证据理论总结精选.pptVIP

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。 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。 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。 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 ： 设样本空间D中有n个元素，则D中子集的个数为 2n个，定义中的2D就是表示这些子集的。 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。 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 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。 信任函数与似然函数的关系 Pl（A）≥Bel（A） 对偶（Bel(A) ,Pl(A)）称为信任空间 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。 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 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 M(Φ)=0 M(A)=K－1×∑M1(x)×M2(y) x∩y=