第3章 推理技术2

j
) × P ( E1 | H j ) × P ( E2 | H j ) ×L × P ( Em | H j )
, i = 1, 2,..., n
《人工智能》
2011-3-9
7
相关概念
为阐明主观Bayes方法，先引入几个概念：
（1）几率函数 ）
几率函数定义为 Θ(x)=P(x)/(1-P(x))，它表示x的出现概率与不 出现概率之比，显然随P(x)的加大Θ(x)也加大。
基于概率论的不确定性推理有很多种，这里我们只介绍几 种较实用的几种方法。
2011-3-9 《人工智能》 5
主观Bayes Bayes方法 3.4.1 主观Bayes方法
主观Bayes方法是R.O.Duda、P.E.Hart等人1976年在Bayes 主观Bayes方法是R.O.Duda、P.E.Hart等人1976年在Bayes公 Bayes方法是R.O.Duda 等人1976年在Bayes公 式的基础上经适当改进提出了主观Bayes方法， Bayes方法 式的基础上经适当改进提出了主观Bayes方法，它是最早用于处理 不确定性推理的方法之一，已在地矿勘探专家系统PROSPECTOR PROSPECTOR中得 不确定性推理的方法之一，已在地矿勘探专家系统PROSPECTOR中得 到了成功的应用。下面我们先来介绍Bayes公式。 Bayes公式 到了成功的应用。下面我们先来介绍Bayes公式。
P(H|S) P(H|E) P(H) P(H|¬E) P(E|S) 0
2011-3-9
P(E)
《人工智能》
1
17
即：
P(H
P ( H ) − P ( H |¬ E ) × P ( E |S ) P ( H |¬ E ) + P(E ) |S ) = P ( H ) + P ( H | E ) − P ( H ) ×[ P ( E |S ) − P ( E )] 1− P ( E )
不确定性推理是建立在非经典逻辑基础上的一种推理， 它是对不确定性知识的运用与处理。 严格地说，所谓不确定性推理就是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。 不确定性推理中的基本问题： （1）不确定性的表示与度量 （2）不确定性匹配算法及阈值的选择 （3）组合证据不确定性的算法 （4）不确定性的传递算法 （5）结论不确定性的合成
其中，P(Ai)是事件Ai的先验率；P(B|Ai)是在事件Ai发生条 件下事件B的条件概率。
2011-3-9 《人工智能》 6
如果用产生式规则 IF E THEN Hi 中的前提条件E代替Bayes公式中的B，用Hi代替公式 中的Ai ，就可得到：
P(H i | E ) = P(H i ) × P(E | H i )
确定后验概率的方法随着证据肯定存在，肯定不 存在，或者不确定而有所不同。
2011-3-9
《人工智能》
12
（1）证据肯定存在
在证据肯定存在时 由Bayes公式得： P(H|E)=P(E|H)×P(H)/P(E) P(¬H|E)=P(E|¬H)×P(¬H)/P(E) (1) (1)式除以(2)式得： (2) P(H|E)/P(¬H|E)=P(E|H)/P(E|¬H)×P(H)/P(¬H) 由LS和几率函数的定义得： Θ(H|E)=LS×Θ(H) 即 P(H|E)=LS×P(H)/[(LS-1)×P(H)+1]
2011-3-9 《人工智能》 4
3.4 基于概率的推理
概率论被广泛地应用于处理随机性以及人类知识不可靠 性问题。如随机事件A的概率P(A)可表示A发生的可能性，因 而可用概率表示和处理事件A的确定性程度。 基于概率推理的本质就是用概率表示和处理推理的不确定 性。最简单概率推理如：
设有如下产生式规则： IF E THEN H 其中，E为前提条件，H为结论。条件概率P(H|E)可以作为在证据E出 现时结论H的确定性程度。
2011-3-9
《人工智能》
18
5、结论不确定性的合成算法
若有n条知识都支持相同的结论，而且每条知识 的前提条件所对应的证据Ei(i=1,2,…,n)都有相应的 观察Si与之对应，此时只要先对每条知识分别求出 Θ(H|Si)，然后运用下述公式求出Θ(H|S1S2…Sn):
Θ ( H | S1S 2L S n ) = Θ ( H |S1 ) × Θ ( H |S 2 ) ×L× Θ ( H |S n ) ×Θ ( H ) Θ( H ) Θ( H ) Θ(H )
Bayes公式 公式
若A1,A2,…,An是彼此独立的事件，且P(Ai)>0(i=1,2,…,n)，P(B)>0， 那么Bayes公式可表示为
P ( Ai | B ) = P ( Ai ) × P ( B | Ai ) , i = 1, 2,..., n
∑ P( A
j =1
n
j
) × P(B | Aj )
10
3、组合证据不确定性的算法
