不确定性推理部分参考答案
(完整word版)不确定性推理部分参考答案
第6章不确定性推理部分参考答案6.8 设有如下一组推理规则:r1: IF E1THEN E2 (0.6)r2: IF E2AND E3THEN E4 (0.7)r3: IF E4THEN H (0.8)r4: IF E5THEN H (0.9)且已知CF(E1)=0.5, CF(E3)=0.6, CF(E5)=0.7。
求CF(H)=?解：(1) 先由r1求CF(E2)CF(E2)=0.6 × max{0,CF(E1)}=0.6 × max{0,0.5}=0.3(2) 再由r2求CF(E4)CF(E4)=0.7 × max{0, min{CF(E2 ), CF(E3 )}}=0.7 × max{0, min{0.3, 0.6}}=0.21(3) 再由r3求CF1(H)CF1(H)= 0.8 × max{0,CF(E4)}=0.8 × max{0, 0.21)}=0.168(4) 再由r4求CF2(H)CF2(H)= 0.9 ×max{0,CF(E5)}=0.9 ×max{0, 0.7)}=0.63(5) 最后对CF1(H )和CF2(H)进行合成，求出CF(H)CF(H)= CF1(H)+CF2(H)+ CF1(H) × CF2(H)=0.6926.10 设有如下推理规则r1: IF E1THEN (2, 0.00001) H1r2: IF E2THEN (100, 0.0001) H1r3: IF E3THEN (200, 0.001) H2r4: IF H1THEN (50, 0.1) H2且已知P(E1)= P(E2)= P(H3)=0.6, P(H1)=0.091, P(H2)=0.01, 又由用户告知：P(E1| S1)=0.84, P(E2|S2)=0.68, P(E3|S3)=0.36请用主观Bayes方法求P(H2|S1, S2, S3)=?解：(1) 由r1计算O(H1| S1)先把H1的先验概率更新为在E1下的后验概率P(H1| E1)P(H1| E1)=(LS1× P(H1)) / ((LS1-1) × P(H1)+1)=(2 × 0.091) / ((2 -1) × 0.091 +1)=0.16682由于P(E1|S1)=0.84 > P(E1)，使用P(H | S)公式的后半部分，得到在当前观察S1下的后验概率P(H1| S1)和后验几率O(H1| S1)P(H1| S1) = P(H1) + ((P(H1| E1) – P(H1)) / (1 - P(E1))) × (P(E1| S1) – P(E1))= 0.091 + (0.16682 –0.091) / (1 – 0.6)) × (0.84 – 0.6)=0.091 + 0.18955 × 0.24 = 0.136492O(H1| S1) = P(H1| S1) / (1 - P(H1| S1))= 0.15807(2) 由r2计算O(H1| S2)先把H1的先验概率更新为在E2下的后验概率P(H1| E2)P(H1| E2)=(LS2× P(H1)) / ((LS2-1) × P(H1)+1)=(100 × 0.091) / ((100 -1) × 0.091 +1)=0.90918由于P(E2|S2)=0.68 > P(E2)，使用P(H | S)公式的后半部分，得到在当前观察S2下的后验概率P(H1| S2)和后验几率O(H1| S2)P(H1| S2) = P(H1) + ((P(H1| E2) – P(H1)) / (1 - P(E2))) × (P(E2| S2) – P(E2))= 0.091 + (0.90918 –0.091) / (1 – 0.6)) × (0.68 – 0.6)=0.25464O(H1| S2) = P(H1| S2) / (1 - P(H1| S2))=0.34163(3) 计算O(H1| S1,S2)和P(H1| S1,S2)先将H1的先验概率转换为先验几率O(H1) = P(H1) / (1 - P(H1)) = 0.091/(1-0.091)=0.10011再根据合成公式计算H1的后验几率O(H1| S1,S2)= (O(H1| S1) / O(H1)) × (O(H1| S2) / O(H1)) × O(H1)= (0.15807 / 0.10011) × (0.34163) / 