不确定性推理方法：从概率论到可信度模型

"07-《人工智能》不确定性推理方法探讨了如何处理现实世界中的随机性和模糊性，将这些不确定性转化为知识表示和推理的过程。主要内容包括不确定性推理的基本问题、基于概率论的不确定性推理方法，如可信度方法和证据理论。本文旨在深入理解不确定性的量度、表示，以及如何在专家系统中运用这些理论进行推理。" 在不确定性推理方法中，推理是从已知的事实或证据出发，利用不确定性的知识来得出结论的过程。这一过程在面对现实世界中的随机性和模糊性时显得尤为重要，因为这些因素导致我们无法获得完全确定的信息。不确定性推理的目标是生成具有一定合理性的结论，尽管这些结论带有不确定性。 基本问题包括不确定性的表示和量度。知识的不确定性通常以静态强度来表示，即领域专家给出的数值，反映了知识本身的不确定性程度。而证据的不确定性则表现为动态强度，随着推理过程的推进而变化。不确定性量度需要满足一定的标准，比如能够直观地表达不确定性的程度，有明确的理论依据，并且在推理过程中保持在指定范围内。 可信度方法是由肖特里菲等人在1975年提出的，它结合了确定性理论和概率论，广泛应用于专家系统。可信度是衡量一个命题被相信程度的指标，范围在-1到1之间，正值表示证据支持结论，负值则表示削弱。在C-F模型中，知识以产生式规则的形式表示，可信度(CF)衡量了前提条件对结论的支持程度。当证据E出现时，如果CF(H,E)的值增大，说明证据E更支持结论H为真。 此外，证据理论是另一种不确定性推理方法，它扩展了传统的概率框架，允许处理不兼容证据。这种方法在处理多源证据或矛盾信息时特别有用，可以提供更全面的不确定性处理机制。 不确定性推理方法是人工智能领域的重要组成部分，它们帮助我们在面对不确定信息时作出决策，是构建智能系统处理复杂现实问题的关键工具。无论是基于概率的可信度方法还是证据理论，都提供了处理不确定性知识的有效途径，使得人工智能系统能够在模糊和随机环境中展现出更接近人类智慧的推理能力。