下载文档原格式
第五章证据理论（Evidence Theory）方法在本章§1，我们将讨论一种被称之为登普斯特-谢弗（Dempster-Shafer）或谢弗-登普斯特（Shafer-Dempster）理论（简称D-S理论或证据理论）的不精确推理方法。
这一理论最初是以登普斯特（Dempster，1967年）的工作为基础的，登普斯特试图用一个概率区间而不是单一概率数值去建模不确定性. 1976年，谢弗（Shafer，1976年）在《证据的数学理论》一书中扩展和改进了登普斯特工作. D-S理论具有好的理论基础。
确定性因子能被证明是D-S 理论的一种特殊情形。
在§2我们将描述一种简化的证据理论模型MET1 . 在§3我们将给出支持有序命题类问题的具有凸函数性质的简化证据理论模型。
围绕证据理论的一些新的研究工作，将在第六章介绍。
§1D-S理论（Dempster-Shafer Theory）●辨别框架（Frames of Discernment）D-S理论假定有一个用大写希腊字母Θ表示的环境（environment），该环境是一个具有互斥和可穷举元素的集合：Θ = { θ1 , θ2 , ⋯, θn }术语环境在集合论中又被称之为论域（the universe of discourse）。
一些论域的例子可以是：Θ = { airliner , bomber , fighter }Θ = { red , green , blue , orange , yellow }Θ = { barn , grass , person , cow , car }注意，上述集合中的元素都是互斥的。
为了简化我们的讨论，假定Θ是一个有限集合。
其元素是诸如时间、距离、速度等连续变量的D-S 环境上的研究工作已经被做。
理解Θ的一种方式是先提出问题，然后进行回答。
假定Θ = { airliner , bomber , fighter }提问1：“这军用飞机是什么？”；答案1：是Θ的子集{ θ2 , θ3 } = { bomber , fighter }提问2：“这民用飞机是什么？”；答案2：是Θ的子集{ θ1} = { airliner }，{ θ1} 是单元素集合。
《改进D-S证据理论的决策融合算法研究及应用》篇一一、引言在当今信息化时代，多源信息融合技术在决策支持系统、智能控制系统以及机器智能领域的应用日益广泛。
其中，决策融合算法作为多源信息融合的核心技术之一，对于提高决策的准确性和可靠性具有重要意义。
D-S（Dempster-Shafer）证据理论作为一种重要的决策融合算法，因其能够处理不确定性和不完全性信息而备受关注。
然而，传统的D-S证据理论在某些情况下仍存在融合精度不高、计算复杂度大等问题。
因此，本文旨在研究改进D-S证据理论的决策融合算法，并探讨其在实际应用中的效果。
二、D-S证据理论概述D-S证据理论是一种基于概率论的决策融合算法，通过将不同来源的证据进行融合，得到一个全局决策结果。
它能够处理不确定性和不完全性信息，具有一定的容错性和鲁棒性。
然而，传统的D-S证据理论在处理复杂问题时仍存在一些问题，如易陷入局部最优解、计算复杂度大等。
三、改进的D-S证据理论决策融合算法针对传统D-S证据理论的不足，本文提出了一种改进的决策融合算法。
该算法通过引入新的权重分配策略、优化基本概率分配函数以及采用多级融合策略等方法，提高了算法的融合精度和计算效率。
具体来说，我们的算法主要分为以下步骤：1. 权重分配策略：我们设计了一种基于证据可靠性的权重分配策略，根据不同来源证据的可靠性和重要性程度，为其分配不同的权重。
这样可以在一定程度上减少因不同来源证据质量差异导致的融合误差。
2. 优化基本概率分配函数：我们通过引入新的基本概率分配函数，对原始数据进行预处理和归一化处理，以减少数据噪声和冗余信息对融合结果的影响。
此外，我们还采用了概率平滑技术，以避免因某些事件的概率过于集中而导致的信息损失。
3. 多级融合策略：我们采用了多级融合策略，将原始数据进行多级融合处理。
这样可以更好地整合不同来源的信息，提高算法的容错性和鲁棒性。
在每一级融合过程中，我们都会根据上一步的融合结果进行下一级的权重分配和基本概率分配函数的调整。
证据理论的诞生和形成诞生：源于20世纪60年代美国哈佛大学数学家A. P. Dempster在利用上、下限概率来解决多值映射问题方面的研究工作。
