DS证据理论
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)。
证据理论(Evidential Theory) Dempster-Shafer理论 Dempster-Shafer证据理论 DS (或D-S)理论
其它叫法：
Dempster规则 Dempster合成规则 Dempster证据合成规则
-
与贝叶斯推理的比较，证据理论具有 以下优点：
第一，贝叶斯中的概率无法区别一无所知和等可能，而是将 一无所知视为等可能。而证据理论可以区分，可以用 m() 1 表 示一无所知，用 m(a) m(b) 表示等可能。
第二，如果相信命题 A 的概率为 S ，那么对于命题 A 的反的 相信程度为：1 S 。而利用证据理论中的基本概率赋值函数的定 义，有 m(A) m(A) 1。
第三，概率函数是一个单值函数，信任函数是一个集合变量 函数，信任函数可以更加容易表达“粗略”信息。
-
证据理论的基本概念
设U是表示X所有取值的一个论域集合，且所有在U内的元素 间是互不相容的，则称U为X的识别框架。 论域：科学理论中的研究对象，这些对象构成一个不空的集
若有：
m(
A1) m( A2 m()
)
2
1
m( A1) m()
则 A1 为判决结果，其中 1， 2 为预先设定的门限， 为不确定 集合。
-
证据理论存在的问题
❖ 一，无法解决证据冲突严重和完全冲突的情 况
❖ 二，难以辨识所合成证据的模糊程度，由于 证据理论中的证据模糊主要来自于各子集的 模糊度。根据信息论的观点，子集中的元素 个数越多，子集的模糊度越大。
-
不确定性推理方法——D-S证据理论
D-S证据理论是对贝叶斯推理方法的推广，贝叶斯推 理方法是利用概率论中的贝叶斯条件概率公式来进行处理的 方法，但是它需要知道先验概率。D-S证据理论不需要知道 先验概率，能够很好地表示“不确定”和“不知道”，并且 具有推理形式简单等优点，所以被广泛用来处理不确定数据。
m(C)
Ai
B
j
C
1
K 0
C U C C
K 是冲突因子，反映了证据的冲突程度，1/ k 1称为归一化因子，
该组合规则相当于在组合中将空集（冲突）等比例分配给各个集
合。
-
判决规则
设存在 A1, A2 U ，满足 m( A1) max m( Ai ), Ai U m( A2 ) max m( Ai ), Ai U且Ai A1
BU
B A
BI A
为U 上的似然函数（Plausibility Function），似然函数表示
不否定 A 的信任度，是所有与 A 相交子集的基本概率赋值之
和。
实际上，[Bel(A), pl(A)]表示命题 A 的不确定区间；[0, Bel(A)]表
示命题 A 的完全可信区间；而[0, pl(A)] 则表示对命题“ A 为真
第二章 不确定性推理方法—D-S证据理论
证据理论的诞生和形成
诞生：源于20世纪60年代美国哈佛大学数学家A. P. Dempster在利用上、下限概率来解决多值映射问题方面的 研究工作。自1967年起连续发表了一系列论文，标志着证 据理论的正式诞生。
形成：Dempster的学生G. Shafer对证据理论做了进一 步的发展，引入信任函数概念，形成了一套基于“证据” 和“组合”来处理不确定性推理问题的数学方法，并于 1976年出版了《证据的数学理论》(A Mathematical Theory of Evidence)，这标志着证据理论正式成为一种处理不确定 性问题的完整理论。
其次，利用Dempster证据合成规则分别计算Peter, Paul, Mary的组合BPA（即组合mass函数）。
（1）关于Peter的组合mass函数
m1
m2 ({Peter})
1 K
Βιβλιοθήκη Baidu
BI
m1(B) m2 (C)
C{Peter}
1 K m1({Peter})m2({Peter})
1 0.990.00 0.00 0.0001
B A
