Лекции (549047), страница 3

Просмтор этого файла доступен только зарегистрированным пользователям. Но у нас супер быстрая регистрация: достаточно только электронной почты!

Текст из файла (страница 3)

Человек использует:

Понятия – базовые понятия, элементы (могут быть простыми и сложными), которые используются для описания ситуации.

Суждения – некоторые конструкции из понятий, которые имеют статус истинности или ложности, или неопределенности.

Умозаключения – конструкции: если есть , то , возможно введение коэффициента уверенности.

Семиотика:

- синтктика

- семантика

- прагматика

Кондент

(смысл)

Денотат (то множ-во реальн.

объектов, к-ые обозначают это понятие)

Индикатор

(имя, идентификатор)

Смысл

Пример: понятие — дорожный знак «кирпич»

Образ

Имя

Представление

• Структурированность

Данные не структурированные или слабо структурированные в отличии от знаний.

I

Компьютер

SA – иерархия, отношение (множ-во/подмнож-во; класс/подкласс; вид/подвид)

Компьютер

PC WS MFr

Intel Athlon

A ISA B  Ext(A)  Ext(B)

Ext (PC) = Компьютер Ext(MFr) = Компьютер

Частный случай ISA - Instance Of

Отношения Part of

A part of B  A  B

- объект, именуемый А есть часть объекта, именуемого В.

Данные либо не имеют структуры, либо обладают простой структурой (массив спсок)

• Ситуативность (возможность изменения в зависимости от ситуации)

* пространственно-временных,

* причинно-следственных.

Отношения:

• Симметричность: a=b  b=a

• Рефлективность: a=a

• Транзитивность: a=b & b=c  a=c

Вводя какое-то понятие, мы можем менять эти св-ва (сим-ть, рефл-ть, транз-ть и др. св-ва) в зависимости от ситуации.

Например: 1) вводим отношение «быть рядом» и транзитивность:

А «рядом» В & В «рядом» С  А «рядом» С

- не всегда истинно, т.е. в зависимости от ситуации мы можем менять выполняется ли транзитивность.

2) пусть расстояние 4 м, тогда слон «рядом» муравей

- с т. зр. муравья false, а с т. зр. слона true.

• Наличие статуса истинности, наличие степени правдоподобия

Д – достоверность

Зн – правдоподобие

Природа неопределенности:

• в исходной ситуации

• в знаниях

• в целях

  • Активность знаний

Решение = Д + Алгоритм

Знания порождают другие, новые знания.

06.10.02.

Обработка плохооопределеннлой информации в ЭС (СОЗ)

Природа неопределенности

1. Неопределенность исходной информации (данных).

2. Неопределенность в знаниях, с коэффициентом правдоподобия.

3. Неопределенность при задании цели.

1) Для принятия более качественных решений желательно снять неопределенность:

* получение доп. информации

* использование субъективных предпочтений ЛПР

2) Выбор адекватной логики обработки неопределенностей

- вероятностные методы

- интервальная вероятность

- n-арные логики

- непрерывнозначные (нечеткие) логики

- субъективные коэффициенты уверенности и операции над ними.

Теоретико-вероятностные методы обработки неопределенностей

- степень принадлежности, уверенности

Метод Байеса

P_i С_i  R_i

P _i E  H

P(H/E) – апостериорная вероятность истинности H при свидетельстве E или коэффициент правдоподобия.

- истин. (наличия) Х

O  R(H/E)  ∞

R(H/E) = 1 – гипотеза не влияет на свидетельство

R(H/E) < 1 – контр свидетельство

R(H/E) > 1 – свидетельство

Определение: E_i  E_j  R(H/E) > R(H/E)

Обычно вводят пороговое значение R, ниже к-го гипотеза false, выше – true.

Д ля случая одного свидетельства E

P(H/E) – вероятность, при к-ой гипотеза не принимается.

Психологи установили для человека.

₁ – инт. по правдоп.

₂ – надо считать.

₃ – интервал правдоподобия H.

P(H(E₁…E_n)), E₁…E_n – свидетельства

Если E₁…E_n – независимы

 - т.к. ф-ла учитывает как свидетельства, так и контр свидетельства.

W – важность свидетельства

{H_j} j=1…m – мн-во гипотез

{E_i} i=1…n – мн-во свидетельств

Если E_i взаимно независемы, то справедливо:

PP(H); P_i⁺ = P(E/H); P_i^–P(E_i/^H)

Пример: с-ма диагностики.

{H_j} j=1…m - множ-во диагнозов;

{E_i} i=1…n - множ-во свидетельств.

Информация (знания) о гипотезах

БЗ i, P_i⁺, P_i^–}>

БД Информация о симптомах

i, название, источник получения>

Пример:

I путь. Отсутствие эпидемии.

- в БЗ:

- в БД: <1; t⁰; запрос>

P(H) = 0,01

1. Пусть имеется только 1 симптом E₁ (t⁰ ):

1. Имеется E₂ (насморк):

2. Имеются E_1, E₂ (t⁰ и насморк): P(H/E_i, E₂ ) = 0,9

II путь. Эпидемия, P(H) = 0,1

1. E₁ (t⁰) P(H/E₁) = 0,9

2. E₂ (H) P(H/E₂) = 0,5

3. E₁, E₂ (t⁰ и насморк) P(H/E₁, E₂) ≈ 1

Если есть статистика, то все свидетельства определяются след. образом:

Ограничения на схемы Байеса:

1. Независимость E₁

2. С ложности с учетом неопределенности свидетельств.

