知识系统中不确定性和模糊性处理的数值方法PDF电子书下载

第一章　研究现状 1

§1.1　引言 1

第一部分　绪论 1

§1.2　研究现状 3

1.2.1　抽象不精确推理模型及其性质 3

1.2.2　确定性理论 3

1.2.3　贝叶斯方法 3

1.2.4　证据理论 4

1.2.5　可能性理论 5

1.2.6　非数值方法 5

1.2.7　工程方法和控制方法 6

参考文献 7

§2.1　信任和不信任 9

第二部分 外延不确定性处理方法 9

第二章　确定性因子理论 9

§2.2　信任和不信任的度量 10

§2.3　不确定性因子的计算 12

§2.4　MYCIN的不确定性值（或不确定性因子）计算的封闭性 14

§2.5　确定性因子的困难 15

参考文献 16

第三章　基于确定性因子模型的专家系统的验证 17

§3.1　引言 17

§3.2　测试、评价内容 18

3.2.1　推理机的测试与评价［1-7］ 18

3.2.2　知识库的测试与评价［2］［7］ 20

3.2.3　测试不确定性计算是否正确［2］［3］［5］［7］ 22

参考文献 24

§3.3　小结 24

第四章　基于概率论的处理方法 26

§4.1　引言 26

§4.2　确定性证据的不确定性处理 27

§4.3　不确定性证据的不确定性推理 31

§4.4　讨论 37

参考文献 37

第五章　证据理论（Evidence Theory）方法 39

§5.1　D-S理论（Dempster-Shafer Theory） 39

§5.2　一种简化的证据理论模型MET1 46

§5.3　简化证据理论模型的拓展——凸函数证据理论模型 51

5.3.1　IRM1的困难 51

5.3.2　具有凸函数性质的简化证据理论模型 52

5.3.3　具有凸函数性质的简化证据理论模型的分析 55

5.3.4　对满足有序命题类问题的组合函数的扩展 58

5.3.5　小结 59

参考文献 60

第六章　简化证据理论模型的研究 61

§6.1　引言 61

§6.2　区间结果决策 62

§6.3　两个基本支持函数之间的距离 64

§6.4　带有权威性的基本支持函数 65

参考文献 66

第七章　加权模糊逻辑 67

§7.1　引言 67

§7.2　加权模糊逻辑和加权模糊逻辑命题演算 67

§7.3　加权模糊逻辑在专家系统ES中的应用及加权模糊逻辑的推理规则 69

§7.4　相关工作的比较与分析 72

参考文献 73

§7.5　小结 73

§8.1　引言 75

§8.2　模糊推理模型FURM 75

8.2.1　FURM的知识表示 75

第八章　专家系统中的一种模糊推理模型 75

8.2.2　FURM的不确定性推理 78

§8.3　讨论 80

参考文献 81

第九章　专家系统中不精确推理单位元 82

§9.1　抽象不精确推理模型 82

§9.2　单位元的性质 83

§9.3　实例分析 84

§9.4　结论 89

参考文献 89

10.2.1　规则强度 90

10.2.2　规则的准确性、可靠性 90

第十章　处理两级不确定性的推理模型 90

§10.2　规则中的不确定性、不准确性 90

§10.1　引言 90

10.2.3　知识表示 91

§10.3　关于偏差的两级不确定性推理模型 91

10.3.1　两级不确定性推理模型的必要条件 91

10.3.2　处理两级不确定性的推理模型 93

10.3.3　多条前件不同但后件相同的规则的结论综合 95

§10.4　讨论 96

参考文献 97

第十一章　在多个ES协作系统中不一致性问题的处理 98

§11.1　引言 98

11.2.1　协作组中诸看法间的影响 99

§11.2　一致性处理 99

11.2.2　决策 103

§11.3　讨论 104

参考文献 104

第十二章　确定性因子模型的改进及其在CDPS冲突消解中的应用 105

§12.1　改进的确定性因子模型ICF 105

12.1.1　CF模型分析 105

12.1.2　知识不确定性的描述 106

12.1.3　证据不确定性的描述 106

12.1.4　命题不确定性值的传播算法 106

12.1.5　推理过程 107

12.1.6　示例 107

12.1.7　讨论 108

12.2.1　定义 109

§12.2　最大存在风险和最大不存在风险 109

12.2.2　计算例 110

12.2.3　讨论 111

§12.3　冲突消解模型 111

12.3.1　问题描述和假设 111

12.3.2　消解冲突 111

12.3.3　示例 112

12.3.4　讨论 114

§14.4　小结 114

参考文献 115

第十三章　协作知识系统中协作冲突消解的辩论方法 116

§13.1　简介 116

§13.2　多维辩论方法的基本过程 117

§13.3　依赖性值的计算 120

§13.4　外部约束的计算 122

§13.5　多维辩论系统框架PAT-1简介 122

§13.6　讨论与总结 124

参考文献 124

第三部分 内涵不确定性处理方法 126

第十四章　与证据理论相关的基本定义 126

