
- •1 Основные понятия
- •1.1 Происхождение и понимание термина «искусственный интеллект»
- •1.2 Подходы к пониманию проблемы
- •Тест Тьюринга и интуитивный подход
- •Символьный подход
- •Логический подход
- •Агентно-ориентированный подход
- •Гибридный подход
- •1.3 Модели и методы исследований Символьное моделирование мыслительных процессов
- •Работа с естественными языками
- •Представление и использование знаний
- •Машинное обучение
- •Биологическое моделирование искусственного интеллекта
- •Робототехника
- •Машинное творчество
- •Другие области исследований
- •Современный искусственный интеллект
- •Некоторые из самых известных ии-систем:
- •1.4. Классификация интеллектуальных систем
- •1.5 Методы поиска решений
- •Генетические алгоритмы
- •2. Представление знаний в системах искусственного интеллекта
- •2.1 Представление знаний
- •Формальная (Аристотелева) логика и логика высказываний
- •Как упростить логическую формулу?
- •Как решать логические задачи?
- •Решение логических задач средствами алгебры логики
- •Решение логических задач табличным способом
- •Решение логических задач с помощью рассуждений
- •Логика предикатов
- •3 Логическое программирование на прологе
- •Объекты данных
- •Представление списков
- •Некоторые операции над списками
- •Ограничение перебора
- •Пример Пролог программы
- •4 Логика предикатов второго порядка
- •5. Нечеткая логика
- •Нечеткие множества
- •Основные характеристики нечетких множеств
- •Методы построения функций принадлежности нечетких множеств
- •Операции над нечеткими множествами
- •Наглядное представление операций над нечеткими множествами
- •Свойства операций и
- •Нечеткая и лингвистическая переменные
- •Нечеткие высказывания и нечеткие модели систем
- •Нечеткая база знаний
- •6 Байесовы сети
- •6.1. Простейший логический вывод
- •6.2. Распространение вероятностей в эс
- •6.3. Последовательное распространение вероятностей
- •6.4. Экспертные системы, использующие субъективные вероятности
- •6.5 Байесовские сети доверия как средство разработки эс
- •6.5.1. Основные понятия и определения
- •6.5.2. Пример построения простейшей байесовской сети доверия
- •6.5.3. Процесс рассуждения (вывода) в байесовских сетях доверия
- •6.5.4. Байесовские сети доверия как одно из направлений современных экспертных систем
- •6.6 Сети доверия с условными гауссовскими переменными
- •6.6.1. Непрерывные случайные величины
- •6.6.2. Непрерывные гауссовские переменные
- •6.6.3. Числовые характеристики случайных величин
- •6.6.4. Совместное использование дискретных и непрерывных переменных в байесовских сетях доверия
- •6.6.5. Логический вывод в байесовских сетях доверия с непрерывными и дискретными состояниями
- •6.7 Экспертные системы на основе теории Демстера-Шеффера
- •6.7.1. Предпосылки возникновения новой теории.
- •6.7.2. Основы теории Демстера-Шеффера
- •6.7.3. Меры доверия и правдоподобия в тдш
- •6.7.4. Отличие тдш от теории вероятностей
- •6.7.5. Связь между тдш и классической теорией вероятностей
- •6.7.6. Комбинация функций доверия
- •7 Решатели проблем, основанных на знаниях
- •7.1 Семантические сети
- •7.2 Фреймы
- •7.3 Нейронные сети
- •7.4 Экспертные системы
- •Модель экспертных систем
- •7 Распознание образов Контурный анализ
- •Код Фримена
- •Современные программные и инструментальные средства создания искусственного интеллекта
6.7.5. Связь между тдш и классической теорией вероятностей
Одной из главных особенностей ТДШ является то, что меры доверия и правдоподобия являются частным случаем интервальных вероятностей, то есть мера доверия - нижняя вероятность, а мера правдоподобия - верхняя вероятность, определённая на вложенных интервалах. Это открывает путь как для построения функции распределения доверий, так и её интерпретации.
Рассмотрим простейший пример, иллюстрирующий связь ТДШ с теорией вероятностей. Пусть оценивается возможность инвестирования финансовых средств либо в производство, либо в ценные бумаги. Для оценки состояния и принятия решения была привлечена группа экспертов, которая разделилась во мнениях и дала следующие оценки:
половина экспертов высказались за инвестирование средств в производство;
вторая половина, не отдав предпочтения какому-либо конкретному виду инвестирования, высказались за то, что возможны вложения, как в производство, так и в ценные бумаги.
Как в условиях заключений этих двух групп экспертов найти вероятность P1 по вложению инвестиций в производство и вероятность P2 об инвестициях в ценные бумаги.
Обозначим
и
доли
экспертов, давших первую и вторую
оценки. В рассматриваемом примере это
будет
=
0,5 и
=
0,5. Пусть
-
условная вероятность того, что на j-й
вариант инвестирования указывает i-я
группа экспертов (j=1,2 и i=1,2). Тогда, следуя
классической теории вероятностей и
используя формулу полной вероятности,
можно записать:
Но если первая группа экспертов чётко определилась с выбором в пользу первого варианта, то есть
то этого мы не можем сказать о второй группе экспертов. Использование классической теории вероятностей и байесовского подхода к приятию решению приводит к тому, что если у нас нет сведений о распределении вероятности событий (в нашем примере вероятности выбора вариантов инвестирования второй группой экспертов), то принимается, что это распределения равномерное, то есть
Однако это предположение может быть ошибочным и, принимая его, мы заведомо вносим ошибку или погрешность, нигде не учитываемую при вычислении и , значения которых в этом случае будут
Можно рассмотреть другой способ расчёта и . Возьмём крайние случаи, когда условные вероятности выбора варианта инвестирования второй группой экспертов берут:
Тогда расчёт по формуле полной вероятности для каждого из этих случаев даст
Таким
образом, получены нижние и верхние
вероятности, определяющие границы
.
Вероятности
и
,
соответствующие всем возможным
распределениям условных вероятностей
,
находятся в приведённых границах.
Использование
ТДШ для этого же примера позволяет на
основе мнений каждой из групп экспертов
назначить базовые вероятности
,
на основе которых можно определить
функции доверия и правдоподобия для
каждого из вариантов инвестирования:
Из полученных результатов легко видеть, что функции доверия и правдоподобия есть нижние и верхние вероятности, которые в общем случае могут быть получены на основе методов классической теории вероятностей и полностью с ней согласуются.
Вместе с тем следует отметить, что стремление получить с использованием классической теории вероятностей "точную" оценку вероятности является естественным в инженерной практике, но далеко не всегда оправданным. Такая оценка может только ввести в заблуждение относительно принятия решения, а не указывать на реальное состояние дел.
Если вернуться к рассматриваемому примеру, то можно увидеть, что "точная" оценка может быть далека от истинной. Так "точной" оценкой вместо 0.75 может быть на самом деле любая точка в интервале [0.5; 1].
На ширину интервала существенное влияние оказывает доля экспертов, в высказываниях которых содержится некоторая степень неопределённости или незнания. Если в рассматриваемом примере 3/4 экспертов можно отнести к первой группе, а 1/4 - ко второй, то "точные" оценки по формуле полной вероятности будут иметь вид:
= 0.75 1 + 0.25 0.5 = 0.875
= 0.75 0 + 0.25 0.5 = 0.125,
а их верхние и нижние оценки, полученные как с использованием классической теории вероятностей, так и ТДШ позволяют определить их интервальные значения =[0.75; 1] и = [0; 0.25].