文档介绍：,第一次使用了不确定性推理方法,给出了以确定性因子或称可信度作为不确定性的度量。这种推理方法必须解决几个方面的核心问题,即规则和证据的不确定性度量问题,不确定性的传播与更新问题。MYCIN系统研制过程中产生了不确定推理方法,该方法是第一个采用了不确定推理逻辑的专家系统,在20世纪70年代非常有名。这个系统提出该确定性方法时遵循了下面的原则:(1)不采用严格的统计理论。使用的是一种接近统计理论的近似方法。(2)用专家的经验估计代替统计数据(3)尽量减少需要专家提供的经验数据,尽量使少量数据包含多种信息。(4)新方法应适用于证据为增量式地增加的情况。(5)专家数据的轻微扰动不影响最终的推理结论。注意:这种方法在理论上实质是以定量法为工具,比较法为原则的相对确认理论。因此,采用此方法的MYCIN系统的诊断结果不是只给出一个最可信结论及其可信度,而是给出可信度较高的前几位,供人们比较选用。,常常以A→B表示规则。其中A表示前提,可以是一些命题的析取或合取;B表示结论或推论,是在前提A下的直接逻辑结果。在精确逻辑推理中,通常只有真假的描述:若A真,则B也必为真。但在不确定推理过程中,通常要考虑的是A为真时对B为真的支持程度,甚至还考虑A为假(不发生)时对B为真的支持程度。为此,引入规则的不确定性度量。有规则A→B,其可信度CF(B,A)定义如下:CF(B,A)表示的意义:证据为真是相对于P(~B)=1-P(B)来说,A对B为真的支持程度,即A发生更支持B发生,此时CF(B,A)≥0。相对于P(B)来说,A对B为真的不支持程度。即A发生不支持B发生,此时CF(B,A)<0。它总是满足条件-1≤CF(B,A)≤1。CF(B,A)的特殊值:CF(B,A)=1,前提真,结论必真CF(B,A)=-1,前提真,结论必假CF(B,A)=0,前提真假与结论无关实际应用中CF(B,A)的值由专家确定,并不是由P(B|A),P(B)计算得到的。同时还要注意的是,CF(B,A)表示的是增量P(B|A)-P(B)对1-P(B)或P(B)的比值,而不是绝对量的比值。,前提(规则A→B的左部A,也就是证据)要么为真,要么为假,不允许不真不假的情况出现。但是在很多不确定性推理问题中,前提或证据本身是不确定的,介于完全的真和完全的假之间。为了描述这种不确定性的程度,引入了证据的可信度。证据A的可信度用CF(A)来表示,为了计算方便,规定:-1≤CF(A)≤1不难理解,可信度CF(A)的如下特殊值的含义:CF(A)=1,前提肯定真CF(A)=-1,前提肯定假CF(A)=0,对前提一无所知CF(A)>0,表示A以CF(A)程度为真CF(A)<0,表示A以CF(A)程度为假实际使用时,初始证据的CF值有专家根据经验提供,其它证据的CF通过规则进行推理计算得到。,不可避免要计算原始证据的与、或、非,还要计算多条规则的使用对计算结果的综合影响。于是,在已知规则和原始证据的可信度度量的情况下,如何计算新的组合证据或规则的不确定性,就成了很关键的问题。在不确定性的传播与更新中,必须解决证据的与、或、非的不确定性