1 基本概念
设 Θ \Theta Θ是一个识别框架,或称假设空间
基本概率分配 Basic Probability Assignment, BPA
在识别框架 Θ \Theta Θ上的BPA是一个 2 Θ → [ 0 , 1 ] 2^\Theta\rightarrow[0,1] 2Θ→[0,1]的函数m,成为mass函数,并且满足 m ( ∅ ) = 0 m(\varnothing)=0 m(∅)=0且 ∑ A ⊆ Θ m ( A ) = 1 \sum_{A\subseteq\Theta}m(A)=1 ∑A⊆Θm(A)=1
信任函数 Belief function
B e l ( A ) = ∑ B ⊆ A m ( B ) Bel(A)=\sum_{B\subseteq A}m(B) Bel(A)=∑B⊆Am(B)
似然函数 Plausibility function
P l ( A ) = ∑ B ∩ A ≠ ∅ m ( B ) Pl(A)=\sum_{B\cap A\neq \varnothing} m(B) Pl(A)=∑B∩A̸=∅m(B)
信任区间
在证据理论中,对于识别框架中的某个假设A,根据基本概率分配BPA分别计算出关于该假设的信任函数和似然函数组成信任空间 [ B e l ( A ) , P l ( A ) ] [Bel(A), Pl(A)] [Bel(A),Pl(A)],用以表示对某个假设的确认程度。
Dempster合成规则