【人工智能】不确定性推理方法——C-F模型.pdf下载

weixin_39821051 2023-03-19 09:00:09
【⼈⼯智能】不确定性推理⽅法——C-F模型 ⽂章⽬录 ⼀. 基本概念 要掌握C-F模型⾸先需要了解可信度的概念,可信度是根据经验对⼀个事物或现象为真的相信程度,说⽩了就是有多⼤把握相信⼀个事情。 由于可信度不可避免地带有较⼤主观性和经验性,难以把握准确性。C-F模型便是基于可信度表⽰的不确定性推理的基本⽅法。 不确定性推理主要有两种不确定性,即关于知识的不确定性和关于证据的不确定性。 C-F模型中关于知识的不确定性的表⽰⽅法为"IF E THEN H (CF(H,E))"。这样的式⼦后⾯的括号中都会有⼀个数值,这个数值叫可信度 因⼦,它的取值范围为[-1,1]。可信度因⼦⼜被称为静态强度,即当E所对应的证据为真时对H的影响程度。 若CF(H,E) > 0,CF(H,E)的值越⼤,则证据的出现越是⽀持H为真;若CF(H,E) < 0,CF(H,E)的值越⼩,则证据的出现越是⽀持H为假; 若CF(H,E)=0,则证据的出现与否与H⽆关。 C-F模型中关于证据的不确定性的表⽰⽅法为"CF(E)",CF(E)的值便是证据E的可信度,它的取值范围为[-1,1]。可信度⼜被称为动态强 度,即证据E当前的不确定性程度。 对于初始证据,若所有观察S能肯定它为真,则CF(E) = 1。若肯定它为假,则CF(E) = -1。若以某种程度为真,则 0 < CF(E) < 1。若以某 种程度为假,则 -1 < CF(E) < 0 。若未获得任何相关的观察,则 CF(E) = 0。 ⼆. 必背公式 上⾯这些基本概念是不是看着⼀头雾⽔? 没错,确实很抽象,但是这并不妨碍我们把题做出来,咱们真正需要重点掌握的是接下来的公式。 就硬背,⼲就完了! 1. 证据不确定性的组合算法 组合证据按照逻辑运算与(AND)和或(OR)可以分为合取运算和析取运算,其公式如下: 合取运算: 析取运算: 记忆⼝诀:合取AND取最⼩,析取OR取最⼤。 2. 结论不确定性的传递算法 C-F模型中的不确定性推理从不确定的初始证据出发,最终推出结论并求出结论的可信度值。结论 H 的可信度的计算公式如下: 3. 结论不确定性的合成算法 上⾯这个算法只是假定只有两个因素E1和E2对H有影响,对于多个因素(两个以上)对H有影响的情况,需要先根据上述算法合成 CF1,2(H),再与后⾯的项CF3(H)合成CF1,2,3(H),直⾄遍历完所有对H有影响的因素。需要注意的是在算法的第⼆步需要根据合成⼆者 的符号选⽤特定的公式。 三. 典型例题 我们现在已经背会了上⾯三个算法公式,现在就可以开始做题了。 下⾯给出了三道例题,我们可以通过例题的分析求解总结出C-F模型相关题⽬的普遍性解法。 例题1 【例1】设有如下⼀组知识: r1:IF E1 THEN H (0.9) r2:IF E2 THEN H (0.6) r3:IF E3 THEN H (-0.5) r4:IF E4 AND (E5 OR E6) THEN E1(0.8) 已知CF(E2) = 0.8,CF(E3) = 0.6, CF(E4) = 0.5,CF(E5) = 0.6,CF(E6) = 0.8 ,求CF(H)。 我们⾸先观察已知的内容,发现有CF(E2)、CF(E3)、CF(E4)、CF(E5)和CF(E6),是不是感觉缺少了些东西? 对啊!CF(E1)哪⼉去了!? 其实,CF(E1)这个东西就是我们⾸先需要求出来的值,是本题的⼊⼝所在。 我们从上⾯的四条知识中搜寻E1,发现r4这句中带有E1,我们便需要根据此条知识求出CF(E1)。 根据不确定性传递算法,我们可以将r4这句转化为下⾯这个样⼦: CF(E1) = 0.8 × max{0, CF[E4 AND (E5 OR E6)]} 我们重点关注⼀下"CF[E4 AND (E5 OR E6)]",这个式⼦中带有AND和OR,我们很⾃然地就想到了合取和析取运算,运⽤记忆⼝诀, 我们可以进⼀步处理可以得到下⾯这个样⼦: CF(E1) = 0.8 × max{0, min{CF(E4), max{CF(E5), CF(E6)}}} 然后代⼊已知的值进⾏计算: CF(E1) = 0.8 × max{0, min{0.5, max{0.6, 0.8}}} = 0.4 CF(E1) = 0.4总算被我们求出来了,现在我们再观察上⾯三个和H有关的知识r1、r2、r3。 