上一篇
不确定推理概述
其中已知事实
和知识
是构成推理的两个基本要素,不确定性可以理解为在缺少足够信息的情况下做出判断。
要实现对不确定性知识的处理,要解决:1、不确定知识的表示问题 2、不确定信息的计算问题 3、不确定性表示 4、计算的语义解释问题
解决办法:
-
E
→
H
,
f
(
H
,
E
)
E→H,f(H,E))表示知识的不确定性程度
证据不确定性(E
,
C
(
E
)
E, C(E)
E,C(E)), 证据E为真的程度,由初始证据,和推出揭露为来源
-
- 不确定性的传递算法
已知规则E的不确定性C(E) 和规则强度f(H, E) 求C(H)
C
(
H
)
=
f
1
(
C
(
E
)
,
f
(
H
,
E
)
)
C(H) = f_1 (C(E), f(H, E))
- 结论不确定合成
已知两个独立证据E
1
E_1
E
2
E_2
C
(
H
)
=
f
2
(
C
1
(
H
)
,
C
2
(
H
)
)
C(H) = f_2 (C1(H), C2(H))
- 组合证据不确定算法
方法:- 最大最小法
C
(
E
1
∧
E
2
)
=
n
(
C
(
E
1
)
,
C
(
E
2
)
)
C(E1 land E2) = min( C(E1), C(E2))
C
(
E
1
∨
E
2
)
=
(
C
(
E
1
)
,
C
(
E
2
)
)
C(E1 lor E2) = max( C(E1), C(E2))
- 概率方法
C
(
E
1
∧
E
2
)
=
C
(
E
1
)
∗
C
(
E
2
)
C(E1 land E2) = C(E1) * C(E2)
C
(
E
1
∨
E
2
)
=
C
(
E
1
)
+
C
(
E
2
)
−
C
(
E
1
)
∗
C
(
E
2
)
C(E1 lor E2) = C(E1) + C(E2) – C(E1) * C(E2)
- 有界方法
C
(
E
1
∧
E
2
)
=
m
x
{
0
,
C
(
E
1
)
+
C
(
E
2
)
−
1
}
C(E1 land E2) = max{0, C(E1) + C(E2) – 1 }
C
(
E
1
∨
E
2
)
=
m
n
{
1
,
C
(
E
1
)
+
C
(
E
2
)
}
C(E1 lor E2) = min{1, C(E1) + C(E2) }
- 最大最小法
- 不确定性的传递算法
模型方法分为:
主观Bayes(贝叶斯)方法
传统贝叶斯方法
先验概率:p(事件)在没有知识支持它的出现或不出现的情况下赋给这个事件的概率,即先于证据的概率
后验概率:p(事件 / 证据)给定一些证据的条件下这个实践发生的概率
P
⇒
Q
(
Q
/
P
)
p(Q/P)
p(Q/P)
p
(
Q
/
P
)
=
p
(
P
/
Q
)
∗
p
(
Q
)
p
(
P
)
p(Q/P) = frac{p(P/Q)*p(Q)}{p(P)}
p(Q/P)=p(P)p(P/Q)∗p(Q)
p
(
P
)
,
p
(
Q
)
,
p
(
P
/
Q
)
p(P), p(Q), p(P / Q)
p(P),p(Q),p(P/Q)
但是有些同类事件发生的频率不高
主观贝叶斯方法
p
(
P
)
p(P)
p(P)很难获得,所以要消去
p
(
P
)
p(P)
Q
的先验几率为
O
(
Q
)
=
p
(
Q
)
p
(
¬
Q
)
Q的先验几率为O(Q) = frac{p(Q)}{p(lnot Q)}
Q的先验几率为O(Q)=p(¬Q)p(Q)
Q
的后验几率为
O
(
Q
/
P
)
=
p
(
Q
/
P
)
p
(
¬
Q
/
P
)
Q的后验几率为O(Q/P) = frac{p(Q/P)}{p(lnot Q/ P)}
Q的后验几率为O(Q/P)=p(¬Q/P)p(Q/P)
L
S
为充分性因子
=
p
(
P
/
Q
)
p
(
P
/
¬
