人工智能_不确定性推理(5,证据理论 6,模糊推理方法 7,模糊控制)

这篇具有很好参考价值的文章主要介绍了人工智能_不确定性推理(5,证据理论 6,模糊推理方法 7,模糊控制)。希望对大家有所帮助。如果存在错误或未考虑完全的地方,请大家不吝赐教,您也可以点击"举报违法"按钮提交疑问。

4.5 证据理论

证据理论(theory of evidence):又称D一S理论,是德普斯特(APDempster)首先提出,沙佛(GShafer)进一步发展起来的一种处理不确定性的理论
D-S证据推理针对的是6分不清”或“不知道”这样的不确定性;
1981年巴纳特(JABarnett)把该理论引入专家系统中,同年卡威(JGarvey)等人用它实现了不确定性推理

目前,在证据理论的基础上已经发展了多种不确定性推理模型

1)识别框架(样本空间)
识别框架就是所考察判断的事物或对象的集合记为D。

识别框架的子集就构成求解问题的各种解答。这些子集也都可以表示为命题。证据理论就是通过定义在这些子集上的几种信度函数,来计算识别框架中诸子集为真的可信度
例如,在医疗诊断中,病人所有可能的疾病集合构成识别框架,证据理论就从该病人的各种症状出发,计算病人患某类疾病(含多种病症并发)的可信程度。

4.5.1 概率分配函数

设 D 是变量 x 所有可能取值的集合,且 D 中的元素是
互斥的,在任一时刻 x 都取且只能取 D 中的某一个元素为值,则称 D 为 x 的样本空间。

在证据理论中,D 的任何一个子集 A 都对应于一个关于
x 的命题,称该命题为“ x 的值是在 A 中”。

设 x :所看到的颜色,D={红,黄,蓝},
则 A={红}:“ x 是红色”;
A={红,蓝}:“x 或者是红色,或者是蓝色”。

识别框架 基本概率分配函数例题,人工智能0基础学习,人工智能,学习

4.5.2 信任函数

识别框架 基本概率分配函数例题,人工智能0基础学习,人工智能,学习

4.5.3 似然函数

似然函数(plansibility function):不可驳斥函数或上限函数。

识别框架 基本概率分配函数例题,人工智能0基础学习,人工智能,学习

4.5.4 信任函数与似然函数的关系

可以用信度函数Bel(A)和似然函数Pl (A)对证据的不确定性进行度量。它们是D-S证据理论种衡量证据不确定性的指标。

信任函数值Bel(A)表示证据对命题A为真的信任程度

似然函数值Pl(A)表示证据对命题A不为假的信任程度。

识别框架 基本概率分配函数例题,人工智能0基础学习,人工智能,学习

识别框架 基本概率分配函数例题,人工智能0基础学习,人工智能,学习

4.5.5 概率分配函数的正交和

识别框架 基本概率分配函数例题,人工智能0基础学习,人工智能,学习

如果k≠0 ,则正交和 M也是一个概率分配函数;
如果k=0 ,则不存在正交和 M,即没有可能存在概
率函数,称 M1与M2 矛盾。
识别框架 基本概率分配函数例题,人工智能0基础学习,人工智能,学习
识别框架 基本概率分配函数例题,人工智能0基础学习,人工智能,学习识别框架 基本概率分配函数例题,人工智能0基础学习,人工智能,学习

4.5.6基于证据理论的不确定性推理

基于证据理论的不确定性推理的步骤
(1)建立问题的识别框架D
(2)给幂集2^D定义基本概率分配函数;
(3)计算所关心的子集A∈2^D(即D的子集)的信任函数值Bel(A)、似然函数值PI(A);
(4)由BeI(A)、PI(A)得出结论

例题:

