人工智能及应用_ch4_346.pptx
- 文档编号:15119610
- 上传时间:2023-07-01
- 格式:PPTX
- 页数:46
- 大小:108.54KB
人工智能及应用_ch4_346.pptx
《人工智能及应用_ch4_346.pptx》由会员分享,可在线阅读,更多相关《人工智能及应用_ch4_346.pptx(46页珍藏版)》请在冰点文库上搜索。
不确定性推理,证据理论,D-S理论,证据理论是由德普斯特(A.P.Dempster)提出,并由沙佛(G.Shfer)进一步发展起来的一种处理不确定性的理论。
也称为D-S理论。
其将概率的单点赋值扩展为集合赋值,弱化了公理系统。
处理由不知道引起的的不确定性。
概率分配函数,定义4-1:
设是样本集,则由的所有子集构成的集合称为的幂集,记为2。
例:
设=红,黄,白,求的幂集2解:
的幂集元素为,红,黄,白,红,黄,红,白,黄,白,红,黄,白。
概率分配函数,定义4-2:
设函数m:
20,1,且满足m()=0Am(A)=1称m是2上的概率分配函数,m(A)称为A的基本概率数。
概率分配函数,例:
为上一个例子定义一个概率分配函数。
解:
m(,红,黄,白,红,黄,红,白,黄,白,红,黄,白)=0,0.3,0,0.1,0.2,0.2,0,0.2,概率分配函数的两点说明,概率分配函数将样本空间中的任意子集映射到,的一个数。
当子集是一个元素时,表示对此元素的精确信任度,也是对子集的精确信任度。
当子集是多个元素时,表示对子集的精确信任度,但不清楚子集中每个元素的信任度。
当子集是样本空间时,不知道如何将信任度分配给每个元素。
概率分配函数的两点说明,如例中A=红,m(红)=0.3表示对红的精确信任度是0.3;A=红,黄,白,m(红,黄,白)=0.2表示这些信任度不知道如何分配给集合中的元素。
概率分配函数不是概率。
不满足概率的归一性。
信任函数,定义4-3:
信任函数(Belieffunction)Bel:
20,1为对任给的ABel(A)=BAm(B)Bel函数又称为下限函数,表示对A的总的信任度。
信任函数,接前例:
Bel()=0Bel(红)=0.3Bel(红,白)=Bel(红)+Bel(白)+Bel(红,白)=0.3+0.1+0.2=0.6Bel(红,白,黄)=Bel(红)+Bel(白)+Bel(黄)+Bel(红,白)+Bel(红,黄)+Bel(黄,白)+Bel(红,黄,白)=1,信任函数,Bel()=m()=0Bel()=Bm(B)=1,似然函数,定义4-4:
似然函数(Plausibilityfunction)Pl(A):
20,1对任给的APl(A)=1-Bel(A)似然函数又称为不可驳斥函数或上限函数。
表示对A非假的信任度。
似然函数,接前例:
Pl(红)=1-Bel(红)=1-Bel(黄,白)=1-Bel(黄)-Bel(白)-Bel(黄,白)=0.9Pl(黄,白)=1-Bel(黄,白)=1-Bel(红)=0.7,似然函数,可以证明Pl(A)=ABm(B)红Bm(B)=m(红)+m(红,白)+m(红,黄)+m(红,白,黄)=0.3+0.2+0.2+0.2=0.9黄,白Bm(B)=m(黄)+m(白)+m(红,黄)+m(白,黄)+m(红,白)+m(红,白,黄)=0+0.1+0+0.2+0.2+0.2=0.7,似然函数,Pl(A)-ABm(B)=1-Bel(A)-ABm(B)=1-(Bel(A)+ABm(B)=1-(BAm(B)+ABm(B)=1-Bm(B)=0Pl(A)=ABm(B),信任函数与似然函数的关系,定理4-1:
信任函数与似然函数有如下关系:
对任给的A有Pl(A)Bel(A)证明:
Bel(A)+Bel(A)=BAm(B)+CAm(C)Bm(B)=1,信任函数与似然函数的关系,又Pl(A)-Bel(A)=1-Bel(A)-Bel(A)=1-(Bel(A)+Bel(A)0Pl(A)Bel(A),使用信任函数与似然函数,Bel(A):
表示A为真的信任度,为信任度下限。
Pl(A):
