第7章不确定性的处理 则 CFB= ∑(,xCF(E) ∑ 结论的不确定性 ·当一条知识的CF(E)≥2时,结论的可信度 为 CF(H)=CF(H,E)×CF(E) 其中“×”可以是相乘预算或“取极小运算
第7章 不确定性的处理 则 结论的不确定性 • 当一条知识的 时，结论的可信度 为 • 其中“”可以是相乘预算或“取极小运算” 。 ( ( )) 1 1 1 i n i n i i i CF(E) CF E = = = CF(E) CF(H) = CF(H,E)CF(E)
第7章不确定性的处理 6加权的不确定性推理 囧加权因子的引入不仅解决了证据的重要性、 独立性的问题,而且还解决了证据不完全的 推理问题,并为冲突消解提供了一种解决途 径
第7章 不确定性的处理 加权的不确定性推理 加权因子的引入不仅解决了证据的重要性、 独立性的问题，而且还解决了证据不完全的 推理问题，并为冲突消解提供了一种解决途 径
例、设有如下知识: r1:IFE1(0.6)andE2(0.4) then e6(0.8,0.75) r2:IFE3(0.5)andE40.3)andE5(0.2) then e7(070.6) 3:IFE6(0.7)andE7(0.3) then h(0.75,0.6) 已知:CF(E1)=0.9,CF(E2)=0.8,CF(E3)=0.7 CF(E4)=06,CF(E5)=0.5 求:CF(H)=?
例、设有如下知识： r1: IF E1(0.6) and E2(0.4) then E6(0.8,0.75) r2: IF E3(0.5) and E4(0.3) and E5(0.2) then E7 (0.7, 0.6) r3: IF E6(0.7) and E7(0.3) then H(0.75,0.6) 已知：CF(E1)=0.9, CF(E2)=0.8, CF(E3)=0.7, CF(E4)=0.6, CF(E5)=0.5. 求：CF(H)=?
第7章不确定性的处理 6前提条件中带有可信度因子的不确定性 推理 知识不确定性的表示 IF Eu) And E,(cfa) and. AND En(f) THen H(CF(H, e), 1) 或 IF E(C, O AND E(df2, O2) AND. ANd En(dn, an) THEN H(CF(H,E), a) 其中cf为子条件E1的可信度
第7章 不确定性的处理 前提条件中带有可信度因子的不确定性 推理 知识不确定性的表示 或 其中 为子条件 的可信度。 IF ( ) AND ( ) AND ...AND ( ) THEN ( ( , ), ) E1 cf1 E2 cf2 En cfn H CF H E IF ( , ) AND ( , ) AND ...AND ( , ) THEN ( ( , ), ) E1 cf1 1 E2 cf2 2 En cfn n H CF H E i cf Ei
第7章不确定性的处理 6不确定性的匹配算法 (1)。不带加权因子 ●如果存在证据E1(<1),E2(c/2),…,En(cfn), 则当 max(0, cfi-cfi+max(0, f2-cf2)+.+max(0, fn-cnsn 时,证据与知识匹配。 (2)。带加权因子 O1×max{O,1-cf1}+O2×max{(0,c/f2-c/2}+ +On×max{O,fn-cfn}≤元
第7章 不确定性的处理 不确定性的匹配算法 （1）。不带加权因子 • 如果存在证据 ， 则当 时，证据与知识匹配。 （2）。带加权因子 ( ), ( ),..., ( ) 1 1 2 2 n n E cf E cf E cf max{0, cf1 −cf 1 }+ max{0, cf2 −cf 2 }++ max{0, cfn −cf n } + − − + − + max{0, } 1 max{0, 1 1 } 2 max{0, 2 2 } n n n cf cf cf cf cf cf