证据理论(1)—— DS证据理论基本理论

2023-11-19

证据理论

  证据理论 (Theory of Evidence) 是由 Dempster 首先提出,由Shafer进一步发展起来的一种不精确推理理论,也称为 Dempster-Shafer (DS) 证据理论。证据理论可以在没有先验概率的情况下,灵活并有效地对不确定性建模。

证据理论的基本理论

辨识框架 (Frame of discernment)

  辨识框架 Ω \Omega Ω 是一个由问题的所有假设 (hypothesis) 组成穷举集合,所有假设是相互排斥的。设 Ω \Omega Ω 包含 N N N 个元素, Ω \Omega Ω 可以表示为: Ω = { H 1 , H 2 , ⋯   , H N } \Omega=\{H_1,H_2,\cdots, H_N\} Ω={H1,H2,,HN}
   Ω \Omega Ω 的子集 A A A 称为命题 (proposition), Ω \Omega Ω 的幂集 2 Ω 2^\Omega 2Ω Ω \Omega Ω 的所有子集组成,包含 2 N 2^N 2N 个元素, 2 Ω 2^\Omega 2Ω 可以表示为: 2 Ω = { ∅ , { H 1 } , { H 2 } , ⋯   , { H N } , { H 1 , H 2 } , ⋯   , { H 1 , H 2 , ⋯   , H i } , ⋯   , Ω } 2^\Omega=\{\emptyset ,\{H_1\},\{H_2\},\cdots,\{H_N\},\{H_1,H_2\},\cdots,\{H_1,H_2,\cdots, H_i\},\cdots,\Omega\} 2Ω={,{H1},{H2},,{HN},{H1,H2},,{H1,H2,,Hi},,Ω}

基本概率分配函数 (Basic probability assignment, bpa) / m 函数 (Mass function)

  基本概率分配函数是从 2 Ω 2^\Omega 2Ω [ 0 , 1 ] [0,1] [0,1] 的映射: m : 2 Ω → [ 0 , 1 ] m:2^\Omega\rightarrow[0,1] m:2Ω[0,1] 它满足以下两个条件: m ( ∅ ) = 0 a n d ∑ A ⊆ Ω m ( A ) = 1 m(\emptyset)=0 \quad and \quad \sum_{A\subseteq\Omega}m(A)=1 m()=0andAΩm(A)=1 m ( A ) m(A) m(A) 的值表示证据对命题 A A A 的支持程度。
  对于 A ∈ 2 Ω A\in2^\Omega A2Ω,如果 m ( A ) > 0 m(A)>0 m(A)>0,则称 A A A 为一个焦元 (focal element)。

信任函数 (Belief function)

  信任函数定义如下: B e l ( A ) = ∑ B ⊆ A m ( B ) Bel(A)=\sum_{B\subseteq A}m(B) Bel(A)=BAm(B) B e l ( A ) Bel(A) Bel(A)表示对A的总的信任程度。根据基本概率分配函数的特点,我们可以知道: B e l ( ∅ ) = m ( ∅ ) = 0 Bel(\emptyset)=m(\emptyset)=0 Bel()=m()=0 B e l ( Ω ) = ∑ B ⊆ Ω m ( B ) = 1 Bel(\Omega)=\sum_{B\subseteq\Omega}m(B)=1 Bel(Ω)=BΩm(B)=1

似然函数 (Plausibility function)