Q
)
LS为充分性因子 = frac{p(P/Q)}{p(P/ lnot Q)}
LS为充分性因子=p(P/¬Q)p(P/Q)
因此
O
(
Q
/
P
)
=
L
S
∗
O
(
Q
)
O(Q/P) = LS * O(Q)
同理可以推出:
p
(
Q
/
¬
P
)
p
(
¬
Q
/
¬
P
)
=
p
(
¬
P
/
Q
)
p
(
¬
P
/
¬
Q
)
∗
O
(
Q
)
frac{p(Q/ lnot P)}{p(lnot Q / lnot P)} = frac{p(lnot P /Q)}{p(lnot P / lnot Q)} *O(Q)
p(¬Q/¬P)p(Q/¬P)=p(¬P/¬Q)p(¬P/Q)∗O(Q)
定义:
L
N
为必要性因子
=
p
(
¬
P
/
Q
)
p
(
¬
P
/
¬
Q
)
LN为必要性因子 = frac{p(lnot P / Q)}{p(lnot P / lnot Q)}
LN为必要性因子=p(¬P/¬Q)p(¬P/Q)
O
(
Q
/
P
)
=
L
S
∗
O
(
Q
)
O(Q/P) = LS*O(Q)
O(Q/P)=LS∗O(Q)
对LS—充分性因子
O
(
Q
/
¬
P
)
=
L
N
∗
O
(
Q
)
O(Q / lnot P) = LN * O(Q)
O(Q/¬P)=LN∗O(Q)
对LN—必要性因子
而专家系统,基于专家主观估计的LS(和LN)而验算出来的后验概率p(Q/P)称为主观概率。
所以
p
(
Q
/
P
)
=
L
S
∗
O
(
Q
)
L
S
∗
O
(
Q
)
+
1
=
O
(
Q
/
P
)
O
(
Q
/
P
)
+
1
p(Q/P) = frac{LS * O(Q)}{LS*O(Q) + 1} =frac{O(Q/P)}{O(Q/P) + 1}
p(Q/P)=LS∗O(Q)+1LS∗O(Q)=O(Q/P)+1O(Q/P)
p
(
Q
/
¬
P
)
=
L
N
∗
O
(
Q
)
L
N
∗
O
(
Q
)
+
1
p( Q/ lnot P) = frac{LN * O(Q)}{LN*O(Q) + 1}
p(Q/¬P)=LN∗O(Q)+1LN∗O(Q)
若
P
′
⇒
P
⇒
Q
P′⇒P⇒Q, 给出
p
(
P
/
P
′
)
p(P/P’)
p(P/P′), 则我们要求
p
(
Q
/
P
′
)
p (Q/P’)
p(Q/P′)
- 加法原理:
p
(
A
∨
B
)
=
p
(
A
)
+
p
(
B
)
p(A lor B) = p(A) + p(B)
p
(
Q
)
=
p
(
Q
,
P
)
+
p
(
Q
,
¬
P
)
p(Q) = p(Q, P) + p(Q, lnot P)
- 乘法原理:
p
(
A
B
)
=
p
(
A
/
B
)
p
(
B
)
=
p
(
B
/
A
)
p
(
A
)
p(AB) = p(A/B)p(B) = p(B/A)p(A)
扩展形式
p
(
A
B
C
)
=
p
(
A
/
B
C
)
p
(
B
/
C
)
p
(
C
)
p(ABC) = p(A/BC)p(B/C)p(C)
P
′
⇒
P
⇒
Q
⇒
W
P’ Rightarrow P Rightarrow Q Rightarrow W
P′⇒P⇒Q⇒W
p
(
W
/
P
′
)
=
p
(
W
/
Q
)
∗
p
(
Q
/
P
′
)
+
p
(
W
/
¬
Q
)
∗
p
(
¬
Q
/
P
′
)
p(W/P’) = p(W/Q)*p(Q/P’) + p(W/ lnot Q)*p(lnot Q / P’)
p(W/P′)=p(W/Q)∗p(Q/P′)+p(W/¬Q)∗p(¬Q/P′)
而
p
(
Q
/
P
′
)
=
p
(
Q
/
P
)
∗
p
(
P
/
P
′
)
+
p
(
Q
/
¬
P
)
∗
p
(
¬
P
/
P
′
)