0.10011) × 0.10011= 0.53942再将该后验几率转换为后验概率P(H1| S1,S2) = O(H1| S1,S2) / (1+ O(H1| S1,S2))= 0.35040(4) 由r3计算O(H2| S3)先把H2的先验概率更新为在E3下的后验概率P(H2| E3)P(H2| E3)=(LS3× P(H2)) / ((LS3-1) × P(H2)+1)=(200 × 0.01) / ((200 -1) × 0.01 +1)=0.09569由于P(E3|S3)=0.36 < P(E3)，使用P(H | S)公式的前半部分，得到在当前观察S3下的后验概率P(H2| S3)和后验几率O(H2| S3)P(H2| S3) = P(H2 | ¬ E3) + (P(H2) – P(H2| ¬E3)) / P(E3)) × P(E3| S3)由当E3肯定不存在时有P(H2 | ¬ E3) = LN3× P(H2) / ((LN3-1) × P(H2) +1)= 0.001 × 0.01 / ((0.001 - 1) × 0.01 + 1)= 0.00001因此有P(H2| S3) = P(H2 | ¬ E3) + (P(H2) – P(H2| ¬E3)) / P(E3)) × P(E3| S3)=0.00001+((0.01-0.00001) / 0.6) × 0.36=0.00600O(H2| S3) = P(H2| S3) / (1 - P(H2| S3))=0.00604(5) 由r4计算O(H2| H1)先把H2的先验概率更新为在H1下的后验概率P(H2| H1)P(H2| H1)=(LS4× P(H2)) / ((LS4-1) × P(H2)+1)=(50 × 0.01) / ((50 -1) × 0.01 +1)=0.33557由于P(H1| S1,S2)=0.35040 > P(H1)，使用P(H | S)公式的后半部分，得到在当前观察S1,S2下H2的后验概率P(H2| S1,S2)和后验几率O(H2| S1,S2)P(H2| S1,S2) = P(H2) + ((P(H2| H1) – P(H2)) / (1 - P(H1))) × (P(H1| S1,S2) – P(H1))= 0.01 + (0.33557 –0.01) / (1 – 0.091)) × (0.35040 – 0.091)=0.10291O(H2| S1,S2) = P(H2| S1, S2) / (1 - P(H2| S1, S2))=0.10291/ (1 - 0.10291) = 0.11472(6) 计算O(H2| S1,S2,S3)和P(H2| S1,S2,S3)先将H2的先验概率转换为先验几率O(H2) = P(H2) / (1 - P(H2) )= 0.01 / (1-0.01)=0.01010再根据合成公式计算H1的后验几率O(H2| S1,S2,S3)= (O(H2| S1,S2) / O(H2)) × (O(H2| S3) / O(H2)) ×O(H2)= (0.11472 / 0.01010) × (0.00604) / 0.01010) × 0.01010=0.06832再将该后验几率转换为后验概率P(H2| S1,S2,S3) = O(H1| S1,S2,S3) / (1+ O(H1| S1,S2,S3))= 0.06832 / (1+ 0.06832) = 0.06395可见，H2原来的概率是0.01，经过上述推理后得到的后验概率是0.06395，它相当于先验概率的6倍多。
不确定性推理
2021/5/15
14
不确定性推理方法分类
对于数值方法，按其依据的理论不同又可分为以下两类： 1、基于概率的方法：是基于概率论的有关理论发展起来的 方法，如可信度方法、主观Bayes方法、证据理论等； 2、模糊推理：是基于模糊逻辑理论发展起来的可能性理论 方法
2021/5/15
24
可信度方法---CF模型
CF是由称为信任增长度MB和不信任增长度MD 相减而来的。即
CF(H，E)＝MB(H，E)-MD(H，E)
1 MB(H,E) max(P(H E),P(H))P(H)
1P(H)
当P(H)=1 否则
1 MD(H,E) min(P(H E),P(H))P(H)
P(H)
2021/5/15
当P(H)=0 否则
25
可信度方法---CF模型
