D-S证据理论详细版.pptVIP

（3）关于Mary的组合mass函数 【说明】：对于这个简单的实例而言，对于Peter, Paul, Mary的组合mass函数，再求信任函数、似然函数，可知： 信任函数值＝似然函数值＝组合后的mass函数值 即， Bel({Peter}) = Pl({Peter}) = m12({Peter}) = 0 Bel({Paul}) = Pl({Paul}) = m12({Paul}) = 1 Bel({Mary}) = Pl({Mary}) = m12({Mary}) = 0 .......... * 例2. 若修改“Zadeh悖论” 表中的部分数据，如下表所示。请重新计算证人W1和W2提供证据的组合结果。 【解】：首先，计算归一化常数K。 m1() m2() m12() {Peter} 0.98 0 0.49 {Paul} 0.01 0.01 0.015 {Mary} 0 0.98 0.49 ? ={Peter, Paul, Mary} 0.01 0.01 0.005 .......... * 归一化常数K的另一种计算法： .......... * （1）计算关于Peter的组合mass函数 .......... * （2）计算关于Paul的组合mass函数 .......... * （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 a