DS证据理论

若有：
m( A1 ) m( A2 ) 1 m ( ) 2 m ( A ) m ( ) 1
则 A1 为判决结果，其中 1 ， 2 为预先设定的门限， 为不确定 集合。
证据理论存在的问题
一，无法解决证据冲突严重和完全冲突的情
况 二，难以辨识所合成证据的模糊程度，由于 证据理论中的证据模糊主要来自于各子集的 模糊度。根据信息论的观点，子集中的元素 个数越多，子集的模糊度越大。 三，基本概率分配函数的微小变化会使组合 结果产生急剧变化。
证据理论的名称
证据理论(Evidential Theory) Dempster-Shafer理论 Dempster-Shafer证据理论 DS (或D-S)理论
其它叫法：
Dempster规则
Dempster合成规则 Dempster证据合成规则
与贝叶斯推理的比较，证据理论具有 以下优点：
定义 3：如果将命题看作识别框架 U 上的元素，如果有
m( A) 0 ，则称 A 为信度函数 Bel 的焦元。
ቤተ መጻሕፍቲ ባይዱ
定义 4： Pls( A) 1 Bel ( A) m( B) m( B)
B U B A B
A
m( B)
为 U 上的似然函数（Plausibility
【解】：首先，计算归一化常数K。
K
B C

m1 ( B) m2 (C )
m1 ( Peter ) m2 ( Peter ) m1 ( Paul ) m2 ( Paul ) m1 ( Mary ) m2 ( Mary ) 0.99 0 0.01 0.01 0 0.99 0.0001
（2）关于Paul的组合mass函数
1 m1 m2 ({Paul}) m1 ({Paul}) m2 ({Paul}) K 1 0.01 0.01 1 0.0001
（3）关于Mary的组合mass函数
1 m1 m2 ({Mary}) K
B C { Mary }
Demspter组合规则
设 Bel1 和 Bel2 是同一识别框架 U 上的两个信任函数， m1 和 m2 分 别是其对应的基本概率赋值，焦元分别为： A1 ，… Ak 和 B1 ，…，
Br ，设：
K
Ai B j
m ( A )m
1 i
2
(B j ) 1
则：
m1 ( Ai )m2 ( B j ) A B C m(C ) i j 1 K 0 C U C C
Function） ，似然函数表示
不否定 A 的信任度，是所有与 A 相交子集的基本概率赋值之 和。 实际上，[ Bel ( A), pl ( A)] 表示命题 A 的不确定区间；[0, Bel ( A)] 表 示命题 A 的完全可信区间；而 [0, pl ( A)] 则表示对命题“ A 为真 的”的不怀疑区间。

m1 ( B ) m2 (C )
1 m1 ({Mary}) m2 ({Mary}) K 1 0.00 0.99 0.00 0.0001
【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
第二章 不确定性推理方法—D-S证据理论
证据理论的诞生和形成 诞生：源于20世纪60年代美国哈佛大学数学家A. P. Dempster在利用上、下限概率来解决多值映射问题方面的 研究工作。自1967年起连续发表了一系列论文，标志着证 据理论的正式诞生。
形成：Dempster的学生G. Shafer对证据理论做了进一 步的发展，引入信任函数概念，形成了一套基于“证据” 和“组合”来处理不确定性推理问题的数学方法，并于 1976年出版了《证据的数学理论》(A Mathematical Theory of Evidence)，这标志着证据理论正式成为一种处理不确定 性问题的完整理论。
K 是冲突因子，反映了证据的冲突程度，1 / k 1 称为归一化因子，
该组合规则相当于在组合中将空集（冲突）等比例分配给各个集 合。
判决规则
设存在 A1 , A2 U ，满足
m( A1 ) maxm( Ai ), Ai U m( A2 ) maxm( Ai ), Ai U且Ai A1
归一化常数K的另一种计算法：
K
B C

