从我国现有畜禽疾病诊断专家系统的研究现状看，显然还有以下不足之.docVIP

证据理论在畜病诊断系统中的应用 徐峰 吕丹丹 摘 要 本文首先对D/S证据理论作了初步概括，分析了其理论特点；其次在总结现有畜病诊断系统的基础上，提出现有系统一次性只能诊断单一疾病的缺陷，开拓性地将证据理论应用于畜病诊断领域，从而解决了对并发疾病的诊断问题；最后以猪病诊断为例给出了猪病诊断过程和结论。 关键词 D/S理论 畜病诊断 并发疾病 专家系统 1 引言 近年来，我国畜病领域的专家系统发展相当迅速，尤其在疾病的诊断推理上，各种先进的理论都已有所涉及。但是，现有专家系统在诊断并发疾病方面有一定缺陷，其原因是混合感染使病畜禽表现出复杂的临床症状，和患单一疾病时的临床症状不一致，对此电脑只能提示多种可能的疾病，但这些疾病可能不存在并发的关系。从D/S证据理论的研究进展看，D/S证据理论的特点又非常适合于医学诊断领域，尤其适合并发疾病的诊断。为此，本文在给出了证据理论基本原理的基础上，结合猪病诊断的领域特点，给出了诊断流程，对该流程进行了实例分析。 基本证据理论 D/S证据理论是由Dempster首先提出的，后来由他的学生Shafer发展起来的，它是经典概率论的一种推广。证据理论提出，把对「假设」能构成影响的所有可能的证据收集起来，分解成一些相互独立的「元证据」(具单一因素的证据成份)，组成一个证据空间，然后对这些元证据所有可能的组合赋以一个满足一定约束条件(比概率约束要弱)的值，从而得到一个定义在证据空间幂集上的一个函数，称为基本概率分配函数。 由于证据空间的子集不再互相独立，而且约束条件比概率弱，因此，基本概率分配函数不是概率，为了获得类似于概率的可信度意义，在基本概率函数基础上再设计一个函数，称为类概率函数，它满足类似于概率的约束条件，用这个类概率函数来表示证据的可信度。 同时利用基本概率分配函数可以将「不知道」和「不确定」两种成份分开，这是一种对「不精确性」更深入细致的描述。证据理论的上述特点，使之非常适合于畜病诊断。 3 基于证据理论的畜病诊断模型 在畜病诊断中，通常采用前向推理，其基本思想是：系统根据用户提供的初始事实，在知识库中搜索能与之匹配的规则即当前可用的规则，构成可适用的规则集RS，然后按某种冲突解决策略从RS中选择一条知识进行推理，并将推出的结论作为中间结果加入到数据库DB中，成为下一步推理的事实，之后，再在知识库中选择可适用的知识进行推理，如此重复进行这一过程，直到得出最终结论或者知识库中没有可适用的知识为止。在此过程中，包括bpa的指派、bpa的分类、信任函数Bel的计算、似然函数Pl的计算、类概率函数f的计算等内容。 定义1 基本概率指派函数 设论域Ｗ是相互独立的元事实知识空间(可以是证据空间或假设空间，按概率的术语可以称为样本空间)，是它的幂集，中的元素包括了论域Ｗ中知识元的所有可能组合，即包括了论域的全部知识。 仿照概率的约束条件，对中的每一个元素定义一个值M（A）满足： （1）； （2）； （3）； 则称Ｍ(A)为Ｗ的基本概率分配函数。 定义2 信任函数 证据空间Ｗ中任一真子集A都包含有若干证据成份B(B蕴含于A)，这些成份对「假设」都会构成一定的影响，为了考虑各种成份的影响程度，定义： 称为证据A的信任函数，它考虑了包含在A内的各种可能成份，表示了对A的总信任程度。 定义3 似然函数 Bel(A)表示对肯定A的总信任度，那么Bel(┐A)就表示了对否定A的总信任度，定义： Pl(A)=1-Bel(┐A) 表示了对「不否定A」的总信任度，称为A的似然函数或称对A的可能的最大的总信任度。(不否定并不等于肯定，而是大于等于肯定) 注意到： 所以有Bel(A)≤1-Bel(┐A)=Pl(A)，而Pl(A)－Bel(A)则表示了既不信任┐A，也不信任A的一种量度，可以作为「不知道」的量度。 定义4 类概率函数 假设Ｗ是一有限集，其测度为n，子集A的测度为k，则可取 其中，f(A)满足下列条件： (1)f(Φ)＝0； (2)f(Ｗ)＝1； (3)f(┐A)＝1-f(A) 对任意的A蕴含于Ｗ(Ｗ的真子集)成立； (4)0≦Bel(A)≦f(A)≦Pl(A)≦1 对任意的A蕴含于Ｗ(Ｗ的真子集)成立； 这里，除了(4)取值范围不是[0，1]之外，f(A)满足了概率的约束条件，所以本文称f(A)为类概率函数。 定义5 证据组合规则 由于来自不同的专家初值或来自不同的推理链使得对于同一个证据A会出现不同的基本概率分配函数Ｍ1和Ｍ2。 这时要先求得综合的概率分配函数Ｍ=Ｍ1⊕Ｍ2： 可以证明如此定义的Ｍ(A)满足基本概率分配函数定义的要求。 4 应用实例 本文采用课题的研究成果猪病诊断专家系统PIG-VET为例，使系统能够从已选症状集合M2出发，运用