可信度推理
含义：可信度推理是基于确定性知识的不确定性推理，主要理解cf模型
可信度：是人们根据以往的经验对某个事物或现象判断为真的程度的判断，或者是人们对事物或现象为真的相信程度。
可信度推理模型 （cf模型）
知识的不确定性表示：
一般采用产生式规则：IF E T HEN H(CF(HE))
E:知识的前提证据，可以是单一前提也可以是组合前提。 IF 打瞌睡 AND 不认真听讲 THEN 不会做题（0.8）
H（）知识结论，
CF(HE)知识的可信度，就是人们对这整个规则的相信程度，范围【-1,1】，其值表示当E为真的时候，E对结论为T的支持程度或支撑程度。
若E的出现对H为真或者为假没有支持程度，则CF(H,E)=0;
若E的出现对H为假有支持，则CF(H,E)<0;
若E的出现对H为真有支持，则CF(H,E)>0;
同一前提可以成为不同结论的前提。
证据不确定性表示
依旧使用可信度，证据就是前提，也就是E，范围为【-1，1】
CF(E)=0，对证据E是否为真是否为假一无所知；
CF(E)=1，证据E一定为真；
CF(E)=-1，证据E一定为假；
CF(E)>0，证据E以cf（e）的可信度为真；
CF(E)<0，证据E以cf（e）的可信度为假；
CF(-E)= - CF(E)；
组合证据的不确定性计算
当组合证据为单一证据的合取：
CF（E）=min(CF(E1),CF(E2)，……）
这个我们可以这样想，这些前提是合取关系，合取的前提之间相关性很强，类比短板效应，我们整个证据的可信度可以看成有这些类比为木板的单一证据组成的木桶，木桶要装多少水，自然是要看短板长度，由短板长度决定装水的高度。
当组合证据为单一证析取：
CF（E）=max(CF(E1),CF(E2)，……）
这个取最大也就毋庸置疑了。
不确定性的更新
CF模型中的不确定性推理是从不去定性的初始曾证据出发，不断应用相关的确定性知识，逐步退出该结论和最终结论的过程可信度的过程。
CF(H)=CF(H,E)Xmax（0，CF（E）) 文字描述为结论的可信度等于知识的可信度X 0与前提可信度中的最大值。
这说明证据的可信度为为假，则说明结论的可信度为假。也可以说明前提为假不一定结论就假。
结论不确定性的合成
如果有多条致死可以推出相同结论，并且这些前提证据相互独立，所得结论的可信度也不同，则可以用不确定性的合成来求出该结论的综合可信度。多条知识的合成是通过两两合成来实现。
下面举例子求结论的综合可信度
设有如下知识：
IF E1 THEN H (CF(H,E1))
IF E2 THEN H (CF(H,E2))
求出CF(H1)：CF(H1)=CF(H,E1)xMAX(0,CF(E1));
求出CF(H2):CF(H1)=CF(H,E1)xMAX(0,CF(E1));
求综合CF（H ）
if CF(H1)>=0 andCF（H2)>=0
CF(H)=CF(H1)+CF(H2)-CF(H1)CF(H2)
if CF(H1)<0 and CF（H2)<0
CF(H)=CF(H1)+CF(H2)+CF(H1)CF（H2)
if(CF(H1)和CF(H2）异号
CF(H)=CF(H1)+CF(H2) /1-min(|CF(H1)|,|CF（H2)|);
下面举一个例子
到这儿可信度推理就结束啦！希望博主的内容对大家有用哦~