表示A为非假的信任度,为信任度的上限。
使用信任函数与似然函数,表示事物的不确定性可以由事物的这两个函数值来描述,例如红红:
0.3,0.9表示红的精确信任度为0.3,不可驳斥部分为0.9,而肯定不是红的为0.1,典型值的含义,A0,1:
说明对A一无所知。
Bel(A)=0,Pl(A)=1,说明对A没有信任,对A也没有信任。
A0,0:
说明A为假。
Bel(A)=0,Pl(A)=0,Bel(A)=1。
A1,1:
说明A为真。
概率分配函数的正交和,定义4-5:
设m和n是两个不同的概率分配函数,其正交和mn满足mn()=0mn(A)=K-1Xxy=Am(x)Xn(y)其中K=1-xy=m(x)Xn(y),概率分配函数的正交和,设m1,m2,mn是n个不同的概率分配函数,其正交和m1m2,mn满足m1m2,mn()=0m1m2,mn(A)=K-1XAi=A1inmi(Ai)其中K=Ai1inmi(Ai),概率分配函数的正交和,例:
设样本空间=a,b,从不同的知识来源得到的概率分配函数分别为:
m1(,a,b,a,b)=(0,0.4,0.5,0.1)m2(,a,b,a,b)=(0,0.6,0.2,0.2)求正交和m=m1m2?
概率分配函数的正交和,解:
先求K-1K-1=1-xy=m1(x)Xm2(y)=1-m1(a)xm2(b)-m1(b)xm2(a)=1-0.3x0.3-0.5x0.6=0.61,概率分配函数的正交和,m()=0m(a)=K-1xy=am1(x)Xm2(y)=K-1(m1(a)Xm2(a,b)+m1(a)Xm2(a)+m1(a,b)Xm2(a)=0.54m(b)=0.43m(a,b)=0.03,D-S理论的推理模型,如前面介绍,可以使用信任函数和似然函数表示命题A的信任度下限和上限。
我们使用同样的方式表示知识信任度。
似然函数和信任函数的计算是建立在概率分配函数的基础之上,概率分配函数不同,结论会不同。
一类特殊的概率分配函数,设=s1,s2,sn,m为定义在2上的概率分配函数,且m满足:
m(si)0,对任给sim(si)1m()=1-m(si)当A,且A的元素多于1个或没有元素,则m(A)=0。
一类特殊的概率分配函数,对上面的概率分配函数,可以得到信任函数和似然函数的性质:
Bel(A)=siAm(si)Bel()=sim(si)+m()=1Pl(A)=1-Bel(A)=1-siAm(si)=1-sim(si)+siAm(si)=m()+Bel(A)Pl()=1-Bel()=1,类概率函数,定义4-6:
设为有限域,对任何命题A其类概率函数为f(A)=Bel(A)+|A|/|Pl(A)-Bel(A)其中|A|和|表示A和中的元素个数。
类概率函数的性质,sif(si)=1证明:
f(si)=Bel(si)+|si|/|Pl(si)-Bel(si)=m(si)+(1/n)m()sif(si)=sim(si)+m()=1,类概率函数的性质,对任何A有Bel(A)f(A)Pl(A)证明:
Pl(A)-Bel(A)0,|A|/|0Bel(A)f(A)f(A)Bel(A)+Pl(A)-Bel(A)=Pl(A),类概率函数的性质,对任何A有f(A)=1-f(A)证明:
f(A)=Bel(A)+|A|/|Pl(A)-Bel(A)|A|=|-|A|Pl(A)-Bel(A)=m()Bel(A)=1-Bel(A)-m(),类概率函数的性质,f(A)=1-Bel(A)-m()+(|-|A|)/|m()=1-Bel(A)-m()+m()-|A|/|m()=1-(Bel(A)+|A|/|(Pl(A)-Bel(A)=1-f(A),类概率函数的性质,根据前面的性质可以很容易得到f()=0f()=1对任何A,0f(A)1,知识不确定性的表示,D-S理论中,不确定性知识的表示形式为ifEthenH=h1,h2,hnCF=c1,c2,cn其中:
E为前提条件,它可以是简单条件,也可以是复合条件;H是结论,它用样本空间的子集表示,h1,h2,hn是该子集的元素;CF是可信度因子,用集合的方式表示。
