人工智能不確定性推理，柯南看的懂麼？

不確定性推理（reasoning with uncertainty）也是一種建立在非經典邏輯基礎上的基於不確定性知識的推理，它從不確定性的初始證據出發，通過運用不確定性知識，推出具有一定程度的不確定性的和合理的或近乎合理的結論。

不確定性推理中所用的知識和證據都具有某種程度的不確定性，這就給推理機的設計與做到增加了複雜性和難度。除了必須解決推理方向、推理方法、控制策略等基本問題以外，一般還需要解決不確定性的表示與量度、不確定性匹配、不確定性的傳遞算法以及不確定性的合成等重要問題。

柯南不確定性的表示與量度

1．不確定性的表示

不確定性推理中存在三種不確定性，即關於知識的不確定性、關於證據的不確定性和

關於結論的不確定性。它們都具有相應的表示方式和量度標準。

（1）知識不確定性的表示

知識的表示與推理是密切相關的，不同的推理方法要求有相應的知識表示模式與之對應。在不確定性推理中，由於要進行不確定性的計算，所以必須採用適當的方法把不確定性及不確定的程度表示出來。

（2）證據不確定性的表示

觀察事物時所了解的事實往往具有某種不確定性。例如，當觀察某種動物的顏色時，可能說該動物的顏色是白色的，也可能是灰色的，這就是說，這種觀察具有某種程度的不確定性。（3）結論不確定性的表示

上述由於使用知識和證據具有的不確定性，使得出的結論也具有不確定性。這種結論的不確定性也叫做規則的不確定性，它表示當規則的條件被完全滿足時，產生某種結論的不確定程度。

不確定性推理

2．不確定性的量度

需要採用不同的數據和方法來量度確定性的程度。首先必須確定數據的取值范國。在確定量度方法及其範圍時，必須注意到：

（1）量度要能充分表達相應知識和證據不確定性的程度。

（2）量度範圍的指定應便於領域專家和用戶對不確定性的可能。

（3）量度要便於對不確定性的傳遞進行計算，而且對結論算出的不確定性量度不能超出量度規定的範圍。

（4）量度的確定應當是直觀的，並有相應的理論依據。不確定性的算法

1．不確定性的匹配算法

推理是一個不斷運用知識的過程。為了找到所需的知識，需要在這一過程中用知識的前提條件與已知證據進行四配，只有匹配成功的知識才有可能被應用。

在確定性推理中，知識是否匹配成功是很容易確定的。但在不精確性推理中，由於知識和證據都具有不確定性，而且知識所要求的不確定性程度與證據實際具有的不確定程度不一定相同，因而就出現了「怎樣才算匹配成功」的問題。

人工智能

2．不確定性的更新算法

不精確推理的根本目的是根據用戶提供的初始證據，通過運用不確定性知識，最終推出不確定性的結論，並推算出結論為確定性的程度。所以不精確推理除了要解決前面提出的問題之外，還需要解決不確定性的更新問題，即在推理過程中如何考慮知識不確定性的動態積累和傳遞。