第三章5不確定推理.ppt

1、1,3.8 不確定性推理,以模糊集理論為基礎(chǔ)的方法 以概率為基礎(chǔ)的方法,3.8.1 關(guān)于證據(jù)的不確定性,不確定性推理是研究復(fù)雜系統(tǒng)不完全性和不確定性的有力工具。有兩種不確定性，即關(guān)于證據(jù)的不確定性和關(guān)于結(jié)論的不確定性。,2,3.8.2 關(guān)于結(jié)論的不確定性,關(guān)于結(jié)論的不確定性也叫做規(guī)則的不確定性，它表示當(dāng)規(guī)則的條件被完全滿足時(shí)，產(chǎn)生某種結(jié)論的不確定程度。,3.8.3 多個(gè)規(guī)則支持同一事實(shí)時(shí)的不確定性,基于模糊集理論的方法 基于概率論的方法,3.8 不確定性推理,3,基本概念,1.什么是不確定性推理? 2.為什么要研究不確定性推理? 3.不確定性的表示和度量 4.不確定性的計(jì)算 5.不確定性推理方

2、法的分類,4,基本概念(1/5),什么是不確定性推理? 不確定性推理是建立在非經(jīng)典邏輯上的一種推理,是對不確定性知識的運(yùn)用與處理 是從不確定性的初始證據(jù)出發(fā),通過運(yùn)用不確定性的知識, 最終推出既保持一定程度的不確定性，又是合理和基本合理的結(jié)論的推理過程。 例如：A發(fā)生的概率是0.7，A發(fā)生后B發(fā)生的概率是0.8。則A發(fā)生引起B(yǎng)發(fā)生的概率是0.7*0.8=0.56,5,基本概念(2/5),為什么要研究不確定性推理? 日常生活中含有大量的不確定的信息 ES系統(tǒng)中大量的領(lǐng)域知識和專家經(jīng)驗(yàn)，不可避免的包含各種不確定性。,6,不確定性推理方法研究產(chǎn)生的原因,很多原因?qū)е峦唤Y(jié)果 推理所需的信息不完備 背

3、景知識不足 信息描述模糊 信息中含有噪聲 規(guī)劃是模糊的 推理能力不足 解題方案不唯一,例如，多種原因引起同一種疾病。發(fā)燒可能因?yàn)楦忻埃部赡芤驗(yàn)榈昧朔窝?，需要進(jìn)一步的知識才能作出具體判斷。,7,不確定性推理方法研究產(chǎn)生的原因,很多原因?qū)е峦唤Y(jié)果 推理所需的信息不完備 背景知識不足 信息描述模糊 信息中含有噪聲 規(guī)劃是模糊的 推理能力不足 解題方案不唯一,勘探得到的地質(zhì)分析資料不完備,8,不確定性推理方法研究產(chǎn)生的原因,很多原因?qū)е峦唤Y(jié)果 推理所需的信息不完備 背景知識不足 信息描述模糊 信息中含有噪聲 規(guī)劃是模糊的 推理能力不足 解題方案不唯一,疾病的發(fā)病原因不十分明確。,9,不確定性推理

4、方法研究產(chǎn)生的原因,很多原因?qū)е峦唤Y(jié)果 推理所需的信息不完備 背景知識不足 信息描述模糊 信息中含有噪聲 規(guī)劃是模糊的 推理能力不足 解題方案不唯一,如他不高不矮，今天不冷不熱等等。在這類描述中，通常無法以一個(gè)量化的標(biāo)準(zhǔn)來描述，所描述的事物通常處在一個(gè)大致的范圍。比如，認(rèn)為身高在165cm174cm之間的男士符合不高不矮的描述。,10,不確定性推理方法研究產(chǎn)生的原因,很多原因?qū)е峦唤Y(jié)果 推理所需的信息不完備 背景知識不足 信息描述模糊 信息中含有噪聲 規(guī)劃是模糊的 推理能力不足 解題方案不唯一,噪聲的存在干擾了人們對本源信息的認(rèn)知，從而加大了認(rèn)知上的難度。如語音信號、雷達(dá)信號中的噪音干擾帶

5、來的信息模糊。,11,不確定性推理方法研究產(chǎn)生的原因,很多原因?qū)е峦唤Y(jié)果 推理所需的信息不完備 背景知識不足 信息描述模糊 信息中含有噪聲 規(guī)劃是模糊的 推理能力不足 解題方案不唯一,當(dāng)需要對某個(gè)問題域進(jìn)行劃分時(shí)，可能無法找到一個(gè)清晰的標(biāo)準(zhǔn)。如根據(jù)市場需求情況調(diào)節(jié)公司產(chǎn)品的內(nèi)容和數(shù)量。,12,不確定性推理方法研究產(chǎn)生的原因,很多原因?qū)е峦唤Y(jié)果 推理所需的信息不完備 背景知識不足 信息描述模糊 信息中含有噪聲 規(guī)劃是模糊的 推理能力不足 解題方案不唯一,必須考慮到實(shí)現(xiàn)的可能性，計(jì)算復(fù)雜度，系統(tǒng)性能。如計(jì)算機(jī)的實(shí)現(xiàn)能力，推理算法的規(guī)模擴(kuò)大能力有限等,13,不確定性推理方法研究產(chǎn)生的原因,很多原

6、因?qū)е峦唤Y(jié)果 推理所需的信息不完備 背景知識不足 信息描述模糊 信息中含有噪聲 規(guī)劃是模糊的 推理能力不足 解題方案不唯一,沒有最優(yōu)方案，只有相對較優(yōu)方案。不實(shí)施，不能做出最后判斷。,14,一個(gè)人工智能系統(tǒng)，由于知識本身的不精確和不完全，采用標(biāo)準(zhǔn)邏輯意義下的推理方法難以達(dá)到解決問題的目的。對于一個(gè)智能系統(tǒng)來說，知識庫是其核心。在這個(gè)知識庫中，往往大量包含模糊性、隨機(jī)性、不可靠性或不知道等不確定性因素的知識。為了解決這種條件下的推理計(jì)算問題，不確定性推理方法應(yīng)運(yùn)而生。 由于人類認(rèn)識水平的客觀限制，客觀世界的很多知識仍不為人們所認(rèn)知。 不精確思維并非專家的習(xí)慣或愛好所至，而是客觀現(xiàn)實(shí)的要求。在人

