不确定与非单调推理的可信度方法
可信度方法是肖特里菲（E.H.Shortliffe)等人在确定性理论（Theoryof Comfirmation)的基础上，结合概率论等提出的一种不确定性推理方法，首先在专家系统MYCIN中得到了成功的应用。由于该方法比较直观、简单，而且效果也比较好，因而受到人们的重视。目前，许多专家系统都是基于这一方法建造起来的。
有关“不确定与非单调推理的概率方法”的内容，查看我的CSDN博客：
不确定与非单调推理的概率方法-CSDN博客
一、可信度的概念
（一）可信度的本质与起源
人们在长期的实践活动中，对客观世界的认识积累了大量的经验，当面临一个新事物或新情况时，往往可用这些经验对问题的真、假或为真的程度作出判断。例如，小李今日上班迟到了，其理由是“路上自行车出了毛病”。就此理由而言，只有两种情况：一是小李的自行车确实出了毛病，从而耽误了上班时间，即其理由为真；另一种情况是小李的自行车没有出问题，只是想以此理由作为搪塞，即其理由为假。但是，对于听话的人来说，对小李所说的理由既可以是绝对相信，也可以是完全不相信，或者只有某种程度的相信，其依据是对小李以往表现情况所积累起来的认识。像这样根据经验对一个事物或现象为真的相信程度称为可信度。
可信度（Certainty Factor, CF）是一种主观不确定性度量，用于表示人类对命题或知识的相信程度。它起源于医疗专家系统 MYCIN（Shortliffe, 1976），旨在解决传统概率方法在专家知识表示中的局限性 —— 专家更擅长用 “强烈支持”“轻微反对” 等模糊术语描述经验，而非精确概率。
核心定义：
可信度因子CF(H, E) 表示证据 E 对结论 H 的支持程度，取值范围[-1, 1]：
（1）CF(H, E) > 0：证据 E 支持 H（如CF=0.8 表示 “强烈支持”）；
（2）CF(H, E) < 0：证据 E 反对 H（如CF=-0.5 表示 “中等反对”）；
（3）CF(H, E) = 0：证据 E 与 H 无关（如 “体温正常” 与 “患糖尿病” 无关）。
（二）可信度与概率的本质区别
| 特征 | 可信度（CF） | 概率（P） |
| 理论基础 | 主观经验，启发式规则 | 严格概率论，频率或贝叶斯学派 |
| 取值范围 | [-1, 1]（支持 / 反对） | [0, 1]（发生可能性） |
| 证据解释 | 直接表示支持 / 反对强度 | 表示事件发生的频率或信念度 |
| 合成逻辑 | 非交换性合成（顺序影响结果） | 交换性（加法 / 乘法公式） |
| 典型应用 | 专家系统（MYCIN、DENDRAL） | 统计推理、贝叶斯网络 |
（三）可信度在推理中的核心作用
（1）知识编码：将专家经验转化为可计算的规则，例如：
IF 白细胞计数 > 15000 (CF=0.9) AND 高烧持续3天以上 (CF=0.8)
THEN 细菌性感染 (CF=0.7)
（2）证据融合：处理多源证据的冲突与支持，例如：
证据 1“咳嗽（CF=0.6）” 支持 “感冒”；
证据 2“淋巴细胞正常（CF=-0.4）” 反对 “感冒”；
合成后结论可信度需综合两者影响。
（3）非单调推理支持：允许新证据推翻旧结论（如 “发现青霉素过敏史” 推翻 “使用头孢类药物” 的建议）。
二、C-F 模型（可信度模型）
（一）基本思想与数学定义
1. 核心思想
通过可信度因子量化知识与证据的不确定性，利用一套启发式算法实现不确定性的传递与合成，适用于专家知识主导、数据不完整的领域（如医疗诊断、故障排查）。