证据理论浙大.ppt

（3）计算关于Mary的组合mass函数 （4）计算关于? ={Peter, Paul, Mary}的组合mass函数 此外，根据信任函数、似然函数的计算公式，可得： 即， Bel({Peter}) = 0.49; Pl({Peter}) = 0.49 + 0.005 = 0.495 Bel({Paul}) = 0.015; Pl({Paul}) = 0.015 + 0.005=0.020 Bel({Mary}) = 0.49; Pl({Mary}) = 0.49 + 0.005 = 0.495 Bel(?) = Pl(?) = 0.49 + 0.015 + 0.49 + 0.005 = 1 5.3 关于证据理论的理论模型解释 对Dempster-Shafer证据理论的解释共有四种： （1）上、下概率解释（Upper and lower probability interpretation）； （2）广义化Bayes理论（Generalized Bayesian theory）解释； （3）随机集理论（Random sets）模型解释； （4）可传递信度模型（Transferable belief model，简称TBM）解释； 【注】第(1)~(3)这三种解释都以“概率理论”为基础的；而第(4)种，即TBM为“纯粹的”的DS理论模型，它已经完全从任何概率内涵中“提纯”了出来，不依赖于任何概率理论。 1、上、下概率解释 Dempster在1967年发表的第一篇关于证据理论的论文中给出了上、下概率的概念，用以表示不满足可加性的概率。 2、广义化Bayes理论解释 当mass函数m中的所有焦元都是单点集（即单个假设集），且这些焦元都满足Bayes独立条件时，Dempster证据合成公式就退化为Bayes公式，所以， ? Bayes公式是Dempster证据合成公式的特例。 反过来说， ? Dempster证据合成公式是Bayes公式的广义化。 3、随机集理论模型解释 Mahler和Fixsen分别于1996，1997年发表了下面两篇论文： [1] Mahler, R. P. S. Combining ambiguous evidence with respect to ambiguous a priori knowledge, I: Boolean logic. IEEE Transactions on Systems, Man, and Cybernetics- Part A: Systems and Humans, 1996, 26(1): 27-41. [2] Fixsen, D. and Mahler, R. P. S. The modified Dempster- Shafer approach to classification. IEEE Transactions on Systems, Man, and Cybernetics- Part A: Systems and Humans, 1997, 27(1): 27-41. 指出条件化(Conditional) Dempster-Shafer理论（简称CDS）和修改的(Modified) Dempster-Shafer理论（简称MDS）都是建立在随机集（Random）理论基础上的。 补充说明： （1）当证据和先验知识都是模糊的情况下，则条件化Dempster-Shafer理论（CDS）是Bayes理论的广义化，它完全是一种概率理论。 （2）当证据和先验知识都是统计独立时，则条件化Dempster-Shafer理论（CDS）的证据合成相当于随机条件事件的并（或交）。 Yen在医疗专家系统GERTIS中提出了扩展 （Extended）的Dempster-Shafer理论（简称EDS），实际上EDS就是一种CDS或MDS。【Yen, J. GERTIS: a Dempster-Shafer approach to diagnosing hierarchical hypotheses. Communications of the ACM, 1989, 32(5): 573-585.】 4、可传递信度模型（TBM）解释 Smets认为从信度（Belief）的“更新/条件化”（Updating/Conditioning）方式中，可以看出各种DS理论模型的主要差别。