自1967年起连续发表了一系列论文，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的发展，引入信任函数概念，形成了一套基于“证据”和“组合”来处理不确定性推理问题的数学方法，并于1976年出版了《证据的数学理论》(A Mathematical Theory of Evidence)，这标志着证据理论正式成为一种处理不确定性问题的完整理论。
与贝叶斯推理的比较，证据理论具有以下优点：第一，贝叶斯中的概率无法区别一无所知和等可能，而是将一无所知视为等可能。
而证据理论可以区分，可以用1Ωm表(=)示一无所知，用)(am=表示等可能。
m(b)第二，如果相信命题A的概率为S，那么对于命题A的反的相信程度为：S1。
而利用证据理论中的基本概率赋值函数的定-义，有1mm。
+AA)⌝()(≤第三，概率函数是一个单值函数，信任函数是一个集合变量函数，信任函数可以更加容易表达“粗略”信息。
要使证据合成运算有效地进行，主要有3 种途径：①针对特殊的证据组织结构，构造相应的快速算法；②近似计算；③修改D-S 方法。
Barnett 针对“每个证据是支持假设空间Θ的某个假设{h}或否定某个假设（即支持该假设的补集）”的证据结构，提出快速实现D-S 方法的算法。
D-S 方法的近似计算是通过减少置信函数的焦元个数来简化计算。
修正的D-S 方法主要指Mahler 提出的条件化证据理论。
Ishizuka 等人结合了D-S 方法和模糊集理论的优点来表示和处理不确定的和模糊的信息。
经定义模糊集合的“包含度”和“相关度”来实现该目的，并将置信函数重新定义。
在军事方面，如目标检测、识别、跟踪及态势评估与决策分析；在非军事领域，如机器人导航、故障诊断、数字图像处理、字体识别、经济决策、网络入侵检测等。
《改进D-S证据理论的决策融合算法研究及应用》篇一一、引言随着现代科技的不断发展，决策融合算法在各个领域得到了广泛应用。
其中，Dempster-Shafer（D-S）证据理论作为决策融合的重要方法之一，已经得到了广泛关注。
然而，D-S证据理论在处理决策信息时仍存在一些局限性，如对冲突信息的处理不够完善、对证据的独立性和一致性要求过于严格等。
因此，本文旨在研究改进D-S证据理论的决策融合算法，以提高决策的准确性和可靠性。
二、D-S证据理论概述D-S证据理论是一种基于信任度的决策融合方法，通过对证据进行分配函数描述和合并过程来达到信息融合的目的。
然而，在应用过程中，D-S证据理论仍存在一些问题。
首先，当存在冲突信息时，传统的D-S证据理论往往无法有效地处理这些信息，导致决策的准确性下降。
其次，D-S证据理论对证据的独立性和一致性要求较高，这在实际情况中往往难以满足。
三、改进D-S证据理论的决策融合算法针对上述问题，本文提出了一种改进的D-S证据理论决策融合算法。
该算法通过引入权重因子来调整每个证据的信任度分配，从而降低冲突信息对决策结果的影响。
同时，该算法还采用了基于相似度的证据关联性分析，以提高证据之间的相互关系信息在合并过程中的作用。
此外，针对不同情况下的实际应用场景，我们提出了更加灵活的调整策略来应对各种不确定性因素。
四、算法实现及性能分析为了验证改进算法的有效性，本文在多个实际应用场景中进行了实验。
实验结果表明，改进后的D-S证据理论决策融合算法能够更好地处理冲突信息，提高了决策的准确性。
同时，该算法能够更灵活地应对不同场景下的不确定性因素，具有较强的实用性和通用性。
五、应用案例分析本文以某智能交通系统为例，详细介绍了改进D-S证据理论决策融合算法在交通流量预测中的应用。
通过将多种交通信息作为证据进行融合处理，该算法能够更准确地预测交通流量变化趋势。
同时，我们还探讨了该算法在医疗诊断、机器人智能决策等其他领域的应用潜力。
基于D-S证据理论的社交网络信任计算研究基于D-S证据理论的社交网络信任计算研究引言在当今信息时代，社交网络的普及和发展给人们的生活带来了许多便利。
然而，由于信息的不对称和虚假信息的传播，社交网络中的信任问题日益突出。
如何准确地评估社交网络中的信任度成为了一个重要的研究课题。
本文将基于D-S证据理论来进行社交网络中信任度的计算研究。
一、D-S证据理论的基本原理D-S证据理论是由杜伯根于1976年提出的一种推理理论，它建立在概率论、模糊集合理论和逻辑思维的基础之上，被广泛应用于不确定性信息的处理。
该理论通过将不确定性的因素进行集成，得到更可靠的推理结果。
二、社交网络中的信任度计算问题社交网络是一个复杂的网络系统，其中包含大量的用户和各种关系。
在社交网络中，用户之间通过互相关注、交流和分享信息来建立信任关系。
然而，由于网络环境的开放性，虚假信息的传播和个人隐私的泄露等问题使得信任度计算变得困难。
传统的方法往往只考虑对方的行为或者朋友圈的评价，而忽视了信息的不确定性。