设有规则:
(1)如果 流鼻涕 则 感冒但非过敏性鼻炎(0.9)或 过敏性鼻炎但非感冒(0.1)。
(2)如果 眼发炎 则 感冒但非过敏性鼻炎(0.8)或 过敏性鼻炎但非感冒(0.05)。
有事实:(1)小王流鼻涕(0.9)。M1
(2)小王发眼炎(0.4)。M2
问:小王患的什么病?
解:
取样本空间:D = {h1 ,h2 ,h3}
h1表示“感冒但非过敏性鼻炎”,
h2表示“过敏性鼻炎但非感冒”,
h3表示“同时得了两种病”。
取下面的基本概率分配函数:
M1({h1}) = 0.90.9 = 0.81
M1({h2}) = 0.9 0.1 = 0.09
M1({h1 ,h2 ,h3}) = 1− M1({h1}) − M1({h2}) = 1− 0.81− 0.09 = 0.1
M2({h1}) = 0.40.8 = 0.32
M2({h2}) = 0.4 0.05 = 0.02
M2({h1 ,h2 ,h3}) = 1− M2({h1}) − M2({h2}) = 1− 0.32 − 0.02 = 0.66
将两个概率分配函数组合:
K = 1/{1−[M1({h1})M2({h2}) + M1({h2})M 2({h1})]}
= 1/{1−[0.81* 0.02 + 0.0 9* 0.32]}
= 1/{1− 0.045} = 1/ 0.955
= 1.05
M ({h1}) = K[M1({h1})M2({h1}) + M1({h1})M2({h1 ,h2 ,h3} + M1({h1 ,h2 ,h3})M2({h1})]
= 1.0 5* 0.8258
= 0.8 7
M ({h2}) = K[M1({h2})M2({h2}) + M1({h2})M2({h1 ,h2 ,h3}+ M1({h1 ,h2 ,h3})M2({h2})]
= 1.05* 0.0632
= 0.066
M({h1,h2 ,h3}) =1− M ({h1}) − M ({h2})
=1− 0.87 − 0.066
= 0.064
信任函数:
Bel({h1}) = M ({h1}) = 0.87
Bel({h2}) = M ({h2}) = 0.066
似然函数:
Pl({h1}) =1− Bel(┐{h1}) =1− Bel({h2 ,h3})=1−[M ({h2}+ M ({h3}) =1−[0.066+ 0] = 0.934
Pl({h2}) =1− Bel(┐{h2}) =1− Bel({h1,h3})=1−[M ({h1}+ M ({h3}) =1−[0.87+ 0] = 0.13
结论:小王可能是感冒了。

4.6 模糊推理方法

4.6.1 模糊逻辑的提出与发展

1965年,美国LAZadeh发表了“fzzy set”的论文,首先提出了模糊理论
Lotfi A. Zadeh

从1965年到20世纪80年代,在美国、欧洲、中国和日本,只有少数科学家研究模糊理论
1974年,英国Mamdani首次将模糊理论应用于热电厂的蒸汽机控制。
1976年,Mamdani又将模糊理论应用于水泥旋转炉的控制。

1983年日本Fuii Electric公司实现了饮水处理装置的模糊控制
1987年日本Hitachi公司研制出地铁的模糊控制系统口1987年一1990年在日本中报的模糊产品专利就达319种
目前,各种模糊产品充满日本、西欧和美国市场,如模糊洗衣机、模糊吸尘器、模糊电冰箱和模糊摄像机等。

4.6.2模糊集合
  1. 模糊集合的定义

模糊性:客观事物在性态与类属方面的不分明性
例:某人个子高,某人个子较高
“高”与“较高”没有明显的界限

随机性:有明确定义但不一定出现的事物中包含的不确定性,不以人的主观意识而变化,由事物本身的因果规律决定。
模糊性:已经出现但难以给定精确定义的事物包含的不确定性,由事物的概念界限模糊和人的主观推理与判断产生。

1模糊集合的定义
论域: 所讨论的全体对象,用U等表示
元素: 论域中的每个对象,常用a,b,c,x,y,z表示
集合: 论域中具有某种相同属性的确定、可以彼此区别的元素全体,常用A,B等表示。
元素a和集合4的关系: a属于A或a不属于A,即只有两个真值“真”和“假”。

