人工智能原理不确定性推理方法证据理论.docxVIP

最新 精品 Word 欢迎下载 可修改 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 则称函数m为幂集2U上的基本概率分配函数bpa，称m(A)为A的基本概率数。 m(A)表示了证据对U的子集A成立的一种信任的度量，取值于[0,1]，而且2U中各元素信任的总和为1。m(A)的意义为 若A?U且A?U，则m(A)表示对A的确定信任程度。 若A=U，则m(A)表示这个数不知如何分配（即不知道的情况）。 例如， 设U={红，黄，白}，2U上的基本概率分配函数m为 m（{ }，{红}，{黄}，{白}，{红,黄}，{红,白}，{黄,白}，{红,黄,白}） =（0，0.3，0，0.1，0.2，0.2，0，0.2） 其中， m({红})=0.3 表示对命题{红}的确定信任度。 m({红,黄,白})=0.2 表示不知道这0.2如何分配。 值得注意的是， m({红})+m({黄})+m({白}) =0.3+0+0.1=0.41 因此，m不是概率，因为概率函数P要求 P(红)+P(黄)+P(白)=1 即有 P(A)=1-P(~A) 而这里 m(A)1-m(~A) 其中：~A=U-A，是A的补集。 小结：bpa不同于Bayes方法，因为Bayes方法仅对U中单个元素赋予一种信任――概率。而对于bpa来说： 给U的每个子集指派[0，1]中的一个数； 空集的指派为0； 所有子集的指派值之和等于1。 m(U)只是总可信度的一部分。在对U中的适当子集分派可信度之后，剩余的可信度就不再分派给其它任何子集，而只分派给U本身。即：如果有一证据仅支持U的一个子集A，m(A)=S，而不支持其它任何子集B，则指派m(U)=1-S，m(B)=0，B≠A，BU 。 定义2：信任函数（Belief function）： 命题A的信任函数Bel：2U→[0,1]为 ?A?U 表示对A的总信任。 即，命题A的信任函数的值，是A的所有子集的基本概率之和。 例如，在前面的例子中 Bel({红}，{白}) =m({红})+m({白})+m({红,白}) =0.3+0.1+0.2 =0.6 根据定义可以看出 Bel()=0 Bel(U)=1 单元素集上m与Bel是相等的，例如: Bel({红}) =m({红}) =0.3。 定义3：似然函数（Plausibility function）： 命题A的似然函数Pl: 2U→[0,1]为 ?A?U 表示对于不否定A的信任度，是所有与A相交的子集的基本概率之和。其中：～A=U-A，是A的补集。 信任函数与似然函数有以下的关系： 0≤Bel(A)≤Pl(A)≤1 Pl(A)-Bel(A)表示了既不信任A也不信任~A的一种度量，可表示对命题A是真是假不知道的度量。 用记号 A[Bel(A)，Pl(A)] 来综合描述A的不确定性。其中，Bel(A)和Pl(A)分别表示命题A的下限函数和上限函数。 实际上m，Bel，Pl只要知其一，必可求得另两个，但三个函数有不同含义。例如，在前面的例子中： m({红})=0.3 Bel({红})=m({红})+m({ }) =0.3+0=0.3 Pl({红})=1-Bel({~红}) =1-Bel ({黄,白})