第7章不确定性处理 闓7.3不确定性推理的一般模式 ·基于不确定性知识的推理称为不确定性推理。在一般推理 的基础上,还要进行不确定性度量(如信度、隶属度等) 的计算 ·不确定性推理=符号模式匹配+不确定性计算 ·符号模式能否匹配成功,要求符号模式本身要匹配,而且 不确定性要超过“阈值”。 ·推理过程中规则的触发要求前提匹配成功,并且前提条件 的不确定性超过阈值。 6推理结论是否成功取决与不确定性是否超过阈 值 主观 Bayes方法,确定性理论(可信度方法)、证据理论 等
第7章 不确定性处理 7.3 不确定性推理的一般模式 • 基于不确定性知识的推理称为不确定性推理。在一般推理 的基础上，还要进行不确定性度量（如信度、隶属度等） 的计算。 • 不确定性推理=符号模式匹配+不确定性计算 • 符号模式能否匹配成功，要求符号模式本身要匹配，而且 不确定性要超过“阈值”。 • 推理过程中规则的触发要求前提匹配成功，并且前提条件 的不确定性超过阈值。 推理结论是否成功取决与不确定性是否超过阈 值。 • 主观Bayes方法，确定性理论（可信度方法）、证据理论 等
主观Baye方法 6在专家系统 PROSPECTOR中成功应用 6知识的不确定性表示为
主观Bayes方法 在专家系统PROSPECTOR中成功应用。 知识的不确定性表示为
第7章不确定性处理 674确定性理论(可信度方法) 囧适用于随机不确定性的推理,在专家系统 MYCIN中 成功应用 C-F模型 ·1。知识不确定性的表示 If E Then H(CFH, ED CF(H,E)称为该条知识的可信度( Certainty Factor)取值范 围为[-1,1]。 若CF(/E>0,则说明前提条件E所对应的证据的出现增加 了H为真的概率。CF(E)大,H为真的可信度越大。若 CF(H,E)=1,则表示E的出现使H为真
第7章 不确定性处理 7.4 确定性理论（可信度方法） 适用于随机不确定性的推理，在专家系统MYCIN中 成功应用。 C-F模型 • 1。知识不确定性的表示 – If E Then H (CF(H,E)) – CF(H,E) 称为该条知识的可信度 （Certainty Factor), 取值范 围为[-1，1]。 – 若CF(H,E)>0，则说明前提条件E所对应的证据的出现增加 了H为真的概率。CF(H,E)越大，H为真的可信度越大。若 CF(H,E)=1，则表示E的出现使H为真
第7章不确定性处理 若CF(H,E)<0,则说明E所对应的证据的出现减 少了H为真的概率,即增加了H为假的概率 CF(E)小,H为假的可信度越大。若 CF(H,E)=-1,则表示E的出现使H为假 若CF(H,E)=0,则表示H与E独立,即E所对应的 证据的出现对H没有影响 实际应用中,CF(H,E)的值由领域专家直接 给出
第7章 不确定性处理 • 若CF(H,E)<0，则说明E所对应的证据的出现减 少了H为真的概率，即增加了H为假的概率。 CF(H,E)越小，H为假的可信度越大。若 CF(H,E)=-1，则表示E的出现使H为假。 • 若CF(H,E)=0，则表示 H与E独立，即E所对应的 证据的出现对H没有影响。 实际应用中，CF(H,E)的值由领域专家直接 给出
第7章不确定性的处理 2。证据不确定性的表示 ●证据的不确定性也用可信度因子表示。若证据肯 定为真,则CF(E)=1;若证据肯定为假,则 CF(E)=-1;其它情况则介于-1与正1之间 对组合证据,若E=E1andE2and. and en, CF(E=min CF(E1, CF(E2)., CF (En) 若E=E1ORE2OR.REn,则 CF(E=maxCF(EI,CF(E2),, CF(En)
第7章 不确定性的处理 2。证据不确定性的表示 • 证据的不确定性也用可信度因子表示。若证据肯 定为真，则CF(E)=1；若证据肯定为假，则 CF(E)=-1；其它情况则介于-1 与正1之间。 • 对组合证据，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)}