当MB(H，E)>0，表示由于证据E的出现增加了 对H的信任程度。当MD(H，E)>0，表示由于证 据E的出现增加了对H的不信任程度。由于对同 一个证据E，它不可能既增加对H的信任程度又 增 加 对 H 的 不 信 任 程 度 ， 因 此 ， MB(H,E) 与 MD(H,E)是互斥的，即
H 表示规则的结论部分，即假设 C F( H, E ) 表示规则的精确程度或可信度。 任何一个不确定性推理模型必须解决三个问题：
前提(证据，事实)的不确定性描述 规则(知识)的不确定性描述 不确定性的更新算法
2021/5/15
17
不确定性推理模型基本结构
证据的不确定性 C F( E ) ,表示证据E为真的程度。需 定义其在三种典型情况下的取值： E 为真 E 为假 对 E 一无所知 ( 该情况下的取值称为证据的单位元 e(E) )
不确定性简介基本机率论贝氏推理
13
聯合機率
n
n
p A Bi p A Bi p Bi
i 1
i 1
B4
A
B1
B3
B2
14
如果事件A的發生僅取決於兩個相互排斥的事件， 即B和非B， 可得:
p(A) = p(AB) p(B) + p(A B) p(B)
其中 是邏輯函數非。 同理,
p(B) = p(B A) p(A) + p(BA) p(A)
0.3 0.6 0.40+ 0.8 0.7 0.35+ 0.5
現在認為假設H2是最有可能的一個。
0.29 0.25
24
同樣觀察證據E2，專家系統計算所有假設最終的事後機率：
p Hi E1E2E3
p E1 Hi p E2 Hi p E3 Hi p Hi
3
,
p E1 Hk p E2 Hk p E3 Hk p Hk
事前和條件機率
假設
i=1
i=2
i=3
0.40
0.35
0.25
0.3
0.8
0.5
0.9
0.0
0.7
0.6
0.7
0.9
假設首先觀察證據E3。專家系統根據公式(3-19)計 算所有假設的事後機率：
22
p Hi E3
p E3 Hi p Hi
3
,
p E3 Hk p H k
k 1
i = 1, 2, 3
Naïve Bayesian classifiers assume that the effect of an attribute value on a given class is independent of values of the other attributes. (class conditional independence)
确定性与不确定性推理主要方法-人工智能导论
确定性与不确定性推理主要方法1.确定性推理：推理时所用的知识与证据都是确定的，推出的结论也是确定的，其真值或者为真或者为假。
2.不确定性推理：从不确定性的初始证据出发，通过运用不确定性的知识，最终推出具有一定程度的不确定性但却是合理或者近乎合理的结论的思维过程。
3.演绎推理：如：人都是会死的（大前提）李四是人（小前提）所有李四会死（结论）4.归纳推理：从个别到一般：如：检测全部产品合格，因此该厂产品合格；检测个别产品合格，该厂产品合格。
5.默认推理：知识不完全的情况下假设某些条件已经具备所进行的推理；如：制作鱼缸，想到鱼要呼吸，鱼缸不能加盖。
6.不确定性推理中的基本问题：①不确定性的表示与量度：1)知识不确定性的表示2)证据不确定性的表示3)不确定性的量度②不确定性匹配算法及阈值的选择1)不确定性匹配算法：用来计算匹配双方相似程度的算法。
2)阈值：用来指出相似的“限度”。
③组合证据不确定性的算法最大最小方法、Hamacher方法、概率方法、有界方法、Einstein方法等。
④不确定性的传递算法1)在每一步推理中，如何把证据及知识的不确定性传递给结论。
2)在多步推理中，如何把初始证据的不确定性传递给最终结论。
⑤结论不确定性的合成6.可信度方法：在确定性理论的基础上，结合概率论等提出的一种不确定性推理方法。
其优点是：直观、简单，且效果好。
可信度：根据经验对一个事物或现象为真的相信程度。
可信度带有较大的主观性和经验性，其准确性难以把握。
C－F模型：基于可信度表示的不确定性推理的基本方法。
CF（H，E）的取值范围: [-1,1]。
若由于相应证据的出现增加结论 H 为真的可信度，则 CF（H，E）> 0，证据的出现越是支持 H 为真，就使CF（H，E) 的值越大。
反之，CF（H，E）< 0，证据的出现越是支持 H 为假，CF（H，E）的值就越小。