3. Учет правдоподобности E₁

бывают разные шкалы

a{0, 1} a{0, 100} a{1, 0.5}

Лингвистическая шкала:

0 – не присутствует

1 – очень слабо

2 – слабо

3 – средне

4 – сильно

5 – очень сильно

Вместо P(H/E) используем P(H/А)

P(H/A) = P(H/E) P(E/A) + P(H/^E) P(E/^A)

13.11.02

1. Использование к-значной и непрерывной логики.

Невыполн. закона искл. третьего в человеческих рассуждениях.

P(X) + P(^X) = 1 не выполн.

О тсутствие зоны неопределенности:

Поскольку в человеческих рассуждениях P(Н) + P(^Н) не всегда = 1, возможна ситуация неопределенности:

Логики трехзначные: {0; ½; 1}

четырехзначные: {t; f; 0; r}0 - противоречие, r - неoпределенность

шестизначные: { t; f; +½; -½; 0; r }

Интервальные вероятности:

Мы можем гарантировать, что вероятность попадает в интервал P(H)  P(H)  P(H)

Когда гипотеза сложная

P (H) = P(H_i) P(H) = UP(H_i)

Метод обработки неопределенности на основе субъективных коэффициентов уверенности (метод MYCIN).

Определили 2 коэффициента:

1. Мд(H, E) – мера доверия гипотезе H при условии E:

1. Мн(Н,Е) – мера недоверия:

К – коэффициент уверенности Н при наличии условий Е₁ и Е₂

К(Н,Е) = МД(Н,Е) – Мн(Н,Е)

0  Мд, Мн  1, то -1  К  1

Если Е₁ и Е₂ независимы, то справедливо:

Возможен случай с несколькими гипотезами:

{H_j} j=1…m

{E_i} i=1…n

Вполне возможны ситуации, когда свидетельства приходят с определенной степенью уверенности.

Мд^I(Н,Е) = Мд(Н,Е)·max{К(Е,А), 0}

Мн^I (Н,Е) = Мн(Н,Е)·max{К(Е,А), 0}

К_пор(Н,Е) = 0,2 у человека

Метод обработки неопределенности в GURU

P_i = (С_i  r_i, k_i)



k(С_i)

k(r_i) = f(k(С_i), k_i)

 a b

^С_i P_i = (С_i r_i, k_i)

P_j = (С_j r_j, k_j)

E·FCR = TRU 0  CF  100

Пороговое значение E·ONKN=20

Пример: надежность поставщика.

P₁ = (С₁ r, 0.9)

P₂ = (С₂ r, 0.8)

P₃₁ = (С₃ = кооператив r, 0.5)

.

.

.

P₄ = (С₄ r, 0.7)

P₅ = (^С₄ r, 0.8)

РР итого k(r) = 0,96

MM k(r) = 0,7

RULE: R4

PRIORITY: 100

IF FIN = TR

THEN NAD₊= TR сf 90

RULE: R5

PRIORITY: 100

IF FIN = F

THEN NAD_-= TR сf 90

20.11.02

Обработка плохоопределенной информации

с использованием Дерева Решений

ДР – дерево решений (целей)

- вершина типа «и»

R

P,k

ci cj

k(ci) k(cj)

2 Основных подхода:

1) Максиминный

K(R)=min {k(C_i), k(C_j), k}

2)Вероятностный

K(R)=k(C_i), k(C_j), k

- вершина типа «или»

R

Pi,ki Pj,kj

ci cj

1) Максиминный

K(R)=max{k_i k(C_i), k_j k(C_j)}

2)Вероятностный

K(R)=k(C_i)k_i + k(C_j)k_j - k(C_i) k(C_j)k_i k_j

Общая формула:

K(R)= k(C_i)k_i + k(C_j)k_j + k(C_r)k_r –

-k(C_i) k(C_j)k_i k_j - k(C_i) k(C_r)k_i k_r - k(C_r) k(C_j)k_r k_j +

+ k(C_i) k(C_j) k(C_r) k_i k_j k_r

Пример:

{С_i} – множ-во промежуточных заключений;

{F_j}– множ-во факторов;

P₁ = (F₁  C₁, 0.8)

P₂ = (F₂  C₁, 0.7)

P₃ = (F₃  C₂, 1)

P₄ = (F₄ & F₅  C₃, 0.9)

P₅ = (F₆  C₆, 1)

P₆ = (F₇  C₆, 0.7)

P₇ = (F₈ & F₉  C₄, 0.4)

P₈ = (C₁ & C₂ & C₃  C₅, 0.9)

P₉ = (C₄  C₆ , 0.8)

P₁₀ = (C₅ & C₆  R, 1)

М ожно решить задачу оптимизации

Поиск решения

S н = (0,9; 0; 1; 0,8; 0,9; 0,1; 0,8; 0,7; 0,5)

F₁ F₂ F₃ F₄ F₅ F₆ F₇ F₈ F₉

а) ab, a+b – ab

б) max{a,b}{a,b}, max{a,b}

Ответы:

а) k(C₁) = 0,90,8 = 0,72

k(C₂) = 1

k(C₃) = 0,80,90,9 = 0,65

k(C₄) = 0,70,50,4 = 0,14

k(C₆) = 0,80,7 = 0,56

k(R) = 0,420,56 = 0,65

б) k(C₁) = 0,8

k(C₂) = 1

Характеристики

Список файлов лекций