D-S 证据理论

最新推荐文章于 2024-06-29 18:54:38 发布

Will-kkc

最新推荐文章于 2024-06-29 18:54:38 发布

阅读量7.7k

点赞数 6

文章标签： D-S证据理论

科研分析专栏收录该内容

3 篇文章 1 订阅

订阅专栏

一.D-S证据理论引入

诞生:

D-S证据理论的诞生：起源于20世纪60年代的哈佛大学数学家A.P. Dempster利用上、下限概率解决多值映射问题，1967年起连续发表一系列论文，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研究，引入信任函数概念，形成了一套“证据”和“组合”来处理不确定性推理的数学方法
D-S理论是对贝叶斯推理方法推广，主要是利用概率论中贝叶斯条件概率来进行的，需要知道先验概率。而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”，被广泛用来处理不确定数据。
适用于：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

二.D-S证据理论的基本概念

定义1 基本概率分配（BPA）
设U为以识别框架，则函数m:2u→[0,1]m:2u→[0,1]满足下列条件：(1)m(ϕ)=0m(ϕ)=0(2)∑A⊂Um(A)=1∑A⊂Um(A)=1时称m(A)=0m(A)=0为A的基本赋值，m(A)=0m(A)=0表示对A的信任程度也称为mass函数。

定义2 信任函数（Belief Function）
Bel:2u→[0,1]Bel:2u→[0,1]Bel(A)=∑B⊂Am(B)=1 (∀A⊂U)Bel(A)=∑B⊂Am(B)=1 (∀A⊂U)表示A的全部子集的基本概率分配函数之和

定义3 似然函数（plausibility Function）
pl(A)=1−Bel(A¯¯¯¯)=∑B⊂Um(B)−∑B⊂A¯¯¯¯m(B)=∑B⋂A≠ϕm(B)pl(A)=1−Bel(A¯)=∑B⊂Um(B)−∑B⊂A¯m(B)=∑B⋂A≠ϕm(B)似然函数表示不否认A的信任度，是所有与A相交的子集的基本概率分配之和。