• （3）按如下公式求出H的确定性CER（H）
CER（H）＝MD（H/E’）×f（H）
• 其中
MD（H/E’）是知识的前提条件与相应证据E’的匹配度，定义为：
MD(H/E’)=
1 如果H所要求的证据都已出现 0 否则
• 这样，就对一条知识或者多条有相同结论的知识求出了结论 的确定性。如果该结论不是最终结论，即它又要作为另一条
• 其中，|A|表示命题A对应集合中元素的个数。
2020/3/26
• 性质：
• Bel（A）＝ΣM（{si}）
•
si∈A
n
• Bel（D）＝ΣM（{si}）＋M（D）＝1 i＝l
• Pl（A）＝1—Bel（￢A）＝1—ΣM（{si}）
si∈￢A n
•
＝1—[ΣM（{si}）－ΣM（{si}）]
i＝1
• 由以上性质可得到如下推论：
• （1）f（Φ）=0
• （2）f（D）＝1
• （3）对任何A⊆D，有 0≤f（A）≤1
2020/3/26
2. 知识不确定性的表示
• 在该模型中，不确定性知识用如下形式的产生式规则表示： • IF E THEN H＝{h1,h2,…,hn} CF＝{c1，c2，…，Cn} • 其中：
• 同理可得 M({白})=0.43, M({黑,白})=0.03
• 所以，组合后的概率分配函数为
M({黑},{白},{黑,白},Φ)=(0.54,0.43,0.03,0)
2020/3/26
二． 一个具体的不确定性推理模型
• 信任函数Bel（A）和似然函数Pl（A）分别 表示对命题A信任程度的下限与上限， 两元 组（Bel（A），Pl（A））表示证据的不确定 性，不确定性知识用Bel和Pl分别表示规则强 度的下限与上限。 在此表示的基础上建立相 应的不确定性推理模型。 由于信任函数与似 然函数都是在概率分配函数的基础上定义的 ，因而随着概率分配函数的定义不同，将会 产生不同的应用模型。
![DS培训教材[1]](https://img.taocdn.com/s1/m/81e5167bccbff121dd3683a6.png)
