【摘 要】在现实世界中，能够进行准确描述的问题往往只占一小部分，任何事物都存在着两面性：确定因素和不确定因素。对于不确定的推理，杜达（R.O.Duda）等人于1976年提出了一种模型——主观Bayes方法。随后，将可信度CF加入其中，但该模型随着人们深入的推理其可信度逐渐降低，误差逐渐增大。当推理达到某种不可预测的程度时，所推出的结论将不再可信。因此本文探究加入类概率函数来确保在一定范围内信任度的可靠程度。
　　【关键词】人工智能；主观Bayes模型；可信度CF；类概率函数
　　1.主观Bayes
　　1.1 Bayes公式
　　设事件A1，A2，…，An满足全概率规定的条件，则对任何事件B有下式成立：
　　P（AiB）=（i=1，2，…，n）该定理为Bayes定理，上式称为Bayes公式。
　　1.2主观Bayes
　　主观Bayes方法中的知识产生式表示形式为IF E THEN（LS，LN） H，LS表现规则成立的充分性，LN表现规则成立的必要性。LS和LN的表示形式分别为：LS=LN==LS和LN的取值范围均为[0，+∞）。
　　由前面的Bayes公式可知：
　　P（H|E）= ①
　　P（￢H|E）= ②
　　①/②得=* ③
　　引入几率函数O（X）= ④
　　将④代入③有O（H|E）=*O（H）
　　再把LS代入此式，可得O（H|E）=LS*O（H） ⑤
　　同理可得关于LN的公式O（H|￢E）=LN*O（H） ⑥
　　公式⑤和⑥就是修改的Bayes公式。
　　主观Bayes方法是在概率论的基础上提出的，具有普遍性，易于理解与学习。理论模型精确，灵敏度高。然而此模型要求事件相互独立。当新增加或删除一个事件或命题时，为保持数据的一致性，概率需要大量的统计才能计算出来，这是一项很复杂的工作。
　　2.可信度CF
　　知识可由产生式规则表示的可信度推理模型简称为CF模型，其一般形式为：IF E THEN H （CF（H，E））其中，E代表知识的前提证据；H代表知识的结论。CF的值在[-1，1]内。
　　CF（H，E）=
　　P（H，E）>P（H）
　　0 P（H，E）=P（H）
　　P（H，E）　　当CF（H，E）>0时，说明由于证据E的出现增加了H为真的概率。
　　当CF（H，E）=0时，说明证据E与H无关。
　　当CF（H，E）<0时，说明证据E的出现减少了H为真的概率。
　　3.基于可信度的主观Bayes推理
　　由主观Bayes公式可知：
　　P（H|E）=
　　P（H|￢E）=
　　将可信度加入到主观Bayes公式中，得到如下式子：
　　P（H|E）
　　0≤CF≤1
　　1- -1≤CF≤0 ⑦
　　P（H|￢E）
　　0≤CF（H，￢E）≤1
　　1+ -1≤CF（H，￢E）<0 ⑧
　　可以看出在求P（H，E）时，不需要给出P（H）的先验概率，对于CF（H，E）、LS和LN的值可由领域专家给出，与P（H）相比，CF（H，E）、LS和LN的值更容易得到。可以弥补主观Bayes模型的缺点，避免大量的统计工作，并且消除先验值对其的影响。但可信度因子的主观性较强，其客观性和统一性没有得到很好的利用，容易产生片面性且随着推理的延伸，可信度越来越差，误差越来越大。当推理达到某种不可预测的程度时，所推出的结论将不再可信。
　　4.类概率函数
　　在给出类概率函数之前，先给出信任函数和似然函数分别为Bel（A）=m（Ei）P1（A）=1-m（Ei）+m（Ei）由此可得出类概率函数为F（A）=Bel（A）+*[Pl（A）-Bel（A）]可以先估计出可信度以避免后续不必要的推理研究。
　　5.创新点
　　基于CF的主观Bayes方法模型虽然减少了复杂的统计工作，消除了先验概率值对推理过程的影响，对人们研究带来了方便，但是随着研究的深入，可信度降低，本文加入类概率函数来估计信任度，在一定的范围内确保信任度，为信任度增加了安全保障，可以避免由于深入推理造成结论不可信度降低而进行不必要的推理探究。 [科]
　　【参考文献】
　　[1]王万森.人工智能原理及其应用（第3版）[J].电子工业出版社，2012，9.
　　[2]窦智勇.基于改进主观Bayes方法的不确定性推理模型设计[J].自然科学学报，2011，2.
　　[3]王宏.人工智能及其应用[J].国防工业出版社.
　　[4]马鸣远.人工智能与专家系统导论[J].清华大学出版社，2006.
　　[5]史忠植.高级人工智能（第三版）[J].科学出版社，2011.
　　[6]王东辉，黄席樾，涂运华.农业HPC专家系统不确定性推理机的设计[J].自然科学报，2001.