不确定性推理方法

确定性与不确定性推理主要方法1.确定性推理：推理时所用的知识与证据都是确定的，推出的结论也是确定的，其真值或者为真或者为假。

2.不确定性推理：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。

3.演绎推理：如：人都是会死的（大前提）李四是人（小前提）所有李四会死（结论）4.归纳推理：从个别到一般：如：检测全部产品合格，因此该厂产品合格；检测个别产品合格，该厂产品合格。

5.默认推理：知识不完全的情况下假设某些条件已经具备所进行的推理；如：制作鱼缸，想到鱼要呼吸，鱼缸不能加盖。

6.不确定性推理中的基本问题：①不确定性的表示与量度：1)知识不确定性的表示2)证据不确定性的表示3)不确定性的量度②不确定性匹配算法及阈值的选择1)不确定性匹配算法：用来计算匹配双方相似程度的算法。

2)阈值：用来指出相似的“限度”。

③组合证据不确定性的算法最大最小方法、Hamacher方法、概率方法、有界方法、Einstein方法等。

④不确定性的传递算法1)在每一步推理中，如何把证据及知识的不确定性传递给结论。

2)在多步推理中，如何把初始证据的不确定性传递给最终结论。

⑤结论不确定性的合成6.可信度方法：在确定性理论的基础上，结合概率论等提出的一种不确定性推理方法。

其优点是：直观、简单，且效果好。

可信度：根据经验对一个事物或现象为真的相信程度。

可信度带有较大的主观性和经验性，其准确性难以把握。

C－F模型：基于可信度表示的不确定性推理的基本方法。

CF（H，E）的取值范围: [-1,1]。

若由于相应证据的出现增加结论 H 为真的可信度，则 CF（H，E）> 0，证据的出现越是支持 H 为真，就使CF（H，E) 的值越大。

反之，CF（H，E）< 0，证据的出现越是支持 H 为假，CF（H，E）的值就越小。

若证据的出现与否与 H 无关，则 CF（H，E）= 0。

第4章 不确定性推理4.1 不确定性及其类型 4.2 主观Bayes方法 4.3 可信度理论 4.4 证据理论4.1 不确定性及其类型推理的分类： 精确推理 不精确推理（即不确定推理）4.1 不确定性及其类型一、 不确定性的原因：A 证据的不确定性 歧义性： 不完全性： 不精确性： 模糊性： 可信性： 随机性：其它因素引起的不确定性。

4.1 不确定性及其类型B 规则的不确定性前提条件的不确定性：例如“如发高烧则可能感冒”， 发高烧是个模糊的概念。

观察证据的不确定性：如人的体温早晚是不同的。

组合证据的不确定性。

规则自身的不确定性。

在规则的使用过程中含有两种典型的不确定性4.1 不确定性及其类型C 推理的不确定性 推理的不确定性反映了知识不确定性的 动态积累和转播过程。

二、 不确定推理网络中的三种基本模式证据逻辑组合模式已知证据E1、E2、……、En的不确定测度分别为MU1、 MU2、 …… 、MUn，则证据组合后的不确定测度为MU(1) 证据的合取：MU（E1^E2^……^En）=f(MU1,MU2,……,MUn)f是一个函数的名称。

(2) 证据的析取：MU（E1 V E2 V …… V En）=g(MU1,MU2,……,MUn)g是一个函数的名称。

(3) 证据的否定： MU（~Ei）=h(MUi) h是一个函数的名称。

2. 证据的并行规则模式已知每一单条规则 if Ei then h with Mui(i=1,2,……,n)，则所有规则都满足 时，h的不确定测度 MU=p(MU1,MU2, … ,MUn) p是一个函数的名称。

3. 证据的顺序规则模式已知规则 if E’ then E with MU0 if E then h with MU1则规则 if E’ then h with MU 中的MU的计算 MU=s(MU0,MU1) s是一个函数的名称4.2 主观Bayes方法1. 主观Bayes公式：a. p(E)：证据E的不确定性，为E发生的概率。