  似然函数定义如下: P l ( A ) = ∑ B ∩ A ≠ ∅ m ( B ) Pl(A)=\sum_{B\cap A\neq\emptyset}m(B) Pl(A)=BA=m(B)似然函数也可以表示为: P l ( A ) = 1 − B e l ( A ˉ ) Pl(A)=1-Bel(\bar{A}) Pl(A)=1Bel(Aˉ)其中 A ˉ = Ω − A \bar{A}=\Omega-A Aˉ=ΩA。似然函数表示不否定A的信任程度。似然函数有如下特点: P l ( ∅ ) = 0 Pl(\emptyset)=0 Pl()=0 P l ( Ω ) = 1 Pl(\Omega)=1 Pl(Ω)=1信任函数与似然函数的关系: P l ( A ) ≥ B e l ( A ) Pl(A)\geq Bel(A) Pl(A)Bel(A)
Example:
Ω = { A , B , C } \Omega=\{A,B,C\} Ω={A,B,C} m ( { A } ) = 0.3 , m ( { A , B } ) = 0.2 , m ( Ω ) = 0.2 m ( { B } ) = 0 , m ( { A , C } ) = 0.2 , m ( ∅ ) = 0 m ( { C } ) = 0.1 , m ( { B , C } ) = 0 \begin{aligned} &m(\{A\})=0.3,&\quad m(\{A,B\})=0.2, &\quad m(\Omega)=0.2 \\ &m(\{B\})=0, &\quad m(\{A,C\})=0.2,&\quad m(\emptyset)=0 \\ &m(\{C\})=0.1,&\quad m(\{B,C\})=0 \quad \end{aligned} m({A})=0.3,m({B})=0,m({C})=0.1,m({A,B})=0.2,m({A,C})=0.2,m({B,C})=0m(Ω)=0.2m()=0 B e l ( { A } ) = m ( { A } ) + m ( ∅ ) = 0.3 P l ( { A } ) = m ( { A } ) + m ( { A , B } ) + m ( { A , B } ) + m ( Ω ) = 0.3 + 0.2 + 0.2 + 0.2 = 0.9 \begin{aligned} &Bel(\{A\})=m(\{A\})+m(\emptyset)=0.3 \\ &Pl(\{A\})=m(\{A\})+m(\{A,B\})+m(\{A,B\})+m(\Omega)=0.3+0.2+0.2+0.2=0.9 \end{aligned} Bel({A})=m({A})+m()=0.3Pl({A})=m({A})+m({A,B})+m({A,B})+m(Ω)=0.3+0.2+0.2+0.2=0.9

Dempster-Shafer 合成公式

  对于相互独立的不同证据源,有不同的基本概率分配函数。Dempster-Shafer 合成公式采用正交和将不同的基本概率分配函数合成为一个新的基本概率分配函数。公式定义如下: m ( A ) = 1 1 − k ∑ A 1 ∩ A 2 ∩ A 3 ⋯ = A m 1 ( A 1 ) m 2 ( A 2 ) m 3 ( A 3 ) ⋯ m(A)=\frac{1}{1-k}\sum_{A_1\cap A_2\cap A_3\cdots=A}m_1(A_1)m_2(A_2)m_3(A_3)\cdots m(A)=1k1A1A2A3=Am1(A1)m2(A2)m3(A3) k = ∑ A 1 ∩ A 2 ∩ A 3 ⋯ = ∅ m 1 ( A 1 ) m 2 ( A 2 ) m 3 ( A 3 ) ⋯ = 1 − ∑ A 1 ∩ A 2 ∩ A 3 ⋯ ≠ ∅ m 1 ( A 1 ) m 2 ( A 2 ) m 3 ( A 3 ) ⋯ k=\sum_{A_1\cap A_2\cap A_3\cdots=\emptyset}m_1(A_1)m_2(A_2)m_3(A_3)\cdots=1-\sum_{A_1\cap A_2\cap A_3\cdots\neq\emptyset}m_1(A_1)m_2(A_2)m_3(A_3)\cdots k=A1A2A3=m1(A1)m2(A2)m3(A3)=1A1A2A3=m1(A1)m2(A2)m3(A3) 其中 k k k 是冲突系数, k k k 越接近1表示证据源之间冲突越严重, k k k 接近0表示证据源彼此一致。
  当 k → 1 k\rightarrow 1 k1 时,表示证据源高度冲突,这时候采用DS合成公式会得出违反直觉的结果。而且,即使增加彼此一致的信息源的数量,也无法降低冲突系数 k k k。Example 2 和 Example 3 展示了这一问题。我在证据理论入门笔记(2)中总结了其他几种合成公式。

