不確定性推理
重點:可信度方法、模糊推理
-
基本概念
-
概率方法
-
主觀Bayes方法
-
可信度方法
-
模糊理論
-
簡單模糊推理
【定義】:從不確定性的初始證據E出發,用不確定性的知識,推出一定程度上不確定的結論。即後面可信度方法中的,已知證據的可信度CF(E),通過知識的可信度CF(E,H),計算出結論的可信度CF(H)。
不確定性推理一般需要考慮的問題
1.【如何表示】:
- 知識不確定性:由領域專家給出的一個數值表示,稱爲靜態強度
- 證據不確定性:也是一個數值,稱爲動態強度
2.【不確定性的匹配&閾值的選擇】:
3.【組合證據不確定性計算】:
由多條證據組合起來纔可以得到結論時,需要對證據進行合成。
形如:IF E1 AND E2 THEN H 或者 IF E1 OR E2 THEN H
-
最大最小法:
T( E1 AND E2 ) = min(T(E1),T(E2))
T( E1 OR E2 ) = max(T(E1),T(E2))
-
概率法:
T( E1 AND E2 ) = T(E1)×T(E2))
T( E1 OR E2 ) = T(E1)+T(E2)−T(E1)×T(E2)
-
有界法:
T( E1 AND E2 ) = max{0,T(E1)+T(E2)−1})
T( E1 OR E2 ) = min{1,T(E1)+T(E2)}
-
注:該條是後加的,第一次看的時候覺得沒什麼用處,也沒理解。T(E)可以表示證據爲真的程度(動態強度),例如後面介紹的可信度方法中,就使用了最大最小法求解證據合成之後的可信度:CF( E1 AND E2)或者CF( E1 OR E2)
4.【不確定性的傳遞算法】
5.【結論不確定性的合成】
-
用不同知識進行推理得到相同的結論,每一條知識對應結論的不確定不同,需要一個合適的算法對結論的不確定性進行合成。
-
舉例說明:
R1=IF E1 THEN H(CF(H)=0.8)
R2=IF E2 THEN H(CF(H)=0.3)
不確定性推理有很多種分類,此處主要討論的是基於概率的方法,包括可信度方法和主觀Bayes方法。
【不確定性的計算】:
經典概率方法:規則:IF E THEN H,條件概率P(H|E)可作爲規則的靜態強度。
先驗概率:P(H) 後驗概率:P(H|E)
貝葉斯公式:P(H∣E)=P(E)P(E∣H)P(H),其中P(E)=∑P(E∣Hi)P(Hi)
P(H∣E1,E2)=P(E)P(E1∣H)P(E2∣H)P(H),其中P(E1E2)=∑P(E1∣Hi)P(E2∣Hi)P(Hi)
由於概率推理方法存在一些現實侷限,所以主觀貝葉斯方法表示知識:IF E THEN (LS,LN) H。
【不確定性的更新】:
【不確定性的合成】:
【主觀貝葉斯公式】IF.E.THEN.(LS,LN)H(P(H))
P(H∣E)=P(E)P(E∣H)P(H)
P(notH∣E)=P(E)P(E∣notH)P(notH)
LS是充分性度量:LS=P(E∣notH)P(E∣H),指出E對H的支持程度
LN是必要性度量:LN=P(notE∣notH)P(notE∣H)
Θ(H∣notE)=P(notH∣notE)P(H∣notE)
【該分界線內的應該不考/(ㄒoㄒ)/~~】
可信度的計算
【可信度】:根據經驗對一個事物和現象爲真的相信程度。
-
在可信度方法中,由專家給出規則或知識的可信度,從而避免求先驗概率或條件概率。即CF(H,E)該數值是給定的
-
CF模型:IF E THEN H (CF(H,E)),其中,可信度因子/規則強度:CF(H,E)∈[−1,1]
-
CF(H,E)>0 則P(H|E)>P(H); CF(H,E)<0 則P(H|E)<P(H);CF(H,E)=0 則P(H|E)=P(H)可以理解爲:在證據的條件下,結論發生的概率比結論本身發生的概率要大,說明這條規則/知識是有一定可信度的;反之,如果在證據的條件下,概率變小了,說明這一條知識不可信,所以可信度是負的。
-
CF(H,E)=MB(H,E)-MD(H,E),其中MB,MD分別表示證據對結論有利和無利的一面,稱爲信任/不信任增長度。
-
定義:
MB(H,E)={1,P(H)=11−P(H)max(P(H∣E),P(H))−P(H),否則
MD(H,E)={1,P(H)=0−P(H)min(P(H∣E),P(H))−P(H),否則
CF(H,E)=⎩⎪⎨⎪⎧MB(H,E)−0=1−P(H)P(H∣E)−P(H),P(H∣E)>P(H)0,P(H∣E)=P(H)0−MD(H,E)=P(H)P(H)−P(H∣E),P(H∣E)<P(H)
※ 關於CF(H,E)的具體計算應該不需要學的太細,畢竟CF(H,E)是專家給定的數值,題目中會給定的。
【組合證據的不確定性】
- 可採用最大最小法
若E=E1 AND E2 AND…AND En,則CF(E)=min{CF(E1),CF(E2),…,CF(En)}
若E=E1 OR E2 OR…OR En,則CF(E)=max{CF(E1),CF(E2),…,CF(En)}
【證據的不確定性】用可信度因子表示,動態強度:CF(E)>0:某種程度上證據爲真;CF(E)<0:某種程度上證據爲假。
【結論H的可信度-不確定性的傳遞算法】CF(H)=CF(H,E)×max{0,CF(E)},CF(H)∈[−1,1]
【結論不確定性的合成算法】同一個結論可以有多條不同的知識推出來。
【結論H的綜合可信度】:
-
對每一條知識求CFi(H)
-
求CF12(H)=⎩⎪⎨⎪⎧CF1(H)+CF2(H)−CF1(H)×CF2(H),both>=0CF1(H)+CF2(H)+CF1(H)×CF2(H),both<01−min∣CF1(H)∣,∣CF2(H)∣CF1(H)+CF2(H),二者異號
-
必考題
以上區域內是可信度方法中的通用模型,下面學習幾個特殊的,含(知識的)閾值的和(證據的)加權的:
【帶有閾值限度的不確定性推理】CF(H,E),λ
當CF(E)>=λ時,知識才可以被應用,CF(H)=CF(H,E)×CF(E);在通用模型中相當於λ=0,也就是CF(E)>0的纔會被採用,CF(E)<0時就會被捨棄。
【結論不確定性的合成算法】
- 當n條規則/知識都滿足CF(Ei)>=λ,i=1,2,...,n時,計算CFi(H)
- 求綜合可信度
- 極大值法:CF(H)=max{CF1(H),CF2(H),...,CFn(H)}
- 加權求和法:CF(H)=∑CF(H,Ei)1∑{CF(H,Ei)×CF(Ei)}
- 有限和法:CF(H)=min(∑CFi(H),1)
- 遞推法:C1=CF(H,E1)×CF(E1),Ck=Ck−1+(1−Ck−1)×CF(H,Ek)×CF(Ek)
【加權的不確定性推理】
知識表示:IF E1(ω1)ANDE2(ω2)AND...ANDEn(ωn) THEN H (CF(H,E),λ)
其中,ωi∈[0,1]是加權因子,λ是閾值,都由專家給出。∑ωi=1
組合證據的可信度:CF(E)=∑ωi1∑(ωi×CF(Ei))
【前提條件中帶有可信度因子的不確定性推理】