基于因果圖的不確定性推理理論及算法研究.pdf

1、人工智能研究的目的無非是用機器模擬人腦的思維，人類的思維是多樣性的，雖然很多思維現(xiàn)象體現(xiàn)為對確定性信息的處理，然而更多的現(xiàn)象卻體現(xiàn)了各種各樣的不確定性，而且，客觀世界中的絕大部分現(xiàn)象都是不確定的。因此，真正的人工智能系統(tǒng)要能很好反映人腦思維的不確定性并能對各種無所不在的不確定性信息進行處理。于是，如何表示和處理知識的不確定性也就成為人工智能研究的重要課題之一，也是人工智能面臨的一大難題。動態(tài)因果圖由張勤教授1994年提出，它與信度網(wǎng)類似

2、，是概率論與圖論結合的一種數(shù)學工具，其特點是提供不確定知識的表達和靈活的推理方法：用節(jié)點表示事件或變量，有向邊表示因果關系，并用連接強度來表示因果關系的強度，支持由原因到結果的正向推理方式和由結果到原因的反向推理方式以及正反向混合推理方式。但因果圖與信度網(wǎng)相比又具有一些自己獨特的優(yōu)點，在不確定性知識間的因果關系表達更加方便，尤其在故障診斷領域更有獨特優(yōu)勢。因此對因果圖的進一步研究不僅具有重要的學術意義，而且具有很好的實用價值和經(jīng)濟價值。

3、 論文圍繞著因果圖的知識表達、學習、推理進行了討論和研究，主要內(nèi)容包括： 在扼要介紹了一些比較常見的不確定性知識的表示和推理方法：證據(jù)理論、確定性因子、模糊邏輯與模糊推理、粗糙集理論、主觀Bayes方法、信度網(wǎng)的基本知識和面臨的困難之后，比較詳細地闡述了因果圖的基本知識，主要的推理算法以及對一些問題的處理方式方法。 針對目前因果圖不包括自學習機制、推理的先驗知識完全由領域專家提供的問題，提出了采用統(tǒng)計的方法學習因

4、果圖參數(shù)的方法。包括：在數(shù)據(jù)完備時用后驗分布的數(shù)學期望——條件期望估計，數(shù)據(jù)不完備時，用類似期望最大化（EM）算法，學習離散因果圖參數(shù)的算法，以及用信息熵學習相關度的方法，而且用實例驗證了它們的有效性和可行性；采用含參數(shù)的EM算法（EM(η)），進行在線因果圖參數(shù)（連接強度）的學習，使學習出的參數(shù)能適應環(huán)境的變化而適時調整，并闡述了它的優(yōu)越性和離線因果圖參數(shù)學習的區(qū)別，同時在理論上論證這種方法的正確性；用經(jīng)典的統(tǒng)計方法：參數(shù)估計、非參數(shù)

5、估計、半?yún)?shù)化估計方法學習連續(xù)因果圖參數(shù)（基本事件和連接事件的概率密度函數(shù)）方法；給出了一個學習因果圖結構的途徑。從而較好地解決了因果圖知識獲取的關鍵問題，對豐富因果圖理論和因果圖的應用都有著十分重要的意義。 針對信度網(wǎng)研究已比較成熟，已有許多現(xiàn)成的算法和實用的推理軟件，提出了將因果圖轉換為信度網(wǎng)，包括因果圖的連接概率映射為信度網(wǎng)的條件概率表和因果圖結構轉換為信度網(wǎng)的結構的方法，從而拓寬解決問題的渠道，使用因果圖方式表達的模型可

6、以用信度網(wǎng)模型來求解。針對產(chǎn)生式規(guī)則表示知識比較流行、常用，但在表達知識和推理方面的存在一些缺陷或不足，根據(jù)模糊式產(chǎn)生式規(guī)則與因果圖，以及合成式模糊產(chǎn)生式規(guī)則與含與門、或門的因果圖的對應關系，對用模糊產(chǎn)生式規(guī)則集表示的知識，探討了將其轉換成更緊湊、直觀因果圖表示的方法和過程，并給了一個其轉換的實例。這也相應的給出了一個因果圖知識的獲取方法。 針對因果圖推理中存在邏輯運算量大、計算復雜的困難，為了減少計算的復雜度，提出了利用因果圖