若证据的出现与否与 H 无关，则 CF（H，E）= 0。
人工智能第十二讲不确定性推理-可信度方法
基本概念 －－不确定性推理方法的分类
? 沿着两条路线发展：一是 模型方法 ，与控制策略 无关；二是控制方法，没有统一模型，依赖于控 制策略。我们只讨论模型方法。
? 例如： IF 发热38 °以上 AND 四肢关节疼痛无力 AND 胸闷咳嗽 THEN 患SARS (0.7) 表示病人如有上述症状则有七成把握认为他患 SARS
可信度方法
－－C-F模型
? 定义： CF(H,E) = MB(H,E) －MD(H,E), 其中CF(H,E) ∈[-1,1] MB（Measure Belief ）－－信任增长度 ，表示因 与E匹配的证据的出现，使 H为真的信任增长度。
不确定性推理
－－可信度方法
内容简介
一． 不确定性推理的基本概念与原理 二． 可信度方法的基本模型和三个扩展方法
基本概念
－－不确定性推理的定义
? 从不确定性的初始证据出发，通过运用不 确定性的知识，最终推出具有一定程度的 不确定性但却是合理或者近乎合理的结论 的思维过程。
? 事实和知识是构成推理的两个基本要素。 已知事实称为证据（E），用以指出推理 的出发点及推理时应该使用的知识；而知 识是推理得以向前推进，并逐步达到最终 目标（H）的依据。
基本概念
－－ 一些基本问题
1. 不确定性的表示与量度
a. 知识不确定性的表示
? 制定表示方法时需要考虑：一是要能根据领域 问题的特征把其不确定性比较准确地描述出来， 满足问题求解的需要；另一是要便于推理过程 中对不确定性的推算。
? 一般由领域专家给出，称为知识的 静态强度 。 静态强度可以是相应知识在应用中成功的概率， 也可以是该条知识的可信程度或其他。
人工智能教程习题及答案第4章习题参考解答
第四章不确定性推理习题参考解答4.1 练习题4.1什么是不确定性推理？有哪几类不确定性推理方法？不确定性推理中需要解决的基本问题有哪些？4.2什么是可信度？由可信度因子CF(H，E)的定义说明它的含义。
4.3什么是信任增长度？什么是不信任增长度？根据定义说明它们的含义。
4.4当有多条证据支持一个结论时，什么情况下使用合成法求取结论的可信度？什么情况下使用更新法求取结论可信度？试说明这两种方法实际是一致的。
4.5设有如下一组推理规则：r1：IF E1THEN E2(0.6)r2：IF E2AND E3THEN E4 (0.8)r3：IF E4THEN H (0.7)r4：IF E5THEN H (0.9)且已知CF(E1)=0.5，CF(E3)=0.6，CF(E5)=0.4，结论H的初始可信度一无所知。
求CF(H)=？4.6已知：规则可信度为r1：IF E1THEN H1(0.7)r2：IF E2THEN H1(0.6)r3：IF E3THEN H1(0.4)r4：IF (H1AND E4) THEN H2(0.2)证据可信度为CF(E1)=CF(E2)=CF(E3)=CF(E4)=CF(E5)=0.5H1的初始可信度一无所知，H2的初始可信度CF0(H2)=0.3计算结论H2的可信度CF(H2)。
4.7设有三个独立的结论H1，H2，H3及两个独立的证据E1与E2，它们的先验概率和条件概率分别为P(H1)=0.4，P(H2)=0.3，P(H3)=0.394P(E1/H1)=0.5，P(E1/H2)=0.6，P(E1/H3)=0.3P(E2/H1)=0.7，P(E2/H2)=0.9，P(E2/H3)=0.1利用基本Bayes方法分别求出：方法分别求出：（1）当只有证据E1出现时，P(H1/E1)，P(H2/E1)，P(H3/E1)的值各为多少？这说明了什么？么？（2）当E1和E2同时出现时，P(H1/E1E2)，P(H2/E1E2)，P(H3/E1E2)的值各是多少？这说明了什么？明了什么？4.8在主观Bayes方法中，请说明LS与LN的意义。
ai7不确定性推理_tmp
主观Bayes方法 提出：1976年 杜达(R.O.Duda) 应用：地矿勘探专家系统PROSPECTOR
