D-S证据理论大白话解释，案例分析

1. 基本参数概念

Θ：识别框架，由互不相容的命题组成，包含一个问题的所有答案，但只有一个是正确的；

BPA: m函数|各命题的信任程度 |基本概率分配；

m(A): 基本可信度，对命题A的信度大小；

Bel(A): 信任函数，对命题A的信任程度；

Pl(A): 似然函数，对命题A的最大信任程度。

---

关于Bel(A)和Pl(A)概念的解释

区间[0，Bel(A)]，表示A证据确凿区间；
区间[0，Pl(A)]，表示A的可能区间；
区间[Pl(A)，1]，表示A的不可能区间；
区间[Bel(A)，Pl(A)]，表示A的不确定区间。

---

2. 基本参数公式

Bel(Belief function)函数定义：

Pl(Plausibility function)函数定义：

Dempster合成规则：

对于n个mass函数，Dempster合成规则如下：

其中K为归一化常数，取值为：

3. 大白话解释

看了很多篇文章，终于搞懂了，用大白话和一个案例来解释一下这个算法流程。

1. 一个大馒头被偷吃了，有两个怀疑对象小黄和小超，老师A认为小黄偷吃概率0.3，小超偷吃概率0.6，他俩都偷吃的概率0.1，老师B认为小黄偷吃0.2，小超偷吃概率0.7，他俩都偷吃的概率0.1；我们上述定义的Θ这个值就是[小黄，小超]，根据这些概率列一个表格；

	老师A	老师B	AB老师融合概率
小黄	0.3	0.2
小超	0.6	0.7
小黄和小超	0.1	0.1

2. 现在我们首先计算K值；

K大白话来说：在小黄视角，两个老师都认为小黄偷吃了，概率相乘即可。在每个视角都计算值相加即可。通俗点就是说两个老师认为的事件相交得到的结果不是空集。
小黄偷吃视角 = 0.3*0.2 + 0.3*0.1 = 0.09
小超偷吃视角 = 0.6*0.7 + 0.6*0.1 = 0.48
小黄和小超一起偷吃视角 = 0.1*0.2 + 0.1*0.7 + 0.1*0.1 = 0.1
K = 0.09+0.48+0.1 = 0.67

3. 计算小黄偷吃的AB老师融合概率（组合mass函数）；

Dempster合成规则 这个公式
大白话来说：我们想求小黄偷吃的融合概率，那么我们就将两个老师都认为小黄吃了的概率相乘，通俗点就是说两个老师认为的事件相交得到的结果是小黄偷吃了。
(1/K)*(0.3*0.2 + 0.3*0.1 + 0.1*0.2) = 0.164(约等于)

4. 计算小超偷吃的AB老师融合概率（组合mass函数）；

(1/K)*(0.6*0.7 + 0.6*0.1 + 0.1*0.7) = 0.821(约等于)

5. 计算他俩都偷吃的AB老师融合概率（组合mass函数）；

(1/K)*(0.1*0.1) = 0.015(约等于)

6. 将计算出来的融合概率填充至表格；

	老师A	老师B	AB老师融合概率
小黄	0.3	0.2	0.164
小超	0.6	0.7	0.821
小黄和小超	0.1	0.1	0.015

7. 计算信任函数和似然函数；

小黄：
Bel(小黄) = 0.164      Pl(小黄) = 0.164 + 0.015 = 0.179
小超：
Bel(小超) = 0.821      Pl(小超) = 0.821 + 0.015 = 0.836

[Bel,Pl]就是信任区间

8. 通过最终融合概率得出最后结果。

---