不确定性推理（reasoning with uncertainty）也是一种建立在非经典逻辑基础上的基于不确定性知识的推理，它从不确定性的初始证据出发，通过运用不确定性知识，推出具有一定程度的不确定性的和合理的或近乎合理的结论。

不确定性推理中所用的知识和证据都具有某种程度的不确定性，这就给推理机的设计与实现增加了复杂性和难度。除了必须解决推理方向、推理方法、控制策略等基本问题以外，一般还需要解决不确定性的表示与量度、不确定性匹配、不确定性的传递算法以及不确定性的合成等重要问题。

柯南不确定性的表示与量度

1．不确定性的表示

不确定性推理中存在三种不确定性，即关于知识的不确定性、关于证据的不确定性和

关于结论的不确定性。它们都具有相应的表示方式和量度标准。

（1）知识不确定性的表示

知识的表示与推理是密切相关的，不同的推理方法要求有相应的知识表示模式与之对应。在不确定性推理中，由于要进行不确定性的计算，所以必须采用适当的方法把不确定性及不确定的程度表示出来。

（2）证据不确定性的表示

观察事物时所了解的事实往往具有某种不确定性。例如，当观察某种动物的颜色时，可能说该动物的颜色是白色的，也可能是灰色的，这就是说，这种观察具有某种程度的不确定性。（3）结论不确定性的表示

上述由于使用知识和证据具有的不确定性，使得出的结论也具有不确定性。这种结论的不确定性也叫做规则的不确定性，它表示当规则的条件被完全满足时，产生某种结论的不确定程度。

不确定性推理

2．不确定性的量度

需要采用不同的数据和方法来量度确定性的程度。首先必须确定数据的取值范国。在确定量度方法及其范围时，必须注意到：

（1）量度要能充分表达相应知识和证据不确定性的程度。

（2）量度范围的指定应便于领域专家和用户对不确定性的估计。

（3）量度要便于对不确定性的传递进行计算，而且对结论算出的不确定性量度不能超出量度规定的范围。

（4）量度的确定应当是直观的，并有相应的理论依据。不确定性的算法

1．不确定性的匹配算法

推理是一个不断运用知识的过程。为了找到所需的知识，需要在这一过程中用知识的前提条件与已知证据进行四配，只有匹配成功的知识才有可能被应用。

在确定性推理中，知识是否匹配成功是很容易确定的。但在不精确性推理中，由于知识和证据都具有不确定性，而且知识所要求的不确定性程度与证据实际具有的不确定程度不一定相同，因而就出现了“怎样才算匹配成功”的问题。

2．不确定性的更新算法

不精确推理的根本目的是根据用户提供的初始证据，通过运用不确定性知识，最终推出不确定性的结论，并推算出结论为确定性的程度。所以不精确推理除了要解决前面提出的问题之外，还需要解决不确定性的更新问题，即在推理过程中如何考虑知识不确定性的动态积累和传递。