知识不确定性的表示 在主观Bayes方法中，知识(规则)就是推理网络中 的一条弧，它的不确定性是以一个数值对 (LS,LN)来进行描述的。 若以产生式规则的形式表示，其形式为： IF E THEN (LS,LN) H (P(H)) 其中各项含义如下 ①E是该知识的前提条件，既可以是单个的条件， 也可以是由AND或OR把多个简单条件连接而成的 复合条件。 ②H是结法 当证据E是由多个单一证据的合取组合而成时，即 E=E1E2…En 如果已知P(E1/S),P(E2/S),…,P(En/S)，则 P(E/S)=min{P(E1/S),P(E2/S),…,P(En/S)} 当证据E是由多个单一证据的析取组合而成时，即 E=E1E2…En 如果已知P(E1/S),P(E2/S),…,P(En/S)，则 P(E/S)=max{P(E1/S),P(E2/S),…,P(En/S)}
不确定性的推理计算 回顾1：Bayes公式
例1：设H1，H2，H3分别是三个结论，E是支持这些 结论的证据，且已知： P(H1)=0.4 P(H2)=0.5 P(H3)=0.2 P(E/H1)=0.3 P(E/H2)=0.4 P(E/H3)=0.5 求P(H1/E),P(H2/E),P(H3/E)的值
③(LS,LN)表示该知识的规则强度，度量知识的不 确定性。 LS：表示规则成立的充分性，体现前提为真对结论 的影响程度。 LN：表示规则成立的必要性，体现前提为假对结论 的影响程度。
证据不确定性的表示 1.单个证据不确定性的表示方法 在主观Bayes方法中，证据的不确定性是用概率表 示的。例如对于初始证据E，其先验概率为P(E) ，也可由用户根据观察S给出它的后验P(E/S)。 证据的不确定性也可用几率来表示。 概率与几率的关系
第8章不确定性知识的表示与推理
一般地,
A→(B, C(B|A))
(8-1)
其中C(B|A)表示规那么的结论B在前提A为真的情况下为真的信
度。 例如, 对上节中给出的两个不确定性命题, 假设采用(8-1)式,
假如乌云密布同时电闪雷鸣, 那么天要下暴雨(0.95)。 假如头痛发烧, 那么患了感冒(0.8)。
那个地方的0.95和0.8确实是对应规那么结论的信度。它们代替 了原命题中的“很可能”和“大概”, 可视为规那么前提与结论 之间的一种关系强度。
(2) 非完全知识库。随着知识的不断获取, 知识数目渐增, 那么可能出现非单调现象。例如, 设初始知识库有规那么：
x(bird(x)→fly(x)) 即“所有的鸟都能飞”。 后来得到了事实：
需要指出的是, 程度语言值中的程度也能够转化为命题的 真度。 例如, 我们能够把命题“小明个子比较高”用程度元组
(小明, 身高, (高, 0.9)) 那个地方的0.9是小明高的程度。
((小明, 身高, 高), 真实性, (真, 0.9)) 那个地方的0.9是命题“小明个子高”的真实程度, 即真度。 如 此, 我们就把小明的个子高的程度, 转化为命题“小明个子高” 的真度, 而且二者在数值上是相等的。
(2) 不确定性推理中一个规那么的触发,不仅要求其前提能匹 配成功,而且前提条件的总信度还必须至少达到阈值。
(3) 不确定性推理中所推得的结论是否有效, 也取决于其 信度是否达到阈值。
(4) 不确定性推理还要求有一套关于信度的计算方法, 包括 “与”关系的信度计算、“或”关系的信度计算、“非”关 系的信度计算和推理结果信度的计算等等。 这些计算也确实 是在推理过程中要反复进行的计算。
在非单调逻辑中, 假设由某假设出发进行的推理中一旦出 现不一致, 即出现与假设矛盾的命题, 那么允许撤消原来的假 设及由它推出的全部结论。基于非单调逻辑的推理称为非单 调逻辑推理, 或非单调推理。
人工智能导论 第4章 不确定性推理方法(导论) 1-41
CF1(H ) =CF(H , E1)× max{0,CF(E1)} CF2(H ) =CF (H , E2 )× max{0,CF (E2 )}
19
4.2 可信度方法
5. 结论不确定性的合成算法
（2）求出E1与E2对H的综合影响所形成的可信度 CF1,2(H )：
教材：
王万良《人工智能导论》（第4版） 高等教育出版社，2017. 7
第4章 不确定性推理方法
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 本章将要讨论的不确定性推理。
3
第4章 不确定性推理方法
✓4.1 不确定性推理中的基本问题
4.2 可信度方法 4.3 证据理论 4.4 模糊推理方法
4
4.1 不确定性推理中的基本问题
推理：从已知事实（证据）出发，通过运用相 关 知识逐步推出结论或者证明某个假设成立或 不成 立的思维过程。