r1:IF E1 THEN H (0.9) r2:IF E2 THEN H (0.6) r3:IF E3 THEN H (-0.5) 从上式我们可以得知,有三个因素E1、E2、E3都对H有影响。为了求出CF(H),此时我们应该先合成CF1,2(H),再与CF3(H)合成 CF1,2,3(H)。 先将r1、r2、r3转化,并计算出C , 相关下载链接:https://download.csdn.net/download/qq_43934844/87504740?utm_source=bbsseo
...全文
147 回复 打赏 收藏 转发到动态 举报
写回复
用AI写文章
回复
切换为时间正序
请发表友善的回复…
发表回复
内容概要:本文系统研究了基于豪猪优化算法(CPO)的多无人机协同集群在三维空间中的避障路径规划问题,聚焦于实现以最低成本为目标的航迹优化,综合考虑路径长度、飞行高度、威胁规避及转弯角度等多个关键因素。通过构建精细化的三维环境模型与多无人机协同机制,采用Matlab平台实现CPO算法的仿真与验证,充分展示了该算法在复杂动态障碍环境下的高效搜索能力与全局优化性能。研究不仅涵盖了路径规划的数学建模与目标函数设计,还深入探讨了算法的收敛特性与鲁棒性,为智能群体系统在实际场景中的应用提供了理论依据与技术支撑。; 适合人群:具备一定编程基础和优化算法背景,从事无人机系统控制、智能路径规划、群体协同、人工智能与自动化等相关领域的科研人员、高校研究生及工程技术人员。; 使用场景及目标:①应用于多无人机协同执行侦察、灾害监测、应急救援、区域巡检等复杂任务中的自主路径规划;②为智能优化算法在三维动态环境下的路径决策问题提供可复现的技术范例;③支持研究人员对CPO算法与其他主流群智能算法(如PSO、GWO、WOA等)进行性能对比与改进研究,推动路径规划技术的发展。; 阅读建议:建议结合提供的Matlab代码进行实践操作,重点理解目标函数的多维度建模方式与CPO算法的迭代优化流程,可通过调整环境参数与约束条件进行仿真实验,对比不同算法在相同场景下的路径质量与收敛速度,从而深入掌握其优势与适用边界。
内容概要:本文围绕电动汽车参与电力系统运行备用的能力评估展开深入研究,利用Matlab代码实现对电动汽车集群提供运行备用服务的建模与仿真分析。研究重点在于量化电动汽车作为分布式灵活资源参与电网辅助服务的潜力,通过构建精细化的数学模型,分析其可调功率容量、响应速度、时空分布特性及聚合能力,并采用多面体聚合、内近似模型与闵可夫斯基和等先进方法精确刻画其可调度能力边界。研究进一步结合大规模电动汽车接入场景,探讨其在多时间尺度调度框架下参与调峰、调频等辅助服务的优化策略,评估其对提升高比例可再生能源电网灵活性与稳定性的贡献,最终通过仿真验证所提模型与方法的有效性与实用性。; 适合人群:具备电力系统分析、智能电网、新能源汽车或优化调度等相关专业背景,熟悉Matlab/Simulink仿真工具,从事科研、工程应用的高校研究生、科研人员及电力行业工程师。; 使用场景及目标:①精确评估大规模电动汽车集群在不同约束条件下可提供的运行备用容量;②研究电动汽车在日前、日内及实时调度中的动态响应能力与优化调度策略;③为高渗透率新能源电力系统提供基于移动储能的灵活性资源解决方案,支撑电网安全经济运行。; 阅读建议:建议结合Matlab代码与技术文档同步学习,重点关注多面体聚合建模、能力边界计算及优化调度算法的设计与实现,可进一步拓展至V2G(车辆到电网)、需求响应等互动场景进行二次开发与应用验证。

13,654

社区成员

发帖
与我相关
我的任务
社区描述
CSDN 下载资源悬赏专区
其他 技术论坛(原bbs)
社区管理员
  • 下载资源悬赏专区社区
加入社区
  • 近7日
  • 近30日
  • 至今
社区公告
暂无公告

试试用AI创作助手写篇文章吧