【2017年整理】DS证据理论.docxVIP

一.D-S证据理论引入诞生　　D-S证据理论的诞生：起源于20世纪60年代的哈佛大学数学家A.P. Dempster利用上、下限概率解决多值映射问题，1967年起连续发表一系列论文，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发展，引入信任函数概念，形成了一套“证据”和“组合”来处理不确定性推理的数学方法??D-S理论是对贝叶斯推理方法推广，主要是利用概率论中贝叶斯条件概率来进行的，需要知道先验概率。而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”，被广泛用来处理不确定数据。　　适用于：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　　二.D-S证据理论的基本概念　定义1 基本概率分配（BPA）　设U为以识别框架，则函数m:2u→[0,1]满足下列条件：　 (1)m(?)=0　 (2)∑A?Um(A)=1时　称m(A)=0为A的基本赋值，m(A)=0表示对A的信任程度　也称为mass函数。　　定义2 信任函数（Belief Function）　Bel:2u→[0,1]　Bel(A)=∑B?Am(B)=1　(?A?U)　表示A的全部子集的基本概率分配函数之和　　定义3 似然函数（plausibility Function）　pl(A)=1?Bel(A)=∑B?Um(B)?∑B?Am(B)=∑B?A≠?m(B)　似然函数表示不否认A的信任度，是所有与A相交的子集的基本概率分配之和。　　定义4 信任区间　[Bel(A)，pl(A)]表示命题A的信任区间，Bel(A)表示信任函数为下限，pl(A)表示似真函数为上限　举例：如(0.25,0.85),表示A为真有0.25的信任度，A为假有0.15的信任度，A不确定度为0.6 三.D-S证据理论的组合规则　ｍ个mass函数的Dempster合成规则　　其中K称为归一化因子，1?K即∑A1?...?An=?m1(A1)?m2(A2)???mn(An)反映了证据的冲突程度四.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}　若有：　m(A1)?m(A2)ε1　m(Θ)ε2　m(A1)m(Θ)　则A1为判决结果，ε1，ε2为预先设定的门限，Θ为不确定集合五.D-S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　　该识别框架为{Peter，Paul，Mary},基本概率分配函数为m{Peter},m{Paul},m{Mary} 　由D-S证据理论的基本概念和组合规则进行解析　可以看出虽然在W1，W2目击中，peter和mary都为0.99，但是存在严重的冲突，造成合成之后的Bel函数值为0，这显然与实际情况不合，更极端的情况如果W1中m{peter)=1,W2中m{Mary}=1,则归一化因子K=0，D-S组合规则无法进行(二)难以辨识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，子集中元素的个数越多，子集的模糊度越大(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在学习笔记（一）中，对D-S证据理论引入，对D-S证据理论的基本概念和存在的问题进行了学习。学习笔记（二）对证据理论的改进方法进行学习，主要学习了Yager的合成公式一.Yager合成公式　改进中主要引入了m(X)，把冲突给了未知命题二.Yager合成公式改进　为了解决多个证据中有一个证据否定A，则合成结果也否认A，对Yager公式进行改进例2：