不精确知识的表示

4.5.1　不精确知识的表示

人们生活在一个不确定的世界里，常常要在具有不确定信息的环境中解决问题和做决策。实践中的大多数情况都具有不确定性，人们经常使用一些不精确或不完善的资料进行工作，人们头脑中大多数的概念和经验都没有明确的边界。不确定性在人工智能系统中是不可避免的。

不确定性一方面来自信息的不完全性，并不是信息固有的不确定性，而是人们缺乏所需要的信息，由于表示和处理方法不精确、不完善所致。例如从部分可靠信息源获得的部分信息。另一方面，不确定性产生于知识本身固有的不精确性，它包括客观事物的随机性，即偶然事件发生与否的不确定性，以及概念的模糊性，即概念外延的不确定性。应用不完全的、不精确的信息，大多数情况不能精确地解决问题。当应用完全的和精确的信息，问题的解决方法可能是确定的，但有时为了减少计算消耗，也可能使用不精确的方法。

任何不完全的信息可以被追踪和纠正，所以重点是不精确信息的处理问题。人类处理不确定性的方法是，根据已有的事实，利用思维推理作判断。因此，在人工智能系统中，除了利用确定的规则对确定的知识进行精确推理外，更重要的是用经验知识对不确定的知识进行非精确推理。近些年发展了一些处理不确定信息的理论，主要的理论有概率论(Probability Theory)、模糊逻辑(Fuzzy Logic)、确定性理论(Certainty Theory)和Dempster-Shafer的证据理论。

概率论已发展了描述和处理不确定性的复杂方法，当应用于以下领域时，它是一种好方法。

(1)有关世界是真正随机的，例如，流行病发生时期的病人分布。

(2)处理确定世界，求解完全确定的问题时，涉及大量的数据，但程序不能经常存取这样多的数据。

(3)没有使用恰当的表示方法引起的随机性。

概率方法要求详细的不常用的领域知识，且这种知识的获取很困难。再者，概率论无法处理模糊信息。因此，它不适于大多数知识领域，取代概率论的方法是模糊逻辑和确定性理论。

不管使用哪一种方法，表示和处理不确定信息的基本方法是确定一个可能性、概率、真实程度、确定性或信度因子，可将它们看作闭区间［0，1］上的实数或0～100之间的整数，将这些值赋给基本事件的集合。然后应用一些运算方法，如可能性演算、概率组合、真值传递和非精确推理等，来求得复合或复杂事件的不确定性。