- •Компьютерные технологии в науке и образовании
- •Часть 2 Экспертные системы
- •Содержание
- •Лекция 1
- •2.1 Введение в экспертные системы.
- •2.1.1 Назначения и основные свойства экспертных систем
- •Состав и взаимодействие участников построения и эксплуатации экспертных систем
- •Преимущества использования экспертных систем
- •Особенности построения и организации экспертных систем
- •2.1.5 Основные режимы работы экспертных систем
- •2.1.6 Отличие экспертных систем от традиционных программ
- •2.1.7 Технология разработки экспертных систем
- •Лекция 2
- •2.2 Выявление знаний от экспертов.
- •2.2.1 Экспертное оценивание как процесс измерения.
- •Связь эмпирических и числовых систем.
- •Методы измерения степени влияния объектов.
- •2.2.3.1 Метод ранжирования.
- •Метод парных сравнений.
- •Метод непосредственной оценки.
- •Один из подходов к формированию и оценке компетентности группы экспертов.
- •Характеристика и режимы работы группы экспертов.
- •Лекция 3
- •2.3 Обработка экспертных оценок.
- •2.3.1 Задачи обработки.
- •2.3.2 Групповая экспертная оценка объектов при непосредственном оценивании.
- •Обработка парных сравнений.
- •Определение обобщенных ранжировок.
- •Замечания к определению групповых оценок.
- •Лекция 4
- •2.4 Экспертные системы с неопределенными знаниями.
- •2.4.1 Неопределенности в эс и проблемы порождаемые ими.
- •Теория субъективных вероятностей.
- •Байесовское оценивание.
- •Теорема Байеса как основа управления неопределенностью.
- •Лекция 5
- •2.5 Логический вывод на основе субъективной вероятности.
- •2.5.1 Простейший логический вывод
- •Распространение вероятностей в эс
- •Последовательное распространение вероятностей
- •Экспертные системы, использующие субъективные вероятности
- •Лекция 6
- •2.6 Байесовские сети доверия как средство разработки эс.
- •2.6.1 Основные понятия и определения
- •2.6.2 Пример построения простейшей байесовской сети доверия
- •Процесс рассуждения (вывода) в байесовских сетях доверия
- •Байесовские сети доверия как одно из направлений современных экспертных систем
- •Представление знаний с использованием байесовской сети доверия и условная независимость событий
- •Лекция 7
- •2.7 Диаграммы влияния.
- •2.7.1 Назначение и основные компоненты диаграмм влияния
- •2.7.2 Пример построения простейшей диаграммы влияния
- •Диаграммы влияния с несколькими вершинами решения
- •Лекция 8
- •2.8 Сети доверия с условными гауссовскими переменнами.
- •2.8.1 Непрерывные случайные величины
- •Непрерывные гауссовские переменные
- •Числовые характеристики случайных величин
- •Совместное использование дискретных и непрерывных переменных в байесовских сетях доверия
- •Логический вывод в байесовских сетях доверия с непрерывными и дискретными состояниями
- •Лекция 9
- •2.9 Экспертные системы на основе теории Демстера–Шеффера (тдш).
- •2.9.1 Предпосылки возникновения новой теории.
- •2.9.2 Основы теории Демстера–Шеффера
- •2.9.3 Меры доверия и правдоподобия в тдш
- •2.9.4 Отличие тдш от теории вероятностей
- •2.9.5 Связь между тдш и классической теорией вероятностей
- •2.9.6 Комбинация функций доверия
Байесовское оценивание.
Перед тем, как ввести теорему Байеса рассмотрим некоторые фундаментальные понятия теории вероятностей. Пусть Анекоторое событие реального мира. Совокупность всех элементарных событий называется выборочным пространством или пространство событий (). Вероятность событияА, обозначается р(А)и каждая вероятностная функциярдолжна удовлетворять трем аксиомам:
1. Вероятность любого события А является неотрицательной, т.е.
Вероятность всех событий выборочного пространства равна 1, т.е.
.
3. Если kсобытийА1,А2, … ,Аkявляются взаимно независимыми (т.е. не могут подойти одновременно), то вероятность, по крайней мере, одного из этих событий равна сумме отдельных вероятностей, или
Аксиомы 1 и 2 можно объединить, что дает
.
Это утверждение показывает, что вероятность любого события находится между 0 и 1. По определению, когда р(А)= 0, то событие А никогда не произойдет. В том случае и когда р(А)= 1 , то событие А должно произойти обязательно.
Дополнение к А, обозначаемое (¬A), содержит совокупность всех событий вза исключениемА. Т.к.Аи ¬Aявляются взаимонезависимыми (т.е. А¬A=то из аксиомы 3 следует
р(А) + р(¬A) = р(А¬A) = р() = 1 .
Переписывая это равенство в виде р(¬A)= 1 –р(А), мы получает путь для полученияр(¬A)из р(А).
Предположим теперь, что В некоторое другое событие. Тогда вероятность того, что произойдетАпри условии, что произошлоВзаписывается в видер(А | B) и называетсяусловной вероятностью событияАпри заданном событииВ.
Вероятность того, что оба события АиВпроизойдутр(АВ)называетсясовместной вероятностью событий АиВ. Условная вероятностьр(А|B)равна отношению совместной вероятностир(АВ)к вероятности события В, при условии, что она не равна 0, т. е.
Аналогично условная вероятность события Впри условииА, обозначаемаяр(В | А)равна:
и таким образом
.
Так, как совместная вероятность коммутативна (т.е. от перестановки мест сумма не меняется), то
.
Подставляя это равенство в ранее полученное выражение для условной вероятности р(А| В )получим правило Байеса
.
В ряде случае наше знание того, что произошло событие В, не влияет на вероятность события А (или наоборот А на В). Другими словами, вероятность события А не зависит от того, что произошло или нет событие В, так что
р(А | В) = р(А) ир(В | А) = р(В).
В этом случае говорят, что события АиВявляются независимыми.
Теорема Байеса как основа управления неопределенностью.
Приведенные выше соотношения предполагают определенную связь между теорией вероятностей и теорией множеств. Если АиВявляются непересекающимися множествами, то объединение множеств соответствует сумме вероятностей, а пересечение – произведению вероятностей, т. е.
р(А В) = р(А) + р(В) и р(А В) = р(А) * р(В)
Без предположения независимости эта связь является неточной и формулы должны содержать дополнительные члены включения и исключения (так например, р(АВ)=р(А)+р(В)–р(АВ)). Продолжая теоретико – множественное обозначениеВможно записать как
В = ( ВА) ( В ¬A)
Так как это объединение явно непересекающееся, то
р(В)=р((ВА)(В¬A))=р(ВА)+ р(В¬A) = р(В|А) р(А) + р(В|¬A)р(В)
Возвращаясь к обозначению событий, а не множеств, последнее равенство может быть подставлено в правило Байеса
.
Это равенство является основой для использования теории вероятности в управлении неопределенностью. Оно обеспечивает путь для получения условной вероятности события Впри условииА. Это соотношение позволяет ЭС управлять неопределенностью и “делать вывод вперед и назад”.