人工智能与应用_ch4_3.pptVIP

不确定性推理 证据理论 D-S理论 证据理论是由德普斯特(A.P.Dempster)提出，并由沙佛(G.Shfer)进一步发展起来的一种处理不确定性的理论。也称为D-S理论。 其将概率的单点赋值扩展为集合赋值，弱化了公理系统。处理由不知道引起的的不确定性。 概率分配函数 定义4-1：设Ω是样本集，则由Ω的所有子集构成的集合称为Ω的幂集，记为2Ω。 例：设Ω={红，黄，白}，求Ω的幂集2Ω 解： Ω的幂集元素为 Φ，{红}，{黄}，{白}，{红，黄}， {红，白}，{黄，白}，{红，黄，白}。 概率分配函数 定义4-2：设函数m: 2Ω→[0,1]，且满足 m(Φ)=0 ∑A?Ωm(A)=1 　称m是2Ω上的概率分配函数，m(A)称为A的基本概率数。 概率分配函数 例：为上一个例子定义一个概率分配函数。 解： m(Φ，{红}，{黄}，{白}，{红，黄}， {红，白}，{黄，白}，{红，黄，白}) ={0,0.3,0,0.1,0.2,0.2,0,0.2} 概率分配函数的两点说明 概率分配函数将样本空间中的任意子集映射到［０，１］的一个数。 当子集是一个元素时，表示对此元素的精确信任度，也是对子集的精确信任度。 当子集是多个元素时，表示对子集的精确信任度，但不清楚子集中每个元素的信任度。 当子集是样本空间时，不知道如何将信任度分配给每个元素。 概率分配函数的两点说明 如例中A={红}， m({红})=0.3表示对红的精确信任度是0.3；A={红，黄，白}， m({红，黄，白})= 0.2表示这些信任度不知道如何分配给集合中的元素。 概率分配函数不是概率。 不满足概率的归一性。 信任函数 定义4-3：信任函数(Belief function) Bel:2Ω→[0,1]为对任给的A?Ω Bel(A)=∑B?Am(B) Bel函数又称为下限函数，表示对A的总的信任度。 信任函数 接前例： Bel(Φ)=0 Bel({红})=0.3 Bel({红,白})=Bel({红})+Bel({白})+Bel({红,白}) =0.3+0.1+0.2=0.6 Bel({红,白,黄})=Bel({红})+Bel({白})+Bel({黄})+ Bel({红,白})+Bel({红,黄})+Bel({黄,白}) +Bel({红,黄,白}) =1 信任函数 Bel(Φ)=m(Φ)=0 Bel(Ω)=∑B?Ωm(B)=1 似然函数 定义4-4：似然函数(Plausibility function) Pl(A):2Ω→[0,1] 对任给的A?Ω Pl(A)=1-Bel(?A) 似然函数又称为不可驳斥函数或上限函数。表示对A非假的信任度。 似然函数 接前例： Pl({红})=1-Bel(?{红})=1-Bel({黄,白}) =1-Bel({黄})-Bel({白})-Bel({黄,白}) =0.9 Pl({黄,白})=1-Bel(?{黄,白})=1-Bel({红}) =0.7 似然函数 可以证明 Pl(A)=∑A∩B≠Φ m(B) ∑{红}∩B≠Φ m(B)=m({红})+m({红,白})+m({红,黄}) +m({红,白,黄})=0.3+0.2+0.2+0.2=0.9 ∑{黄,白}∩B≠Φ m(B)=m({黄})+m({白})+m({红,黄}) +m({白,黄}) +m({红,白})+m({红,白,黄}) =0+0.1+0+0.2+0.2+0.2=0.7 似然函数 Pl(A)-∑A∩B≠Φ m(B)=1-Bel(?A)-∑A∩B≠Φ m(B) =1-(Bel(?A)+∑A∩B≠Φ m(B)) =1-(∑B??A m(B)+∑A∩B≠Φ m(B)) =1-∑B?Ω m(B) =0 ∴ Pl(A)=∑A∩B≠Φ m(B) 信任函数与似然函数的关系 定理4-1：信任函数与似然函数有如下关系：对任给的A?Ω有 Pl(A)≥Bel(A) 证明： ∵Bel(A)+Bel(?A)=∑B?Am(B)+∑C??Am(C) ≤∑B?Ωm(B)=1 信任函数与