p(Q/P’) = p(Q/P)*p(P/P’) + p(Q/lnot P) * p(lnot P / P’)
p(Q/P′)=p(Q/P)∗p(P/P′)+p(Q/¬P)∗p(¬P/P′)由上面已知
以此递归可求;
根据
p
(
P
/
P
′
)
的值,
p
(
Q
/
P
′
)
值也会不同
p(P/P’)的值, p(Q/P’)值也会不同
p(P/P′)的值,p(Q/P′)值也会不同
但是当
p
(
P
/
P
′
)
的值位于折点之间时
p(P/P’)的值位于折点之间时
p(P/P′)的值位于折点之间时
共有两条直线,而为与这两条直线上时
分段线性插值手段:
P
i
P_i
Pi支持同一结论Q的情况,表示为:
P
1
′
⇒
P
1
⇒
Q
P’_1 Rightarrow P_1 Rightarrow Q
P1′⇒P1⇒Q
P
2
′
⇒
P
2
⇒
Q
P’_2 Rightarrow P_2 Rightarrow Q
P2′⇒P2⇒Q
有
P
1
′
P
2
′
⇒
Q
P’_1P’_2 Rightarrow Q
P1′P2′⇒Q
主观贝叶斯的优点:1. 基于概率模型,具有坚实的理论基础,是目前不确定推理中最成熟的方法之一
缺点:1. 需要大量的概率数据来构造知识库,并且那一解释 2. 要求原始证据具有相互独立性
可信度方法
该方法采用可信度CF作为不确定性的度量,通过对CF(H, E)的计算,探讨证据E对假设H的定量支持程度,因此也称为C-F模型。
C
F
(
H
,
E
)
=
M
B
(
H
,
E
)
−
M
D
(
H
,
E
)
CF(H, E) = MB(H,E) – MD(H, E)
CF(H,E)=MB(H,E)−MD(H,E)
MB(H, E) = a —信任度量
证据E成立使结论H的可信度增加了数量a
MD(H, E) = B —不信任度量
证据E成立使结论H的不可信度增加了数量b
MB(H, E)和MD(H, E)不能同时大于0
,因为同一证据E不能既增加结论H的可信度,有增强不可信度
因此:
可信度性质:
M
D
(
¬
H
,
E
)
=
M
B
(
H
,
E
)
MD(lnot H, E) = MB(H, E)
MD(¬H,E)=MB(H,E)
对H的可信度与非H的可信度之和等于0
C
F
(
H
,
E
)
+
C
F
(
¬
H
,
E
)
=
0
CF(H,E) + CF(lnot H, E) = 0
CF(H,E)+CF(¬H,E)=0
可信度不是概率
H
i
H_i
Hi则
∑
C
F
(
H
i
,
E
)
<
=
1
sum{CF(H_i , E)} <= 1
∑CF(Hi,E)<=1
所以如果出现
C
F
(
H
1
,
E
)
=
0.7
,
C
F
(
H
2
,
E
)
=
0.4
CF(H_1, E) = 0.7, CF(H_2, E) = 0.4
CF(H1,E)=0.7,CF(H2,E)=0.4是不符合的要进行调整
由于实际应用中P(H)和P(H|E)的值很难获得,所以CF(H,E)的值应有领域专家给出
I
f
E
T
h
n
H
(
C
F
(
H
,
E
)
)
If E Then H (CF(H,E))
If E Then H (CF(H,E))
E为前提,H为结论,CF(H, E)为规则的可信度所描述的是知识的静态强度
证据E的不确定性也是用CF表示为CF(E), 其取值范围为[-1, 1]
当E为真时:CF(E) = 1
当E为假时:CF(E) = -1
当E一无所知时:CF(E) = 0
CF(E)所描述的是证据的动态强度。
组合证据不确定性的计算
采用最大值最小值的形式
当组合证据是单一证据的合取(
∧
∧)时取
m
i
n
min
∨
lor
∨)时取
m
a
x
max
C
F
(
¬
E
)
=
¬
C
F
(
E
)
CF(lnot E) = lnot CF(E)
CF(¬E)=¬CF(E)
