不确定性推理原理

不确定性可以理解为在缺少足够信息的情况下做出判断，是智能问题的本质特征；推理是人类的思维过程，它是从已知事实出发，通过运用相关的知识逐步推出某个结论的过程。所谓不确定性推理原理就是从不确定性初始证据出发，通过运用不确定性的知识，最终推出具有一定程度的不确定性但却是合理或者近乎合理的结论的方法或理论。

简介不确定性推理是指那种建立在不确定性知识和证据的基础上的推理。它实际上是一种从不确定的初始证据出发，通过运用不确定性知识，最终推出既保持一定程度的不确定性，又是合理和基本合理的结论的推理过程。目的是使计算机对人类思维的模拟更接近于人类的真实思维过程。

一个人工智能系统，由于知识本身的不精确和不完全，采用标准逻辑意义下的推理方法难以达到解决问题的目的。对于一个智能系统来说，知识库是其核心。在这个知识库中，往往大量包含模糊性、随机性、不可靠性或不知道等不确定性因素的知识。为了解决这种条件下的推理计算问题，不确定性推理方法应运而生。在领域专家给出的规则强度和用户给出的原始证据的不确定性的基础上，定义一组函数，求出结论的不确定性度量。它包括如下几个方面：不确定性的传递算法；在每一步推理中，如何把证据及知识的不确定性传递给结论；在多步推理中，如何把初始证据的不确定性传递给结论。不确定性推理的两条研究路线：模型方法。在推理一级上扩展确定性推理，不确定证据和知识与某种度量标准对应，给出更新结论不确定性的算法构成相应的不确定性推理模型。控制方法。在控制策略一级上处理不确定性，无统一的不确定性处理模型，其效果依赖于控制策略。

基本问题及方法在不确定性推理中，除了解决在确定性推理过程中所提到的推理方向、推理方法、控制策略等基本问题外，一般还需要解决不确定性的表示与度量、不确定性的匹配、不确定性的传递算法以及不确定性的合成等问题。选择不确定性表示方法时应考虑的因素：充分考虑领域问题的特征；恰当地描述具体问题的不确定性；满足问题求解的实际需求；便于推理过程中对不确定性的推算。

简而言之，表示问题、计算问题、语义问题。表示问题指的是采用什么方法描述不确定性，这是解决不确定推理的关键一步。通常有数值表示和非数值的语义表示方法，两者都不完善。数值表示便于计算、比较，再考虑到定性的非数值描述才能较好的解决不确定问题。如对规则 和命题（事实）A 分别以 和C(A)来表示不确定性度量。计算问题主要指不确定性的传播和更新，也即获得新的信息的过程。包括：(1) 已知C(A)， 如何计算 C(B)。(2) A的度量 已知，又得 时，如何确定C(A)。(3) C( ∧ )等如何由C( )和C( )来计算。

不确定推理方法可分为形式化方法和非形式化方法。形式化方法有逻辑法、新计算法和新概率法。逻辑法是非数值方法，采用多值逻辑和非单调逻辑来处理不确定性。新计算法认为概率法不足以描述不确定性，从而出现了证据理论（也叫Dempster－Shafter， D-S方法），确定性方法（CF法）以及模糊逻辑方法。新概率法试图在传统的概率论框架内，采用新的计算方法以适应不确定性描述。 非形式化方法是指启发性方法，对不确定性没有给出明确的概念。确定性方法：确定性方法的宗旨不是理论上的严密性，而是处理实际问题的可用性。 同时也不可一成不变地用于任何领域，甚至也不能适用于所有科学领域。推广至一个新领域时必须根据具体情况修改。

证据理论：证据理论中引入了信任函数，它满足概率论弱公理。在概率论中，当先验概率很难获得，但又要被迫给出时，用证据理论能区分不确定性和不知道的差别。所以它比概率论更合适于专家系统推理方法。 贝叶斯网络：其本质就是通过各种方法寻找网络中的条件独立性，达到减少计算量和复杂性的目的。

概率论的有关理论和方法一直都被用作度量不确定性的重要手段，因为它不仅有完善的理论，而且还为不确定性的合成与传递提供了现成的公式，因而它被最早用于不确定性知识的表示与处理中。但由于它通常要求给出事件的先验概率和条件概率，而这些数据又不易获得，因此限制了其应用。为了解决这个问题，人们在概率理论的基础上发展起来了一些新的方法及理论，主要有可信度方法、证据理论、主观概率论等。可信度方法是肖特里菲等人在确定性理论的基础上，结合概率论等提出的一种不确定性推理方法，首先在专家系统 MYCIN中得到了成果的应用。

不确定性推理的需求知识的不完备、不精确性

在很多情况下， 解决问题所需要的知识往往是不完备、不精确的。所谓知识的不完备是指在解决某一问题时，不具备解决该问题所需的全部知识。例如，医生看病时，一般是从病人的部分症状开始诊断的。所谓知识的不精确是指既不能完全确定为真， 也不能完全确定为假。例如，专家系统中的知识多为专家经验，而专家经验又多为不确定性知识。对于这些不精确、不完备知识，采用确定性推理的方法是无法处理的。

所需知识描述模糊

知识描述模糊是指知识的边界不明确。例如，平常人们所说的“很好”、“好”等概念，其边界都是比较模糊的。则当用这类概念来描述知识时，所描述的知识当然也是模糊的。

多种原因导致同一结论

在现实世界中，可由多种不同原因导出同一结论的情况很多。例如，引起人体低烧的原因至少有几十种，医生在看病时只能根据病人的症状，低烧的持续时间和方式，以及病人的体质、病史等作出猜测性的推断。像这样的推理，不可能是精确的。

问题的背景知识不足

问题的背景知识一般是指与该问题有关的历史情况、实现机理、存在环境等方面的知识。例如，人类对一些疾病的机理尚未完全搞懂，因此，在预防、检查、治疗这些疾病方面只能作不确定性推理1。

本词条内容贡献者为:

王慧维 - 副研究员 - 西南大学