证据理论（Dempster-Shafer 理论）

基本概念

一、定义

证据理论也被称为 Dempster-Shafer 理论，是一种不精确推理理论，主要用于处理不确定信息。它允许人们在证据不完全、不精确或相互矛盾的情况下进行推理和决策。

二、基本概念

1. 识别框架：
   • 识别框架是一个非空有限集合，表示所有可能的假设或命题的集合。用符号 $\Theta$ 表示。
   • 例如，对于一个疾病诊断问题，识别框架可以是 Θ = { 疾病 A , 疾病 B , 疾病 C } \Theta=\{ 疾病 A,疾病 B,疾病 C\} Θ={疾病A,疾病B,疾病C}。
2. 基本概率分配函数（BPA）：
   • 基本概率分配函数用符号 $m$ 表示，它将一个数值分配给识别框架 $\Theta$ 的幂集 $2^{\Theta }$ 中的每个子集。
   • $m$ 的取值范围是从 $0$ 到 $1$，并且满足 $m(\varnothing )=0$，${\sum }_{A\subseteq \Theta }m(A)=1$。
   • 例如，对于识别框架 Θ = { 疾病 A , 疾病 B , 疾病 C } \Theta=\{ 疾病 A,疾病 B,疾病 C\} Θ={疾病A,疾病B,疾病C}， m ( { 疾病 A } ) = 0.3 m(\{疾病 A\})=0.3 m({疾病A})=0.3， m ( { 疾病 B } ) = 0.4 m(\{疾病 B\})=0.4 m({疾病B})=0.4， m ( { 疾病 C } ) = 0.2 m(\{疾病 C\})=0.2 m({疾病C})=0.2， m ( { 疾病 A , 疾病 B } ) = 0.1 m(\{疾病 A,疾病 B\})=0.1 m({疾病A,疾病B})=0.1等。
3. 信任函数（Belief Function）：
   • 信任函数用符号 $Bel$ 表示，它是基于基本概率分配函数定义的。对于任意子集 $A\subseteq \Theta$，信任函数 $Bel(A)={\sum }_{B\subseteq A}m(B)$。
   • 信任函数表示对子集 $A$ 的信任程度的下限。
   • 例如，对于上述例子， B e l ( { 疾病 A } ) = m ( { 疾病 A } ) = 0.3 Bel(\{疾病 A\})=m(\{疾病 A\})=0.3 Bel({疾病A})=m({疾病A})=0.3， B e l ( { 疾病 A , 疾病 B } ) = m ( { 疾病 A } ) + m ( { 疾病 B } ) + m ( { 疾病 A , 疾病 B } ) = 0.3 + 0.4 + 0.1 = 0.8 Bel(\{疾病 A,疾病 B\})=m(\{疾病 A\})+m(\{疾病 B\})+m(\{疾病 A,疾病 B\})=0.3 + 0.4 + 0.1 = 0.8 Bel({疾病A,疾病B})=m({疾病A})+m({疾病B})+m({疾病A,疾病B})=0.3+0.4+0.1=0.8。
4. 似然函数（Plausibility Function）：
   • 似然函数用符号 $Pl$ 表示，对于任意子集 $A\subseteq \Theta$，似然函数 $Pl(A)=1-Bel(\overline{A})$，其中 $\overline{A}$ 是 $A$ 的补集。
   • 似然函数表示对子集 $A$ 的信任程度的上限。
   • 例如，对于上述例子， P l ( { 疾病 A } ) = 1 − B e l ( { 疾病 B , 疾病 C } ) = 1 − ( m ( { 疾病 B } ) + m ( { 疾病 C } ) + m ( { 疾病 B , 疾病 C } ) ) = 1 − ( 0.4 + 0.2 + 0 ) = 0.7 Pl(\{疾病 A\})=1-Bel(\{疾病 B,疾病 C\})=1-(m(\{疾病 B\})+m(\{疾病 C\})+m(\{疾病 B,疾病 C\}))=1-(0.4 + 0.2 + 0)=0.7 Pl({疾病A})=1−Bel({疾病B,疾病C})=1−(m({疾病B})+m({疾病C})+m({疾病B,疾病C}))=1−(0.4+0.2+0)=0.7。

