基于因果图的一种知识获取方法_王洪春

90 ) Rule6:IFA 6 THENA 4(CF=0.95 ) Rule7:IFA 1ANDA 8ANDA 9THENA 7(CF=0.90 ) Rule8:IFA 7THENA4 (CF=0.90 ) Rule9:IFA 3 THENA 5(CF=0.85 ) 且 Pr (A 1)=0.8,Pr (A 8)=0.8,Pr (A 9)=0.8 首先将上面的模糊产生式规则集表示的知识转换为因果图表示,见图 5所示图 5模糊产生式规则对应的因果图 5结论产生式规则和因果图是知识表示的两种方法,产生式规则表示知识比较流行、常用,而用因果图表示知识比较紧凑、直观,利用因果图的推理算法很容易计算出,针对不确定知识的表达和复杂、大型以及动态概念的表示,因果图更有优势,而且因果图已有一系列的推理算法,十分便于多种形式的推理,因此研究产生式规则的知识表示转换为因果图的知识表示显得十分必要。参考文献: [1] QinZhang.ausality Tree/Diagrams[J].ReliabilityEngineeringandSystemSafety, 1994,46:209-220. [2]汪成亮.智能故障诊断及动态因果图理论[D].重庆:重庆大学自动化学院博士学位论文,2004. [3]樊兴华,等.多值因果图的推理算法研究[J].计算机学报, 2003,26 (3 ):1-13. [4]王洪春,张勤.基于因果图的一种近似推理算法[J].重庆大学学报,2004,27 (8 ):96-99. [5]王耀南,童调生,蔡自兴.一种基于模糊 Petri网的不确定知识获取方法及其应用[J].信息与控制,1993,22 (4 ):204-208. [作者简介] 王洪春(1967- ),男(汉族),四川大竹人,重庆大学自动化学院在读博士生,讲师,研究方向:人工智能,因果图推理。— 8 2 1 —