第五章人工智能蔡自兴.pptx

第五章 不确定性推理;第五章 不确定性推理;概述;概述-表示的3方面问题;不确定性推理例子;推理树结果图 ;概述-表示的3方面问题;概述-分类（1）;概述-分类（1）;概述-分类（2）;第五章 不确定性推理;第五章 不确定性推理;概率论基础;概率论基础（随机事件）;概率论基础（事件间的关系与运算 ）;概率论基础（事件间的关系与运算 ）;概率论基础（事件间的关系与运算 ）;概率论基础（事件间的关系与运算 ）;概率论基础（运算的性质 ）;概率论基础（概率定义 ）;概率论基础（概率性质 ）;概率论基础（概率性质 ）;概率论基础（统计概率性质 ）;概率论基础（条件概率 ）;概率论基础（条件概率性质 ）;概率论基础（事件独立性 ）;概率论基础（事件独立性 ）;概率论基础（贝叶斯定理 ）;概率论基础（贝叶斯定理 ）;第五章 不确定性推理;第五章 不确定性推理;贝叶斯网络;贝叶斯网络（事件的独立性）;贝叶斯网络（联合概率）;贝叶斯网络（基本概念）;贝叶斯网络（因果关系网络）;贝叶斯网络（因果关系图例）;贝叶斯网络（贝叶斯网络）;贝叶斯网络（图例）;贝叶斯网络（图例）;贝叶斯网络（定义）;贝叶斯网络（如何构造）;贝叶斯网络（计算）;贝叶斯网络（计算续）;贝叶斯网络（例）;贝叶斯网络（例续）;贝叶斯网络（独立）;贝叶斯网络（条件独立）;贝叶斯网络（D分离）;贝叶斯网络（ D分离-串行）;贝叶斯网络（ D分离(分叉连接)）;贝叶斯网络（ D分离(汇集连接)）;贝叶斯网络（ D分离(条件依存)）;贝叶斯网络（ D分离(定义)）;贝叶斯网络（ D分离(图示)）;贝叶斯网络（ D分离(定义)）;贝叶斯网络（ 定义）;贝叶斯网络（ D分离(例1)）;贝叶斯网络（ D分离(例2)）;贝叶斯网络（ D分离(例3)）;贝叶斯网络（ D分离(例4）;贝叶斯网络（推理）;贝叶斯网络（推理续）;贝叶斯网络（推理续）;贝叶斯网络（推理例）;贝叶斯网络（推理例续）;贝叶斯网络（因果推理例）;贝叶斯网络（因果推理例）;贝叶斯网络（推理自学）;第五章 不确定性推理;第五章 不确定性推理;主观贝叶斯方法(概述）;主观贝叶斯方法(概述）;主观贝叶斯方法(概述）;主观贝叶斯方法（规则的不确定性）;主观贝叶斯方法（规则的不确定性）;主观贝叶斯方法（规则的不确定性）;主观贝叶斯方法（规则的不确定性）;主观贝叶斯方法（证据A的不确定性）;主观贝叶斯方法（推理计算1）;主观贝叶斯方法（推理计算2）;主观贝叶斯方法（推理计算2）;主观贝叶斯方法（推理计算2）;线性插值图 ;主观贝叶斯方法（推理计算3）;主观贝叶斯方法（推理计算2）;例题（1）;例题（2）;主观贝叶斯方法;第五章 不确定性推理;第五章 不确定性推理;确定性方法（可信度方法）;理论基础 以定量法为工具，比较法为原则的相对确认理论。 采用此方法的MYCIN系统的诊断结果不是只给出一个最可信结论及其可信度，而是给出可信度较高的前几位，供人们比较选用。 规则 规则的不确定性度量 证据（前提）的不确定性度量。 推理计算。;理论基础 以定量法为工具，比较法为原则的相对确认理论。 采用此方法的MYCIN系统的诊断结果不是只给出一个最可信结论及其可信度，而是给出可信度较高的前几位，供人们比较选用。 规则 规则的不确定性度量 证据（前提）的不确定性度量。 推理计算。; 规则 (规则的不确定性度量）; 规则 (规则的不确定性度量）;规则 (规则的不确定性度量）;规则 (推理计算 1）;规则 (推理计算 2）;规则 (推理计算 3）;规则 (推理计算 4）;规则 (推理计算 － 改进）;例题;解：依规则R1， CF（B1|A1）＝CF（B1）＋CF（B1，A1）（1－CF（B1））＝0.8， 即更新后CF（B1）＝0.8 依规则R2： CF（B1|A2）＝CF（B1）＋CF（B1，A2）（1－CF（B1））＝0.9 更新后CF（B1）＝0.9 依R3，先计算 CF（B1∧A3）＝min（CF（A3），CF（B1））＝0.9 由于CF（B1∧A3）1， CF（B2| B1∧A3）= CF（B2）+ CF（B1∧A3）×CF(B2，B1∧A3) ×（1-CF（B2））=0+0.9×0.8(1-0)=0.72 答：更新后的可信度分别是：CF（B1）＝0.9，CF（B2）＝0.72;规则 (推理计算）;第五章 不确定性推理;证据理论 (Evident Theory);证据理论 (Evident Theory);证据理论 (预备知识);证据理论 (预备知识（性质）);证据理论 (预备知识（定义）);证据理论 (预备知识（定义）);证据理论 (预备知识（定义）);证据理论 (预备知识（定义）);证据理论 (预备知识（运算）);证据