不确定性推理：从不确定性的初始证据出发， 通 过运用不确定性的知识，最终推出具有一定 程度 的不确定性但却是合理或者近乎合理的结 论的思 维过程。
r1 : CF1(H ) 0.8 max{0,CF(E1 )}
0.8 max{0,0.35} 0.28
23
4.2 可信度方法
解： 第一步：对每一条规则求出CF（H）。
r2 : CF2 (H ) 0.6 max{0,CF(E2 )}
0.6 max{0,0.8} 0.48
r3 : CF3(H ) 0.5 max{0,CF(E3 )}
4. 不确定性的传递算法
判断推理(4)――逻辑判断参考答案
判断推理(4)――逻辑判断参考答案快读快解应用集锦一、条件有矛盾真假好分辨公务员考试中有这样的试题：试题1：某仓库失窃，四个保管员因涉嫌而被传讯。
四人的供述如下：甲：我们四人都没作案；乙：我们中有人作案；丙：乙和丁至少有一人没作案；丁：我没作案。
如果四人中有两人说的是真话，有两人说的是假话，则以下哪项断定成立?( )A．说真话的是甲和丁B．说真话的是乙和丙C．说真话的是甲和丙D．说真话的是乙和丁这是典型的利用分析矛盾解析的试题。
历年至今，在全国各地公务员考试中屡见鲜见。
解析这类试题，关键要找到条件之间的逻辑矛盾，然后真假自明。
什么是逻辑矛盾?简明地说，两个不同的断定，必有一个真，一个假。
比如：“这马是白的”和“这马不是白的”就构成了逻辑矛盾。
两者不能同真也不能同假。
而“这马是白的”和“这马是黄的”就不是逻辑矛盾。
虽然它们不能同真，但有可能都是假的一一如果它是一匹红色的马呢?了解了这些常识，可以利用分析矛盾的方法，解答上题。
[解析](1)四人中，两人诚实，两人说谎。
(2)甲和乙的话有矛盾!甲：我们四人都没作案；乙：我们中有人作案；可断定：甲和乙两人一个诚实一个撒谎。
剩余丙、丁两人中也必然是一个诚实一个撒谎。
(3)假设：丁说的是真话，那么，可推出丙说的话也真!丙：乙和丁至少有一人没作案；丁：我没作案。
显然，丁说真话不成立，于是推出：丁说假话，丙说真话。
(4)断定了丁说假话，就推出甲说的也是假话，乙说真话。
答案B。
即：说真话的是乙和丙。
试题2：军训最后一天，一班学生进行实弹射击。
几位教官谈论一班的射击成绩。
张教官说：“这次军训时间太短，这个班没有人射击成绩会是优秀。
”孙教官说：“不会吧，有几个人以前训练过，他们的射击成绩会是优秀。
”周教官说：“我看班长或是体育委员能打出优秀成绩。
”结果发现三位教官中只有一人说对了。
由此可以推出以下哪一项肯定为真?( )A．全班所有人的射击成绩都不是优秀B．班里所有人的射击成绩都是优秀C．班长的射击成绩是优秀D．体育委员的射击成绩不是优秀[解析](1)三人中只有一个说的对。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
第6章不确定性推理部分参考答案6.8 设有如下一组推理规则:r1: IF E1THEN E2 (0.6)r2: IF E2AND E3THEN E4 (0.7)r3: IF E4THEN H (0.8)r4: IF E5THEN H (0.9)且已知CF(E1)=0.5, CF(E3)=0.6, CF(E5)=0.7。
求CF(H)=?解：(1) 先由r1求CF(E2)CF(E2)=0.6 × max{0,CF(E1)}=0.6 × max{0,0.5}=0.3(2) 再由r2求CF(E4)CF(E4)=0.7 × max{0, min{CF(E2 ), CF(E3 )}}=0.7 × max{0, min{0.3, 0.6}}=0.21(3) 再由r3求CF1(H)CF1(H)= 0.8 × max{0,CF(E4)}=0.8 × max{0, 0.21)}=0.168(4) 再由r4求CF2(H)CF2(H)= 0.9 ×max{0,CF(E5)}=0.9 ×max{0, 0.7)}=0.63(5) 最后对CF1(H )和CF2(H)进行合成，求出CF(H)CF(H)= CF1(H)+CF2(H)+ CF1(H) × CF2(H)=0.6926.10 设有如下推理规则r1: IF E1THEN (2, 0.00001) H1r2: IF E2THEN (100, 0.0001) H1r3: IF E3THEN (200, 0.001) H2r4: IF H1THEN (50, 0.1) H2且已知P(E1)= P(E2)= P(H3)=0.6, P(H1)=0.091, P(H2)=0.01, 又由用户告知：P(E1| S1)=0.84, P(E2|S2)=0.68, P(E3|S3)=0.36请用主观Bayes方法求P(H2|S1, S2, S3)=?