[发明专利]基于粗糙集的多定性概率网整合方法

说明书

技术领域

本发明涉及到对多个定性概率网进行整合方面的方法。主要是对来自同一数据源的不同专家给定的定性概率网，并结合少量数据，得到既能体现历史数据中蕴含的规律，也能反映专家领域知识的QPN。具体讲，涉及基于粗糙集的多定性概率网整合方法。

背景技术

1.定性概率网

1990年密歇根大学人工智能实验室著名教授Wellman提出了定性概率网(QPN，QualitativeProbabilistic Network)的基本概念，被认为是定性概率推理研究中里程碑式的标志，QPN是对贝叶斯网(BN)的一种定性抽象，它把BN中的变量间的因果关系转化为定性描述。与BN类似，他也包含一个有向无环图(DAG)和一个变量间的定性影响(描述变量间值增减的趋势)的集合。他用有向无环图来描述变量间的依赖关系，通过定性影响来概括变量间蕴含的因果关系。QPN通过定性的方式以变量值的增减趋势代替一般BN中精确的条件概率参数，当应用具有较高的实时性要求、需要从较少的数据中学习概率网络、或者精确概率参数未知的情况下，QPN可以用来作为不确定知识表示及推理的框架。虽然QPN的表达能力低于BN，但是其表示及推理得到了较大程度的简化和加速，反映了事件间更一般的关系，具有较高的效率。

Wellman开创性的提出了QPN的基本概念，QPN可以表示成一个二元组G＝(V，Q)，其中V是变量的集合，对应图中的节点，Q是变量之间定性关系的集合，Q中包含两类定性概率关系：描述变量间直接关系的定性影响和描述变量间间接影响的定性协作，其中定性协作又包括定性加协作和定性乘协作。QPN具有与其对应的BN相同的有向无环图结构，由QPN的定义，上面的几类定性关系可基于BN的有向无环图和各节点间的影响概率参数而得到。

定性影响。Wellman给出了定性影响的定义，用以描述QPN中变量间存在的直接相互关系，定性影响包括正影响、负影响、零影响和不确定影响。A正影响B，记为S+(A，B)，当且仅当对于A的值a1＞a2，b的值b0和X所有可能的组合的值x(X是G中节点B除节点A之外的所有父节点，即X＝π(b)/{A})，有P(B≥b0|a1，x)-P(B≥b0|a2，x)≥0。S+(A，B)意味着不考虑作用在B上的其他直接影响，A值增加使B值增加的可能性更大。类似的可以定义负影响(S-(A，B))和零影响(S0(A，B))，其他情况表明A对B的影响不确定，用(S？(A，B))表示。

定性影响具有对称传递和合成性。这三个性质是人们研究定性概率因果关系表示、推理及应用的基础。对称定意味着A对B的定性影响和B对A的定性影响相同。传递性使用符号乘运算规则，由已知的A→B和B→C上的定性影响得到A对C的定性影响；合成性使用符号和运算规则由节点A和B间多条有向边上的定性影响得到A对B的最终定性影响。定性影响的和操作分别如表1和表2所示。

表1操作的运算规则

表2操作的运算规则

定性协作。定性协作关系用来描述QPN的″V″型结构中3个节点的相互作用，包括加协作和乘协作两类。Wellman给出了定性加协作的定义，用来衡量2个原因节点对公共孩子节点的联合影响是否高于这2个原因节点对其孩子节点各自影响之和，定性加协作包括正加协作、负加协作、零加协作和不确定加协作。加协作仍然具有对称、传递及合成性质。

根据条件独立和有向无环图的性质，″V″结构中当孩子节点值已知时，2个原因节点不独立。基于QPN的概念，Henrion等提出了定性乘协作的概念，用来表示当孩子结点已知的情况下，2个原因节点之间的相互影响。定向乘协作包括正乘协作、负乘协作、零乘协作和不确定性乘协作。定性乘协作具有对称、传递和合成性质。

QPN的构造问题，目前主要是由给定样本数据构造QPN和由专家知识构造QPN。更近一步，若不但给定历史数据，也给定专家知识，人们希望构造出既体现历史数据中蕴含的规律，也反映专家领域知识的QPN，或者反映专家知识的QPN为主，用数据中蕴含的定性概率因果关系对其进行修正。那么如何有效的利用上面两方面的研究结果构造最终的QPN，也具有重要的意义，同时也是较高难度的研究课题。

QPN中不确定性定性关系的消除。在由BN导出QPN时，由于知识的高度抽象而可能产生不确定性关系，不确定性关系意味着变量之间的相互依赖关系未知。这类不确定性关系也可能在QPN推理过程中由于符号传播而导致推理结果的不确定性，这使得QPN从BN导出后，知识的表达能力大大下降。

2.粗糙集