Examples

Example 1

Ω = { A , B , C } m 1 : m 1 ( { A } ) = 0.4 , m 1 ( { A , B } ) = 0.2 , m 1 ( { C } ) = 0.4 m 2 : m 2 ( { A } ) = 0.7 , m 2 ( Ω ) = 0.3 \begin{aligned} &\Omega=\{A,B,C\} \\ &m_1:m_1(\{A\})=0.4,\quad m_1(\{A,B\})=0.2,\quad m_1(\{C\})=0.4 \\ &m_2:m_2(\{A\})=0.7,\quad m_2(\Omega)=0.3 \end{aligned} Ω={A,B,C}m1:m1({A})=0.4,m1({A,B})=0.2,m1({C})=0.4m2:m2({A})=0.7,m2(Ω)=0.3 k = m 1 ( { C } ) m 2 ( { A } ) = 0.28 m ( { A } ) = m 1 ( { A } ) m 2 ( { A } ) + m 1 ( { A } ) m 2 ( Ω ) + m 1 ( { A , B } ) m 2 ( { A } ) 1 − k = 0.4 × 0.7 + 0.4 × 0.3 + 0.2 × 0.7 1 − 0.28 = 0.75 m ( { A , B } ) = m 1 ( { A , B } ) m 2 ( Ω ) 1 − k = 0.2 × 0.3 1 − 0.28 = 0.0833 m ( { C } ) = m 1 ( { C } ) m 2 ( Ω ) 1 − k = 0.4 × 0.3 1 − 0.28 = 0.1667 \begin{aligned} k&=m_1(\{C\})m_2(\{A\})=0.28 \\ m(\{A\})&=\frac{m_1(\{A\})m_2(\{A\})+m_1(\{A\})m_2(\Omega)+m_1(\{A,B\})m_2(\{A\})}{1-k} \\ &=\frac{0.4\times0.7+0.4\times0.3+0.2\times0.7}{1-0.28} \\ &=0.75 \\ m(\{A,B\})&=\frac{m_1(\{A,B\})m_2(\Omega)}{1-k} \\ &=\frac{0.2\times0.3}{1-0.28} \\ &=0.0833 \\ m(\{C\})&=\frac{m_1(\{C\})m_2(\Omega)}{1-k} \\ &=\frac{0.4\times0.3}{1-0.28} \\ &=0.1667 \\ \end{aligned} km({A})m({A,B})m({C})=m1({C})m2({A})=0.28=1km1({A})m2({A})+m1({A})m2(Ω)+m1({A,B})m2({A})=10.280.4×0.7+0.4×0.3+0.2×0.7=0.75=1km1({A,B})m2(Ω)=10.280.2×0.3=0.0833=1km1({C})m2(Ω)=10.280.4×0.3=0.1667

Example 2

(证据源高度冲突的情况)
Ω = { A , B , C } m 1 : m 1 ( { A } ) = 0.99 , m 1 ( { B } ) = 0.01 , m 1 ( { C } ) = 0 m 2 : m 2 ( { A } ) = 0 , m 2 ( { B } ) = 0.01 , m 2 ( { C } ) = 0.99 \begin{aligned} &\Omega=\{A,B,C\} &\quad &\quad \\ &m_1:m_1(\{A\})=0.99,& m_1(\{B\})=0.01,&\quad m_1(\{C\})=0 \\ &m_2:m_2(\{A\})=0, & m_2(\{B\})=0.01,&\quad m_2(\{C\})=0.99 \\ \end{aligned} Ω={A,B,C}m1:m1({A})=0.99,m2:m2({A})=0,m1({B})=0.01,m2({B})=0.01,m1({C})=0m2({C})=0.99 k = m 1 ( { A } ) m 2 ( { B } ) + m 1 ( { A } ) m 2 ( { C } ) + m 1 ( { B } ) m 2 ( { C } ) = 0.99 × 0.01 + 0.99 × 0.99 + 0.01 × 0.99 = 0.9999 m ( { A } ) = m 1 ( { A } ) m 2 ( { A } ) 1 − k = 0.99 × 0 1 − 0.9999 = 0 m ( { B } ) = m 1 ( { B } ) m 2 ( { B } ) 1 − k = 0.01 × 0.01 1 − 0.9999 = 1 m ( { C } ) = m 1 ( { C } ) m 2 ( { C } ) 1 − k = 0 × 0.99 1 − 0.0.9999 = 0 \begin{aligned} k&=m_1(\{A\})m_2(\{B\})+m_1(\{A\})m_2(\{C\})+m_1(\{B\})m_2(\{C\}) \\ &= 0.99\times0.01+0.99\times0.99+0.01\times0.99 \\ &=0.9999 \\ m(\{A\})&=\frac{m_1(\{A\})m_2(\{A\})}{1-k} \\ &=\frac{0.99\times0}{1-0.9999} \\ &=0 \\ m(\{B\})&=\frac{m_1(\{B\})m_2(\{B\})}{1-k} \\ &=\frac{0.01\times0.01}{1-0.9999} \\ &=1 \\ m(\{C\})&=\frac{m_1(\{C\})m_2(\{C\})}{1-k} \\ &=\frac{0\times0.99}{1-0.0.9999} \\ &=0 \\ \end{aligned} km({A})m({B})m({C})=m1({A})m2({B})+m1({A})m2({C})+m1({B})m2({C})=0.99×0.01+0.99×0.99+0.01×0.99=0.9999=1km1({A})m2({A})=10.99990.99×0=0=1km1({B})m2({B})=10.99990.01×0.01=1=1km1({C})m2({C})=10.0.99990×0.99=0