不确定性的推理算法
-
证据肯定存在时(CF(E) = 1)时
有 CF(H) = CF(H, E) -
证据不是肯定存在的
(
C
F
(
E
)
≠
1
)
(CF(E)not = 1)
(CF(E)=1)时
C
F
(
H
)
=
C
F
(
H
,
E
)
∗
m
a
x
{
0
,
C
F
(
E
)
}
CF(H) = CF(H, E) * max{0, CF(E)}
C
F
=
M
B
−
M
D
1
−
m
i
n
{
M
B
,
M
D
}
CF = frac{MB – MD}{1 – min{ MB, MD}}
CF=1−min{MB,MD}MB−MD
这样可以削弱一个反面证据对多个正面证据的影响
同时提出规则前提的CF值必须 > 0.2
的门阀值
优点:1. 具有简洁直观的优点。通过简单的计算,不确定性就可以在系统中传播,并且具有线性复杂度 2. 容易理解,将不信任和信任清楚的区分开来
缺点:1. 可能与条件概率的出的结果相反 2. MYCIN一般应用于短推理链,长了会有问题 3. 可能导致累计误差 4. 组合规则的顺序不同可能得到不同的结果
证据理论
用一个概率范围而不是单个概率值取模拟不确定性
可信度可以看作是证据理论的一个特例,同时给了可信度一个理论性的基础
在证据理论中,可以分别用信任函数、似然函数及类概率函数来描述精确信任度、不可驳斥信任度及估计信任度,可以从各个不同角度刻画命题的不确定性
采用集合表示命题,先建立命题与集合之间一一对应关系,不命题的不确定性问题转换成集合的不确定问题
概率分配函数
例:
2
Ω
→
[
0
,
1
]
2Ω→[0,1] 对任意的
A
⊆
Ω
A⊆Ω有,
B
l
(
A
)
=
∑
B
⊆
A
m
(
B
)
Bel(A) = sum_{B subseteq A}{m(B)}
Bel(A)=B⊆A∑m(B)
Bel(A)表示当前环境下,对假设集A的信任程度,其值为A的所有子集的基本概率之和,表示对A的总的信任度
2
Ω
→
[
0
,
1
]
2Ω→[0,1] 对任意的
A
⊆
Ω
A⊆Ω有
P
l
(
A
)
=
1
−
B
e
l
(
¬
A
)
Pl(A) = 1 – Bel(lnot A)
Pl(A)=1−Bel(¬A)
其中,
¬
A
=
Ω
−
A
lnot A = Omega – A
¬A=Ω−A
似然函数称为不可驳斥函数或上限函数
由于Bel(A)表示对A为真的信任度,
B
e
l
(
¬
A
)
Bel(lnot A)
Bel(¬A) 表示对
¬
A
lnot A
¬A的信任度, 因此Pl(A)表示对A为非假的信任度。
推论
P
l
(
A
)
=
∑
A
∩
B
≠
∅
m
(
B
)
Pl(A) = sum_{A cap B not = emptyset}{m(B)}
Pl(A)=A∩B=∅∑m(B)
信任函数和似然函数的性质
-
B
e
l
(
∅
)
=
0
,
B
e
l
(
Ω
)
=
1
,
P
l
(
∅
)
=
0
,
P
l
(
Ω
)
=
1
Bel(emptyset) = 0, Bel(Omega) = 1, Pl(emptyset) = 0, Pl(Omega) = 1
- 如果
A
⊆
B
,
B
e
l
(
A
)
<
=
B
e
l
(
B
)
,
P
l
(
A
)
<
=
P
l
(
B
)
Bel(A) <= Bel(B), Pl(A) <= Pl(B)
-
∀
A
⊆
Ω
,
P
l
(
A
)
>
=
B
e
l
(
A
)
forall A subseteq Omega, Pl(A) >= Bel(A)
-
∀
A
⊆
Ω
,
B
e
l
(
A
)
+
B
e
l
(
¬
A
)
<
=
1
,
forall A subseteq Omega, Bel(A) + Bel(lnot A) <= 1,
P
l
(
A
)
+
P
l
(
¬
A
)
>
=
