多传感器信息融合DS证据理论.pptVIP

D-S证据理论 证据理论 证据理论是由德普斯特（Dempster）首先提出，并由他的学生沙佛（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。 证据理论与Bayes理论区别： Bayes理论： 需要有统一的识别框架、完整的先验概率和条件概率知识， 只能将概率分派函数指定给完备的互不包含的假设， 证据理论： 用先验概率分派函数去获得后验的证据区间，证据区间量化了命题的可信程度。可将证据分派给假设或命题， 提供了一定程度的不确定性，即证据既可指定给互不相容的命题，也可指定给相互重叠、非互不相容的命题。 证据理论满足比概率论更弱的公理系统，当概率值已知时，证据理论就变成了概率论。 D-S理论 一、证据理论的基本概念 二、Dempster组合规则 三、举例 四、小结 一、证据理论的基本概念 设U是变量x所有可能取值的集合，且U中的元素是互不相容的，在任一时刻x都取且只能取U中的某一个元素为值，则称U为x的样本空间，也称U为x的辨识框架 。在证据理论中，U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：概率赋值函数，信任函数以及似真函数等概念。 1、概率赋值函数 设U为一辨识框架（样本空间），领域内的命题都用U的子集表示，则概率分配函数定义如下： 定义1： 设函数m：2U→［0，1］，且满足 （1）m（Φ）＝0 （2）Σm（A）＝1 A? 2U 则称m是2U上的概率赋值函数，m（A）称为A的基本概率赋值，有时也将其称作质量函数。 说明 ： ①设样本空间U中有n个元素，则U中子集的个数为 个，定义中的 就是表示这些子集的。 ②概率赋值函数的作用是把U的任意一个子集A都映射为［0 ，1］上的一个数m（A）。显然，上面两个公式中，前者表示对不可能命题 的支持程度为零，后者表示所有子集U的集 合 中的全部元素的支持程度之和为1。可见，对命题A的基本概率赋值相当于概率论中的事件A出现的概率。 ③概率赋值函数不是概率。 2、信任函数 定义2 :命题的信任函数Bel：2U→［0，1］，且 其中2U表示U的所有子集。 Bel（A）表示了对命题A总的信任程度。从而可知： 定义：如果辨识框架U的一个子集为A，且 m（A）0,则称U的子集A为信任函数Bel的焦元。信任函数的全部焦元之并集称为信任函数的核。 3、似真函数 定义3: 似真函数Pl：2U→［0，1］，且 似真函数的含义：由于Bel(A)表示对A为真的信任程度，所以 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，是所有与A相交的集合的基本概率赋值之和。其证明如下： 4、信任函数与似真函数的关系 由于Bel(A)表示对A为真的信任程度，Pl(A)表示对A为非假的信任程度，因此可分别称Bel(A)和Pl(A)为对A信任程度的下限与上限，记为 A（Bel(A) ,Pl(A)） 0 1 （1，1）—A为真。 Bel Pl （0，0）—A为假。 确知 未知 确知 （0，1）—对A一无所知，单位元。 为真 为假 Pl(A)－Bel(A) —对A不知道的程度 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 ，说明对 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 , 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