Example 3

(三个证据源,其中证据源1和证据源2高度冲突,证据源1和证据源3一致)
Ω = { A , B , C } m 1 : m 1 ( { A } ) = 0.98 , m 1 ( { B } ) = 0.01 , m 1 ( { C } ) = 0.01 m 2 : m 2 ( { A } ) = 0 , m 2 ( { B } ) = 0.01 , m 2 ( { C } ) = 0.99 m 3 : m 3 ( { A } ) = 0.9 , m 3 ( { B } ) = 0 ,   m 3 ( { C } ) = 0.1 \begin{aligned} &\Omega=\{A,B,C\} &\quad &\quad \\ &m_1:m_1(\{A\})=0.98,& m_1(\{B\})=0.01,\quad & m_1(\{C\})=0.01 \\ &m_2:m_2(\{A\})=0, & m_2(\{B\})=0.01,\quad & m_2(\{C\})=0.99 \\ &m_3:m_3(\{A\})=0.9, & m_3(\{B\})=0, \:\qquad&m_3(\{C\})=0.1 \\ \end{aligned} Ω={A,B,C}m1:m1({A})=0.98,m2:m2({A})=0,m3:m3({A})=0.9,m1({B})=0.01,m2({B})=0.01,m3({B})=0,m1({C})=0.01m2({C})=0.99m3({C})=0.1 k = 1 − [ m 1 ( { A } ) m 2 ( { A } ) m 3 ( { A } ) + m 1 ( { B } ) m 2 ( { B } ) m 3 ( { B } ) + m 1 ( { C } ) m 2 ( { C } ) m 3 ( { C } ) ] = 1 − [ 0.98 × 0 × 0.9 + 0.01 × 0.01 × 0 + 0.01 × 0.99 × 0.1 ] = 0.99901 m ( { A } ) = m 1 ( { A } ) m 2 ( { A } ) m 3 ( { A } ) 1 − k = 0.98 × 0 × 0.9 1 − 0.99901 = 0 m ( { B } ) = 0 m ( { C } ) = m 1 ( { C } ) m 2 ( { C } ) m 3 ( { C } ) 1 − k = 0.01 × 0.99 × 0.1 1 − 0.99901 = 1 \begin{aligned} k&=1-[m_1(\{A\})m_2(\{A\})m_3(\{A\})+m_1(\{B\})m_2(\{B\})m_3(\{B\})+m_1(\{C\})m_2(\{C\})m_3(\{C\})] \\ &=1-[0.98\times0\times0.9+0.01\times0.01\times0+0.01\times0.99\times0.1] \\ &=0.99901 \\ m(\{A\})&=\frac{m_1(\{A\})m_2(\{A\})m_3(\{A\})}{1-k} \\ &=\frac{0.98\times0\times0.9}{1-0.99901} \\ &=0 \\ m(\{B\})&=0 \\ m(\{C\})&=\frac{m_1(\{C\})m_2(\{C\})m_3(\{C\})}{1-k} \\ &=\frac{0.01\times0.99\times0.1}{1-0.99901} \\ &=1 \\ \end{aligned} km({A})m({B})m({C})=1[m1({A})m2({A})m3({A})+m1({B})m2({B})m3({B})+m1({C})m2({C})m3({C})]=1[0.98×0×0.9+0.01×0.01×0+0.01×0.99×0.1]=0.99901=1km1({A})m2({A})m3({A})=10.999010.98×0×0.9=0=0=1km1({C})m2({C})m3({C})=10.999010.01×0.99×0.1=1