7、類的知識和思維行為中，精確性只是相對的，不精確性才是絕對的。知識工程需要各種適應(yīng)不同類的不精確性特點(diǎn)的不精確性知識描述方法和推理方法。,15,師氏食獅史,石室詩士施氏，嗜獅，誓食十獅。氏時(shí)時(shí)適市視獅。十時(shí)，適十獅適市。是時(shí)，適施氏適市。氏視是十獅，恃矢勢，使是十獅逝世。氏拾是十獅尸，適石室。石室濕，氏使恃拭石室。石室拭，氏始試食是十獅尸。食時(shí)，始識是十獅尸，實(shí)十石獅尸。試釋是事。,16,知識的不確定性,難于用精確的概念來描述事物 eg 高與不高 比禿子多一根頭發(fā)的人仍是禿子 專家系統(tǒng)中的不確定性表現(xiàn)在證據(jù)或事實(shí)的不確定性，第二是規(guī)則的不確定性，第三是推理的不確定性。,禿子悖論,17,關(guān)于證據(jù)的

8、不確定性,證據(jù)的歧義性 證據(jù)的不完全性 證據(jù)的不精確性 證據(jù)的模糊性 證據(jù)的可信性 證據(jù)的隨機(jī)性,同意總理開會(huì) I saw a man with a telescope,身高大約 1.70米,年輕,如果烏云密布且電閃雷鳴，則很可能要下暴雨。,18,關(guān)于規(guī)則的不確定性,構(gòu)成規(guī)則前件的模式的不確定性 觀察證據(jù)的不確定性 規(guī)則前件的證據(jù)組合的不確定性 規(guī)則本身的不確定性 規(guī)則結(jié)論的不確定性,Eg 如果患者發(fā)高燒且常流清鼻涕，則患者感冒,牛頓定律 宏觀正確 微觀不適合,19,推理的不確定性,推理的不確定性是指：由于證據(jù)和規(guī)則的不確定性在推理過程中的動(dòng)態(tài)積累和傳播而導(dǎo)致推理結(jié)論的不確定性。 需要采用某種

9、不確定性的測度，并能在推理過程中來傳遞和計(jì)算這種不確定性的測度，最終得到結(jié)論的不確定性測度。 根據(jù)不確定性測度計(jì)算方法的不同,不確定推理可以有基于概率理論的不確定推理,基于可信度理論的不確定推理和基于模糊理論的不確定推理.,20,研究和發(fā)展,Shortliffe等人1975年結(jié)合MYCIN系統(tǒng)的建立提出了確定性理論。 DURA等人1976在PROSPECTOR的基礎(chǔ)上給出了概率法。 Dempster Shafter同年提出證據(jù)理論，Zadeh兩年后提出了可能性理論，1983年提出了模糊邏輯。,21,基本概念(3/5),表示問題:即采用什么方法描述不確定性.一般有數(shù)值表示和非數(shù)值的語義表示方法.

10、 計(jì)算問題:主要指不確定性的傳播和更新,也即獲得新信息的過程.主要包括: 已知C(A), AB f(B,A),如何計(jì)算C(B) 已知C1(A),又得到C2(A),如何確定C(A) 如何由C(A1),C(A2)計(jì)算C(A1A2), C(A1A2) 語義問題: 指的是上述表示和計(jì)算的含義是什么,如何進(jìn)行解釋.,22,不確定性的度量是指不確定的程度。根據(jù)不同的需要，往往采用不同的數(shù)據(jù)和方法來度量知識、證據(jù)和結(jié)論不確定性的程度，同時(shí)還需要事先規(guī)定它的取值范圍。 在確定一種量度方法及其范圍時(shí)，應(yīng)注意以下幾點(diǎn)：(1)量度要能充分表達(dá)相應(yīng)知識及證據(jù)不確定性的程度。(2)量度范圍的指定應(yīng)便于領(lǐng)域?qū)＜壹坝脩魧Σ?/p>

11、確定性的估計(jì)。(3)量度要便于對不確定性的傳遞進(jìn)行計(jì)算，而且對結(jié)論算出的不確定性量度不能超出量度規(guī)定的范圍。(4)量度的確定應(yīng)當(dāng)是直觀的，同時(shí)應(yīng)有相應(yīng)的理論依據(jù)。,23,不確定性的計(jì)算主要指不確定性的傳遞和更新,也即獲得新信息的過程。主要包括如下三個(gè)方面： 1）不確定性匹配算法及閾值的選擇 目前常用的解決方法是，設(shè)計(jì)一個(gè)算法用來計(jì)算匹配雙方相似的程度，另外再指定一個(gè)相似的“限度”，用來衡量匹配雙方相似的程度是否落在指定的限度內(nèi)。如果落在指定的限度內(nèi)，就稱它們是可匹配的，相應(yīng)知識可被應(yīng)用，否則就稱它們是不可匹配的，相應(yīng)知識不可應(yīng)用。上述中，用來計(jì)算匹配雙方相似程度的算法稱為不確定性匹配算法，用來

12、指出相似的“限度”稱來閾值。,基本概念(4/5),24,2）組合證據(jù)的不確定性算法 知識的前提條件既可以是簡單條件，也可以是用合取或析取把多個(gè)簡單條件連接起來構(gòu)成的復(fù)合條件。進(jìn)行匹配時(shí)，一個(gè)簡單條件對應(yīng)于一個(gè)單一的證據(jù)，一個(gè)復(fù)合條件對應(yīng)于一組證據(jù)，稱這一組證據(jù)為組合證據(jù)。 目前，用的較多的有如下3種： (1) 最大最小法 C(E1 AND E2)=minC(E1), C(E2) C(E1 OR E2)=maxC(E1), C(E2) (2) 概率方法 C(E1 AND E2)=C(E1)C(E2) C(E1 OR E2)=C(E1)+C(E2)-C(E1)C(E2) (3) 有界方法 C(E1

13、 AND E2)=max0,C(E1)+C(E2)-1 C(E1 OR E2)=min1,C(E1)+C(E2) 上述的每一組公式都有相應(yīng)的適用范圍和適用條件。,25,3）不確定性的傳遞算法 求解問題時(shí)，一般都需要通過多步推理才能得出結(jié)論，并求出結(jié)論的不確定性。在這一過程中，不確定性是逐步傳遞的。因此，為了得到最終結(jié)論的不確定性，必須設(shè)計(jì)不確定性的傳遞算法。在不同的系統(tǒng)中，由于面向的領(lǐng)域問題有不同特性，所采用不確定性的表示方法不同，因而所用的算法也不一樣。不確性的傳遞一般包括兩個(gè)子問題：一是在每一步推理中，如何把證據(jù)及知識的不確定性傳遞給結(jié)論；二是在多步推理中，如何把初始證據(jù)的不確定性傳遞給最