三、证据合成规则

1. Dempster 合成规则：
   • 当有多个独立的证据源时，可以使用 Dempster 合成规则将它们合并起来。
   • 设 $m_1$ 和 $m_2$ 是两个基本概率分配函数，合成后的基本概率分配函数 $m=m_1\oplus m_2$，对于任意非空子集 $A\subseteq \Theta$，$m(A)=\frac{1}{1-K}{\sum }_{B\cap C=A}{m}_1(B)m_2(C)$，其中 $K={\sum }_{B\cap C=\varnothing }{m}_1(B)m_2(C)$，$K$ 表示两个证据之间的冲突程度。
   • 如果 $K\ne 1$，则合成是可行的；如果 $K=1$，则表示两个证据完全冲突，无法进行合成。

四、应用领域

1. 信息融合：证据理论在多传感器信息融合中得到了广泛应用，可以将来自不同传感器的信息进行融合，提高决策的准确性。
2. 风险评估：用于评估各种风险因素，确定风险的可能性和影响程度。
3. 决策分析：帮助决策者在不确定的情况下做出合理的决策。
4. 模式识别：处理模式识别中的不确定性问题。

五、优缺点

1. 优点：
   • 能够处理不确定和不精确的信息，比传统的概率理论更灵活。
   • 可以表示证据之间的冲突和不确定性程度。
   • 提供了信任函数和似然函数，分别表示信任程度的下限和上限，为决策提供了更多的信息。
2. 缺点：
   • 计算复杂度较高，尤其是在处理大规模问题时。
   • 对证据的独立性要求较高，实际应用中很难满足完全独立的条件。
   • 合成规则可能会导致一些不合理的结果，例如在证据冲突较大时。

示例

一、问题背景

假设有一个医疗诊断的场景，医生需要根据患者的症状来判断患者可能患有的疾病。识别框架为 Θ = { 疾病 A , 疾病 B , 疾病 C } \Theta=\{疾病 A,疾病 B,疾病 C\} Θ={疾病A,疾病B,疾病C}。

二、证据来源及基本概率分配函数

1. 第一个证据源来自患者的症状表现，给出的基本概率分配函数 $m_1$ 如下：
   • m 1 ( { 疾病 A } ) = 0.3 m_1(\{疾病 A\})=0.3 m1​({疾病A})=0.3，表示根据这个证据源，认为患者患有疾病 A 的可能性为 0.3。
   • m 1 ( { 疾病 B } ) = 0.4 m_1(\{疾病 B\})=0.4 m1​({疾病B})=0.4，认为患者患有疾病 B 的可能性为 0.4。
   • m 1 ( { 疾病 C } ) = 0.2 m_1(\{疾病 C\})=0.2 m1​({疾病C})=0.2，认为患者患有疾病 C 的可能性为 0.2。
   • m 1 ( { 疾病 A , 疾病 B } ) = 0.1 m_1(\{疾病 A,疾病 B\})=0.1 m1​({疾病A,疾病B})=0.1，表示患者同时患有疾病 A 和疾病 B 的可能性为 0.1。
2. 第二个证据源来自实验室检测结果，给出的基本概率分配函数 $m_2$ 如下：
   • m 2 ( { 疾病 A } ) = 0.2 m_2(\{疾病 A\})=0.2 m2​({疾病A})=0.2。
   • m 2 ( { 疾病 B } ) = 0.3 m_2(\{疾病 B\})=0.3 m2​({疾病B})=0.3。
   • m 2 ( { 疾病 C } ) = 0.4 m_2(\{疾病 C\})=0.4 m2​({疾病C})=0.4。
   • m 2 ( { 疾病 A , 疾病 C } ) = 0.1 m_2(\{疾病 A,疾病 C\})=0.1 m2​({疾病A,疾病C})=0.1。

