定性機率網路

定性機率網路是人工智慧研究中一種重要的定性知識表示方法，它為貝葉斯網( Bayesian Network，BN) 提供了一種潛在的定性分析工具，越來越受到研究者們的關注。

基本介紹

• 中文名：定性機率網路
• 套用領域：人工智慧
• 研究對象：機率分布

簡介

定性機率網路( Qualitative Probabilistic Network，QPN) 是人工智慧研究中一種重要的定性知識表示方法，它為貝葉斯網( Bayesian Network，BN) 提供了一種潛在的定性分析工具，越來越受到研究者們的關注。然而，在整個知識領域，有時每個專家只可能提供一些子領域的QPN 知識，因此，面對構建一個較大的QPN，將這些子領域專家提供的各子QPN 整合起來顯得十分必要。其主要思想是以最後一個時間片的QPN 為主，在不形成環路的前提下合併各個QPN。相對時序環境的普通靜態環境。

相關研究

基於粗糙集理論提出了具有相同節點的多個QPN 整合，首先定義了整體影響強度的概念，然後據此概念分情況討論結構整合時引起的環路消除問題。但對於不同節點的多個QPN 的整合研究還有待進行。應著重研究普通靜態環境下，具有不同節點的多個QPN 整合方法。

粗糙集理論是一種採用精確的數學方法分析不精確係統的數學分析理論。最突出的優點: “讓數據自己說話”。根據所提供的數據，該理論不僅可以求解屬性間相互依賴程度，很好地分析屬性之間的依賴性，而且可以求解屬性間的相對必要性，進行屬性的相對約簡。在QPN 中，將單個變數或多個節點變數的組合看做粗糙集中的一個屬性。當多個QPN 整合時，根據屬性間的依賴程度來判斷QPN 中無邊相連的兩變數間是否應該添加有向邊，再根據屬性間的相對必要性進一步判斷QPN 中的冗餘邊，以此刪除這些不必要的邊，從而得到整合後的較大QPN。據此，針對普通環境下，本文提出一種基於粗糙集的具有不同節點的多個QPN 整合方法。

定性機率網路的整合方法

具體整合方法分以下三步來完成：

1) 合併。將多個子QPN 合併作為一個初始整合後的QPN，( 簡記為Union QPN，UQPN) ，即將QPN 中的所有節點合併為整合後的節點集合，將所有邊合併為整合後的邊集合，定性符號合併為整合後的符號集合。

2) 添邊。在UQPN 中添加有向邊，即根據定義3 和定義4 求解UQPN 中無邊相連的兩個變數的依賴度。在保證UQPN 中不出現環路的前提下，添加依賴度大於零的有向邊及其定性符號δ，優先選擇依賴度較大的那條邊添加。若已知數據中，兩對應屬性取值相同的個數大於取值不同的個數，則相應邊上添加正影響( “+”) ，小於添加負影響( “－”) ，等於則添加歧義影響( “?”) 。

3) 刪邊。刪除第二步後UQPN 中的多餘邊，即對於當前網路中的每一對有邊相連的兩個變數，且該組變數中的子節點還有其他的父節點。