14、終結(jié)論。,對于第一個(gè)子問題，在不同的不確定推理方法中所采用的處理方法各不相同，這將在下面的幾節(jié)中分別進(jìn)行討論。 對于第二個(gè)子問題，各種方法所采用的處理方法基本相同，即把當(dāng)前推出的結(jié)論及其不確定性量度作為證據(jù)放入數(shù)據(jù)庫中，供以后推理使用。,26,4）結(jié)論不確定性合成 推理中有時(shí)會(huì)出現(xiàn)這樣一種情況：用不同知識進(jìn)行推理到得到了相同結(jié)論，但不確定性程度卻不相同。此時(shí)，需要用合適的算法對它們進(jìn)行合成。 若有n條獨(dú)立的證據(jù)i(i=1,2,n)，分別求得結(jié)論H的不確定性為Ci (H)。則所有證據(jù)i的組合導(dǎo)致結(jié)論H的不確定性C(H)，即定義算法g，使得 C(H)=gC1(H), C2(H), Cn(H) 在不

15、同的不確定性推理方法中所采用的合成算法g各不相同，這將在以下的各節(jié)中分別予以討論。,27,基本概念(5/5),不確定推理方法的分類 形式化方法:在推理一級擴(kuò)展確定性方法. 邏輯方法:是非數(shù)值方法,采用多值邏輯、非單調(diào)邏輯來處理不確定性 新計(jì)算方法:認(rèn)為概率方法不足以描述不確定性,出現(xiàn)了確定性理論,主觀貝葉斯方法,證據(jù)理論和模糊邏輯等 新概率方法:在傳統(tǒng)的概率框架內(nèi),采用新的計(jì)算工具以確定不確定性描述 非形式化方法:在控制一級上處理不確定性 如制導(dǎo)回溯、啟發(fā)式搜索等等,28,不確定性推理方法可分為形式化方法和非形式化方法。形式化方法是對確定性推理方法的擴(kuò)展，它包括邏輯法、新計(jì)算法和新概率法。邏輯

16、法是非數(shù)值方法，它采用多值邏輯和非單調(diào)邏輯來處理不確定性。新計(jì)算法認(rèn)為一般的概率方法不足以描述不確定性，從而出現(xiàn)了確定性理論、主觀貝葉斯方法和證據(jù)理論等方法。新概率法則試圖在傳統(tǒng)的概率論框架內(nèi)，采用新的概率計(jì)算方法以適應(yīng)不確定性描述。非形式化方法則是指啟發(fā)性方法，通過在控制上處理不確定性，但對不確定性沒有給出明確的概念。,29,常見不確定性推理方法的基本思想,信念網(wǎng)絡(luò)（ ）信息網(wǎng)絡(luò)也稱貝葉斯網(wǎng)絡(luò)，是由 年給出的，屬于證據(jù)推理中的貝葉斯家族，使用概率論方法。信念網(wǎng)絡(luò)是無圈有向圖（），其中結(jié)點(diǎn)都是變元，弧表示相關(guān)變元間的依賴關(guān)系。變元有一些取值對應(yīng)于互不相同的假設(shè)或觀察。依賴性強(qiáng)度由條件概率確定。

17、由于通常的概率推理計(jì)算量很大，信念網(wǎng)絡(luò)理論試圖利用問題中的獨(dú)立性信息減少計(jì)算量。信念網(wǎng)絡(luò)提供了一種有效機(jī)制利用和檢測獨(dú)立性，從而為古老的概率推理注入了新的活力。該方法現(xiàn)已廣泛應(yīng)用，成為最有影響的不確定性推理方法。沿著這一思路，提出了概率相似性網(wǎng)絡(luò)理論，相似性網(wǎng)絡(luò)可以利用更多的獨(dú)立性信息。,30,確定因子方法（ ）在專家系統(tǒng)出現(xiàn)之前，概率論、證據(jù)理論和模糊集合論已經(jīng)得到很大發(fā)展。當(dāng)專家系統(tǒng)研究開始時(shí)，研究人員試圖發(fā)展適合于基于規(guī)則的知識密集型系統(tǒng)不確定性管理方案。年代早期，提出了著名的確定因子方法，并用于處理系統(tǒng)中的不確定性信息。 在系統(tǒng)中，知識庫是一組形如：證據(jù)（）假設(shè)的規(guī)則組成，其中，表示在

18、給定觀察下假設(shè)的可信度。 可信度可以通過兩個(gè)函數(shù)計(jì)算：（）（，）。其中，（，）表示：證據(jù)成立時(shí)，假設(shè)相信程度的增加；（，）表示：證據(jù)成立時(shí)，假設(shè)被懷疑程度的增加。的值，表示的否定被確認(rèn)，表示被確認(rèn)。值得指出的是，證明了確定因子的原始定義與其綜合函數(shù)是不協(xié)調(diào)的，并且提出了確定因子的一種概率解釋。指出的修正確定因子理論是理論的一個(gè)特殊情形。,31,主觀貝葉斯方法主觀貝葉斯方法最早用于探礦專家系統(tǒng)的設(shè)計(jì)。主觀貝葉斯方法除了使用通常的貝葉斯公式外，還使用一種變形的貝葉斯公式來計(jì)算在給定觀察下某一假設(shè)成立的概率。新的公式基于更多的條件獨(dú)立性假設(shè)。,32,證據(jù)理論證據(jù)理論又稱理論，最早由 在年代提出，年代

19、經(jīng) 發(fā)展成現(xiàn)在的形式。證據(jù)理論的提出旨在解決概率論推理的兩上困難：概率論不能很好地表示無知，一個(gè)信念與其否定的主觀概率之和為。事實(shí)上，概率論推理的兩個(gè)困難是有密切聯(lián)系的：無知使得我們對某一命題及其否定的相信程度之和可能不為；而和不為說明信念中有無知。證據(jù)理論用兩個(gè)數(shù)值信任度和似然度來表示不確定性，信任度相當(dāng)于概率的下界，似然度相當(dāng)于概率的上界。,33,可能性理論可能性理論是基于模糊集合論提出的一種不確定性推理方法，后經(jīng)和等人發(fā)展，成為一種重要的推理方法?？赡苄岳碚撃芴幚砟：淮_定性和不完全信息，其表示不確定性信息的手段是使用可能性度量和必然性度量。盡管從度量上看，可能性理論的度量是證據(jù)理論度量

