推理:

从已知事实（证据）出发，通过运用相关知识逐步退出结论或者证明某个假设成立或成立的思维过程。

不确定性推理:

从不确定性的初始证据出发，通过运用不确定性的知识，最终推出结果，有一定程序的不确定性但是合理或者近乎合理的结论的思维过程。（概率判断）

要解决的：

• 1.不确定性的表示与变量

• 2.匹配 不确定性匹配算法及阈值的选择（过滤掉可能性太低的）

• 3.组合证据不确定算法

• 4.不确定窜地算法：即使知识不确定还是传递过去，结论是看不确定程度如何（看可信度）

• 5.结论不确定性的合成

1.不确定性的表示与变量

• (1)知识不确定的表示 在专家系统知识的不确定性一般是由领域内的给出的，通常是一个数值——知识的静态强度：专家给出的结论不一定是对的

• (2)证据不确定的表示——证据的动态强度 用户在求解问题是提供的初始证据，在用户中用前面推出的结论作为当前推理的证据

• (3)不确定性的度量

   ①能充分表达相应知识及证据不确定性的程度

   ②度量范围的确定便于领域专家及用户对不确定的估计（如：怎么样才是大雨，怎么样才是小雨，拒绝奇奇怪怪的推理方式 (＞W＜) ）

   ③便于对不确定的传递进行计算，而且对结论算出的不确定度量不能超出度量规定的范围

   ④度量的确定应当是直观的，同时应有相应的理论依据

2.不确定性匹配算法及阈值的选择

不确定性匹配算法：用于计算匹配双方相似程度的算法

阈值：用来指出相似的“限度”（过滤不大像的）

3.组合证据不确定性的算法：提供一个比较“科学”的组合方法，如：最大最小法,hamacher法,概率法,有界方法Einstein法等

4.不确定性的传递算法

 

在每一步的推理中，如何把证据及知识的确定性传递给结论

---

在多步推理中如何把初始证据的不确定性话递给最终结论

5.结论的不确定性的合成

得到多个不确定的条件，结论，我们如何悬着合适的结论？

可信度方法

  

在1975年肖特李菲（E,H.Shortliffe）等人在确定性理论（theory of confirrnation）的急促上，结合概率论等提出的一种不确定性的推理方法。

优点：直观，简单，且效果好-与人思维方式十分相似

可信度：根据经验对一个事物或现象为真的相信,可信度带有较大的主观性和经验性,其准确性难以把握,有大量主观性和经验性

C-F模型:基于可信度表示的不确定性推理的基本方法

1:知识不确定性的表示：

产生式规则表示：

CF（H,E)可信度因子（certainty facotr）反映前提条件与结论的联系强度

CF(H,E)的取值范围：[-1,1]若由于相应证据的出现增加结论H为真的可信度，则CF(H,E)>0,证据的出现越是支持H为真，就会使CF(H,E)的可信度越来越大。

反之，CF(H,E)的<0,越来越多证据支持H为假,则CF(H,E)的可信度越小.

人工智能就是将人思考的方式放在计算机语言中

若证据的出现与CF(H,E)无关，则CF(H,E)=0

1.证据不确定的表示

例：

CF(F)=0.6:E的可信度为0.6

证据上的可信度取值范围：[-1，1]

对于初始证据莫若所有观察S能肯定它为真，则CF(E)=1(绝对真)

若肯定它为假则CF(E)=-1

若以某种程度为真，则 0<cf(e)<0< p="">