[第四章]不确定性推理方法

不确定性推理的基本概念

不确定性的表示与度量

1. 知识的不确定性表示
• 考虑因素：根据领域问题的特征把其不确定性比较

2. 证据的不确定性表示

3. 不确定性的度量

不确定性匹配算法及与之

可信度方法

• 优点：直观、简单

知识不确定的表示

• 在C-F模型中，知识是用产生式规则表示的

• 一般式：IF E THEN H (CF(H,E))

• E是前提条件，H是结论，CF(H,E)是可信度因子，取值为[-1,1]。-1为假，0为无关，1为真

证据不确定性的表示

• 也是可信度因子表示

组合不确定性算法

• 当组合证据是多个单一证据的合取时
• CF(E)=min{CF(E1) AND CF(E2) AND CF(E3)…}

• 当组合证据是多个单一证据的析取时
• CF(E)=max{CF(E1) OR CF(E2) OR CF(E3)…}

不确定性的传递算法

• CF(H)=CF(H,E)*max{0,CF(E)}
• 没有考虑CF(E)为假的可能
• CF(H,E)即若前提条件E为真的情况下得到结论H的可信度。所以CF(E)=1时CF(H)=CF(H,E)

结论的不确定性的合成算法

• 若多条不同知识推出了相同结论，则可用合成算法求综合可信度
/ 若CF1(H) ≥ 0, CF2(H)≥0

证据理论

概率分配函数

• M()=0

• 样本空间D中有n个元素，则D中子集个数有2^n个

• 把D的任意子集A都映射为（0，1）上的一个数M(A)

• AD+A≠D时

• 概率分配函数与概率不同

• M(D)=M({红，黄，蓝})=0.1

信任函数

• Bel(D)=M({红})+M({黄})+M({蓝})+M({红，黄})+M({红，蓝})+M（{黄，蓝}）M({红，黄，蓝})=1

• 为真的信任度

似然函数

• 非假的信任度

概率分配函数的正交和（证据的组合）

• M()=0

• M(A)=

• 找目标A,双方相交为A

基于证据理论的不确定性推理

步骤

1. 建立问题的样本空间D

2. 由经验或由随机性规则和事实的信任度度量计算求得幂集的基本概率分配函数

3. 计算所关心子集A的信任函数值Bel(A)或似然函数值Pl(A)

4. 由Bel(A)或Pl（A）得出结论+