20、的特例，但是這不等于說可能性理論是證據(jù)理論的一個(gè)特例。事實(shí)上，可能性理論具有自己的傳播、修正手段，它所處理的對象是帶有模糊性的信息。,34,粗略集理論粗略集理論是 年提出的一種處理不確定性的方法。該理論特別適合于處理知識獲取過程中的不致性。在粗略集理論中，計(jì)算一個(gè)劃分的上、下似是基本的研究問題。基于上、下近似，兩組不同的規(guī)則集就可以算出來，這就是確定性規(guī)則和可能性規(guī)則。確定性規(guī)則可以使用經(jīng)典邏輯進(jìn)行演算?？赡苄砸?guī)則由一些數(shù)據(jù)（其中可能有沖突）支持。可能性可以使用經(jīng)典邏輯或者任何一種不確定處理方法進(jìn)行處理。該方法的一個(gè)優(yōu)點(diǎn)是確定性規(guī)則和可能性規(guī)則可以分開來處理，另一個(gè)優(yōu)點(diǎn)是不需關(guān)于數(shù)據(jù)的定量化信

21、息。,35,非單調(diào)推理經(jīng)典的非單調(diào)推理方案主要研究在信息或知識不完全情況下如何推出一些合理的可錯(cuò)的結(jié)論問題。因此，非單調(diào)推理屬于定性不確定性推理的范疇。由于大多數(shù)非單調(diào)推理方案缺乏信念強(qiáng)度的評價(jià)手段，因此非單調(diào)推理與其它不確定性推理的結(jié)合研究逐漸活躍起來。,36,不確定性推理方法,確定性理論 主觀貝葉斯方法 證據(jù)理論,37,一.確定性理論,1975年，肖特里菲（E. H. Shortliffe）提出一種不確定性推理方法，并應(yīng)用于專家系統(tǒng)MYCIN。它以產(chǎn)生式作為知識表示方法，以確定性因子或稱可信度作為不確定性的度量。,38,1. 知識的不確定性表示,規(guī)則以AB表示，其中前提A可以是一些命題的合

22、取或析取?？尚哦菴F(B,A)作為規(guī)則不確定性度量，它的作用域?yàn)?1,1。 定義4.11 規(guī)則AB，結(jié)論B的可信度被定義為,CF(B,A)的定義借用了概率，但它本身并不是概率。因?yàn)镃F(B,A)可取負(fù)值，CF(B,A)+CF(B,A)不必為1甚至可能為0。,39,定義4.12 CF(B,A)=MB(B,A)-MD(B,A) 其中MB為信任增長程度，當(dāng)MB(B,A)0時(shí)，有P(B|A)P(B)，表示證據(jù)A的出現(xiàn)增加了對B的信任程度。MD為不信任增長程度，當(dāng)MD(B,A)0時(shí)，有P(B|A)P(B)，表示證據(jù)A的出現(xiàn)增加了對B的不信任程度。 定義4.13,40,對于同一個(gè)證據(jù)A，若存在n個(gè)互不相容

23、的假設(shè)Bi(i=1,2,n)，則,因此，若發(fā)現(xiàn)專家給出的可信度CF(B1,A)=0.6，CF(B2,A)=0.7，即出現(xiàn)B1和B2互不相容，則說明規(guī)則的信度是不合理的，應(yīng)當(dāng)進(jìn)行適當(dāng)調(diào)整。,41,在確定性的邏輯推理過程中，前提（規(guī)則A B的左部A，也就是證據(jù)）要么為真，要么為假，不允許不真不假的情況出現(xiàn)。但是在很多不確定性推理問題中，前提或證據(jù)本身是不確定的，介于完全的真和完全的假之間。為了描述這種不確定性的程度，引入了證據(jù)的可信度。,2. 證據(jù)的不確定性表示,42,在推理過程中，不可避免要計(jì)算原始證據(jù)的與、或、非，還要計(jì)算多條規(guī)則的使用對計(jì)算結(jié)果的綜合影響。于是，在已知規(guī)則和原始證據(jù)的可信度度

24、量的情況下，如何計(jì)算新的組合證據(jù)或規(guī)則的不確定性，就成了很關(guān)鍵的問題。在不確定性的傳播與更新中，必須解決證據(jù)的與、或、非的不確定性計(jì)算問題。 (1) 組合證據(jù)的不確定性算法 CF(A1A2An)=minCF(A1),CF(A2),CF(An) CF(A1A2An)=maxCF(A1),CF(A2),CF(An) (2) 證據(jù)“非”的計(jì)算 CF(A)-CF(A) (3) 不確定性的傳遞算法：根據(jù)證據(jù)和規(guī)則的可信度求其結(jié)論的可信度。若已知CF(B,A)和證據(jù)的可信度CF(A)，則結(jié)論的可信度CF(B)為 CF(B)=CF(B,A)max0,CF(A),3. 推理算法,43,(4) 多個(gè)獨(dú)立證據(jù)推出

25、同一假設(shè)的合成算法 如由規(guī)則A1B求得CF1(B)，又使用規(guī)則A2B時(shí)，如何更新CF2(B)?；蛘f已知CF(A1)，CF(A2)以及CF(B,A1)，CF(B,A2)來尋求合成的CF(B)。 依(1)先計(jì)算出 CF1(B)CF(B,A1)max0,CF(A1) CF2(B)CF(B,A2)max0,CF(A2) 進(jìn)而規(guī)定,44,在MYCIN系統(tǒng)基礎(chǔ)上形成的專家系統(tǒng)工具EMYCIN，對上式中的其他情況做了如下修改。在其他情況下,CF(B)的更新計(jì)算，也可這樣來理解。已知CF(A)，CF(B,A)，B原來的可信度為CF(B)，來求B的可信度更新值CF(B|A)。這時(shí)的計(jì)算可寫成當(dāng)CF(A)=1時(shí)，