识别框架 基本概率分配函数例题,人工智能0基础学习,人工智能,学习
识别框架 基本概率分配函数例题,人工智能0基础学习,人工智能,学习
识别框架 基本概率分配函数例题,人工智能0基础学习,人工智能,学习

  1. 模糊集合的表示方法
    识别框架 基本概率分配函数例题,人工智能0基础学习,人工智能,学习

    (1)Zadeh表示法
    识别框架 基本概率分配函数例题,人工智能0基础学习,人工智能,学习

    (2)序偶表示法

    识别框架 基本概率分配函数例题,人工智能0基础学习,人工智能,学习

    (3)向量表示法
    识别框架 基本概率分配函数例题,人工智能0基础学习,人工智能,学习

    模糊集可作为软概念的数学模型

  2. 隶属函数
    常见隶属函数:正态分布、三角分布、梯形分布
    隶属函数确定方法:
    (1)模糊统计法
    (2)专家经验法
    (3)二元对比排序法
    (4)基本概念扩充法

    识别框架 基本概率分配函数例题,人工智能0基础学习,人工智能,学习

4.6.3模糊集合的运算

识别框架 基本概率分配函数例题,人工智能0基础学习,人工智能,学习
识别框架 基本概率分配函数例题,人工智能0基础学习,人工智能,学习

识别框架 基本概率分配函数例题,人工智能0基础学习,人工智能,学习
识别框架 基本概率分配函数例题,人工智能0基础学习,人工智能,学习
识别框架 基本概率分配函数例题,人工智能0基础学习,人工智能,学习

4.6.4 模糊关系与模糊关系的合成

识别框架 基本概率分配函数例题,人工智能0基础学习,人工智能,学习
识别框架 基本概率分配函数例题,人工智能0基础学习,人工智能,学习
识别框架 基本概率分配函数例题,人工智能0基础学习,人工智能,学习
识别框架 基本概率分配函数例题,人工智能0基础学习,人工智能,学习
识别框架 基本概率分配函数例题,人工智能0基础学习,人工智能,学习
识别框架 基本概率分配函数例题,人工智能0基础学习,人工智能,学习

4.6.5模糊推理

识别框架 基本概率分配函数例题,人工智能0基础学习,人工智能,学习
识别框架 基本概率分配函数例题,人工智能0基础学习,人工智能,学习
识别框架 基本概率分配函数例题,人工智能0基础学习,人工智能,学习
识别框架 基本概率分配函数例题,人工智能0基础学习,人工智能,学习
识别框架 基本概率分配函数例题,人工智能0基础学习,人工智能,学习

4.6.6 模糊决策

由模糊推理得到的结论或者操作是一个模糊向量,转化为确定值的过程。

  1. 最大隶属度法
    识别框架 基本概率分配函数例题,人工智能0基础学习,人工智能,学习

  2. 加权平均判决法
    识别框架 基本概率分配函数例题,人工智能0基础学习,人工智能,学习

  3. 中位数法
    识别框架 基本概率分配函数例题,人工智能0基础学习,人工智能,学习

    找不到中位数则用线性插值处理!

4.6.7 模糊推理的应用

识别框架 基本概率分配函数例题,人工智能0基础学习,人工智能,学习

4.7 模糊控制

1965年,美国L.AZadeh发表了“fuzzy set”的论文,首先提出了模糊理论。
口从1965年到20世纪80年代,在美国、欧洲、中国和日本,只有少数科学家研究模糊理论
口1974年,英国Mamdani首次将模糊理论应用于热电厂的蒸汽机控制。1976年,Mamdani又将模糊理论应用于水泥旋转炉的控制
口1983年日本Fuiilectric公司实现了饮水处理装置的模糊控制
口1987年日本Hitachi公司研制出地铁的模糊控制系统

