Professional Documents
Culture Documents
1. 证据的不确定性
框(frame of discernment)。
(2)若 A U ,则 m( A) 表示这个数不知如何分配;
其中, m({a}) 0.3 表示对命题 a 的信任度为 0.3; m({a, b, c}) 0.2 表示 0.2 不知如
何分配。
将 基 本 概 率 赋 值 函 数 理 解 成 概 率 函 数 。 因 为 对 于 概 率 函 数 P,
P ({a}) P ({b}) P ({c}) 1 。
定义 3:似然函数
Pl : 2U [0,1] ,且 Pl ( A) 1 bel (A)
B A
m( B )
函数 m( B )( B A ) 数值和。
Pl ( A) bel ( A)
Pl ( ) bel () 0
Pl (U ) bel (U ) 1
Pl ( A) 1 bel (A)
Pl ( A) Pl (A) 1
度量。
在 D-S 证据理论中,由于缺少关于总概率的分配信息,所以不能确切的知道概率是如
示度量的上限,即
bel ( A) P ( A) Pl ( A)
Pl ( A) 1 , 即 bel (A) 1 Pl ( A) 1 1 0 , 说 明 对 A 不 信 任 。 所 以
由 于 Pl ( A) 0 , 即 bel (A) 1 Pl ( A) 1 0 1 , 说 明 对 A 信 任 。 所 以
由 于 Pl ( A) 1 , 即 bel (A) 1 Pl ( A) 1 1 0 , 说 明 对 A 不 信 任 。 所 以
当 (bel ( A), Pl ( A)) (0.25,1) 时,因为此时 bel ( A) 0.25 ,说明对 A 信任是 0.25;另
当 (bel ( A), Pl ( A)) (0.25, 0.65) 时,因为此时 bel ( A) 0.25 ,说明对 A 为真有一定程度
非信任 A 又非不信任的那部分。
2. 证据的组合
设 m1 , m2 ,..., mn 为 2 上 的 n 个 基 本 概 率 赋 值 函 数 , 它 们 的 正 交 和 表 示 为
U
m m1 m2 ... mn ,且定义为
m ( ) 0 ,
m( A) K 1 m (A )
i Ai A i i n
i i
其中
K m ( A ) 。若 K 0 ,认为 m ( A ) 之间是矛盾的。
i Ai 1i n
i i
i i
解:
先求 K
K
m1 ({a}) * m2 ({a}) m1 ({a}) * m2 ({a, b}) m1 ({b}) * m2 ({b})
m1 ({b}) * m2 ({a, b}) m1 ({a, b}) * m2 ({b}) m1 ({a, b}) * m2 ({a, b}) K-1=
0.4*0.6 0.4*0.2 0.5*0.2 0.5*0.2 0.1*0.6 0.1*0.2 0.1*0.2
0.62
再求 m( A)
m({a}) [1/ 0.62]*[m1 ({a}) * m2 ({a}) m1 ({a, b}) * m2 ({a}) m1 ({a}) * m2 ({a, b})]
[1/ 0.62]*[0.4*0.6 0.1*0.6 0.4*0.2]
0.61
m({b}) [1/ 0.62]*[m1 ({b}) * m2 ({b}) m1 ({a, b}) * m2 ({b}) m1 ({b}) * m2 ({a, b})]
[1/ 0.62]*[0.5*0.2 0.1*0.2 0.5*0.2]
0.36
m({a, b}) [1/ 0.62]*[m1 ({a, b}) * m2 ({a, b})]
[1/ 0.62]*[0.1*0.2]
0.03
3. D-S 证据理论的推理
3.1 知识表示
理规则表示为:
IF E THEN H, cF
其中E为证据,H为假设,它们是命题的逻辑组合,cF为置信度因子。
命题和置信度因子可表示为
A {a1 , a2 ,..., ak }
cF {c1 , c2 ,..., ck }
对任何命题A,A的置信度cF应满足:
1. ci 0,1 i k
2. c
i 1
i 1
3.2 证据描述
设 m 为 2 上定义的基本概率赋值函数,它应该满足下面的条件:
U
1. m({si }) 0, 对于si U ;
2. m({s }) 1 ;
i 1
i
3. m(U ) 1 m({si })
i 1
4. m( A) 0, 对于 A U ,且|A|>1或|A|=0,其中|A|表示命题A中的元素的个数。
若 m1 和 m2 为 2 上的两个基本概率赋值函数,则它们的正交和为
U
其中
K
X Y
m1 ( X )m2 (Y )
。
A
f ( A) bel ( A) [ Pl ( A) - bel ( A)]
U
其中 | A | 和 | U | 分别是 A 和 U 中元素的个数。
易于证明,类概率函数 f ( A) 具有如下的性质:
1. f ({a}) 1 ;
aU
3.对任何 A U ,有 f (A) 1 f ( A) 。
由上结论,可以得到:
1. f ( ) 0 ;
2. f (U ) 0 ;
3. 0 f ( A) 1 , 对于任何 A U 。
3.3不确定推理
在下面的讨论中,我们将所有输入的已知数据、条件部分和假设部分的命题都称为证据,
并且据此来分别讨论规则的条件部分和结论部分命题的确定性。
若 A 是规则条件部分的命题,在证据 E'的条件下,命题 A 与证据 E'的匹配程度定义为
1 A的所有元素都出现在E'
MD( A, E ' ) 。
0 其他
那么,规则的条件部分命题 A 得确定性为
cER( A) MD( A, E ') * f ( A)
在规则的条件部分为若干个命题的逻辑组合的情况下,整个条件部分的确定性是:
2.若 A A1 OR A2 OR...OR An ,则
对 于 规 则 的 假 设 部 分 的 命 题 确 定 性 , 如 果 有 规 则
IF E THEN H {h1 , h2 ,..., hk }, cF {c1 , c2 ,...ck } ,且 U {h1 , h2 ,..., hk } ,则 U 上的基本
概率赋值函数为
m({h1},{h2 },...,{hk }) {cER( E ) * c1 , cER ( E ) * c2 ,..., cER( E ) * ck }
根据上述的基本概率赋值函数 m 就可以求出假设部分的信任函数、似然函数、类概率函
数和确定性。
如果有几种类规则支持同一命题时,总的基本概率赋值函数 m 为各规则假设得到的基
本概率赋值函数的正交和,即 m m1 m2 ... mn 。
4. D-S 方法的特点
可能性理论。
2、证据理论可以区分不知道和不确定的情况。
3、证据理论可以依靠证据的积累,不断的缩小假设集合。例如,证据可能与子集相
关,而不是与单元素集合相关,这样就能较好的逐步缩小诊断的目标。如:心血管疾病→
心脏病→左心室疾病→专门诊断。
4、由 D-S 证据理论所计算的结果在数值上有时缺乏稳定性,基本概率赋值函数 bPA 的
一个很小变化可能导致结果有较大的改变,而且当支持的证据不一致时,比如当两个信任
函
数的焦元不相交时,D-S 证据理论的规则就无法使用。
5、D-S 证据理论要求辨别框中的元素满足相互排斥的条件,这个条件在实际系统中不
易得到满足,而且基本概率赋值函数要求给的值太多,计算比较复杂。