26、有,45,EMYCIN系統(tǒng)中，其他情況下時(shí),當(dāng)CF(A)0，可以CF(A)CF(B,A)作為對規(guī)則AB的可信度，而CF(B|A)的計(jì)算仍可使用CF(A)=1時(shí)的公式。但CF(A)0時(shí)，規(guī)則AB可不使用，像MYCIN系統(tǒng)規(guī)定CF(A)0.2就認(rèn)為是不可使用的前提。,46,4. 對CF定義的改進(jìn) 可信度直觀上應(yīng)滿足下述性質(zhì)： (1) CF(B,A,e)=CF(B,A) 獨(dú)立性 (2) CF(B,A1,A2)=CF(B,A2,A1)組合交換性 (3) 若CF(A,A)=1則CF(B,A)=CF(B,A)有序組合性 其中，e是在已知證據(jù)A之前出現(xiàn)的證據(jù)。,47,二.主觀貝葉斯方法,1. 知識的不確定性

27、表示 定理4.9 設(shè)事件A1,A2,A3,An中任意兩個(gè)事件都不相容，則對任何事件B有下式成立：,該定理就叫Bayes定理，上式稱為Bayes公式。 其中P(A)和P(B)分別是A和B的先驗(yàn)概率，P(B|A)是A為真時(shí)B真的條件概率，P(A|B)是B為真時(shí)A真的條件概率。如果直接使用Bayes公式做度量，計(jì)算P(A|B)則需要已知P(B|A)。為避開這個(gè)困難，由此主觀Bayes方法被提出來。,48,對規(guī)則AB的不確定性用(LS,LN)來描述。其中 稱為充分性度量，表示事件A的出現(xiàn)對其結(jié)果B的支持。 稱為必要性度量，表示事件A的不出現(xiàn)對B的影響。,49,下面分析一下LS和LN的意義。 先建立幾率

28、函數(shù),表示的是證據(jù)X的出現(xiàn)概率與不出現(xiàn)概率之比，顯然隨P(X)的增大O(X)也增大，而且 P(X)=0 時(shí) O(X)=0 P(X)=1 時(shí) O(X)= 這樣，取值0,1的P(X)就放大為取值0,的O(X)。不難驗(yàn)證 O(B|A)=LSO(B) (4-8) O(B|A)=LNO(B) (4-9),50,由于,與,相比就得到,這就是O(B|A)=LSO(B) 相仿地也可得O(B|A)=LNO(B) 由這兩個(gè)公式可看出，LS表示A真時(shí)，對B為真的影響程度，表示規(guī)則AB成立充分性。LN表示A假時(shí)，對B為真的影響程度，表示規(guī)則AB成立的必要性。,51,2. 證據(jù)的不確定性表示 就以O(shè)(A)或P(A)表示

29、證據(jù)A的不確定性，轉(zhuǎn)換公式是,雖然幾率函數(shù)與概率函數(shù)有著不同的形式，但變化趨勢是相同的。當(dāng)A為真的程度越大（P(A)越大）時(shí)，幾率函數(shù)的值也越大。由于幾率函數(shù)是用概率函數(shù)定義的，所以在推理過程中經(jīng)常需要通過幾率函數(shù)值計(jì)算概率函數(shù)值時(shí)，可用如下等式：,(4-10),52,3. 推理算法 (1) 當(dāng)A必然出現(xiàn)即P(A)=1，可直接使用 O(B|A)LSO(B) O(B|A)=LNO(B) 以求得使用規(guī)則AB后，O(B)的更新值O(B|A)和O(B|A)。若需要以概率表示，再由 (4-10)式，計(jì)算出P(B|A)和P(B|A) 。,53,(2) 當(dāng)A是不確定的，即P(A)1時(shí)，需作如下考慮。 設(shè)A代

30、表與A有關(guān)的所有觀察，對規(guī)則AB來說， P(B|A)=P(B|A)P(A|A)+P(B|A)P(A|A) (4-11) 問題是當(dāng)P(B|A)，AB (LS,LN)以及P(B)已知時(shí)，如何更新P(B)或說尋求P(B|A)。 當(dāng)P(A|A)=1時(shí)，證據(jù)A必然出現(xiàn)，則有,當(dāng)P(A|A)=0時(shí)，證據(jù)A必然不出現(xiàn)。,54,當(dāng)P(A|A)=P(A)時(shí)，也即觀察A對A無影響。有 P(B|A)=P(B|A)P(A)+P(B|A)P(A) =P(BA)+P(BA) =P(B) 這樣可確定P(A|A)分別為0，P(A)和1時(shí)相應(yīng)的P(B|A)的值，線性插值圖如圖4-10所示。,圖4-10 線性插值圖,55,(3)

31、 當(dāng)存在兩個(gè)證據(jù)時(shí)， P(A1A2|A)=minP(A1|A),P(A2|A) P(A1A2|A)=maxP(A1|A),P(A2|A) (4) 若A1B，A2B，而A1與A2相互獨(dú)立，對A1，A2的有關(guān)觀察分別為A1，A2便有,(4-15),56,三.證據(jù)理論,該理論采用信任函數(shù)而不是概率作為不確定性度量，通過對一些事件的概率加以約束來建立信任函數(shù)而不必說明精確的難于獲得的概率，當(dāng)這種約束限制為嚴(yán)格的概率時(shí)，證據(jù)理論就退化為概率論了。,57,1.證據(jù)理論的形式化描述 證據(jù)理論是用集合表示命題。設(shè)U是變量x所有取值的集合，且U中各元素是互斥的。在任一時(shí)刻x都取且僅能取U中的某一個(gè)元素為值，則稱

32、U為x的樣本空間。在證據(jù)理論中，U的任何一個(gè)子集A都對應(yīng)一個(gè)關(guān)于x的命題，稱該命 題為“x的值在A中”。 在證據(jù)理論中，可分別用概率分配函數(shù)、信任函數(shù)和似然函數(shù)等概念來描述和處理知識的不確定性。,58,1) 概率分配函數(shù) 定義4.14 設(shè)U為樣本空間，領(lǐng)域內(nèi)的命題都由U的子集表示，則概率分配函數(shù)定義如下：設(shè)M： 0,1,而且滿足M()=0,則稱M是 上概率分配函數(shù)，M(A)為A的基本概率函數(shù)。M(A)表示證據(jù)對U的子集成立的一種信任的度量，取值于0,1，而且 中各元素信任的總和為1。,59,2) 信任函數(shù) 定義4.15 信任函數(shù)Bel： 0,1為,Bel(A)=,即A的信任函數(shù)的值，是A的所有