称该函数是U 上的信任函数（Belief Function），表示 A 的全 部子集所对应的基本赋值函数之和。
-
定义 3：如果将命题看作识别框架U 上的元素，如果有 m(A) 0 ，则称 A 为信度函数 Bel 的焦元。
-
定义 4： Pls(A) 1 Bel(A) m(B) m(B) m(B)
合，称为论域。 定义 1：设U 为一识别框架，则函数 m : 2U 0,1满足下列条
件：
（1） m() 0
（2） m(A) 1时 AU
则称 m(A) 为 A 的基本概率赋值， m(A) 表示对 A 的信任程度。
-
定义 2： Bel : 2U [0,1]
B e(lA) m(B) (A U )
【解】：首先，计算归一化常数K。
K m 1(B )m 2(C ) B IC
m 1(P eter)m 2(P eter)m 1(P a u l)m 2(P a u l)m 1(M a ry)m 2(M a ry) 0 .9 9 00 .0 1 0 .0 10 0 .-9 90 .0 0 0 1
的”的不怀疑区间。
-
Demspter组合规则
设 Bel1 和 Bel2 是同一识别框架U 上的两个信任函数，m1 和 m2 分 别是其对应的基本概率赋值，焦元分别为： A1 ，… Ak 和 B1 ，…，
Br ，设：
K m1(Ai )m2 (B j ) 1 Ai B j
则：
m1( Ai )m2 (Bj )
❖ 三，基本概率分配函数的微小变化会使组合 结果产生急剧变化。
-
Dempster合成规则计算举例
例1. “Zadeh悖论” ：某宗“谋杀案” 的三个犯罪嫌 疑人组成了识别框架 ={Peter, Paul, Mary} ，目击证人 （W1, W2）分别给出下表所示。 【要求】：计算证人W1和W2提供证据的组合结果。
由于在证据理论中需要的先验数据比概率推理理论中的 更为直观、更容易获得，再加上Dempster合成公式可以综合 不同专家或数据源的知识或数据，这使得证据理论在专家系 统、信息融合等领域中得到了广泛应用。
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。
-
证据理论的名称
其它叫法：
Dempster规则 Dempster合成规则 Dempster证据合成规则
-
与贝叶斯推理的比较，证据理论具有 以下优点：
第一，贝叶斯中的概率无法区别一无所知和等可能，而是将 一无所知视为等可能。而证据理论可以区分，可以用 m() 1 表 示一无所知，用 m(a) m(b) 表示等可能。
第二，如果相信命题 A 的概率为 S ，那么对于命题 A 的反的 相信程度为：1 S 。而利用证据理论中的基本概率赋值函数的定 义，有 m(A) m(A) 1。
第三，概率函数是一个单值函数，信任函数是一个集合变量 函数，信任函数可以更加容易表达“粗略”信息。
-
证据理论的基本概念
设U是表示X所有取值的一个论域集合，且所有在U内的元素 间是互不相容的，则称U为X的识别框架。 论域：科学理论中的研究对象，这些对象构成一个不空的集
若有：
m(
A1) m( A2 m()
)
2
1
m( A1) m()
则 A1 为判决结果，其中 1， 2 为预先设定的门限， 为不确定 集合。
-
证据理论存在的问题
❖ 一，无法解决证据冲突严重和完全冲突的情 况
❖ 二，难以辨识所合成证据的模糊程度，由于 证据理论中的证据模糊主要来自于各子集的 模糊度。根据信息论的观点，子集中的元素 个数越多，子集的模糊度越大。
-
不确定性推理方法——D-S证据理论
D-S证据理论是对贝叶斯推理方法的推广，贝叶斯推 理方法是利用概率论中的贝叶斯条件概率公式来进行处理的 方法，但是它需要知道先验概率。D-S证据理论不需要知道 先验概率，能够很好地表示“不确定”和“不知道”，并且 具有推理形式简单等优点，所以被广泛用来处理不确定数据。
m(C)
Ai
B
j
C
1
K 0
C U C C
K 是冲突因子，反映了证据的冲突程度，1/ k 1称为归一化因子，
