22.Оценка неопределенности суждений с использованием фактора уверенности

Стэндфордская теория фактора уверенности основывается на ряде наблюдений. Во-первых, в традиционной теории вероятностей сумма вероятностей отношения и его отрицания должна равняться единице. Однако нередки ситуации, при которых человек-эксперт, оценив вероятность (достоверность) некоторого отношения значением 0.7, полагает, что отношение истинно, и вовсе не учитывает, что оно может быть ложным. Еще одно предположение, подкрепляющее теорию фактора уверенности, состоит в том, что знание самих правил намного важнее, чем знание алгебры для вычисления их достоверности. Мера уверенности (или доверия) - это неформальная оценка, которую человек-эксперт добавляет к заключению, например: "вероятно, это так", "почти наверняка, это так" или "это совершенно невероятно". Стэндфордская теория фактора уверенности вводит некоторые простые предположения о мере доверия и предлагает правила для объединения свидетельств при выводе заключений. Первым допущением является разделение меры доверия и недоверия ("за" и "против") для каждого отношения.

23. Системы искусственного интеллекта с нечеткой логикой. Основные принципы обработки нечетких знаний При разработке экспертных систем для преодоления трудностей, вызванных обработкой неопределенных знаний, используют концепцию «мягких» вычислений (soft computing). Основными компонентами «мягких вычислений» являются нечеткая логика, теория нейронных сетей и генетические алгоритмы. "Все эти методы основываются на идее увеличения полноты и качества знаний путем комбинирования фактов и использования метазнаний о возможностях комбинирования фактов. При обработке знаний путем реализации «мягких» вычислительных процессов положения нечеткой логики позволяют формализовать неточность и неполноту информации. Для формализации неопределенности экспертных знаний методы «мягких» вычислений используют разнообразные априорные оценки, факторы уверенности, интервальные степени доверия, условные вероятности и нечеткие (размытые) множества. Идея использования размытых множеств заключается в алгоритмизации нечетких данных о проблемных ситуациях и приведении их к виду, приемлемому для компьютерной обработки. В отличие от традиционной формальной логики, известной со времен Аристотеля и оперирующей точными и четкими значениями: «истинаи ложь», «да и нет», «ноль и единица», нечеткая логика имеет дело со значениями, лежащими в некотором (непрерывном или дискретном) диапазоне. С помощью нечеткой логики сначала для описания проблемных ситуаций вводят какие-либо понятие с помощью лингвистической переменной, принимающей лингвистические значения ("большой", "средний", "недоста-точный" и т.д.) и далее совершают над ним операции в соответствии с теорией нечетких множеств. Теория нечетких множеств - это математический метод, созданный для представления смысловых нечеткостей слов человека, представляющий возможность математически обрабатывать субъективные данные.Автор идеологии «размытых множеств» Л. Заде исходит из того, что «элементами мышления человека являются не числа, а элементы некоторых множеств или классов объектов, для которых переход от «принадлежности к классу» и «не принадлежности» не скачкообразен, а непрерывен». Теория нечетких множеств позволяет выполнять над такими величинами весь спектр операций над множествами - объединение, пересечение, отрицание и др. Более того, согласно теореме FAT (Fuzzy Approximation Theorem), доказанной Коско, любая математическая система может быть аппроксимирована системой, основанной на нечеткой логике.