不确定理论及应用学习课件演示课件.pptVIP

6、证据理论在中国的发展情况 ?段新生：在1993年出版了一本专门论述证据理论的专著《证据理论与决策、人工智能》。【注：由于此书出版时间较早，故其内容不是很新，未能反映证据理论及其应用方面的最新成果】 ?刘大有等人：国内较早研究证据理论的专家，并发表了一系列的论文，主要集中研究该理论的模型解释、理论扩展、近似实现等问题。 ?肖人彬等人：对证据的相关性及相关证据的组合问题进行了研究。 ? 苏运霖、管纪文等人：对证据理论与粗糙集理论进行了比较研究。 【苏运霖, 管纪文等. 证据论与约集论.软件学报,1999, 10(3): 277-282. 注：此处的“约集”即为“粗糙集”(Rough set)】 * .. ? 曾成等人：研究了不完备的识别框架下的证据合成问题，并提出相应的证据合成公式。 ? 顾伟康等人：对证据合成公式进行扩展，提出一种改进的证据合成公式。 ? 徐从富等人：1999-2001总结国内外关于证据理论及其应用的代表性文献，先后发表2篇关于证据理论及其应用的综述文章。 ? …… 证据理论在中国的发展情况（续） * .. 5.2 经典证据理论 1、证据理论的主要特点 ? 满足比Bayes概率理论更弱的条件，即不必满足概率可加性。 ? 具有直接表达“不确定”和“不知道”的能力，这些信息表示在mass函数中，并在证据合成过程中保留了这些信息。 ? 证据理论不但允许人们将信度赋予假设空间的单个元素，而且还能赋予它的子集，这很象人类在各级抽象层次上的证据收集过程。 * .. 2、基本概念 设?是一个识别框架，或称假设空间。 （1）基本概率分配 基本概率分配：Basic Probability Assignment，简称BPA。在识别框架?上的BPA是一个2 ??[0, 1]的函数m，称为mass函数。并且满足 m(?) = 0 且 其中，使得m(A)0的A称为焦元(Focal elements)。 * .. （2）信任函数 信任函数也称信度函数（Belief function）。 在识别框架?上基于BPA m的信任函数定义为： （3）似然函数 似然函数也称似然度函数 (Plausibility function) 。 在识别框架?上基于BPA m的似然函数定义为： * .. 在证据理论中，对于识别框架? 中的某个假设A，根据基本概率分配BPA分别计算出关于该假设的信任函数Bel(A)和似然函数Pl(A)组成信任区间[Bel(A), Pl(A)]，用以表示对某个假设的确认程度。 （4）信任区间 * .. Set Notation and Basic Relations Universe (X) Power Set (All sets) Element A B C A B Evidence Theory * .. Universe A B C Basic Probability Assignment (BPA) Complementary Measures Set Notation and Basic Relations (Cont.) * .. Example: Residual Strength of a Wooden Bridge Estimate Residual Strength (lb/in2) BPA 1 [3000, 4000] 0.3 2 [2000, 4000] 0.4 3 [2000, 5000] 0.2 4 [1000, 5000] 0.1 * .. Wooden Bridge Example (Cont.) 1000 2000 3000 4000 5000 m(A1)=0.3 m(A2)=0.4 m(A3)=0.2 m(A4)=0.1 * .. 1000 2000 3000 4000 5000 m(A1)=0.3 m(A2)=0.4 m(A3)=0.2 m(A4)=0.1 Bel(1000, 2000)=0 Pl(1000, 2000)=0.1 Bel(2000, 3000)=0 Pl(2000, 3000)=0.7 Bel(3000, 4000)=0.3 Pl(3000, 4000)=1.0 Bel(4000, 5000)=0 Pl(4000, 5000)=0.3 Bel(2000, 4000)=0.7 Pl(