可以采用最大最小法。 当组合证据是多个单一证据的合取时，即 E=E1 AND E2 AND … AND En 则：P(E|S)=min{P(E1|S),P(E2|S),…,P(En|S)} 当组合证据是多个单一证据的析取时，即 E=E1 OR E2 OR … OR En 则：P(E|S)=max{P(E1|S),P(E2|S),…,P(En|S)} 对于“¬”运算则： P(¬E|S)=1-P(E|S)
2011-3-9
《人工智能》
11
4、不确定性的传递算法
主观Bayes方法推理的任务就是根据证据E的概率P(E) 及LS、LN的值，把H的先验概率P(H)更新为后验概率 P(H|E)或P(H|¬E)。即
P( E ) P( H ) → P( H | E )或者 P(H |¬ E ) LS ,LN
将P(E|S)代入上式得：
C(E | S ) + 5 P( H | ¬E ) + [P( H ) − P( H | ¬E ]× 若 − 5 ≤ C(E | S ) ≤ 0 5 P( H | S ) = C(E | S ) P( H | E ) + [P( H | E − P( H )]× 若0 ≤ C ( E | S ) ≤ 5 5
推理技术
本章主要内容：
3.1 3.2 3.3 3.4 3.5 3.6 3.7 3.8 消解原理 规则演绎系统 产生式系统 基于概率的推理 可信度方法 证据理论 模糊推理 非单调推理
2011-3-9
《人工智能》
2
经典推理与非经典推理
传统人工智能（即逻辑学派）是建立在逻辑符号推理基础上 的。一般所提到的逻辑有形式逻辑和数理逻辑。然而这两种逻辑 存在一定的局限性，无法解决一些面临的实际应用问题，从而出 现了一些新的逻辑学派。人们把这些新的逻辑学派称为非经典逻 辑，其相应的推理方法则叫做非经典推理。与此相应，把传统的 逻辑学派及其推理方法称为经典逻辑和经典推理。
2011-3-9 《人工智能》 13
P(E)=P(E|S)=1。 (1) (2)
充分性度量LS的意义
当LS>1时， Θ(H|E)=LS×Θ(H)>Θ(H)，表明由于证 据E的存在，增强了H为真的程度。 当LS＝1时， Θ(H|E)=LS×Θ(H)＝Θ(H)，表明E与H 无关。 当LS<1时， Θ(H|E)=LS×Θ(H)<Θ(H)，表明由于证 据E的存在，减小了H为真的程度。 当LS＝0时， Θ(H|E)=LS×Θ(H)＝0，表明由于证据E 的存在，导致H为假。
经典推理与非经典推理的区别：
（1）推理方法：经典推理采用演绎逻辑推理。 （2）逻辑值：经典逻辑都是二值的。 （3）运算法则：经典逻辑的许多运算法则在非经典逻辑中 不能成立。 （4）逻辑运算符：非经典逻辑具有更多的运算符。 （5）推理的单调性：经典逻辑推理是单调的。
2011-3-9 《人工智能》 3
不确定性推理
（2）充分性度量 ）
充分性度量定义为: LS=P(E|H)/P(E|¬H) 它表示E对H的支持程度，取值于[0, ∞],由专家给出。
（3）必要性度量 ）
必要性度量定义为 LN=P(¬E|H)/P(¬E|¬H)=(1-P(E|H))/(1-P(E|¬H)) 它表示 ¬E对Ｈ的支持程度，即E对H为真的必要性程度，取 值范围为[0,+∞]，也是由专家凭经验给出。
2011-3-9
《人工智能》
16
（3）证据不确定时
当0<P(E|S)<1时，应该用杜达等人1976年证明的下述公式计算 后验概率： P(H|S)=P(H|E)×P(E|S)+P(H|¬E)×P(¬E|S) 当P(E|S)=1时，证据肯定存在。 当P(E|S)=0时，证据肯定不存在。 当P(E|S)=P(E)时，证据E与观察S无关。由全概率公式得： P(H|S)=P(H|E)×P(E)+P(H|¬E)×P(¬E)＝P(H) 当P(E|S)为其它值时，通过分段线性插值计算P(H|S)
2011-3-9 《人工智能》 8
1、知识不确定性的表示
主观Bayes方法中，知识是用产生式规则表示为： IF E THEN (LS,LN) H (P(H)) 其中， P(H)是结论H的先验概率，由专家根据经验给出。 LS称为充分性度量，指出E对H的支持程度。 LN称为必要性度量，指出¬E对H的支持程度 LS和LN的值由领域专家给出，相当于知识的静态强度。
2011-3-9
《人工智能》
15
必要性度量LN的意义
当LN>1时，Θ(H|¬E)=LN×Θ(H)>Θ(H)，表明由于证据E不存 在，增强了H为真的程度。 当LN＝1时，Θ(H|¬E)=LN×Θ(H)＝Θ(H)，表明¬E与H无关。 当LN<1时，Θ(H|¬E)=LN×Θ(H)<Θ(H)，表明由于证据E不存 在，减小了H为真的程度。 当LN＝0时， Θ(H|¬E)=LN×Θ(H)＝0，表明由于证据E不存在， 导致H为假。 注意：由于E和¬E不可能同时支持H或同时反对H，所以在一 条知识中的LS和LN不应该出现如下情况： LS>1, LN>1 LS<1, LN<1