33、子集的基本概率分配函數(shù)值的和，用來表示對A為真的信任程度。 可以證明，信任函數(shù)有如下性質(zhì)： (1) Bel()=0，Bel(U)=1，且對于 中的任意元素A，0Bel(A)1。 (2) 信任函數(shù)為遞增函數(shù)。即若A1A2U，則Bel(A1)Bel(A2)。 (3) Bel(A)+ Bel(A)1（A為A的補(bǔ)集）,60,3) 似然函數(shù) 定義4.16 似然函數(shù) Pl： 0,1 Pl(A)=1-Bel(A) 其中，A=U-A。 Pl(A)表示不否定A的信任度，是所有與A相交的子集的基本概率分配函數(shù)值的和。,似然函數(shù)有如下性質(zhì)： (1) Pl(A)=,(2) Pl(A)Bel(A) (3) Pl(A)+

34、Pl(A)1,61,4) Dempster組合規(guī)則 定義4.17 設(shè)M1和M2是兩個(gè)概率分配函數(shù)，則其正交和M= M1M2為 M()=0 ；,其中,定義4.18 設(shè)M1,M2, ,Mn是n個(gè)概率分配函數(shù)，則其正交和 M=M1M2Mn為 M()=0；,其中,62,5)一種特殊的概率分配函數(shù) 如果對4-14定義的概率分配函數(shù)加上不同的限制，就可得到不同的較為特殊的概率分配函數(shù)。下面介紹一種特殊的概率分配函數(shù)。 設(shè)D=s1,s2,sn，在D上按如下定義概率分配函數(shù)： (1) M(si)0 對任何siD (2),(3) M(D)=1-,(4) 當(dāng)AD且|A|1或|A|=0時(shí)，M(A)=0,63,由上述

35、定義可知，只有單個(gè)元素組成的子集的情況下，其概率分配函數(shù)值才有可能大于0，有一個(gè)以上元素組成的子集的概率分配函數(shù)值均為0。 對任何命題AD，其信任函數(shù)和似然函數(shù)分別為,Pl(A)=1-Bel(A)=M(D)+Bel(A),Pl(D)=1- Bel(D)= 1- Bel()=1 從上面定義可知，對于任何AD及BD均有 Pl(A)-Bel(A)=Pl(B) -Bel(B)=M(D) 它表示對A或B不知道的程度,=1,64,利用Pl和Bel可以定義A的類概率函數(shù)f。 定義4.19 A的類概率函數(shù)定義為 其中，|A|與|D|分別表示A 和U中元素的個(gè)數(shù)。 由定義4.19，可以證明f(A)具有如下性質(zhì)：

36、 (1) f()=0 (2) f(U)=1 (3) 對于AU，有0f(A)1。,65,2.知識的不確定性表示 在證據(jù)理論中知識用如下的規(guī)則表示 IF A THEN B=b1, , bn CF=c1, , cn 其中，A為條件，即可以是簡單條件，也可以是多個(gè)子條件的邏輯組合；B為結(jié)論，b1, , bn為該子集的元素；CF為規(guī)則強(qiáng)度，也用集合形式表示，bi與ci一一對應(yīng)（i=1, 2, , n）。 3.證據(jù)的不確定性表示 不確定性證據(jù)A的確定性用CER(A)表示。對于初始證據(jù)，其確定性由用戶給出；對于用前面推理所得結(jié)論作為當(dāng)前推理的證據(jù)，其確定性由推理得到。CER(A)的取值范圍為0,1，即0CE

37、R(A)1。 當(dāng)條件A為多個(gè)子條件的合取或析取得組合時(shí)， A=A1A2An，則A的確定性 CER(A)=minCER(A1),CER(A2), , CER(An) A=A1A2An，則A的確定性 CER(A)=maxCER(A1),CER(A2), , CER(An),66,3.推理算法 結(jié)論B的確定性可以通過以下步驟求出： (1) 求出B的概率分配函數(shù) 對于規(guī)則IF A THEN B=b1, b2, , bn CF=c1, c2, cn則概率分配函數(shù)為： M(b1, b2, , bn)=CER(A)c1,CER(A)c2,CER(A)cn 如果有兩條規(guī)則支持同一結(jié)論B即 A1B=b1,b2,

38、bn CF=c1,ck A2B=b1,b2,bn CF=c1,ck 則首先分別對每一條規(guī)則求出的概率分配函數(shù)： M1(h1,h2,hn) M2(h1,h2,hn) 然后再用公式M=M1M2，求出B的概率分配函數(shù)。 如果有n個(gè)規(guī)則支持同一結(jié)論B，則用公式M=M1M2Mn，求出B的概率分配函數(shù)。,67,(2) 求出Bel(B)，Pl(B)和f(B) (3) 按如下公式求B的確定性CER(B) CER(B)=MD(B/A)f(B) 其中MD(B/A)是條件部分與證據(jù)匹配度，定義為,68,21世紀(jì)人工智能研究的一個(gè)新方向： 不確定性人工智能 不確定性人工智能的基礎(chǔ)科學(xué)問題 不確定性的計(jì)算機(jī)模擬,69,

39、不確定性：,隨機(jī)性 模糊性 不完全性 不穩(wěn)定性 不一致性,不確定性的魅力！,隨機(jī)性和模糊性的關(guān)聯(lián)性,70,確定性和不確定性,精確數(shù)學(xué)是描述確定性規(guī)律的； 概率論是揭示隨機(jī)現(xiàn)象的統(tǒng)計(jì)規(guī)律性，是對精確數(shù)學(xué)的突破，但不排斥概率統(tǒng)計(jì)模型可能轉(zhuǎn)化為精確數(shù)學(xué)模型去處理； 模糊集和粗糙集是揭示模糊現(xiàn)象的亦此亦彼的規(guī)律性，是對精確數(shù)學(xué)的突破，但不排斥模糊學(xué)模型可能轉(zhuǎn)化為概率統(tǒng)計(jì)模型甚至精確數(shù)學(xué)模型去處理； 隨機(jī)性和模糊性是不確定性的兩個(gè)方面，確定值可以被看作是不確定性的特例。,71,自然界中的不確定現(xiàn)象,隨機(jī) 模糊 混沌 分形 復(fù)雜網(wǎng)絡(luò),2020/10/8,72,對不確定性現(xiàn)象的研究，并不一定非要分別從隨機(jī)性

