第八章 产生式规则专家系统.ppt

2020 3 22 北京交通大学经济管理学院信息管理系 1 第八章产生式规则专家系统 杜晖 2020 3 22 北京交通大学经济管理学院信息管理系 2 内容 产生式规则ES流行的原因产生式规则的不确定性推理产生式规则ES的事实库产生式规则ES的解释机制产生式规则ES不确定性推理举例习题 2020 3 22 北京交通大学经济管理学院信息管理系 3 产生式规则ES流行的原因 产生式规则容易被理解产生式规则基于演绎推理 保证了推理的正确性大量产生式规则连成的推理树可以是多棵树 从广度看 反映了实际问题的范围 从深度看 反映了问题的难度 2020 3 22 北京交通大学经济管理学院信息管理系 4 产生式规则的不确定性推理 1 在推理过程中 由于知识的不确定性所引起的结论不确定性的传播过程事实的不确定性由不确定性因素 包括模糊性 不完全性 不准确与不精确性 随机性 造成一般用可信度CF CertaintyFactor 值表示 0 CF 1或0 CF 100 肺炎CF 0 8 表示某病人患肺炎的可信度为0 8 80 2020 3 22 北京交通大学经济管理学院信息管理系 5 产生式规则的不确定性推理 2 规则的不确定性专家掌握的规则大多是经验性 不精确的也可用可信度CF值表示 如果听诊 干鸣音则诊断 肺炎CF 0 5 表示根据病人的听诊是干鸣音而诊断该病人患肺炎的可信度是0 5 50 2020 3 22 北京交通大学经济管理学院信息管理系 6 产生式规则的不确定性推理 3 结论的不确定性由于事实和规则的不确定性 导致了结论的不确定性反映了不确定性的传播过程仍用可信度CF值表示 2020 3 22 北京交通大学经济管理学院信息管理系 7 产生式规则的不确定性推理 4 结论的可信度计算公式前提为 连接时规则形式 IFE1 E2 EnTHENHCF R 结论H的可信度CF H CF R MIN CF E1 CF E2 CF En 其中 Ek k 1 2 n 代表前提中的每个事实 CF Ek 代表每个事实的可信度 CF R 代表规则的可信度 CF H 代表结论的可信度 2020 3 22 北京交通大学经济管理学院信息管理系 8 产生式规则的不确定性推理 5 前提为 连接时规则形式 IFE1 E2THENHCF R IFE1THENHCF R1 IFE2THENHCF R2 CF R CF R1 CF R2 结论H的可信度 CF H CF1 H CF2 H CF1 H CF2 H 其中 CF1 H CF E1 CF R1 CF2 H CF E2 CF R2 产生式规则的不确定性推理 6 三项前提时 即IFE1 E2 E3THENHCF R 结论H的可信度 CF H CF12 H CF3 H CF12 H CF3 H 其中 CF12 H CF1 H CF2 H CF1 H CF2 H CF3 H CF E3 CF R3 2020 3 22 北京交通大学经济管理学院信息管理系 10 产生式规则的不确定性推理 7 与确定性逆向推理的区别当某个结论的可信度不为1时 即CF 1 对于相同结论的其它规则仍要进行推理 求结论的可信度 并和已计算出该结论的可信度进行合并举例有两条相同结论的规则 R1 A G R2 B C G 分别使用确定性逆向推理和不确定性逆向推理计算G的可信度 2020 3 22 北京交通大学经济管理学院信息管理系 11 产生式规则的不确定性推理 8 确定性逆向推理 先引用规则R1 提问A 当回答为yes时 推出结论G成立 即yes 不再搜索R2对结论G进行推理 2020 3 22 北京交通大学经济管理学院信息管理系 12 产生式规则的不确定性推理 9 不确定性逆向推理 设R1 A GCF 0 8 R2 B C GCF 0 9 引用规则R1 提问A 当回答为yes时 还需要给定事实的可信度 设为CF 0 7 按公式求得G的可信度为CF1 G 0 8 0 7 0 56由于G的可信度不为1 再引用规则R2 提问B和C 设回答B为yes CF 0 7 回答C为yes CF 0 8 计算G的可信度为CF2 G 0 9 min 0 7 0 8 0 63 产生式规则的不确定性推理 10 合并G的可信度为CF G CF1 G CF2 G CF1 G CF2 G 0 56 0 63 0 56 0 63 0 84如果对某个事实用户回答为no 则它的可信度CF 0 2020 3 22 北京交通大学经济管理学院信息管理系 14 产生式规则ES的事实库 不确定性推理事实库的关系型结构事实属性放事实 y n值表示是 yes 还是否 no 规则号表示事实取y n的理由 规则号为 0 表示向用户提问得到 具体规则号表示由该规则推出 可信度表示该事实的可信度 2020 