- •Глава 9. Стратегия вывода с использованием байесовского подхода
- •9.1. Обработка свидетельств в условий неуверенности и нечеткости
- •9.2. Меры неопределенности в иис
- •Правила остановки
- •9.3. Модель Шортлифа и Бьюкенена
- •9.4. Теория Демпстера—Шейфера Обобщение байесовских выводов
- •Комбинация функций веры
- •Эффективное вычисление функции уверенности
- •Распространение уверенности в качественных марковских деревьях.
- •Применение метода Демпстера—Шейфера для выбора оптимального варианта инвестиционного проекта
- •Результаты расчетов показателей эффективности инвестиционных проектов
Эффективное вычисление функции уверенности
По мере того как число элементов в Θ увеличивается, происходит экспоненциальный рост времени, необходимого для вычислений, что связано с необходимостью перечисления всех подмножеств данного множества. Рассмотрим прием, который позволяет уменьшить время в схеме D - S до полиномиального. Этот прием реализуется в виде следующих трех шагов. Пусть элементы Θ представлены тройкой (объект, наименование свойства, значение свойства).
Шаг 1. Для каждой тройки (т.е. гипотезы синглетона) скомбинируем параметры, подтверждающие гипотезу. Если s1, s2... sk представляют различные степени поддержки, проистекающие из к правил, поддерживающих один синглетон, тогда комбинированная поддержка есть 1 - (1- s1),(l— s2)...(1- sk). Формула, приводимая здесь, легко может быть получена и идентична функции комбинирования в модели, использующей фактор уверенности CF.
Аналогично для каждого синглетона скомбинируем все бпв, представляющие правила, опровергающие этот синглетон. Та же функция комбинирования, которая используется для этих вычислений и соответствующие численные значения уверенности могут просто быть связаны с отрицанием гипотезы синглетона: не обязательно перечислять все элементы множества размерности п-1 (где п — размерность Θ), которые соответствуют дополнению рассматриваемой гипотезы синглетона. Таким образом, все свидетельства, подтверждающие синглетон, собираются и представляются при помощи бпв и все свидетельства, опровергающие синглетон (подтверждающие гипотезу, соответствующую множеству дополнения синглетона), представляются другим бпв.
Таким образом, мы имеем 2n бпв, половина из которых приписывает уверенность гипотезе синглетона и 0, а другая половина приписывает уверенность отрицанию гипотезы синглетона и Θ.
Шаг 2. Для каждой тройки скомбинируем бпв, полученные на шаге 1, таким образом, как это было описано ранее. Каждой из n гипотез синглетонов приписывается бпв. Каждое бпв приписывает уверенность гипотезе синглетона, ее дополнению и Θ и приписывает нуль всем другим гипотезам.
Шаг 3. Конечная задача объединяет бпв из шага 2 в единую оценку уверенности по формуле, которую предложил Барнетт. Поскольку эти формулы позволяют вычислять уверенность для синглетона А и для его отрицания А, может быть вычислен интервал уверенности для каждой гипотезы
Мы предполагаем, что эксперты, которые участвуют в конструировании большой базы знаний, могут определить строгую иерархию гипотез, относительно которых система будет получать сведения. Часто признаки или данные связаны как с определенными категориями проблемных ситуаций, так и с отдельными типовыми ситуациями. Пусть множество Ф подмножеств Θ является разбиением Θ. Случайная переменная X ассоциирована с Ф, если два различных исхода в Θ принадлежат одному и тому же множеству Р в Ф, когда им соответствует одно и то же значение X.
Лемма 1. Пусть X1,..., Хn — случайные переменные, определенные на конечном пространстве отсчетов Θ и пусть— вероятностное распределение на конечном пространстве отсчетов Θ и такое, что Р()>0 длявсех Θ. Если X1 ... Хn — условно независимы при данных X, тогда Ф1,. . Фn — качественно условно независимы при данном Ф, где Ф — разбиение, связанное сХ и Ф1 —разбиение, связанное cXi, i =1,2,...п.
Качественная условная независимость важна для функции уверенности из-за того, что она используется при определении обстоятельств, при которых мы получаем правильный ответ, когда мы применяем правило Демпстера, основанное на разбиении дерева, а не на более тонком разбиении фрейма. Это выражается технически в том, что Веl1 и Bel2 поддерживаются Ф1 и Ф2
соответственно и
тогда
Ненаправленнаясеть есть пара (J,E) где J— узлы сети— конечное множество и Е — связи сети — множество неупорядоченных пар различных элементов из J. Мы говорим, что элементы i, j являются смежными или соседними, если (i, j) E. Сеть является деревом, если она связна и в ней отсутствуют циклы. Пусть— дерево. Если дана любая вершина i в J, удаление i из J и удаление всех вершин, инцидентных i из Е порождает лес из к поддеревьев. Обозначим коллекцию узлов в j-том поддереве αj (i).
Рис.9.7 Качественное марковское дерево, построенное из причинного дерева на рис. 9.6
Определение: Пусть— конечная коллекция разбиений и пусть
— дерево. Мы говорим, что { Фj 1 j J} есть качественное марковское (разбиение) по отношению к Т или эквивалентно, что T-качественное марковское дерево дляесли для любого i в J, наиболее общие измельчения разбиений в αт (i) для т = 1,...к — качественно условно независимы, при данном разбиении Фi, т.е.
Используя Лемму 1, мы можем показать, что байесовское причинное дерево становится качественным марковским деревом, если мы свяжем с каждой вершиной В разбиение ФB, ассоциированное со случайной переменной, соответствующей В. Оно остается качественным марковским деревом, если мы интерполируем между каждой дочерней вершиной и ее родительской вершиной, соответствующей общему измельчению этих двух вершин. На рис.9.7 показан результат интерполяции причинного дерева (рис.9.6).
Качественное марковское дерево может быть построено из диагностического дерева. В самом деле, если {A} Sa— семейство в диагностическом дереве, тогда {А } и SA — разбиение Θ. Качественное марковское дерево имеет узел для каждого из этих разбиений и оно имеет связь между { А } SA и { В } SB, когда В — потомок А.
Рис.9.8 показывает качественное марковское дерево, которое сконструировано из диагностического дерева (рис.9.6). Самое верхнее семейство состоит просто из дочерних вершин 0, 0 не включено, так как оно является пустым множеством. Качественное марковское дерево идентифицируется
таким образом и остается качественным марковским деревом, если {А, А } интерполируется между {A} SA и семейством, в котором А является потомком.
Рис.9.8. Качественное дерево Маркова
Мы можем также связать {А, А } с семейством А, если А — терминальный элемент. Рис.9.9 показывает качественное марковское дерево, которое является результатом, когда такие дихотомии добавляются к рис.9.9.
Рис.9.9. Расширенное качественное марковское дерево