§14.1　集合的基本概念 126

§14.2　贝叶斯方法 127

14.2.1　概率论 127

14.2.2　Pearl模型 129

§14.3　Dempster-Shafer理论 131

§14.4　Fuzzy集合和L-集合 133

§14.5　图论 133

第十五章　Belief的解释和更新 136

§15.1　广义概率与信任函数 137

§15.2　随机集合与信任函数 139

§15.3　内、外测度与上、下概率 140

§15.4　信任值的修正、更新和集中 141

§15.5　小结 143

第十六章　布尔代数上的Belief模型 144

§16.1　布尔代数的基本概念 145

§16.2　广义Dempster-Shafer理论 146

§16.3　广义随机集合 147

§16.4　信任值的更新和修正 150

§16.5　求精和相容概念 153

§16.6　布尔代数上的限定化概念 154

§16.7　Belief模型中的决策模型 161

§16.8　小结 164

第十七章　处理二阶不确定性的内涵方法 166

§17.1　集合-值映射的扩充 166

§17.2　概率簇空间的传递模型 169

17.2.1　不确定性结构的传递方法 169

17.2.2　限定化关系的传递 171

§17.3　规则的组合策略 173

17.3.1　组合证据源 173

17.3.2　组合结论 173

§17.4　小结 175

第十八章　区间结构的组合 176

§18.1　区间结构的基本定义 176

§18.2　区间结构的组合 177

§18.3　区间结构组合的解释 180

§18.4　组合信任函数的计算 183

§18.5　小结 184

第十九章　索引与检索中的不确定性信息处理 185

§19.1　与IR有关的基本概念 186

§19.2 IR中的不确定性处理模型 187

19.2.1　关联函数 188

19.2.2　关联的组合方法 192

§19.3　结果的比较 193

§19.4　小结 195

第二十章　多agent环境下的规划 196

§20.1　基本定义 196

§20.2　规划验证的算法 198

20.2.1　规划验证算法的改进 199

20.2.2　改进算法的详细描述 200

§20.3　规划验证算法的分析 202

§20.4　多agent规划中的任务分解 205

20.4.1　独立子任务分解 206

20.4.2　树形分解方法 207

§20.5　小结 209

参考文献（第十四章至第二十章） 210

第二十一章　概率基础知识 217

§21.1　先验概率 217

§21.2　条件概率 218

§21.3　概率公理 219

21.3.1　联合概率分布 219

§21.4　Bayes规则及其应用 220

21.4.1　Bayes规则的简单应用 220

21.4.2　规范化 221

21.4.3　利用Bayes规则进行证据综合 222

21.4.4　保持概率值的一致 224

§21.5　概率的来源 224

第二十二章　Bayesian网方法的基本概念及推理算法 225

§22.1　Bayesian网的定义 225

§22.2　Bayesian网的语义 227

22.2.1　全概率分布的表示 227

22.2.2　Bayesian网的构造方法 227

22.2.3　条件概率表的表示 228

22.2.4　Bayesian网中的条件独立关系 229

§22.3　Bayesian网中的推理算法 230

22.3.1　单连通图查询回答算法 231

22.3.2　多连通图Bayesian网中的推理算法 234

23.1.1　外延方法的优缺点 237

§23.1　外延方法与内涵方法 237

第二十三章　贝叶斯网研发过程以及与其他方法的比较 237

23.1.2　内涵方法的优缺点 240

§23.2　Baysian网与其他不确定方法的比较 240

§23.3　Baysian网络模型的历史发展 241

第二十四章　Bayesian网的建造 243

§24.1　Bayesian网结构的确立 243

24.1.1　实例一：判断全家是否外出 243

24.1.2　一个简单的扑克游戏 244

24.1.3　人工授精 245

24.1.4　简单的Bayes模型 245

24.1.5　因果关系的处理 246

§24.2　条件概率的确定 246

24.2.1　种马场 246

24.2.2　扑克游戏中的条件概率 249

24.2.3　符号串的传递 251

24.2.4　实例：全家是否外出 252

§24.3　Bayesian模型构造技巧 253

24.3.1　间接关系的处理 253

24.3.2　噪声或（noisy or） 254

24.3.3　因果独立关系 256

24.3.4　分离技术 257

§24.4　学习 257

24.4.1　分组学习 258

24.4.2　距离度量 258

24.4.3　可能结构的搜索 259

24.4.4　统计方法 261

24.4.5　适应性学习 261

参考文献（第二十一章至第二十四章） 264