这就是在证据E肯定出现时，把结论H的先验概率P(H)更新为后验概率P(H/E)的计算公式。
证据肯定不出现的情况
在证据肯定不出现时，P(E)=P(E/S)=0，P(～E)=1。 由Bayes公式可得：
P(～E/H)×P(H)
P(H/～E) =
P(～E)
P(～E/～H)×P(～H)
P(～H/～E) =
P(～E)
由以上两式，可得：
P(H) P(H/～E) P(～E/H)×P(H) P～(E/H)
= = (*) ×
P(～H/～E) P(～E/～H)×P(～H) P(～E/～H) P(～H) 由LN的定义，以及概率与几率的关系式，可将上式改写为： O(H/～E)=LN×O(H)
这就是在证据E肯定不出现时，把先验几率O(H)更新为后验几率O(H/～E)的计算公式。 把几率换算成概率有：
LN×P(H)
P(H/～E) =
(LN－1)×P(H)＋1
这就是在证据E肯定不出现时，把结论H的先验概率P(H)更新为后验概率P(H/～E)的计算公式。
关于知识规则强度(LS, LN)的意义的讨论 (1)充分性量度LS的讨论
1) 当LS＞1时，有O(H/E)>O(H)，再由P(x)与O(x)具有相同单调性的特性，可得P(H/E)>P(H)，这表明，当LS>1时，由于证据E的出现，将增大结论H为真的概率，而且LS越大，P(H/E)就越大，即E对H为真的支持越强。当LS→∞时，O(H/E)→∞，即P(H/E)→1，表明由于证据E的出现，将导致H为真。由此可见，E的出现对H为真是充分的，故称LS为充分性量度。 2) 当LS=1时，有O(H/E)=O(H)，这表明E与H无关。
3) 当LS<1时，有O(H/E)
领域专家在为LS赋值时，可参考上面的讨论，当证据E愈是支持H为真时，则使相应LS的值愈大。
(2) 必要性量度LN的讨论
1) 当LN＞1时，有O(H/～E)>O(H)，再由P(x)与O(x)具有相同单调性的特性，可得P(H/～E)>P(H)，这表明，当LN>1时，由于证据E的不出现，将增大结论H为真的概率，而且LN越大，P(H/～E)就越大，即～E对H为真的支持越强。当LN→∞时，O(H/～E)→∞，即P(H/～E)→1，表明由于证据E的不出现，将导致H为真。
2) 当LN=1时，有O(H/～E)=O(H)，这表明～E与H无关。
3) 当LN<1时，有O(H/～E)
领域专家在为LN赋值时，可参考上面的讨论，当证据E对H愈是必要时，则相应LN的值愈小。
(3) 为LS和LN赋值时的考虑
13
在实际系统中，LS和LN的值均是由领域专家根据经验给出的，而不是由LS和LN计算出来的。 ? 当证据E愈是支持H为真时，则LS的值应该愈大；当证据E对H愈是重要时，则相应的LN的
值应该愈小。
? 由于E和～E不可能同时支持H或反对H，所以领域专家在为一条知识中的LS和LN赋值时，
一般不应该同时