口1987年一1990年在日本申报的模糊产品专利就达319种
口目前,各种模糊产品充满日本、西欧和美国市场如模糊洗衣机、模糊吸尘器、模糊电冰箱和模糊摄像机等。
口常规控制一般都要求系统有精确的数学模型大多数工业过程具有不确定性,采用常规控制很难实现有效控制,而模糊控制可以利用语言信息却不需要精确的数学模型,从而可以实现对不确定性系统较好的控制

模糊控制的应用:
热交换过程的控制
暖水工厂的控制
污水处理过程控制
交通路口控制
水泥窑控制
飞船飞行控制
机器人控制
车停靠和转弯控制
汽车速度控制
水质净化控制
电梯控制
核反应堆的控制

识别框架 基本概率分配函数例题,人工智能0基础学习,人工智能,学习

模糊控制器的输入变量通常取E或E、EC或E、ECER,分别构成所谓一维、二维、三维模糊控制器。

一般选择控制量的增量作为模糊控制器的输出变量。

描述模糊控制器的输入、输出变量的状态

{负大,负中,负小,零,正小,正中,正大](NB,NM,NS,O,PS,PM,PB}

描述误差变量的词集一般取为:
{负大,负中,负小,负零,正零,正小,正中,正大](NB,NM,NS,NO,PO,PS,PM,PB}

变量的模糊化(Fuzzification):将输入模糊控制器的精确量转换为模糊量。

识别框架 基本概率分配函数例题,人工智能0基础学习,人工智能,学习
识别框架 基本概率分配函数例题,人工智能0基础学习,人工智能,学习

识别框架 基本概率分配函数例题,人工智能0基础学习,人工智能,学习

识别框架 基本概率分配函数例题,人工智能0基础学习,人工智能,学习文章来源地址https://www.toymoban.com/news/detail-771155.html

到了这里,关于人工智能_不确定性推理(5,证据理论 6,模糊推理方法 7,模糊控制)的文章就介绍完了。如果您还想了解更多内容,请在右上角搜索TOY模板网以前的文章或继续浏览下面的相关文章,希望大家以后多多支持TOY模板网!

本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如若转载,请注明出处: 如若内容造成侵权/违法违规/事实不符,请点击违法举报进行投诉反馈,一经查实,立即删除!

领支付宝红包 赞助服务器费用

相关文章

  • 贝叶斯神经网络 - 捕捉现实世界的不确定性

    贝叶斯神经网络 - 捕捉现实世界的不确定性 Bayesian Neural Networks 生活本质上是不确定性和概率性的,贝叶斯神经网络 (BNN) 旨在捕获和量化这种不确定性 在许多现实世界的应用中,仅仅做出预测是不够的;您还想知道您对该预测的信心有多大。例如,在医疗保健领域,如果模型

    2024年02月10日
    浏览(32)
  • 动态不确定性的动态S过程(Matlab代码实现)

     💥💥💞💞 欢迎来到本博客 ❤️❤️💥💥 🏆博主优势: 🌞🌞🌞 博客内容尽量做到思维缜密,逻辑清晰,为了方便读者。 ⛳️ 座右铭: 行百里者,半于九十。 📋📋📋 本文目录如下: 🎁🎁🎁 目录 💥1 概述 📚2 运行结果 🎉3 参考文献 🌈4 Matlab代码实现 文献来

    2024年02月11日
    浏览(44)
  • 【经济研究】论文《经济ZC不确定性与创新》数据复现

    数据简介 :当前宏观经济面临较大下行压力,需要“稳中求进”兼顾经济高质量发展与经济增速等多种目标,这就不可避免地导致各种经济ZC的频繁调整,产生不确定性风险。在此背景下,经济政策不确定性上升如何影响企业决策,进而是否会阻碍中国创新驱动发展战略有效