c1,c2,cn用来表示h1,h2,hn的可信度。
证据不确定性的表示,证据的不确定性由证据的类概率函数给出。
CER(E)=f(E),不确定性的更新,设有知识ifEthenH=h1,h2,hnCF=c1,c2,cn证据E的不确定性为CER(E),确定结论H的不确定性描述CER(H),方法如下:
求H的概率分配函数m(h1,h2,hn)=(c1XCER(E),c2XCER(E),cnXCER(E)m()=1-m(hi),不确定性的更新,求Bel(H),Pl(H)及f(H)Bel(H)=m(hi)Pl(H)=1-Bel(H)f(H)=Bel(H)+|H|/|m()CER(H)=f(H),结论不确定性的合成,如果有两条知识支持同一结论ifE1thenH=h1,h2,hnCF=c1,c2,cnifE2thenH=h1,h2,hnCF=e1,e2,en先求出每条知识的概率分配函数m1,m2,然后求出两个概率分配函数的正交和m1m2以正交和作为H的概率分配函数。
示例,设有如下规则r1:
ifE1andE2thenA=a1,a2CF=0.3,0.5r2:
ifE3and(E4orE5)thenB=b1CF=0.7r3:
ifAthenH=h1,h2,h3CF=0.1,0.5,0.3r4:
ifBthenH=h1,h2,h3CF=0.4,0.2,0.1用户给出CER(E1)=0.8,CER(E2)=0.6CER(E3)=0.9,CER(E4)=0.5,CER(E5)=0.7并假定中有10个元素,求CER(H)=?
示例,求CER(A)CER(E1andE2)=minCER(E1),CER(E2)=0.6m(a1,a2)=(0.6*0.3,0.6*0.5)=(0.18,0.3)Bel(A)=0.18+0.3=0.48Pl(A)=1-Bel(A)=1-0=1f(A)=Bel(A)+|A|/|*(Pl(A)-Bel(A)=0.48+2/10*(1-0.48)=0.584CER(A)=f(A)=0.584,示例,求CER(B)CER(E3and(E4orE5)=0.7m(b1)=(0.7*0.7)=(0.49)Bel(B)=0.49Pl(B)=1-Bel(B)=1-0=1f(A)=Bel(A)+|A|/|*(Pl(A)-Bel(A)=0.49+1/10*(1-0.49)=0.541CER(A)=f(A)=0.541,示例,求CER(H)由规则r3可得m1(h1,h2,h3)=(CER(A)*0.1,CER(A)*0.5,CER(A)*0.3)=(0.058,0.292,0.175)m1()=1-m1(h1)+m1(h2)+m1(h3)=0.475,示例,由规则r4可得m2(h1,h2,h3)=(CER(A)*0.4,CER(A)*0.2,CER(A)*0.1)=(0.216,0.108,0.054)m2()=1-m2(h1)+m2(h2)+m2(h3)=0.622,示例,求正交和m=m1m2K=1-xy=m1(x)Xm2(y)=0.855m(h1)=K-1Xxy=h1m1(x)Xm2(y)=(1/0.855)m1(h1)Xm2(h1)+m1(h1)Xm2()+m1()Xm2(h1)=0.178m(h2)=0.309m(h3)=0.168m()=0.345,示例,求CER(H)Bel(H)=m(h1)+m(h2)+m(h3)=0.655Pl(H)=m()+Bel(H)=1f(H)=Bel(H)+|H|/|*(Pl(H)-Bel(H)=0.759CER(H)=f(H)=0.759,证据理论的优点,满足比概率更弱的公理系统.能处理由”不知道”引起的不确定性.,
- 配套讲稿:
如PPT文件的首页显示word图标,表示该PPT已包含配套word讲稿。双击word图标可打开word文档。
- 特殊限制:
部分文档作品中含有的国旗、国徽等图片,仅作为作品整体效果示例展示,禁止商用。设计者仅对作品中独创性部分享有著作权。
- 关 键 词:
- 人工智能 应用 _ch4_346