人工智能邏輯推理論文(2)
人工智能邏輯推理論文
人工智能邏輯推理論文篇二
人工智能中不確定性推理方法比較
一、引言
許多比較復雜的人工智能系統(tǒng)往往含有復雜性、不完全性、模糊性和不確定性。不確定性是智能系統(tǒng)開發(fā)實現中的一個本質特征，不確定性推理是解決傳統(tǒng)的專家系統(tǒng)知識的脆弱性和推理的單調性的一個重要手段。眾所周知，確定性推理存在許多的缺點和不足，在運動的規(guī)律下，精確性往往是相對的;不精確性才是必然的。不確定理論是概率論、可信性理論、信賴性理論的統(tǒng)稱，目前專家學者在研究和實驗的基礎上提出不少確定推理的模型，如基于概率論的主觀Bayes方法、基于模糊集的可能性理論、Dem Pster-Shafer的證據理論方法、粗糙集方法、數據挖掘的方法、模糊邏輯推理等，本文對一些常用的基本理論，推理方法進行了總結。
二、主觀bayes方法s
(一)簡介。主觀Bayes方法是由R.O.Duda等人在1976年提出的，是對Bayes公式修正形成的一種不確定推理模型，并在地礦勘探專家系統(tǒng)PROSPECTOR中得到了成功的應用。
(二)優(yōu)勢與缺點。1.主觀bayes方法中的計算公式是在概率論的基礎上發(fā)展起來的，具有堅實的數學理論基礎。2.知識的靜態(tài)強度LS與LN是由專家根據自己的領域經驗知識給出的，避免了大量的統(tǒng)計工作。它既用LS給出證據E對結論H的支持強度，還同時使用LN支持E對H的必要性程度，全面客觀的反映了證據與結論之間的因果聯系，提高了推出結論的正確性。3.主觀bayes方法不僅給出在證據E肯定存在和肯定不存在的前提條件下由H的先驗概率更新為后驗概率的方法，而且還給出了在證據E不確定的前提下將前驗概率更新為后驗概率的方法。
(三)缺點。1.Bayes公式的應用條件是很嚴格的，它要求各事件相互獨立，若證據間存在依賴關系，此方法不成立。2.一個事件或命題的概率是在大量的統(tǒng)計數據的基礎上計算出來的，盡管有時 比 相對容易得到，但要想得到這些數據仍是一件相對困難的工作。
三、基于證據理論的證據推理方法
(一)簡介。證據理論最早是基于德姆斯特的研究，他試圖用一個概率范圍而不是單個的概率值去模擬不確定性。莎弗進一步的研究方向用于處理不確定、不精確以及間或不準確的信息。在證據理論中，引入信任函數來度量不確定性，并引用似然函數來處理由于“未知”引起的不準確，并且不必事先得到所表示知識的先驗概率。
(二)不確定性的表示。1.概率分配函數。設函數m滿足
;
，則稱m是 上的概率分配函數， 被稱為A的基本概率函數。
2.信任函數。對于任意的A包含于 有
表示在當前的環(huán)境下，對假設集A的信任程度，也是其值為A的所有子集的基本概率之和。
3.似然函數。對任意的A包含于 有：
表示對A為非假的信任度。
4.類概率函數。
類概率函數可以用來度量證據A的不確定性。
(三)優(yōu)勢與缺點
Dempster-Shafer理論和主觀貝葉斯方法之間的基本區(qū)別就是在于對不確定的處理。在未知時，主觀貝葉斯方法必須按等量概率的原則進行分配，也被稱為是無差別原理。應用無差別原理在兩種前提條件下會發(fā)生極端情況，即必須為反面假設的情況分配一個概率，這樣最終會導致荒謬的結論，極大地影響了推
斷結果的準確性。然而，Dempster-Shafer理論 并不強迫為未知或者反面假設分配一個信任概率。相反，只需要為那些信任的 環(huán)境中的子集分配一個m。對于沒有分配信任的特殊子集被認為是不被信任的，它們只是僅僅與環(huán)境有關。從而極大的改善主觀bayes方法推出荒謬結論的情況。
四、結束語
不確定推理是高級智能系統(tǒng)開發(fā)實現中的一個重要研究領域，不確定性推理原理 應用到科研和工業(yè)生產中都取得了初步的成效。另一方面，確定性推理也是解決傳統(tǒng)的專家系統(tǒng)知識的脆弱性和推理單調性的一個非常重要的手段，不確定性推理經過多年的 發(fā)展已經建立了完整的體系和成熟的研究方法，今后必然會有更廣闊的應用場所。當然，不確定性推理也存在著一些不足，對于不同的問題沒有通用的問題表示的方法，也沒有通用的問題計算的模型。這些都有待于今后的改進和完善。
人工智能邏輯推理論文相關文章：
1.人工智能邏輯論文
3.人工智能經典論文
4.人工智能學術論文