三、证据合成

1. 首先计算冲突系数 $K$： - $K={\sum }_{B\cap C=\varnothing }{m}_1(B)m_2(C)$。
   • 分别计算不同子集的乘积并求和：
     • m 1 ( { 疾病 A } ) m 2 ( { 疾病 B } ) = 0.3 × 0.3 = 0.09 m_1(\{疾病 A\})m_2(\{疾病 B\})=0.3\times0.3 = 0.09 m1​({疾病A})m2​({疾病B})=0.3×0.3=0.09。
     • m 1 ( { 疾病 A } ) m 2 ( { 疾病 C } ) = 0.3 × 0.4 = 0.12 m_1(\{疾病 A\})m_2(\{疾病 C\})=0.3\times0.4 = 0.12 m1​({疾病A})m2​({疾病C})=0.3×0.4=0.12。
     • m 1 ( { 疾病 B } ) m 2 ( { 疾病 A } ) = 0.4 × 0.2 = 0.08 m_1(\{疾病 B\})m_2(\{疾病 A\})=0.4\times0.2 = 0.08 m1​({疾病B})m2​({疾病A})=0.4×0.2=0.08。
     • m 1 ( { 疾病 B } ) m 2 ( { 疾病 C } ) = 0.4 × 0.4 = 0.16 m_1(\{疾病 B\})m_2(\{疾病 C\})=0.4\times0.4 = 0.16 m1​({疾病B})m2​({疾病C})=0.4×0.4=0.16。
     • m 1 ( { 疾病 C } ) m 2 ( { 疾病 A } ) = 0.2 × 0.2 = 0.04 m_1(\{疾病 C\})m_2(\{疾病 A\})=0.2\times0.2 = 0.04 m1​({疾病C})m2​({疾病A})=0.2×0.2=0.04。
     • m 1 ( { 疾病 C } ) m 2 ( { 疾病 B } ) = 0.2 × 0.3 = 0.06 m_1(\{疾病 C\})m_2(\{疾病 B\})=0.2\times0.3 = 0.06 m1​({疾病C})m2​({疾病B})=0.2×0.3=0.06。
   • $K=0.09+0.12+0.08+0.16+0.04+0.06=0.55$。
2. 然后进行证据合成：
   • 对于子集 { 疾病 A } \{疾病 A\} {疾病A}：
     • m ( { 疾病 A } ) = 1 1 − K ∑ B ∩ C = { 疾病 A } m 1 ( B ) m 2 ( C ) m(\{疾病 A\})=\frac{1}{1 - K}\sum_{B\cap C=\{疾病 A\}}m_1(B)m_2(C) m({疾病A})=1−K1​∑B∩C={疾病A}​m1​(B)m2​(C)。
     • 这里只有 m 1 ( { 疾病 A } ) m 2 ( { 疾病 A } ) = 0.3 × 0.2 = 0.06 m_1(\{疾病 A\})m_2(\{疾病 A\})=0.3\times0.2 = 0.06 m1​({疾病A})m2​({疾病A})=0.3×0.2=0.06和 m 1 ( { 疾病 A , 疾病 B } ) m 2 ( { 疾病 A , 疾病 C } ) = 0.1 × 0.1 = 0.01 m_1(\{疾病 A,疾病 B\})m_2(\{疾病 A,疾病 C\})=0.1\times0.1=0.01 m1​({疾病A,疾病B})m2​({疾病A,疾病C})=0.1×0.1=0.01两项对结果有贡献。
     • m ( { 疾病 A } ) = 1 1 − 0.55 × ( 0.06 + 0.01 ) = 0.07 0.45 ≈ 0.1556 m(\{疾病 A\})=\frac{1}{1 - 0.55}\times(0.06 + 0.01)=\frac{0.07}{0.45}\approx0.1556 m({疾病A})=1−0.551​×(0.06+0.01)=0.450.07​≈0.1556。
   • 对于子集 { 疾病 B } \{疾病 B\} {疾病B}：
     • 同理可得 m ( { 疾病 B } ) = 1 0.45 × ( m 1 ( { 疾病 B } ) m 2 ( { 疾病 B } ) + m 1 ( { 疾病 A , 疾病 B } ) m 2 ( { 疾病 A , 疾病 B } ) ) m(\{疾病 B\})=\frac{1}{0.45}\times(m_1(\{疾病 B\})m_2(\{疾病 B\})+m_1(\{疾病 A,疾病 B\})m_2(\{疾病 A,疾病 B\})) m({疾病B})=0.451​×(m1​({疾病B})m2​({疾病B})+m1​({疾病A,疾病B})m2​({疾病A,疾病B}))。