解：(1) 由r1计算O(H1| S1)先把H1的先验概率更新为在E1下的后验概率P(H1| E1)P(H1| E1)=(LS1× P(H1)) / ((LS1-1) × P(H1)+1)=(2 × 0.091) / ((2 -1) × 0.091 +1)=0.16682由于P(E1|S1)=0.84 > P(E1)，使用P(H | S)公式的后半部分，得到在当前观察S1下的后验概率P(H1| S1)和后验几率O(H1| S1)P(H1| S1) = P(H1) + ((P(H1| E1) – P(H1)) / (1 - P(E1))) × (P(E1| S1) – P(E1))= 0.091 + (0.16682 –0.091) / (1 – 0.6)) × (0.84 – 0.6)=0.091 + 0.18955 × 0.24 = 0.136492O(H1| S1) = P(H1| S1) / (1 - P(H1| S1))= 0.15807(2) 由r2计算O(H1| S2)先把H1的先验概率更新为在E2下的后验概率P(H1| E2)P(H1| E2)=(LS2×P(H1)) / ((LS2-1) × P(H1)+1)=(100 × 0.091) / ((100 -1) × 0.091 +1)=0.90918由于P(E2|S2)=0.68 > P(E2)，使用P(H | S)公式的后半部分，得到在当前观察S2下的后验概率P(H1| S2)和后验几率O(H1| S2)P(H1| S2) = P(H1) + ((P(H1| E2) – P(H1)) / (1 - P(E2))) × (P(E2| S2) – P(E2))= 0.091 + (0.90918 –0.091) / (1 – 0.6)) × (0.68 – 0.6)=0.25464O(H1| S2) = P(H1| S2) / (1 - P(H1| S2))=0.34163(3) 计算O(H1| S1,S2)和P(H1| S1,S2)先将H1的先验概率转换为先验几率O(H1) = P(H1) / (1 - P(H1)) = 0.091/(1-0.091)=0.10011再根据合成公式计算H1的后验几率O(H1| S1,S2)= (O(H1| S1) / O(H1)) × (O(H1| S2) / O(H1)) × O(H1)= (0.15807 / 0.10011) × (0.34163) / 0.10011) × 0.10011= 0.53942再将该后验几率转换为后验概率P(H1| S1,S2) = O(H1| S1,S2) / (1+ O(H1| S1,S2))= 0.35040(4) 由r3计算O(H2| S3)先把H2的先验概率更新为在E3下的后验概率P(H2| E3)P(H2| E3)=(LS3× P(H2)) / ((LS3-1) × P(H2)+1)=(200 × 0.01) / ((200 -1) × 0.01 +1)=0.09569由于P(E3|S3)=0.36 < P(E3)，使用P(H | S)公式的前半部分，得到在当前观察S3下的后验概率P(H2| S3)和后验几率O(H2| S3)P(H2| S3) = P(H2 | ¬ E3) + (P(H2) – P(H2| ¬E3)) / P(E3)) × P(E3| S3)由当E3肯定不存在时有P(H2 | ¬ E3) = LN3× P(H2) / ((LN3-1) × P(H2) +1)= 0.001 × 0.01 / ((0.001 - 1) × 0.01 + 1)= 0.00001因此有P(H2| S3) = P(H2 | ¬ E3) + (P(H2) – P(H2| ¬E3)) / P(E3)) × P(E3| S3)=0.00001+((0.01-0.00001) / 0.6) × 0.36=0.00600O(H2| S3) = P(H2| S3) / (1 - P(H2| S3))=0.00604(5) 由r4计算O(H2| H1)先把H2的先验概率更新为在H1下的后验概率P(H2| H1)P(H2| H1)=(LS4× P(H2)) / ((LS4-1) × P(H2)+1)=(50 × 0.01) / ((50 -1) × 0.01 +1)=0.33557由于P(H1| S1,S2)=0.35040 > P(H1)，使用P(H | S)公式的后半部分，得到在当前观察S1,S2下H2的后验概率P(H2| S1,S2)和后验几率O(H2| S1,S2)P(H2| S1,S2) = P(H2) + ((P(H2| H1) – P(H2)) / (1 - P(H1))) × (P(H1| S1,S2) – P(H1))= 0.01 + (0.33557 –0.01) / (1 – 0.091)) × (0.35040 – 0.091)=0.10291O(H2| S1,S2) = P(H2| S1, S2) / (1 - P(H2| S1, S2))=0.10291/ (1 - 0.10291) = 0.11472(6) 计算O(H2| S1,S2,S3)和P(H2| S1,S2,S3)先将H2的先验概率转换为先验几率O(H2) = P(H2) / (1 - P(H2) )= 0.01 / (1-0.01)=0.01010再根据合成公式计算H1的后验几率O(H2| S1,S2,S3)= (O(H2| S1,S2) / O(H2)) × (O(H2| S3) / O(H2)) ×O(H2)= (0.11472 / 0.01010) × (0.00604) / 0.01010) × 0.01010=0.06832再将该后验几率转换为后验概率P(H2| S1,S2,S3) = O(H1| S1,S2,S3) / (1+ O(H1| S1,S2,S3))= 0.06832 / (1+ 0.06832) = 0.06395可见，H2原来的概率是0.01，经过上述推理后得到的后验概率是0.06395，它相当于先验概率的6倍多。
6.11设有如下推理规则r1:IF E1THEN (100, 0.1) H1r2: IF E2THEN (50, 0.5) H2r3: IF E3THEN (5, 0.05) H3且已知P(H1)=0.02, P(H2)=0.2, P(H3)=0.4，请计算当证据E1，E2，E3存在或不存在时P(H i | E i)或P(H i |﹁E i)的值各是多少(i=1, 2, 3)？解：(1) 当E1、E2、E3肯定存在时，根据r1、r2、r3有P(H1 | E1) = (LS1× P(H1)) / ((LS1-1) × P(H1)+1)= (100 × 0.02) / ((100 -1) × 0.02 +1)=0.671P(H2 | E2) = (LS2× P(H2)) / ((LS2-1) × P(H2)+1)= (50 × 0.2) / ((50 -1) × 0.2 +1)=0.9921P(H3 | E3) = (LS3× P(H3)) / ((LS3-1) × P(H3)+1)= (5 × 0.4) / ((5 -1) × 0.4 +1)=0.769(2) 当E1、E2、E3肯定存在时，根据r1、r2、r3有P(H1 | ¬E1) = (LN1× P(H1)) / ((LN1-1) × P(H1)+1)= (0.1 × 0.02) / ((0.1 -1) × 0.02 +1)=0.002P(H2 | ¬E2) = (LN2× P(H2)) / ((LN2-1) × P(H2)+1)= (0.5 × 0.2) / ((0.5 -1) × 0.2 +1)=0.111P(H3 | ¬E3) = (LN3× P(H3)) / ((LN3-1) × P(H3)+1)= (0.05 × 0.4) / ((0.05 -1) × 0.4 +1)=0.0326.13 设有如下一组推理规则:r1: IF E1 AND E2 THEN A={a} (CF={0.9})r2: IF E2 AND (E3 OR E4) THEN B={b1, b2} (CF={0.8, 0.7})r3: IF A THEN H={h1, h2, h3} (CF={0.6, 0.5, 0.4})r4: IF B THEN H={h1, h2, h3} (CF={0.3, 0.2, 0.1})且已知初始证据的确定性分别为：CER(E1)=0.6, CER(E2)=0.7, CER(E3)=0.8, CER(E4)=0.9。