3 22 北京交通大学经济管理学院信息管理系 15 产生式规则ES的解释机制 1 推理过程的全部解释推理过程成功路径的解释仅对推理过程中的成功路径进行说明 2020 3 22 北京交通大学经济管理学院信息管理系 16 产生式规则ES的解释机制 2 推理过程的全部解释提取一条规则压入规则栈时 显示 引用 该规则和 求 规则前提中的某项事实 将事实为结论 压入栈顶 继续搜索规则若栈顶目标在规则库中找不到以其为结论的规则 则向用户提问用户的回答 yes或no 以一个事实表示 记入事实库 2020 3 22 北京交通大学经济管理学院信息管理系 17 产生式规则ES的解释机制 3 从规则栈中退出一条规则时 说明规则是 成功 还是 失败 的若规则前提中的所有事实都成立 则规则是成功的 其结论也成立 记入事实库若规则前提中有事实不成立 则规则是失败的求得最后结果 做最后说明时 将事实库中所有取值为 y 的事实逐个显示 2020 3 22 北京交通大学经济管理学院信息管理系 18 产生式规则ES应用举例 4 应用举例 P124 有如下规则及可信度R1 A B C GCF 0 8 R2 D E ACF 0 7 R3 J K BCF 0 8 R4 P Q CCF 0 9 R5 F R S DCF 0 6 已知事实及可信度 F 0 4 R 0 5 S 0 6 E n J 0 4 K 0 6 P n Q 0 4 2020 3 22 北京交通大学经济管理学院信息管理系 19 产生式规则ES应用举例 5 问题用逆向推理求结论G的可信度 并解释整个推理过程推理过程将规则分解为只含 的规则 消去 的规则R1 A B C GCF 0 8 R21 D ACF 0 7 R22 E ACF 0 7 R3 J K BCF 0 8 R41 P CCF 0 9 R42 Q CCF 0 9 R51 F DCF 0 6 R52 R S DCF 0 6 2020 3 22 北京交通大学经济管理学院信息管理系 20 产生式规则ES应用举例 6 画出推理树 2020 3 22 北京交通大学经济管理学院信息管理系 21 产生式规则ES应用举例 7 利用规则栈和事实库进行逆向推理引用R1规则 将R1规则压入规则栈顶 求A引用R21规则 将R21规则压入规则栈顶 求D 产生式规则ES应用举例 8 引用R51规则求F 提问F 回答yes CF 0 4 计算D的可信度为 CF1 D 0 4 0 6 0 24 R51规则成功 退栈引用R52规则 将R52规则压入规则栈顶 求R和S 提问R 回答yes CF 0 5 提问S 回答yes CF 0 6 计算D的可信度为 CF2 D 0 6 min 0 5 0 6 0 3 R52规则成功 退栈 合并D的可信度为 CF D 0 24 0 3 0 24 0 3 0 468 0 47回溯到规则R21 计算A的可信度 CF1 A 0 47 0 7 0 329 0 33 R21规则成功 R21规则退栈 2020 3 22 北京交通大学经济管理学院信息管理系 23 产生式规则ES应用举例 9 引用R22规则 将R22规则压入规则栈顶 求E 提问E 回答no 即CF 0 计算A的可信度 CF2 A 0 0 7 0 R22规则失败 R22规则退栈 合并A的可信度为 CF A 0 33 0 0 33 0 0 33回溯到R1规则求B引用R3规则 将R3规则压入规则栈顶 求J和K 提问J 回答yes CF 0 4 提问K 回答yes CF 0 6 计算B的可信度 CF B 0 8 min 0 4 0 6 0 32 R3规则成功 R3规则退栈 回溯到R1规则求C引用R41规则 将R41规则压入规则栈顶 求P 提问P 回答no 即CF 0 计算C的可信度 CF1 C 0 9 0 0 R41规则失败 R41规则退栈 2020 3 22 北京交通大学经济管理学院信息管理系 24 产生式规则ES应用举例 10 引用R42规则 将R42规则压入规则栈顶 求Q 提问Q 回答yes CF 0 4 计算C的可信度 CF2 C 0 9 0 4 0 36 R42规则成功 R42规则退栈 合并C的可信度为 CF C 0 0 36 0 0 36 0 36回溯到R1规则 CF G 0 8 min 0 33 0 32 0 36 0 256 R1规则成功 R1规则退栈 目标G成立的可信度为0 256成功推理路径的解释F成立的可信度为0 4 用户回答的事实R成立的可信度为0 5 用户回答的事实S成立的可信度为0 6 用户回答的事实 2020 3 22 北京交通大学经济管理学院信息管理系 25 产生式规则ES应用举例 11 D成立的可信度为0 47 由规则R51 R52推出A成立的可信度为0 33 由规则R21 R22推出J成立的可信度为0