【人工智能】5.不确定性推理
一、不确定推理预备知识
1.不确定性推理的含义
不确定性推理实际上是一种从不确定的初始证据出发,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又是合理或基本合理的结论的思维过程。
2.不确定推理基本问题
1)不确定性的表示:
知识的不确定性表示:一个数值,表示相应知识的确定性程度,知识的静态强度。
证据的不确定性表示:证据的不确定性可以用概率来表示,也可以用可信程度等来表示。
2)组合证据不确定性的计算:
最大最小方法、概率方法和有界方法
T(E1 AND E2)= min{T(E1), T(E2)}
T(E1 OR E2)= max{T(E1), T(E2)}
T(E1 AND E2)= T(E1)*T(E2)
T(E1 OR E2)= T(E1)+ T(E2)- T(E1)*T(E2)
T(E1 AND E2)= max{0, T(E1)+T(E2)-1}
T(E1 OR E2)= min{1,T(E1)+ T(E2)}
3)结论不确定性的合成:
在不确定性推理过程中,很可能会出现由多个不同知识推出同一结论,且该结论的不确定性程度有多个不相同的情况。这时,需要采用某种算法对该结论的不确定性进行合成。
二、证据理论
1.可信度方法(也叫确定性方法)
不采用严格的统计理论。使用的是一种接近统计理论的近似方法。
用专家的经验估计代替统计数据,尽量减少需要专家提供的经验数据,尽量使少量数据包含多种信息。专家数据的轻微扰动不影响最终的推理结论。
1)知识不确定性的表示:
IF E THEN H ( CF(H,E))
可信度 CF(Certainty Factor)的取值范围是[-1,1],表示E所对应的证据为真时,该前提条件对结论H为真的支持程度。
2)证据的不确定性表示:
CF( E) :-1 ≤ CF( E) ≤ 1
3)组合证据不确定性的计算:
E=E1 AND E2 AND… AND En
CF(E)= min{ CF(E1), CF(E2), …, CF(En)}
E=E1 OR E2 OR… OR En,
CF(E)= max{ CF(E1), CF(E2), …, CF(En)}
4)不确定性的更新:
CF(H)=CF(H,E)* max{ 0, CF(E)},若CF(E)<0,即相应证据以某种程度为假,则 CF(H)=0。
5)二元结论不确定性的合成:
用如下公式求E1与E2对H的综合可信度:
6)带阈值限度的可信度推理:
IF E THEN H (CF(H,E),λ) (0<CF(H,E) <=1, 0<λ<=1)
当CF(E)>= λ, CF(H)=CF(H,E)*CF(E)
7)多元结论不确定性的合成:
IF E1 THEN H (CF(H, E1)λ1)
IF E2 THEN H (CF(H, E2)λ2)
IF En THEN H (CF(H, En)λn)
若CF(Ei) >= λi,首先计算CFi(H)
(1)求极大值法:
CF(H)=max{ CF1(H), CF2(H), …, CFn(H)}
(2)加权求和法:
CF(H)=(∑CFi(H, Ei)*CF(Ei))/∑ CFi(H, Ei))
(3)有限和法:
CF(H)=min{∑CFi(H), 1}
8)带加权因子的可信度推理:
IF E1(ω1) AND E2 (ω2) AND … AND En(ωn) THEN H CF(H,E)
先求CF(E)= CF(E1)*ω1 +CF(E2)*ω2+……+CF(En)*ωn
2.D-S理论(证据理论)
1)概率分配函数:
设函数:2Ω→[0,1],且满足m(Φ)=0;∑m(A)=1 (A包含于Ω) ,则称m是2Ω上的概率分配函数,m(A)称为A的基本概率数。
m(A)表示了证据对Ω的子集A成立的一种信任度,当A∈Ω,且A≠Ω, m(A)表示对A的精确信任度,当A=Ω时,m(A)表示不知道该如何分配。
2)信任函数:
Bel(A)=∑m(B) ,对所有的 B ∈ A ∈ Ω
3)似然函数:
Pl(A)=1-Bel(﹁A)
4)信任函数与似然函数:
A(Bel(A), Pl(A)):对命题A的信任程度上下限
5)概率分配函数的正交和:
若m1和m2是两个不同的概率分配函数,则正交和记作m=m1⊕ m2满足:m(Φ)=0
6)类概率函数:
3.一种特殊的概率分配函数模型
4.D-S理论计算步骤
知识不确定性的表示:
IF E THEN H={h1,h2,……,hn} CF={c1,c2,……,cn}
证据不确定性的表示:
CER(E)∈[0,1] ,初始证据;中间证据
组合证据不确定性的表示:
E=E1 AND E2 AND AND En:
CER(E)=min{CER(E1), CER(E2),…,CER(En)}
E=E1 OR E2 OR… OR En:
CER(E)=max{CER(E1), CER(E2),…,CER(En)}
不确定性的更新:
①求H的概率分配函数:
m({h1},{h2},……,{hn}) = (CER(E)×c1, CER(E)×c2 ,…, CER(E)×cn)
m=m1⊕m2
②求 Bel(H)、Pl(H)及f(H)
③求 CER(H)
CER(H)=MD(H|E)×f(H)(如果H所要求的证据都已出现MD(H|E)=1)
三、概率论预备知识
1.贝叶斯公式
全概率公式:
贝叶斯公式:
P(Ai)是事件Ai的先验概率,P(B|Ai)是后验概率,在事件Ai发生条件下事件B的条件概率。
另一种形式:
四、贝叶斯网络概率推理
1.贝叶斯网络概述
贝叶斯网络是一种以随机变量为节点,以条件概率为节点间关系强度的有向无环图(Directed Acyclic Graph,DAG)是描述事物之间因果关系或依赖关系的直观图形。
网络结构:每个节点表示领域变量,每条边表示变量间的概率依赖关系,条件概率表Condition Probability Table,缩写CPT :该变量与父节点之间概率依赖的数量关系。
2.预测和诊断推理
预测:全概率公式
推理:贝叶斯公式
【人工智能】5.不确定性推理相关推荐
- 【人工智能】不确定性推理(QDU)
转载请务必经过我的同意 [人工智能]不确定性推理(QDU) [人工智能]传统机器学习算法(QDU) [人工智能]非线性分类器(QDU) [人工智能]机器学习基础(QDU) [人工智能]深度学习(QDU ...