40、 和模糊性入手去認(rèn)識，也不一定非要去區(qū)分隨機(jī)體現(xiàn) 在那里，模糊在哪里。,73,混沌,混沌是一種確定性系統(tǒng)中出現(xiàn)的類似隨機(jī)的過程。因?yàn)楹茈y對初值確定得非常精確，近似相同的初值產(chǎn)生很不相同的貌似隨機(jī)的結(jié)果。初值敏感性導(dǎo)致過程的不確定性和不可預(yù)測性。,74,自動(dòng)控制理論起始于20世紀(jì)20年代，經(jīng)歷了經(jīng)典控制理論、現(xiàn)代控制理論和智能控制理論三個(gè)發(fā)展階段。經(jīng)典控制理論主要研究線性定常系統(tǒng)，解決單輸入單輸出問題，采用傳遞函數(shù)、頻域法等方法，最終實(shí)現(xiàn)對系統(tǒng)的指定目標(biāo)控制。到了60年代，由于航天技術(shù)的需要，誕生了現(xiàn)代控制理論，主要研究多輸入多輸出系統(tǒng)，及非線性系統(tǒng)等，主要采用系統(tǒng)辨識理論、狀態(tài)空間法等。經(jīng)典控

41、制理論和現(xiàn)代控制理論統(tǒng)稱為傳統(tǒng)控制理論，其共同特點(diǎn)是必須對被控對象或被控對象的系統(tǒng)行為建立數(shù)學(xué)模型。,75,隨著科學(xué)技術(shù)的不斷進(jìn)步和工業(yè)生產(chǎn)的不斷發(fā)展，人們發(fā)現(xiàn)，許多現(xiàn)代軍事和工業(yè)領(lǐng)域所涉及的被控過程和對象都難于建立精確的數(shù)學(xué)模型，甚至根本無法建立數(shù)學(xué)模型。如指揮自動(dòng)化的效能評估、社會(huì)經(jīng)濟(jì)系統(tǒng)等。特別是對過程任務(wù)的控制時(shí)，傳統(tǒng)控制理論遇到的最大困難就是不確定性問題。一種是系統(tǒng)模型的不確定性，是指系統(tǒng)本身，包括過程和環(huán)境，具有許多未知因素和不確定因素，無法建立數(shù)學(xué)模型，如煉鋼爐內(nèi)溫度的控制。（送料、受潮、氣壓等）；另一種不確定性是環(huán)境本身的不確定性，主要是指環(huán)境與被控對象（過程）間存在著因果關(guān)系

42、的強(qiáng)相互作用的場合，如連續(xù)生產(chǎn)過程和離散產(chǎn)品加工，這時(shí)，環(huán)境的變化不能被視為隨機(jī)干擾。,76,現(xiàn)代工業(yè)控制系統(tǒng)是高度復(fù)雜的系統(tǒng)，主要表現(xiàn)在：系統(tǒng)結(jié)構(gòu)和參數(shù)具有高維性，時(shí)變性；傳感器和執(zhí)行器數(shù)量大；信息結(jié)構(gòu)復(fù)雜，需要處理的數(shù)據(jù)量龐大等等。 為提高社會(huì)和經(jīng)濟(jì)效益，往往提出多樣性的高性能控制目標(biāo)，如降低成本和能耗，提高產(chǎn)品質(zhì)量等，然而多樣性的高性能要求往往是相互矛盾的，如何實(shí)現(xiàn)有效綜合，不僅要求生產(chǎn)過程控制自動(dòng)化，而且希望實(shí)現(xiàn)生產(chǎn)與經(jīng)營管理的綜合自動(dòng)化。對于與控制對象有強(qiáng)相互作用，非結(jié)構(gòu)化和不確定的環(huán)境，傳統(tǒng)控制理論常常顯得無能為力，而促使人們?nèi)ヌ剿骺刂评碚摰男峦緩?。于是，智能控制?yīng)運(yùn)而生。,77,

43、混沌,蝴蝶效應(yīng)：亞馬遜河熱帶雨林中的一只蝴蝶扇動(dòng)了兩下翅膀，可能兩周之后會(huì)引發(fā)美國德克薩斯州的一場龍卷風(fēng)。 “失之毫厘，差之千里”。初始條件的微小的差別能引起結(jié)果的巨大的差異。,78,英國海岸線有多長？,79,歐幾里得幾何學(xué)的研究對象是具有特征長度的幾何物體： 一維空間：線段，有長度，沒有寬度； 二維空間：平行四邊形，有周長、面積； 三維空間：球，表面積、體積； 自然界中很多的物體具有特征長度，諸如：人有高度、山有海拔高度等。 有一類問題卻比較特別，曼德布羅特Mandelbrot就提出了這樣一個(gè)問題：英國的海岸線有多長？,80,也許你會(huì)認(rèn)為，這個(gè)問題太簡單了，要測量海岸線那還不容易，利用地圖或

44、航空測量都能獲得答案。 但是，1967年在國際權(quán)威的美國科學(xué)雜志上發(fā)表了一篇?jiǎng)澾M(jìn)代的的論文，它的標(biāo)題就是英國的海岸線有多長？統(tǒng)計(jì)自相似性與分?jǐn)?shù)維數(shù)中，文章作者曼德布羅（ Beonit Mandelbrot）是一位當(dāng)代美籍法國數(shù)學(xué)家和計(jì)算機(jī)專家，當(dāng)時(shí)正在紐約的IBM公司的活特生研究中心工作， 而他的答案卻讓你大吃一驚：他認(rèn)為，無論你做得多么認(rèn)真細(xì)致，你都不可能得到準(zhǔn)確答案，因?yàn)楦揪筒粫?huì)有準(zhǔn)確的答案。英國的海岸線長度是不確定的！它依賴于測量時(shí)所用的尺度,81,82,英國海岸線有多長？,83,認(rèn)知的尺度,84,復(fù)雜網(wǎng)絡(luò): Internet,85,視覺的不確定性：,86,視覺的錯(cuò)覺：,87,認(rèn)知的不

