发信人: walt (瓦尔特), 信区: AI
标 题: 不确定推理
发信站: 国家智能中心曙光站 (Fri Oct 10 14:01:43 1997)

在推理中, 一些结论一定是对的, 另一些结论一定是错的, 但也有不少结论,
既不是一定对的也不是一定错的。它们“可以这样, 也可以那样”, 具有所谓“不
确定性”。比如, 已知一个病人具有高烧的症状, 那这个病人可能患有许多种疾病
当中的一种。这就是不确定性。

最常见的不确定性是随机性。处理随机性的拿手理论是数学上的概率论, 一般
的数学课程里都有概率论的内容。反映到推理上, 概率论体现为一种“概率逻辑”。
概率逻辑分两种。一种是“定量的”概率逻辑。在这种逻辑里面, 会对一些命题成
立的概率是多少进行数学上的计算和推算。在复杂的推理关系网上, 相应的概率逻
辑具有一种网络式的结构, 这就是所谓的“信念网络”或“贝叶斯网络”。另一种
是“定性的”概率逻辑。在这种逻辑里面, 会对“哪个命题比哪个命题更可能成立”
或者“哪个命题差不多成立”这类说法进行推理, 而不具体涉及这些命题成立的概
率值是多少。

另一种不确定性是模糊性。比如, 说某人是“年轻人”的时候, “年轻人”的
范围是不确定的, 由此带来整个命题的不确定性。处理模糊性的拿手理论是模糊数
学理论。经过多年的努力, 模糊数学理论已经广泛地用到许多行业。按照模糊数学
理论的原理生产的模糊芯片已经在象洗衣机、空调机和电视机等家电产品中发挥着
增值的作用。

在一些面向具体应用领域的专家系统中, 还使用了一些其他的处理不确定性的
数学模型, 比如在著名的MYCIN和PROSPECTOR这两个系统中, 都引入了自创的处理
不确定性的机制。另外, 一种基于所谓“证据理论”的不确定推理机制也有许多人
在研究和实践。

总的来说, 一个不确定推理机制要处理以下一些问题: (1) 不确定性的度量;
(2) 对不确定性度量随推理过程而做的合成、传播和修正。(3) 根据对不同可能性
的不同的不确定性度量做出相应的决策。这些问题到目前为止在实践上有各种各样
的探索, 有的已经取得了不错的应用效果, 但从理论上还不能说都已经很好地解决
了。学者们正在进行更进一步的探讨。


--
※ 来源:．国家智能中心曙光站 bbs.ncic.ac.cn．[IP: 159.226.43.21]