人工智能原理教法03节 不确定性推理方法323证据理论.docVIP

3.4证据理论 0. 前言 主观Bayes方法必须给出先验概率。 Dempster和Shafer提出的证据理论，可用来处理这种由不知道所引起的不确定性。 证据理论采用信任函数而不是概率作为不确定性度量，它通过对一些事件的概率加以约束来建立信任函数而不必说明精确的难于获得的概率。 证据理论满足比概率论更弱的公理系统，当这种约束限制为严格的概率时（即概率值已知时），证据理论就退化为概率论了。 1. 证据的不确定性度量 (1) 基本理论 辨别框概念：设U为假设x的所有可能的穷举集合，且设U中的各元素间是互斥的，我们称U为辨别框（Frame of discernment）。设U的元素个数为N，则U的幂集合2U的元素个数为2N，每个幂集合的元素对应于一个关于x取值情况的命题（子集）。 对任一AU，命题A表示了某些假设的集合(这样的命题间不再有互斥性)。针对医疗诊断问题，U就是所有可能疾病(假设)的集合，诊断结果必是U中确定的元素构成的。A表示某一种(单元素)或某些种疾病。医生为了进行诊断所进行的各种检查就称作证据，有的证据所支持的常不只是一种疾病而是多种疾病，即U的一子集A。 定义1：基本概率分配函数（Basic probability assignment）： 对任一个属于U的子集A（命题），命它对应于一个数 m∈[0,1]，而且满足