三、基于D-S证据理论的社交网络信任度计算方法为了解决社交网络信任度计算的问题，本文提出了一种基于D-S证据理论的方法。
具体步骤如下：1. 构建社交网络模型：将社交网络中的用户节点和用户之间的关系进行建模，构建一个以用户为中心的社交网络模型。
2. 证据收集：通过用户之间的交互行为、社交关系和用户的信誉评价等方面收集不同的证据。
3. 证据传递：将收集到的证据传递给相关节点，以便计算其推理结果。
4. 证据合成：利用D-S证据理论中的合成规则对收集到的证据进行合成，得到最终的信任度计算结果。
5. 信任度计算：根据合成后的结果，计算每个节点的信任度，并给出相应的评价。
四、实验结果与分析为了验证基于D-S证据理论的社交网络信任度计算方法的有效性，我们在一个真实的社交网络数据集上进行了实验。
实验结果表明，与传统的方法相比，基于D-S证据理论的方法能够更准确地评估社交网络中的信任度。
多证据判决
信息融合基础
信息融合的本质是系统的全面协调优化[5]：将不同来源、不同模式、不同媒质、不同时间、不同表示方法，特别是不同层次的信息加以有机地结合，寻求一种更为合理的准则来组合信息系统在时间和空间上的冗余和互补信息，以获得对被评估问题的一致性解释和全面的描述，从而使该系统获得比它的各个组成部分或其简单的加和更优越的性能。
现有的信息融合数学模型主要采用嵌入约束模型、证据组合模型和人工神经网络模型等。
证据理论的基本原理
证据理论采用信度的“半可加性”原则，较好地对不确定性推理问题中主、客观性之间的矛盾进行了折衷处理。
而且，证据理论下先验概率的获得比主观Bayes方法要容易得多，已经成为构造具有更强的不确定性处理能力专家系统的一种有效手段。
以下给出证据理论的一些基本定义和定理
首先定义框架
信任测度
似然测度
定理2 （Dempster-Shafer证据合成公式）设m1和m2是Q上的两个mass函数，对于m(F)=0及
在证据理论中，不同专家的经验和知识可以通过式(4)来有效融合；而某个诊断结论成立的可信度可以通过信任区间[Bel，Pl]来表示。
提高目标检测概率
--多传感器信息融合已成为信息处理技术领域的研究热点问题
近年来,随着基于多传感器系统的军事作战平台的形成和发展,多传感器信息融合已成为信息处理技术领域的研究热点问题。
对于多传感器的分布式检测,人们已经做了大量的研究。
而在双色红外成像系统中,如何充分利用双色红外传感器获得的图像信息来提高目标的检测概率,是实现远距离探测和抗干扰能力的关键。
其中,实现双色红外成像系统中远距离弱目标检测的一种有效途径,就是通过对目标在两个不同红外波段的成像信息进行融合处理。
这里所涉及到的图像信息融合,根据信息表征层次的不同,可以分为像素级融合、特征级融合和决策级融合。
像素级融合,是直接对各传感器图像的像素点灰度信息进行综合的过程。
特征级融合是对图像进行特征提取后,对各传感器图像的特征信息进行综合处理的过程。
而在进行决策级融合之前,各传感器已独立地
完成了决策或分类任务,融合工作实质上是根据各局部判决做出全局最优决策。
决策级融合检测的核心思想是,各传感器根据各自的观测结果做出局部判决(硬判决或软判决) ,然后将判决结果经由通信信道传送到融合中心,再由融合中心对各局部判决进行综合处理,做出最终判决。
对于局部判决为”硬”判决(非”0”即”1”) 的情况.典型的融合规则有”与”、”或”逻辑和”K秩”方法。
”与”逻辑的意义为:当所有传感器都判决为目标点时,融合中心才将该像素判决为目标点;”或”逻辑的意义为:只要有一个传感器判决为目标点,融合中心就将该像素判决为目标点;”K 秩”方法则是当N 个传感器中有多于K 个判决为目标点时,融合中心才将该像素判决为目标点。
另外还有些方法,如采用各个传感器的性能参数对局部二值判决结果进行自适应加权处理等.
但是由于存在各种干扰而导致各传感器局部判决结果的不确定性,使得决策级融合中的各种”最优”准则未必为系统的””最优”或全局”最优”。
为了解决这个问题,可以采用证据理论中的基本概率分配函数来描述这种不确定性,并在此基础上提出一种基于D2S 证据理论的红外小目标融合检测算法。
该算法首先提取双色红外成像系统中各传感器图像的多个图像特征,建立各传感器的特征矢量图;然后计算图像中各像素的特征矢量与目标和背景原型特征矢量之间的距离,并根据相应传感器的目标检测基本概率分配函数,计算得到各传感器的目标检测基本可信度图,即做出”软”判决;接着再应用正交和规则复合来自各传感器的目标检测判决证据,获得整个系统的目标检测基本可信度图;最后根据决策规则输出最终目标检测结果。
