证据理论总结
合集下载
相关主题
- 1、下载文档前请自行甄别文档内容的完整性,平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益,请联系客服反馈,我们会尽快为您处理(人工客服工作时间:9:00-18:30)。
一、D-S基本理论
设D是变量x所有可能取值的集合,且D中的 元素是互斥的,在任一时刻x都取且只能取 D中的某一个元素为值,则称D为x的样本空 间,也称D为辨别框 。在证据理论中,D的 任何一个子集A都对应于一个关于x的命题, 称该命题为“x的值在A中”。 引入三个函数:概率分配函数,信任函数 及似然函数等概念。
信任函数与似然函数的关系
• Pl(A)≥Bel(A)
证明: ∵ Bel(A)十Bel(¬A)>>=1
∴Pl(A)-Bel(A)=1-Bel(¬A)一Bel(A) =1-(Bel(¬A)+Bel(A)) ≥0
∴ Pl(A)≥Bel(A)
对偶(Bel(A) ,Pl(A))称为信任空间
信任区间
0
Bel(A)
• A(0,0.85):由于Bel(A)=0,而Bel(¬A)=1一 Pl(A)=1-0.85=0.15,所以A(0,0.85)表示对A为 假有一定程度的信任,信任度为0.15。
• A(0.25,0.85):由于Bel(A)=0.25,说明对A为真 有0.25的信任度;由于Bel(¬A)=1-0.85=0.15,说 明对A为假有0.15的信任度。所以A(0.25,0.85)表示对 A为真的信任度比对A为假的信任度稍高一些
3. 概率分配函数不是概率
信任函数
定义2 :命题的信任函数Bel:2D→[0,1],且 Bel(A)=ΣM(B)对所有的A⊆D
B⊆A
其中2D表示D的所有子集。 Bel函数又称为下限函数,Bel(A)表示对命
题A为真的信任程度。 由信任函数及概率分配函数的定义推出: Bel(Φ)=M(Φ)=0 Bel(D)=ΣM(B)=1
支持证据区间
Pl(A) Байду номын сангаас绝证据区间
拟信区间
• 信任度是对假设信任程度的下限估计—悲 观估计;
• 似然度是对假设信任程度的上限估计—乐 观估计。
• 下面用例子进一步说明下限与上限的意义:
• A(0.25,1):由于Bel(A)=0.25,说明对A为真有一 定程度的信任,信任度为0.25;另外,由于Bel(¬A)= 1-Pl(A)=0,说明对¬A不信任。所以A(0.25,1) 表示对A为真有0.25的信任度。
果K=0,则不存在正交和M,称M1 与M2矛盾。
• 定义5 :设M1,M2,……,Mn是n个概率分配函数, 则其正交和M=M1⊕M2⊕……⊕Mn为
M(Φ)=0
••
M(A)=K-1×∑ ∏ Mi(Ai)
∩Ai =A 1<i<n
•• 其中:
K= ∑ ∏ Mi(Ai)
∩Ai≠Φ 1<i<n
• 例:设D={黑,白},且
M1({黑},{白},{黑,白},Φ)=(0.3,0.5,0.2,0)
M2({黑},{白},{黑,白},Φ)=(0.6,0.3,0.1,0)
• K=1-∑M1(x)×M2(y)=0.61
•
••
M({黑}x)∩=y=ΦK-1×∑M1(x)×M2(y)=0.54 x∩y={黑}
• 同理可得 M({白})=0.43, M({黑,白})=0.03
概率分配函数的正交和
• 定义4 :设M1和M2是两个概率分配函数,则其正 交和M= M1 ⊕M2为
•
• • • 其中:
M(Φ)=0 M(A)=K-1×∑M1(x)×M2(y)
x∩y=A
• K=1-∑M1(x)×M2(y)=∑M1(x)×M2(y)
•
x∩y=Φ
x∩y≠Φ
• 如果K≠0,则正交和M也是一个概率分配函数;如
概率分配函数
设D为样本空间,领域内的命题都用D的子集 表示,则概率分配函数定义如下: 定义1: 设函数M:2D→[0,1],且满足
① 不可能事件的基本概率是0,即 M(Φ)=0
②中全部元素的基本概率之和为1, 即
ΣM(A)=1
A⊆D
则称M是2D上的概率分配函数,M(A)称 为A的基本概率数。
说明 : 1. 设样本空间D中有n个元素,则D中子集的个数为
电气12-4 陈仿雄
目录
• 一、证据理论 基本内 容
• 二、基于证据理论的 不完全信息多属性决 策方法论文的感想
• 三、新无量刚指标的 概念
• 四、故障诊断常用的 方法
• 五、K-NN算法
证据理论
证据理论是由德普斯特(A.P.Dempster) 首先提出,并由沙佛(G.Shafer)进一步 发展起来的一种处理不确定性的理论,因 此又称为D-S理论。
2n个,定义中的2D就是表示这些子集的。
2. 概率分配函数的作用是把D的任意一个子集A都映射为 [0,1]上的一个数M(A)。当A⊂D时,M(A)表 示对相应命题的精确信任度。实际上就是对D的各个子 集进行信任分配,M(A)表示分配给A的那一部分。当 A由多个元素组成时,M(A)不包括对A的子集的精确信 任度,而且也不知道该对它如何进行分配。当A=D时, M(A)是对D的各子集进行信任分配后剩下的部分,它 表示不知道该对这部分如何进行分配。 定义:若A⊆D则M(A)≠0,称A为M的一个焦元。
B⊆D
似然函数
定义3: 似然函数Pl:2D→[0,1],且 Pl(A)=1一Bel(¬A) 其中A⊆D 似然函数的含义:由于Bel(A)表示对A
为真的信任程度,所以Bel(¬A)就表示对非 A为真,即A为假的信任程度,由此可推出 Pl(A)表示对A为非假的信任程度。 似然函数又称为不可驳斥函数或上限函数。
• 适用领域:信息融合、专家系统、情报分 析、法律案件分析、多属性决策分析,等 等
D-S证据理论的优势和局限性
• 优势: 满足比Bayes概率理论更弱的条件,即不需要知道先验概率,具
有直接表达“不确定”和“不知道”的能力。
• 局限性: 要求证据必须是独立的,而这有时不易满足;证据合成规则没有
非常坚固的理论支持,其合理性和有效性还存在较大的争议;计算上 存在着潜在的组合爆炸问题。 所谓的bayes概率是由贝叶斯理论所提供的一种对概率的解释,它采用 将概率定义为某人对一个命题信任的程度的概念。
• 所以,组合后的概率分配函数为
M({黑},{白},{黑,白},Φ)=(0.54,0.43,0.03,0)
基于证据理论的不完全信息多属性 决策方法的论文的感想
• 在实际的决策中,由于信息大多数具有不精确、 不完备、模糊等性质,加上决策者由于对问题认 识的局限性或自身知识的缺乏等原因,决策者给 出的决策矩阵往往是不完全的,即决策矩阵中存 在空缺,这对于决策存在难度,而这篇论文,文 章首先描述了证据理论的基本概念;然后对现有 的基于证据结构的决策规则存在不足进行分析; 最后综合考虑在信息处理中存在的问题一步一步 进行分析,进一步总结得出一些处理此类问题的 方法,一步一步完善不完全信息的决策方法