一个关系
- 定义谓词：Like(x,y)：x喜欢y表示出来
- 定义个体：x,y是主体，名词，不具有谓词信息进行定义，用需要处理的进行说明，x1，y1啥的
- 确定量词和逻辑连接谓词形成谓词公式：全称和特称；或且非和等价式
确定变元，约束变量，自由变量，辖域
辖域：量词的作用域
约束变量：量词括号限制内的变量。
自由变量：没有被限制约束的变量。
条件语句：
-> <- <->
演绎推理
划分子句集
归结原理
不确定性的推理方法
概念：从不确定的初始证据出发，通过运用不确定的知识，退出不确定但是确实合理或者近乎合理的结论的思维过程。
不确定性的表示和度量
- 度量要充分表达相应知识和证据的不确定性的程度
- 度量范围指定便于领域专家做不确定性的估计
- 度量便于不确定性的传播进行计算
- 度量的确定理应
IF E THEN H (CF(H,E))
表示E对H的支持程度，CF(H,E)是置信度
- 合成：
E
1
E
2
对
H
的影响合成
E_1E_2对H 的影响合成
E1E2对H的影响合成
C F ( H , E 1 ) + C F ( H , E 2 ) + C F ( H , E 1 ) C F ( H , E 2 ) C F ( H , E 1 ) , C F ( H , E 2 ) > 0 CF(H,E_1)+CF(H,E_2) + CF(H,E_1)CF(H,E_2) CF(H,E_1),CF(H,E_2)>0 CF(H,E1)+CF(H,E2)+CF(H,E1)CF(H,E2)CF(H,E1),CF(H,E2)>0
C F ( H , E 1 ) + C F ( H , E 2 ) − C F ( H , E 1 ) C F ( H , E 2 ) C F ( H , E 1 ) , C F ( H , E 2 ) < 0 CF(H,E_1)+CF(H,E_2) - CF(H,E_1)CF(H,E_2) CF(H,E_1),CF(H,E_2)<0 CF(H,E1)+CF(H,E2)−CF(H,E1)CF(H,E2)CF(H,E1),CF(H,E2)<0
C F ( H , E 1 ) + C F ( H , E 2 ) 1 − m i n ( ∣ C F ( H , E 1 ) ∣ , ∣ C F ( H , E 2 ) ∣ ) C F ( H , E 1 ) C F ( H , E 2 ) < 0 \frac{CF(H,E_1)+CF(H,E_2)}{1-min(|CF(H,E_1)|,|CF(H,E_2)|)} CF(H,E_1)CF(H,E_2) < 0 1−min(∣CF(H,E1)∣,∣CF(H,E2)∣)CF(H,E1)+CF(H,E2)CF(H,E1)CF(H,E2)<0
C F ( H , E 1 ) C F ( H , E 2 ) 对 H 的影响合成 CF(H,E_1)CF(H,E_2)对H 的影响合成 CF(H,E1)CF(H,E2)对H的影响合成
证据理论
概率分配函数
把每个概率空间元素子集映射到（0,1）之间，用这个数表示信任度
信任函数
bel（A）表示命题总为真的的包含它的概率密度函数之和为信任函数
似然函数
1- bel(否A)
判断A为假的信任程度
概率分配函数的正交和
通过推理规则计算总可信度
寻找证据可行度E，在E的条件下，H的可信度H
E是and 和 or and 用min ；or 用 max
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