本文内容由网友自发贡献,版权归原作者所有,本站不承担相应法律责任。如您发现有涉嫌抄袭侵权的内容,请联系:hwhale#tublm.com(使用前将#替换为@)

证据理论(1)—— DS证据理论基本理论 的相关文章

  • python使用Queue(避坑指南)

    python Queue 常见的队列类别 常见的索取 判断函数 避坑部分 常见的队列类别 class one 普通队列 先进先出 from queue import Queue 导入 temp Queue maxsize 5 申请一个能存放
  • 时间、时间戳互转、日期格式化、获取各种天数

    我们在工作中经常遇到日期格式的转换 比如获取当前时间 转换当前时间格式为2023 09 09 2023 09 09 2023 09 09 18 12 01 时间戳 时间戳转日期 日期转时间戳 获取当前季度 获取上一季度 获取下一季度 获取下
  • java编辑pdf(itextpdf)

    工作上遇到一个小需求 需要在原有的pdf文件上添加一行文字 实现方式如下 引入依赖

随机推荐

  • STM32Cube学习(5)——PWM

    1 引言 单片机 STM32F407ZGT6 仿真器 ST Link V2 开发环境 STM32CubeIDE 1 10 1 功能说明 使用单片机定时器产生PWM实现呼吸灯效果 前情提要 STM32Cube学习 1 点灯 配置 STM32C
  • 使用DataGrip连接SQL Server 2017数据库

    微软的SQL Server数据库是做 NET开发的好朋友 现在最新的版本是2017 SQL Server数据库有自己的Management Studio工具 基本用起来和Visual Studio差不多 当然除了官方的工具之外 其他的数据库
  • Docker安装mysql8.0文档

    第一步需要安装Docker基础环境 具体可以看看这篇 docker基础篇 第二步 拉取mysql8 0的镜像 docker pull mysql 8 0 第三步 镜像启动和文件挂载 复制下面命令执行 33006是对外访问暴露的端口 当然你也
  • python的数据类型有哪些其中哪些是不可变的_python可变数据类型有哪些

    将python3的基本数据类型有六种 Number int float bool complex String List Tuple Dictionary Set 可变数据类型 list dic set 不可变数据类型 Number Str
  • IntelliJ IDEA使用教程

    文章目录 1 IntelliJ IDEA首创项目 2 外观样式 3 类的相关操作 4 模块 1 IntelliJ IDEA首创项目 project 微信主界面 module 下栏 消息 通讯录 发现 我 package 聊天记录 文字 图片
  • SSH密钥过期

    我去 很久没用这个项目 突然发现repo sync 不好用了 发现原来是SSH密钥过期了 1 查看id rsa pub是否存在 ls ssh 2 将里面的东西复制出来 3 重新添加下 SSH Public Key 4 再次运行 repo s
  • 我的和unity3d的小故事1——恶魔射手之鼠标控制移动之input.getaxis("Horizontal")与input.getaxis("Vertical")

    跟着恶魔射手视频学习的过程中遇到的第一个问题是怎么也移动不了 那么问题来了 打印出来是获得的下面两个值都是0 怎么办呢 改edit下面的projectsetting里面的input属性下面两个值的type都改成mouse movement
  • es head 复合查询_【ES进阶】深入理解Elasticsearch检索评分score执行计划及逆向文档词频idf...