- 人工智能不确定性推理,柯南看的懂么?
https://www.toutiao.com/a6643579441979064846/ 2019-01-07 10:41:17 不确定性推理(reasoning with uncertainty) ...
- 人工智能导论(4)——不确定性推理(Uncertainty Reasoning)
文章目录 一. 概述 二. 重点内容 三. 思维导图 四. 重点知识笔记 1. 不确定性推理概述 1.1 概念 1.2 分类 1.3 基本问题 2. 概率方法 2.1 基础知识 2.2 经典概率方法 ...
- 5.5:不确定性推理-模糊推理
目录 学习视频链接 5.5.1 模糊数学的基本知识 (1):模糊集合 隶属度:集合元素对集合的隶属程度 模糊集合相等 模糊集合的包含 模糊集合的并.交.补集 模糊集合的积 (2):模糊关系及运算 模糊 ...
- 【人工智能】— 不确定性、先验概率/后验概率、概率密度、贝叶斯法则、朴素贝叶斯 、最大似然估计
[人工智能]- 不确定性 不确定性 不确定性与理性决策 基本概率符号 先验概率(无条件概率)/后验概率(条件概率) 随机变量 概率密度 联合概率分布 公理 完全联合分布 概率演算 独立性 贝叶斯法则 ...
- 不确定性推理:可信度计算
不确定性推理:可信度计算 1.设有如下一组推理规则: r1: IF E1 THEN E2 (0.6) r2: IF E2 AND E3 THEN E4 (0 ...
- 不确定性推理的基本概念
现实世界中由于客观上存在的随机性.模糊性,反映到知识以及由观察所得到的证据上来,就分别形成了不确定性的知识及不确定性的证据.因而还必须对不确定性知识的表示及推理进行研究.这就是将要讨论的不确定性推理. ...
- 【人工智能】不确定性推理方法——C-F模型
文章目录 一. 基本概念 二. 必背公式 1. 证据不确定性的组合算法 2. 结论不确定性的传递算法 3. 结论不确定性的合成算法 三. 典型例题 例题1 例题2 四. 通用解法 一. 基本概念 要掌 ...
- [人工智能AI]之推理
[人工智能AI]之推理 部分图片和来源自: NJU-人工智能-高阳教授 的课件 目录:1. P-->Q和﹁P∨Q的等价性2. 合取范式(CNF)与析取范式(DNF)3. 合一法4. 消解法(归结 ...
最新文章
- Android studio自定义变量
- linux识别fat16还是32,FAT16 、FAT32 、NTFS、LINUX区别.doc
- 原: 安装VMtools过程流水帐
- 自然语言处理领域基本概念笔记
- HTTP和RPC的优缺点 1
- Php学习准备(环境)
- Git—代码管理、提交及冲突解决流程的思考
- Redmi K40游戏增强版外观配置前瞻:价格成唯一悬念!
- webstorm license key
- 【Matlab学习笔记】【数据类型】介绍
- openstack tungsten fabric/contrail中虚拟机yum出现could not retrieve 14: curl#7 - “Failed to connect to
- 解决Eclipse保存web.xml卡的问题
- 从零开始自制实现WebServer(十二)---- 剑指定时器小根堆处理 给EventLoop定时任务处理一个温暖的家
- mysql 默认排序是什么意思,MySQL 默认排序是什么
- 「Nginx实战」中学到的东西用在面试上,面试官都被怼得哑口无言
- Joda-Time包基础应用
- php开启子进程处理
- 2021 最新 Cloudera 大数据平台 CDP 升级指南白皮书完整版开放下载!(中文版)...
- TOMCAT服务器的安装与配置
- kotlin android 4,Kotlin Android Extensions: 与 findViewById 说再见 (KAD 04)
热门文章
- 计算机北大核心期刊不要审稿费,这些核心医学期刊不收取审稿费(建议收藏)...
- 20071020--高桥
- 如何把mac里的照片放移动硬盘
- ios图锁HQ应用项目源码
- 【黑马-python】---学习笔记(1)---Linux基础
- 【Unityc#专题篇】—基础章题单实践
- 热备用冷备用_个性化您的备用帐户的10种方法
- C++并发编程(C++11到C++17)转载
- USACO 2015 January Contest Bronze——奶牛的旅行路线
- python getsize函数,Python getsize函数