45、確定性：,88,思維的不確定性,思維有精確的一面，更有不 確定的一面。人類習(xí)慣于用自然語言進(jìn)行思維，思維的結(jié)果往往是可能如何、大概如何等定性的結(jié)論。 人類還擅長通過聯(lián)想的、直覺的、創(chuàng)造的形象思維來思考，很少象計(jì)算機(jī)一樣做精確的數(shù)學(xué)運(yùn)算或者邏輯推理，但是這并不妨礙人類具有發(fā)達(dá)的、靈活的智能，并不妨礙人類具有發(fā)達(dá)的、靈活的模式識別能力。,89,模式識別（人臉識別）的不確定性,身份識別 表情識別 性別識別 年齡識別 性格識別 人種識別 .,90,文字識別：,內(nèi)容識別 寫字人身份識別 性別識別 年齡識別 風(fēng)格（性格）識別 字體識別 .,91,手語 (Sign language)識別：,內(nèi)容識別 圖形識

46、別 身份識別 年齡識別 風(fēng)格識別 .,92,聲音識別：,內(nèi)容識別 說話人身份識別 性別識別 年齡識別 性格識別 字體識別 .,語調(diào)（情感）識別 音樂識別 方言識別 語種識別 .,93,紋理識別：,靜態(tài)紋理 指紋 臉紋 聲紋 皮、石、木、布紋 草地、森林、海灘 .,動(dòng)態(tài)紋理 海浪 噴泉 煙霧 云彩 瀑布 .,94,三、不確定性人工智能的基礎(chǔ)科學(xué)問題,95,不確定性人工智能的基礎(chǔ)科學(xué)問題：,不確定性知識的形式化表達(dá)問題，即不確定性知識的表示問題。,不確定性知識的最好表示，就是使用自然語言表示！要研究自然語言基元的定性定量轉(zhuǎn)換模型，給出不確定性轉(zhuǎn)換模型的形式化方法。,96,研究人類認(rèn)知活動(dòng)的切入層次

47、,人腦亞細(xì)胞的化學(xué)、電學(xué)層次,人腦的神經(jīng)構(gòu)造層次,自然語言層次,數(shù)學(xué)語言層次,符號語言層次,腦科學(xué),神經(jīng)科學(xué),不確定性 人工智能,數(shù)學(xué),傳統(tǒng)人工智能,97,基本理念：,人腦的思維基本上不是純數(shù)學(xué)的； 自然語言具有不可替代性； 自然語言中的基元是語言值，它對應(yīng)的概念，是人類思維的基本細(xì)胞。 數(shù)據(jù)和概念之間的轉(zhuǎn)換是不確定性人工智能研究的基石。,98,不確定性的度量熵,熱力學(xué)熵 dS = dQ/T 熵增加原理 玻爾茲曼熵 分子運(yùn)動(dòng)的無序程度和混亂程度 仙農(nóng)熵 H = - k Pi log Pi 拓?fù)潇?云模型中的熵和超熵,99,云模型（Cloud model）,定性和定量轉(zhuǎn)換模型 在眾多的不確定性中

48、，隨機(jī)性和模糊性是最基本的。針對概率論和模糊數(shù)學(xué)在處理不確定性方面的不足，1995年我國工程院院士李德毅教授在概率論和模糊數(shù)學(xué)的基礎(chǔ)上提出了云的概念，并研究了模糊性和隨機(jī)性及兩者之間的關(guān)聯(lián)性。自李德毅院士等人提出云模型至今短短的十多年，其已成功的應(yīng)用到數(shù)據(jù)挖掘、決策分析、智能控制等眾多領(lǐng)域。,100,云發(fā)生器和逆向云發(fā)生器,101,正態(tài)云模型的數(shù)學(xué)解釋 ,102,正態(tài)分布和正態(tài)隸屬函數(shù)是正態(tài)云的特例。,103,云滴的概率密度分布函數(shù)：,104,期望Ex是云在論域空間分布的期望,是最能夠代表定性概念的點(diǎn),或者說是這個(gè)概念量化的最典型樣本;熵En代表定性概念的可度量粒度,熵越大,通常概念越宏觀,也

49、是定性概念不確定性的度量,由概念的隨機(jī)性和模糊性共同決定.一方面, En是定性概念隨機(jī)性的度量,反映了能夠代表這個(gè)定性概念的云滴的離散程度;另一方面,又是定性概念亦此亦彼性的度量,反映了在論域空間可被概念接受的云滴的取值范圍;超熵He是熵的不確定性度量,即熵的熵,由熵的隨機(jī)性和模糊性共同決定。,云滴分布的期望：Ex,105,云滴的方差：,106,云滴的隸屬度的不確定性,根據(jù)算法產(chǎn)生的確定度Y有的概率密度為 與云模型的三個(gè)特征參數(shù)無關(guān)！,107,“云滴的確定度和數(shù)字特征無關(guān)”的含義,任何定性概念，盡管它們各自有不同的實(shí)際含義，即概念的量化值云滴在數(shù)域的分布有不同的物理量綱，也盡管所有云滴表現(xiàn)出不

50、同的確定度，不同的人會(huì)有不同的認(rèn)識，不同的時(shí)期也會(huì)有不同的認(rèn)識，但是確定度的統(tǒng)計(jì)分布，總體上是同一個(gè)形態(tài)。 語言值表示的概念，拋棄它們具體的物理含義，反映在人們腦海中的認(rèn)知規(guī)律是一致的。認(rèn)知的不確定性中仍然有著確定的規(guī)律性，即認(rèn)識上的共同性。,108,正態(tài)分布的前提：,中心極限定理從理論上闡述了正態(tài)分布的條件，中心極限定理的簡單直觀說明： 如果決定某一隨機(jī)事件結(jié)果的是大量微小、獨(dú)立的隨機(jī)因素之和，并且每一因素的單獨(dú)作用相對均勻的小，沒有一種因素起到主導(dǎo)作用，那么這個(gè)隨機(jī)變量服從正態(tài)分布。,109,正態(tài)云模型弱化了正態(tài)分布的前提條件,決定不確定現(xiàn)象的隨機(jī)因素單獨(dú)作用不是 非常均勻地??； 各因素相互之間不完全獨(dú)立； 用超熵衡量偏離正態(tài)分布的程度，將 正態(tài)分布擴(kuò)展為 “泛正態(tài)”。,110,論正態(tài)云模型的普適性 中國工程科學(xué)2004年第6卷第8期 P28-34,111,概念的粒度和粒度計(jì)算： 用熵作為概念的粒度，進(jìn)行粒度計(jì)算；在不同尺度上的概念，反映了確定性和不確定性之間的轉(zhuǎn)換。,112,四、不確定性的計(jì)算機(jī)模擬,113,數(shù)據(jù)場方法實(shí)現(xiàn)從感知