    在前面的课程中 通过搭建ELK相关的中间件 以及配置动态mapping结构用于存储我们需要检索的文档信息 我们通过输入关键词进行分词检索然后ES默认通过评分的形式将数据排序好展示给我们 当文档评分越高 那么搜索的结果越靠前 如下图所示 我们
  • 原型和原型链

    好久没记了有点忘记了 来记录一下 1 函数和对象的关系 对象都是通过函数创建的 函数也是一个对象 2 原型和原型链 1 原型 原型分为两种 prototype 每一个函数都会有prototype属性 它指向函数的原型对象 被称为显式原型 p
  • unity3d之 C# WaitFOrSeconds()

    学习unity3d不久 在使用WaitFOrSeconds 时 遇到了不少麻烦 故记录 以警示后人 首先介绍C 和javascript 在使用它有很大的区别 javascript可以直接使用 yield WaitFOrSeconds 5 即
  • 腾讯云 API 网关产品发布

    欢迎大家前往腾讯云社区 获取更多腾讯海量技术实践干货哦 腾讯云已在近期上线了 API 网关产品 协助开发者通过简单方式即可完成 API 配置管理 发布版本 访问控制等功能 并可进一步对接腾讯云云市场中的 API 市场 参与到 API 经济的
  • 用栈来判断括号匹配问题

    用栈实现 输入一行符号 以 结束 判断其中的括号是否匹配 括号包括 lt gt 如果匹配 输出 right 如果不匹配 给出错误提示 包括 1 对称符号都匹配 输出 right 2 处理到某个符号时不匹配了 输出 The character
  • 美拍应该如何引流?如何利用美拍引流?美拍引流方法

    现如今 抖音 美拍等短视频APP逐渐地在改变人们的生活习惯 很多人在闲暇时都会刷刷短视频 这对于做营销的我们而言 人越多的地方机会就越大 所以肯定是不会放过这个巨大的流量池 那么 我们应该如何利用这些美拍吸粉引流呢 第一步 注册养号 下载了
  • markdown表情大全

    markdown表情 该文是搜集的网络资源整理 为了写博客需要用到一些有趣的表情 特此记录 将对应emoji表情的符号码复制后输入你的markdown文本即可显示emoji表情 如 blush 显示为 人物 syntax preview s
  • 全国大学生数学建模竞赛——大赛介绍与赛后总结

    全国大学生数学建模竞赛 训练过程及赛后总结 前言 今天是2018年9月18日 一个特殊的日子 距离全国大学生数学建模大赛已经过去两天了 三天两夜的比赛 每天晚上几乎做到凌晨 确实很辛苦 但是现在回过头来看看 无论成绩如何 一切的辛苦与努力都
  • ADS2020.2安装

    双击安装包中的 exe文件 开始安装 安装结束后 直接点击退出 然后将crack文件夹中的两个文件夹 分别复制到刚刚的安装路径下 分别替换12个和2个同名文件 注意 这两个文件夹的名字要和刚刚安装的文件夹的名字一致 就是将Crack文件夹中
  • C++头文件

    作为一个二手的 net程序员 你看到了C 头文件一定就犯迷糊了 这到底是个啥玩意 再我纠结了24个小时 google20次 度娘10下 看过10来骗文章以后 我可能稍微开窍了 我对C 头文件总结 与 net比较如下 一 C 头文件究竟是什么
  • onvif协议服务器,Onvif第四课 服务器端发现实现

    场景 需要开发一个服务器发现模块 等待客户端的探测报文 在Linux服务器下组播地址imr interface可以不绑定 mcast imr multiaddr s addr inet addr 239 255 255 250 mcast
  • Python实现企业微信群告警

    Python实现企业微信告警 1 创建企业微信群机器人 1 1 什么是企业微信群机器人 企业微信群机器人是企业微信平台提供的一种功能 可以通过Webhook方式将消息发送到指定的企业微信群中 它可以用于自动化发送通知 告警等信息 实现监控和
  • 证据理论(1)—— DS证据理论基本理论

    证据理论 证据理论 Theory of Evidence 是由 Dempster 首先提出 由Shafer进一步发展起来的一种不精确推理理论 也称为 Dempster Shafer DS 证据理论 证据理论可以在没有先验概率的情况下 灵活并