人工智能主觀貝葉斯分析實驗

人工智能主觀貝葉斯分析實驗人工智能主觀貝葉斯分析實驗人工智能主觀貝葉斯分析實驗xxx公司人工智能主觀貝葉斯分析實驗文件編號：文件日期：修訂次數(shù)：第1.0次更改批準審核制定方案設(shè)計，管理制度人工智能實驗報告西安交大

一、實驗?zāi)康膶W習了解java編程語言，掌握基本的算法實現(xiàn)；深入理解貝葉斯理論和不確定性推理理論；學習運用主觀貝葉斯公式進行不確定推理的原理和過程二、實驗題目用java語言實現(xiàn)運用主觀貝葉斯公式進行不確定性推理的過程：根據(jù)初始證據(jù)E的概率P(E)及LS、LN的值，把H的先驗概率P(H)更新為后驗概率P(H/E)或者P(H/﹁E)。要求如下：充分考慮各種證據(jù)情況：證據(jù)肯定存在、證據(jù)肯定不存在、觀察與證據(jù)無關(guān)、其他情況；考慮EH公式和CP公式兩種計算后驗概率的方法；給出EH公式的分段線性插值圖；三、實驗原理1、知識的不確定性在主觀貝葉斯方法中，只是是如下形式的產(chǎn)生式規(guī)則表示：IF E THEN (LS,LN) H (P(H))LS是充分性度量。其定義為：LS=P(E|H)/P(E|?H)。LN是必要性度量，其定義為：LN=P(?E|H)/P(?E|?H)=(1-P(E|H))/(1-P(E|?H))。2、證據(jù)不確定時的計算公式四、實驗代碼import.*;import.*;publicclassbayesextendsJFrameimplementsActionListener{ JPanelpanel=newJPanel(); JLabelph=newJLabel("P(H)"); JTextFieldPH=newJTextField("",3); JLabelpe=newJLabel("P(E)"); JTextFieldPE=newJTextField("",3); JLabells=newJLabel("LS"); JTextFieldLS=newJTextField("",3); JLabelln=newJLabel("LN"); JTextFieldLN=newJTextField("",3); Buttoncompute=newButton("COMPUTE"); staticdoublet_ph; staticdoublet_pe; staticdoublet_ln; staticdoublet_ls; staticdoubleph_e;//P(E/S)=0時PHS staticdoublephe;//P(E/S)=1時PHS publicbayes() { setLayout(newBorderLayout()); (newFlowLayout()); (ph); (PH); (pe); (PE); (ln); (LN); (ls); (LS); (panel); (this); (compute,; } publicstaticvoidmain(String[]args) { bayesa=newbayes(); (400,250); (true); (EXIT_ON_CLOSE); } @Override publicvoidactionPerformed(ActionEventarg0){ //TODOAuto-generatedmethodstub t_ph=newDouble()); t_pe=newDouble()); t_ls=newDouble()); t_ln=newDouble()); ph_e=t_ln*t_ph/((t_ln-1)*t_ph+1); phe=t_ls*t_ph/((t_ls-1)*t_ph+1); displayc=newdisplay(); }}classdrawextendsJPanel{ publicvoidpaint(Graphicsg) { (g); (50,350,350,350); (50,50,50,350); (50,350-(int)*300),50+(int)*300),350-(int)*300)); (50+(int)*300),350-(int)*300),350,350-(int)*300)); }}classdisplayextendsJFrame{ publicdisplay() { drawb=newdraw(); (b); ; (true); (400,400); }}五、實驗結(jié)果輸入初始值：圖像結(jié)果顯示：六