第五章：不确定性推理方法详解——概率论、Bayes网络与证据理论

第五章不确定性推理是人工智能课程的重要组成部分，主要探讨在面对复杂现实世界中，由于信息不完全、多种可能性、模糊描述等因素导致的推理问题。不确定性推理处理的是那些包含不确定性和不精确性的知识，其目标是从这些不明确的信息中得出合理的结论。 首先，本章概述了不精确思维在实际生活和知识系统中的普遍存在，它并非源于专家的偏好，而是由于现实世界的复杂性，如多个原因可能导致相同结果、信息不完备或含糊不清等。这促使我们需要发展适应不同类型的不精确性的知识表示方法和推理策略。 不确定性推理的核心概念包括知识的静态强度和证据的动态强度。知识通常由专家提供，表现为具有不确定性的数值；证据则随着推理过程的推进而变化，可能来源于专家最初的判断或通过算法计算得出。度量方式的选择应遵循表达充分、易于估计、传递方便以及直观且有语义描述的原则。 在表示规则时，不确定性知识采用了一种形式，如使用逻辑运算符（OR、AND）和函数（f1-f4）来表示证据对结论的影响。不确定性计算涉及不确定性的传播和更新，即如何根据新的证据调整原有知识。例如，匹配算法用于计算证据间的相似度，而阈值选择则决定何时接受或拒绝某个证据。组合证据不确定性的算法采用不同的策略，如最大最小方法和概率方法，分别基于最坏情况和概率来合并证据的不确定性。 Bayes网络作为重要的不确定性推理工具，是一种概率模型，用于表示变量之间的依赖关系，并通过贝叶斯定理更新信念。主观Bayes方法强调个体对不确定性的主观判断，与经典概率论有所不同。确定性方法则是处理完全确定性问题的传统方式，对比之下，不确定性推理更具挑战性。 证据理论，又称为Dempster-Shafer证据理论，提供了一种处理不完全证据的数学框架，通过证据的融合（ Dempster's rule of combination）来处理不确定性。它不同于概率论的加法规则，提供了处理模糊和不确定信息的有效途径。 第五章不确定性推理在人工智能领域中扮演着关键角色，它不仅涵盖了概率论的基础，还涵盖了多种不确定性处理技术，如Bayes网络、主观Bayes方法和证据理论，为理解和解决现实生活中的复杂决策问题提供了理论支持。通过学习这些内容，学生将能够理解和应用不确定性推理技术来处理信息的不完整性，提高人工智能系统的智能水平。