该组合规则相当于在组合中将空集（冲突）等比例分配给各个集
合。
-
判决规则
设存在 A1, A2 U ，满足 m( A1) max m( Ai ), Ai U m( A2 ) max m( Ai ), Ai U且Ai A1
BU
B A
BI A
为U 上的似然函数（Plausibility Function），似然函数表示
不否定 A 的信任度，是所有与 A 相交子集的基本概率赋值之
和。
实际上，[Bel(A), pl(A)]表示命题 A 的不确定区间；[0, Bel(A)]表
示命题 A 的完全可信区间；而[0, pl(A)] 则表示对命题“ A 为真
第二章 不确定性推理方法—D-S证据理论
证据理论的诞生和形成
诞生：源于20世纪60年代美国哈佛大学数学家A. P. Dempster在利用上、下限概率来解决多值映射问题方面的 研究工作。自1967年起连续发表了一系列论文，标志着证 据理论的正式诞生。
形成：Dempster的学生G. Shafer对证据理论做了进一 步的发展，引入信任函数概念，形成了一套基于“证据” 和“组合”来处理不确定性推理问题的数学方法，并于 1976年出版了《证据的数学理论》(A Mathematical Theory of Evidence)，这标志着证据理论正式成为一种处理不确定 性问题的完整理论。
其次，利用Dempster证据合成规则分别计算Peter, Paul, Mary的组合BPA（即组合mass函数）。
（1）关于Peter的组合mass函数
m1
m2 ({Peter})
1 K
Βιβλιοθήκη Baidu
BI
m1(B) m2 (C)
C{Peter}
1 K m1({Peter})m2({Peter})
1 0.990.00 0.00 0.0001
B A
称该函数是U 上的信任函数（Belief Function），表示 A 的全 部子集所对应的基本赋值函数之和。
-
定义 3：如果将命题看作识别框架U 上的元素，如果有 m(A) 0 ，则称 A 为信度函数 Bel 的焦元。
-
定义 4： Pls(A) 1 Bel(A) m(B) m(B) m(B)
合，称为论域。 定义 1：设U 为一识别框架，则函数 m : 2U 0,1满足下列条
件：
（1） m() 0
（2） m(A) 1时 AU
则称 m(A) 为 A 的基本概率赋值， m(A) 表示对 A 的信任程度。
-
定义 2： Bel : 2U [0,1]
B e(lA) m(B) (A U )
【解】：首先，计算归一化常数K。
K m 1(B )m 2(C ) B IC
m 1(P eter)m 2(P eter)m 1(P a u l)m 2(P a u l)m 1(M a ry)m 2(M a ry) 0 .9 9 00 .0 1 0 .0 10 0 .-9 90 .0 0 0 1
的”的不怀疑区间。
-
Demspter组合规则
设 Bel1 和 Bel2 是同一识别框架U 上的两个信任函数，m1 和 m2 分 别是其对应的基本概率赋值，焦元分别为： A1 ，… Ak 和 B1 ，…，
Br ，设：
K m1(Ai )m2 (B j ) 1 Ai B j
则：
m1( Ai )m2 (Bj )
❖ 三，基本概率分配函数的微小变化会使组合 结果产生急剧变化。
-
Dempster合成规则计算举例
例1. “Zadeh悖论” ：某宗“谋杀案” 的三个犯罪嫌 疑人组成了识别框架 ={Peter, Paul, Mary} ，目击证人 （W1, W2）分别给出下表所示。 【要求】：计算证人W1和W2提供证据的组合结果。
由于在证据理论中需要的先验数据比概率推理理论中的 更为直观、更容易获得，再加上Dempster合成公式可以综合 不同专家或数据源的知识或数据，这使得证据理论在专家系 统、信息融合等领域中得到了广泛应用。
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。
-
证据理论的名称