算法-DS证据理论

适用领域：
信息融合
条件：
证据独立
特点：
1、满足比贝叶斯理论更弱的条件，不必满足概率可加性；2、具有直接表达“不确定”和“不知道”的能力，这些信息保存在mass函数中，并在证据合成过程中保留了这些信息；
3、证据理论不但允许人们将信度赋予假设空间中的单个元素，而且还能赋予它的子集，这很像人类在各级抽象层次上的证据收集过程。
基本概念：
识别框架（假设空间）、基本概率分配（BPA、mass函数、焦元）、信任函数（信度函数）、似然函数（似然度函数）、信任区间（由信任函数和似然函数组成，用以表示对某个假设的确认程度）、证据合成公式（Dempster合成规则）
证据理论模型的解释
1、上下概率
2、广义化贝叶斯理论
当mass函数m中的所有焦元都是单点集（即单个假设），且这些焦元都满足贝叶斯独立条件时，Dempster证据合成公式就退化为贝叶斯公式，所以，贝叶斯公式是Dempster证据合成公式的特例。反过来说，Dempster是贝叶斯公式的广义化。
3、随机集理论模型
4、可传递信度模型（TBM）
近似计算
贝叶斯的近似计算
参考
浙大徐从富证据理论
Apollo perception源码阅读|fusion之证据推理