1
Pl(A) + Pl(lnot A) >= 1
信任区间
分别用Bel(A)和Pl(A)为对A信任程度的下限和上限,
记为:
A
(
B
e
l
(
A
)
,
P
l
(
A
)
A(Bel(A), Pl(A)
A(Bel(A),Pl(A)
P
l
(
A
)
−
B
e
l
(
A
)
Pl(A) – Bel(A)
Pl(A)−Bel(A)表示既不信任A,也不信任
¬
A
lnot A
¬A的程度, 即对于A是真是假不知道的程度。
类概率函数
f
(
A
)
=
B
e
l
(
A
)
+
∣
A
∣
∣
Ω
∣
∗
(
P
l
(
A
)
−
B
e
l
(
A
)
)
f(A) = Bel(A) + frac{|A|}{|Omega|}*(Pl(A) – Bel(A))
f(A)=Bel(A)+∣Ω∣∣A∣∗(Pl(A)−Bel(A))
其中|A|、|
Ω
Omega
Ω|分别表示A和
Ω
Omega
f
(
A
)
f(A)
性质:
-
f
(
∅
)
=
0
,
f
(
Ω
)
=
1
f(emptyset) = 0, f(Omega) = 1
-
∀
A
⊆
Ω
,
0
<
=
f
(
A
)
<
=
1
forall A subseteq Omega ,0 <= f(A) <=1
-
∀
A
⊆
Ω
,
B
e
l
(
A
)
<
=
f
(
A
)
<
=
P
l
(
A
)
forall A subseteq Omega ,Bel(A) <= f(A) <= Pl(A)
-
∀
A
⊆
Ω
,
f
(
¬
A
)
=
1
−
f
(
A
)
forall A subseteq Omega ,f(lnot A) = 1 – f(A)
证据的组合函数
注意:
具有不确定的推理规则可表示为:
i
f
E
T
h
e
n
H
,
C
F
if E Then H, CF
if E Then H, CF
H可表示为: H = {
a
1
,
a
2
.
.
.
a
m
a_1,a_2 … a_m
Ω
Omega
Ω的子集
CF = {
1
,
c
2
.
.
.
c
m
c_1, c_2 … c_m
c1,c2…cm}其中
c
i
>
=
0
c_i >= 0
ci>=0,
∑
c
i
<
=
1
sum c_i <= 1
∑ci<=1
定义
:
m
(
{
a
i
}
)
=
f
(
E
)
∗
c
i
m({ a_i}) = f(E)*c_i
m({ai})=f(E)∗ci
规定
m
(
Ω
)
=
1
−
∑
m
(
{
a
i
}
)
m(Omega) = 1 – sum m({a_i})
m(Ω)=1−∑m({ai})
对于
Ω
Omega
Ω的所有其他子集H,均有m(H) = 0
当H为
Ω
Omega
Ω的真子集时有
B
e
l
(
H
)
=
∑
m
(
B
)
=
∑
m
(
{
a
i
}
)
Bel(H) = sum m(B) = sum m({ a_i})
Bel(H)=∑m(B)=∑m({ai})
合取(
∧
∧)取
m
i
n
min
min
析取(
∨
lor
∨)取
m
a
x
max
max
与求可信度方法类似;
不确定性的组合
优点:能够满足比概率论更弱的公理系统,可以区分不知道和不确定的情况,可以依赖证据积累,不断缩小集合。
缺点:证据的独立性不易保证
下一篇
未完待续
原文地址:https://blog.csdn.net/m0_64372178/article/details/134748461
本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。
如若转载,请注明出处:http://www.7code.cn/show_34278.html
如若内容造成侵权/违法违规/事实不符,请联系代码007邮箱:suwngjj01@126.com进行投诉反馈,一经查实,立即删除!