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
算法-DS证据理论
于 2022-05-26 13:11:40 首次发布