不确定性推理
重点:可信度方法、模糊推理
-
基本概念
-
概率方法
-
主观Bayes方法
-
可信度方法
-
模糊理论
-
简单模糊推理
【定义】:从不确定性的初始证据E出发,用不确定性的知识,推出一定程度上不确定的结论。即后面可信度方法中的,已知证据的可信度CF(E),通过知识的可信度CF(E,H),计算出结论的可信度CF(H)。
不确定性推理一般需要考虑的问题
1.【如何表示】:
- 知识不确定性:由领域专家给出的一个数值表示,称为静态强度
- 证据不确定性:也是一个数值,称为动态强度
2.【不确定性的匹配&阈值的选择】:
3.【组合证据不确定性计算】:
由多条证据组合起来才可以得到结论时,需要对证据进行合成。
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:该条是后加的,第一次看的时候觉得没什么用处,也没理解。T(E)可以表示证据为真的程度(动态强度),例如后面介绍的可信度方法中,就使用了最大最小法求解证据合成之后的可信度:CF( E1 AND E2)或者CF( E1 OR E2)
4.【不确定性的传递算法】
5.【结论不确定性的合成】
-
用不同知识进行推理得到相同的结论,每一条知识对应结论的不确定不同,需要一个合适的算法对结论的不确定性进行合成。
-
举例说明:
R1=IF E1 THEN H(CF(H)=0.8)
R2=IF E2 THEN H(CF(H)=0.3)
不确定性推理有很多种分类,此处主要讨论的是基于概率的方法,包括可信度方法和主观Bayes方法。
【不确定性的计算】:
经典概率方法:规则:IF E THEN H,条件概率P(H|E)可作为规则的静态强度。
先验概率:P(H) 后验概率:P(H|E)
贝叶斯公式: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)
由于概率推理方法存在一些现实局限,所以主观贝叶斯方法表示知识:IF E THEN (LS,LN) H。
【不确定性的更新】:
【不确定性的合成】:
【主观贝叶斯公式】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对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)
【该分界线内的应该不考/(ㄒoㄒ)/~~】
可信度的计算
【可信度】:根据经验对一个事物和现象为真的相信程度。
-
在可信度方法中,由专家给出规则或知识的可信度,从而避免求先验概率或条件概率。即CF(H,E)该数值是给定的
-
CF模型:IF E THEN H (CF(H,E)),其中,可信度因子/规则强度:CF(H,E)∈[−1,1]
-
CF(H,E)>0 则P(H|E)>P(H); CF(H,E)<0 则P(H|E)<P(H);CF(H,E)=0 则P(H|E)=P(H)可以理解为:在证据的条件下,结论发生的概率比结论本身发生的概率要大,说明这条规则/知识是有一定可信度的;反之,如果在证据的条件下,概率变小了,说明这一条知识不可信,所以可信度是负的。
-
CF(H,E)=MB(H,E)-MD(H,E),其中MB,MD分别表示证据对结论有利和无利的一面,称为信任/不信任增长度。
-
定义:
MB(H,E)={1,P(H)=11−P(H)max(P(H∣E),P(H))−P(H),否则
MD(H,E)={1,P(H)=0−P(H)min(P(H∣E),P(H))−P(H),否则
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)
※ 关于CF(H,E)的具体计算应该不需要学的太细,毕竟CF(H,E)是专家给定的数值,题目中会给定的。
【组合证据的不确定性】
- 可采用最大最小法
若E=E1 AND E2 AND…AND En,则CF(E)=min{CF(E1),CF(E2),…,CF(En)}
若E=E1 OR E2 OR…OR En,则CF(E)=max{CF(E1),CF(E2),…,CF(En)}
【证据的不确定性】用可信度因子表示,动态强度:CF(E)>0:某种程度上证据为真;CF(E)<0:某种程度上证据为假。
【结论H的可信度-不确定性的传递算法】CF(H)=CF(H,E)×max{0,CF(E)},CF(H)∈[−1,1]
【结论不确定性的合成算法】同一个结论可以有多条不同的知识推出来。
【结论H的综合可信度】:
-
对每一条知识求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),二者异号
-
必考题
以上区域内是可信度方法中的通用模型,下面学习几个特殊的,含(知识的)阈值的和(证据的)加权的:
【带有阈值限度的不确定性推理】CF(H,E),λ
当CF(E)>=λ时,知识才可以被应用,CF(H)=CF(H,E)×CF(E);在通用模型中相当于λ=0,也就是CF(E)>0的才会被采用,CF(E)<0时就会被舍弃。
【结论不确定性的合成算法】
- 当n条规则/知识都满足CF(Ei)>=λ,i=1,2,...,n时,计算CFi(H)
- 求综合可信度
- 极大值法:CF(H)=max{CF1(H),CF2(H),...,CFn(H)}
- 加权求和法:CF(H)=∑CF(H,Ei)1∑{CF(H,Ei)×CF(Ei)}
- 有限和法:CF(H)=min(∑CFi(H),1)
- 递推法:C1=CF(H,E1)×CF(E1),Ck=Ck−1+(1−Ck−1)×CF(H,Ek)×CF(Ek)
【加权的不确定性推理】
知识表示:IF E1(ω1)ANDE2(ω2)AND...ANDEn(ωn) THEN H (CF(H,E),λ)
其中,ωi∈[0,1]是加权因子,λ是阈值,都由专家给出。∑ωi=1
组合证据的可信度:CF(E)=∑ωi1∑(ωi×CF(Ei))
【前提条件中带有可信度因子的不确定性推理】