    2024年02月10日
    浏览(49)
  • 一种融合偶然和认知不确定性的贝叶斯深度学习RUL框架

    _ 原文: _ 《《A Bayesian Deep Learning RUL Framework Integrating Epistemic and Aleatoric Uncertainties》 _ 作者 __ : _ Gaoyang Lia,Li Yangb,Chi-Guhn Leec,Xiaohua Wangd,Mingzhe Ronge _ 作者单位: _ _a. School of Electrical Engineering, State Key Laboratory of Electrical Insulation and Power Equipment, Xi’an Jiaotong University _ b. B

    2024年02月08日
    浏览(49)
  • 利用Excel的LINEST计算线性拟合的斜率和截距的不确定性

      利用熟悉的Excel绘图功能,可以根据距离-高程散点数据拟合线性趋势线,如图1显示(河流阶地地形数据)。趋势线按如下方式插入:右击图表上的数据,添加趋势线,在图表上显示方程和 R 2 R^2 R 2 值。然而,趋势线函数并没有给出与线性拟合的斜率和截距相关的方差值

    2024年02月09日
    浏览(62)
  • 考虑多能负荷不确定性的区域综合能源系统鲁棒规划(Python代码实现)

    💥💥💞💞 欢迎来到本博客 ❤️❤️💥💥 🏆博主优势: 🌞🌞🌞 博客内容尽量做到思维缜密,逻辑清晰,为了方便读者。 ⛳️ 座右铭: 行百里者,半于九十。 📋📋📋 本文目录如下: 🎁🎁🎁 目录 💥1 概述 📚2 运行结果 🎉3 参考文献 🌈4 Python代码、数据、文章

    2024年02月05日
    浏览(44)
  • 【英】考虑多能负荷不确定性的区域综合能源系统鲁棒规划(Matlab&Python代码)

    💥💥💞💞 欢迎来到本博客 ❤️❤️💥💥 🏆博主优势: 🌞🌞🌞 博客内容尽量做到思维缜密,逻辑清晰,为了方便读者。 ⛳️ 座右铭: 行百里者,半于九十。 📋📋📋 本文目录如下: 🎁🎁🎁 目录 💥1 概述 📚2 运行结果 🎉3 参考文献 🌈4 Python代码、数据、文章

    2024年02月04日
    浏览(60)
  • 视频讲解|考虑源荷两侧不确定性的含风电电力系统低碳调度

    目录 1 主要内容 2 讲解视频 本次程序讲解对应 程序链接 考虑源荷两侧不确定性的含风电电力系统低碳调度,主要实现了基于模糊机会约束的源荷两侧不确定性对含风电电力系统低碳调度的影响,将源荷不确定性采用清晰等价类进行处理。部分讲解重点整理如下: 见下方联系

    2024年02月07日
    浏览(46)
  • 基于R语言的Meta分析【全流程、不确定性分析】方法与Meta机器学习高级应用

    查看原文 【案例教程】基于R语言的Meta分析【全流程、不确定性分析】方法与Meta机器学习高级应用 Meta分析 是针对某一科研问题,根据明确的搜索策略、选择筛选文献标准、采用严格的评价方法,对来源不同的研究成果进行收集、合并及定量统计分析的方法,最早出现于“循

    2024年02月07日
    浏览(59)
  • 基于线性准则的考虑风力发电不确定性的分布鲁棒优化机组组合(Matlab代码实现)

    💥💥💞💞 欢迎来到本博客 ❤️❤️💥💥 🏆博主优势: 🌞🌞🌞 博客内容尽量做到思维缜密,逻辑清晰,为了方便读者。 ⛳️ 座右铭: 行百里者,半于九十。 📋📋📋 本文目录如下: 🎁🎁🎁 目录 💥1 概述 📚2 运行结果 🎉3 参考文献 🌈4 Matlab代码及文章讲解

    2024年02月12日
    浏览(198)

觉得文章有用就打赏一下文章作者

支付宝扫一扫打赏

博客赞助

微信扫一扫打赏

请作者喝杯咖啡吧~博客赞助

支付宝扫一扫领取红包,优惠每天领

二维码1

领取红包

二维码2

领红包