m1 ( B ) m2 (C )
m1 ( Peter ) m2 () m1 ( Paul ) m2 ( Paul ) m1 ( Paul ) m2 () m1 () m2 ( Paul ) m1 () m2 ( Mary ) m1 () m2 () 0.98 0.01 0.01 0.01 0.01 0.01 0.01 0.01 0.01 0.98 0.01 0.01 0.02
m1
A B
0.98 0.01 0 0.01
0 0.01 0.98 0.01
0.49 0.015 0.49 0.005
【解】：首先，计算归一化常数K。
K 1
B C

m1 ( B ) m2 (C )
1 [m1 ( Peter ) m2 ( Paul ) m1 ( Peter ) m2 ( Mary ) m1 ( Paul ) m2 ( Mary )] 1 (0.98 0.01 0.98 0.98 0.01 0.98) 0.02
（1）计算关于Peter的组合mass函数
1 m1 m2 ({Peter}) K
B C { Peter }

m1 ( B ) m2 (C )
1 [m1 ({Peter}) m2 ({Peter}) m1 ({Peter}) m2 ()] K 1 (0.98 0 0.98 0.01) 0.49 0.02
（4）计算关于 ={Peter, Paul, Mary}的组合mass函数
1 m1 m2 () m1 ( B) m2 (C ) K B C 1 m1 () m2 () K 1 0.01 0.01 0.005 0.02
此外，根据信任函数、似然函数的计算公式，可得：
（3）计算关于Mary的组合mass函数
1 m1 m2 ({Mary}) K
B C { Mary }

m1 ( B ) m2 (C )
1 [m1 ({Mary}) m2 ({Mary}) m1 ({}) m2 ({Mary})] K 1 (0 0.98 0.01 0.98) 0.49 0.02
AU
则称 m( A) 为 A 的基本概率赋值， m( A) 表示对 A 的信任程度。
定义 2： Bel : 2U
[0,1]
(A U )
B e( l ) m( B) A
B A
称该函数是 U 上的信任函数 （Belief Function） 表示 A 的全 ， 部子集所对应的基本赋值函数之和。
Dempster合成规则计算举例
例1. “Zadeh悖论” ：某宗“谋杀案” 的三个犯罪嫌 疑人组成了识别框架 ={Peter, Paul, Mary} ，目击证人 （W1, W2）分别给出下表所示。 【要求】：计算证人W1和W2提供证据的组合结果。
m1() Peter Paul Mary 0.99 0.01 0.00 m2() 0.00 0.01 0.99 m12() 0.00 1.00 0.00
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。
m1() m2() m12()
{Peter} {Paul} {Mary} ={Peter, Paul, Mary}
不确定性推理方法——D-S证据理论
D-S证据理论是对贝叶斯推理方法的推广，贝叶斯推 理方法是利用概率论中的贝叶斯条件概率公式来进行处理的 方法，但是它需要知道先验概率。D-S证据理论不需要知道 先验概率，能够很好地表示“不确定”和“不知道”，并且 具有推理形式简单等优点，所以被广泛用来处理不确定数据。 由于在证据理论中需要的先验数据比概率推理理论中的 更为直观、更容易获得，再加上Dempster合成公式可以综合 不同专家或数据源的知识或数据，这使得证据理论在专家系 统、信息融合等领域中得到了广泛应用。 适用领域：信息融合、专家系统、情报分析、法律案 件分析、多属性决策分析，等等。
第一， 贝叶斯中的概率无法区别一无所知和等可能， 而是将 一无所知视为等可能。而证据理论可以区分，可以用 m() 1 表 示一无所知，用 m(a) m(b) 表示等可能。 第二，如果相信命题 A 的概率为 S ，那么对于命题 A 的反的 相信程度为：1 S 。而利用证据理论中的基本概率赋值函数的定 义，有 m( A) m(A) 1 。 第三， 概率函数是一个单值函数， 信任函数是一个集合变量 函数，信任函数可以更加容易表达“粗略”信息。
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