     • 经计算 m ( { 疾病 B } ) ≈ 0.2311 m(\{疾病 B\})\approx0.2311 m({疾病B})≈0.2311。
   • 对于子集 { 疾病 C } \{疾病 C\} {疾病C}：
     • m ( { 疾病 C } ) = 1 0.45 × ( m 1 ( { 疾病 C } ) m 2 ( { 疾病 C } ) + m 1 ( { 疾病 A , 疾病 C } ) m 2 ( { 疾病 A , 疾病 C } ) + m 1 ( { 疾病 B , 疾病 C } ) m 2 ( { 疾病 B , 疾病 C } ) ) m(\{疾病 C\})=\frac{1}{0.45}\times(m_1(\{疾病 C\})m_2(\{疾病 C\})+m_1(\{疾病 A,疾病 C\})m_2(\{疾病 A,疾病 C\})+m_1(\{疾病 B,疾病 C\})m_2(\{疾病 B,疾病 C\})) m({疾病C})=0.451​×(m1​({疾病C})m2​({疾病C})+m1​({疾病A,疾病C})m2​({疾病A,疾病C})+m1​({疾病B,疾病C})m2​({疾病B,疾病C}))。
     • 经计算 m ( { 疾病 C } ) ≈ 0.3111 m(\{疾病 C\})\approx0.3111 m({疾病C})≈0.3111。
   • 对于子集 { 疾病 A , 疾病 B } \{疾病 A,疾病 B\} {疾病A,疾病B}：
     • m ( { 疾病 A , 疾病 B } ) = 1 0.45 × ( m 1 ( { 疾病 A } ) m 2 ( { 疾病 A , 疾病 B } ) + m 1 ( { 疾病 A , 疾病 B } ) m 2 ( { 疾病 A } ) ) m(\{疾病 A,疾病 B\})=\frac{1}{0.45}\times(m_1(\{疾病 A\})m_2(\{疾病 A,疾病 B\})+m_1(\{疾病 A,疾病 B\})m_2(\{疾病 A\})) m({疾病A,疾病B})=0.451​×(m1​({疾病A})m2​({疾病A,疾病B})+m1​({疾病A,疾病B})m2​({疾病A}))。
     • 经计算 m ( { 疾病 A , 疾病 B } ) ≈ 0.0889 m(\{疾病 A,疾病 B\})\approx0.0889 m({疾病A,疾病B})≈0.0889。
   • 对于子集 { 疾病 A , 疾病 C } \{疾病 A,疾病 C\} {疾病A,疾病C}：
     • m ( { 疾病 A , 疾病 C } ) = 1 0.45 × ( m 1 ( { 疾病 A } ) m 2 ( { 疾病 A , 疾病 C } ) + m 1 ( { 疾病 A , 疾病 C } ) m 2 ( { 疾病 A } ) ) m(\{疾病 A,疾病 C\})=\frac{1}{0.45}\times(m_1(\{疾病 A\})m_2(\{疾病 A,疾病 C\})+m_1(\{疾病 A,疾病 C\})m_2(\{疾病 A\})) m({疾病A,疾病C})=0.451​×(m1​({疾病A})m2​({疾病A,疾病C})+m1​({疾病A,疾病C})m2​({疾病A}))。
     • 经计算 m ( { 疾病 A , 疾病 C } ) ≈ 0.0556 m(\{疾病 A,疾病 C\})\approx0.0556 m({疾病A,疾病C})≈0.0556。
   • 对于子集 { 疾病 B , 疾病 C } \{疾病 B,疾病 C\} {疾病B,疾病C}：
     • m ( { 疾病 B , 疾病 C } ) = 1 0.45 × ( m 1 ( { 疾病 B } ) m 2 ( { 疾病 B , 疾病 C } ) + m 1 ( { 疾病 B , 疾病 C } ) m 2 ( { 疾病 B } ) ) m(\{疾病 B,疾病 C\})=\frac{1}{0.45}\times(m_1(\{疾病 B\})m_2(\{疾病 B,疾病 C\})+m_1(\{疾病 B,疾病 C\})m_2(\{疾病 B\})) m({疾病B,疾病C})=0.451​×(m1​({疾病B})m2​({疾病B,疾病C})+m1​({疾病B,疾病C})m2​({疾病B}))。
     • 经计算 m ( { 疾病 B , 疾病 C } ) ≈ 0.1089 m(\{疾病 B,疾病 C\})\approx0.1089 m({疾病B,疾病C})≈0.1089。

