人工智能逻辑推理论文(2)
人工智能逻辑推理论文
人工智能逻辑推理论文篇二
人工智能中不确定性推理方法比较
一、引言
许多比较复杂的人工智能系统往往含有复杂性、不完全性、模糊性和不确定性。不确定性是智能系统开发实现中的一个本质特征，不确定性推理是解决传统的专家系统知识的脆弱性和推理的单调性的一个重要手段。众所周知，确定性推理存在许多的缺点和不足，在运动的规律下，精确性往往是相对的;不精确性才是必然的。不确定理论是概率论、可信性理论、信赖性理论的统称，目前专家学者在研究和实验的基础上提出不少确定推理的模型，如基于概率论的主观Bayes方法、基于模糊集的可能性理论、Dem Pster-Shafer的证据理论方法、粗糙集方法、数据挖掘的方法、模糊逻辑推理等，本文对一些常用的基本理论，推理方法进行了总结。
二、主观bayes方法s
(一)简介。主观Bayes方法是由R.O.Duda等人在1976年提出的，是对Bayes公式修正形成的一种不确定推理模型，并在地矿勘探专家系统PROSPECTOR中得到了成功的应用。
(二)优势与缺点。1.主观bayes方法中的计算公式是在概率论的基础上发展起来的，具有坚实的数学理论基础。2.知识的静态强度LS与LN是由专家根据自己的领域经验知识给出的，避免了大量的统计工作。它既用LS给出证据E对结论H的支持强度，还同时使用LN支持E对H的必要性程度，全面客观的反映了证据与结论之间的因果联系，提高了推出结论的正确性。3.主观bayes方法不仅给出在证据E肯定存在和肯定不存在的前提条件下由H的先验概率更新为后验概率的方法，而且还给出了在证据E不确定的前提下将前验概率更新为后验概率的方法。
(三)缺点。1.Bayes公式的应用条件是很严格的，它要求各事件相互独立，若证据间存在依赖关系，此方法不成立。2.一个事件或命题的概率是在大量的统计数据的基础上计算出来的，尽管有时 比 相对容易得到，但要想得到这些数据仍是一件相对困难的工作。
三、基于证据理论的证据推理方法
(一)简介。证据理论最早是基于德姆斯特的研究，他试图用一个概率范围而不是单个的概率值去模拟不确定性。莎弗进一步的研究方向用于处理不确定、不精确以及间或不准确的信息。在证据理论中，引入信任函数来度量不确定性，并引用似然函数来处理由于“未知”引起的不准确，并且不必事先得到所表示知识的先验概率。
(二)不确定性的表示。1.概率分配函数。设函数m满足
;
，则称m是 上的概率分配函数， 被称为A的基本概率函数。
2.信任函数。对于任意的A包含于 有
表示在当前的环境下，对假设集A的信任程度，也是其值为A的所有子集的基本概率之和。
3.似然函数。对任意的A包含于 有：
表示对A为非假的信任度。
4.类概率函数。
类概率函数可以用来度量证据A的不确定性。
(三)优势与缺点
Dempster-Shafer理论和主观贝叶斯方法之间的基本区别就是在于对不确定的处理。在未知时，主观贝叶斯方法必须按等量概率的原则进行分配，也被称为是无差别原理。应用无差别原理在两种前提条件下会发生极端情况，即必须为反面假设的情况分配一个概率，这样最终会导致荒谬的结论，极大地影响了推
断结果的准确性。然而，Dempster-Shafer理论 并不强迫为未知或者反面假设分配一个信任概率。相反，只需要为那些信任的 环境中的子集分配一个m。对于没有分配信任的特殊子集被认为是不被信任的，它们只是仅仅与环境有关。从而极大的改善主观bayes方法推出荒谬结论的情况。
四、结束语
不确定推理是高级智能系统开发实现中的一个重要研究领域，不确定性推理原理 应用到科研和工业生产中都取得了初步的成效。另一方面，确定性推理也是解决传统的专家系统知识的脆弱性和推理单调性的一个非常重要的手段，不确定性推理经过多年的 发展已经建立了完整的体系和成熟的研究方法，今后必然会有更广阔的应用场所。当然，不确定性推理也存在着一些不足，对于不同的问题没有通用的问题表示的方法，也没有通用的问题计算的模型。这些都有待于今后的改进和完善。
人工智能逻辑推理论文相关文章：
1.人工智能逻辑论文
3.人工智能经典论文
4.人工智能学术论文