四、结果分析

1. 信任函数：
   • B e l ( { 疾病 A } ) = m ( { 疾病 A } ) = 0.1556 Bel(\{疾病 A\})=m(\{疾病 A\})=0.1556 Bel({疾病A})=m({疾病A})=0.1556。
   • B e l ( { 疾病 B } ) = m ( { 疾病 B } ) = 0.2311 Bel(\{疾病 B\})=m(\{疾病 B\})=0.2311 Bel({疾病B})=m({疾病B})=0.2311。
   • B e l ( { 疾病 C } ) = m ( { 疾病 C } ) = 0.3111 Bel(\{疾病 C\})=m(\{疾病 C\})=0.3111 Bel({疾病C})=m({疾病C})=0.3111。
2. 似然函数：
   • P l ( { 疾病 A } ) = 1 − B e l ( { 疾病 B , 疾病 C } ) = 1 − ( m ( { 疾病 B } ) + m ( { 疾病 C } ) + m ( { 疾病 B , 疾病 C } ) ) ≈ 1 − ( 0.2311 + 0.3111 + 0.1089 ) = 0.3489 Pl(\{疾病 A\})=1 - Bel(\{疾病 B,疾病 C\})=1-(m(\{疾病 B\})+m(\{疾病 C\})+m(\{疾病 B,疾病 C\}))\approx1-(0.2311 + 0.3111 + 0.1089)=0.3489 Pl({疾病A})=1−Bel({疾病B,疾病C})=1−(m({疾病B})+m({疾病C})+m({疾病B,疾病C}))≈1−(0.2311+0.3111+0.1089)=0.3489。
   • P l ( { 疾病 B } ) = 1 − B e l ( { 疾病 A , 疾病 C } ) = 1 − ( m ( { 疾病 A } ) + m ( { 疾病 C } ) + m ( { 疾病 A , 疾病 C } ) ) ≈ 1 − ( 0.1556 + 0.3111 + 0.0556 ) = 0.4777 Pl(\{疾病 B\})=1 - Bel(\{疾病 A,疾病 C\})=1-(m(\{疾病 A\})+m(\{疾病 C\})+m(\{疾病 A,疾病 C\}))\approx1-(0.1556 + 0.3111 + 0.0556)=0.4777 Pl({疾病B})=1−Bel({疾病A,疾病C})=1−(m({疾病A})+m({疾病C})+m({疾病A,疾病C}))≈1−(0.1556+0.3111+0.0556)=0.4777。
   • P l ( { 疾病 C } ) = 1 − B e l ( { 疾病 A , 疾病 B } ) = 1 − ( m ( { 疾病 A } ) + m ( { 疾病 B } ) + m ( { 疾病 A , 疾病 B } ) ) ≈ 1 − ( 0.1556 + 0.2311 + 0.0889 ) = 0.5244 Pl(\{疾病 C\})=1 - Bel(\{疾病 A,疾病 B\})=1-(m(\{疾病 A\})+m(\{疾病 B\})+m(\{疾病 A,疾病 B\}))\approx1-(0.1556 + 0.2311 + 0.0889)=0.5244 Pl({疾病C})=1−Bel({疾病A,疾病B})=1−(m({疾病A})+m({疾病B})+m({疾病A,疾病B}))≈1−(0.1556+0.2311+0.0889)=0.5244。

通过证据理论的合成结果，可以看出患者患有疾病 C 的可能性相对较高，其信任函数值为 0.3111，似然函数值为 0.5244。但同时也不能完全排除患有疾病 A 和疾病 B 的可能性。医生可以根据这些结果，结合其他临床信息，做出更准确的诊断决策。