2017北航多源信息融合课件7证据理论基础(1)

何分配；它不属于{A1}，就属于{A2}或{A3}，只是基于现有的知 识，还不知道该如何进行分配。
2019/3/18
多源测试信息融合
21
2 证据理论基础——信任度函数
Байду номын сангаас定义2:
信任度函数：集合A是识别框架Θ的任一子集，A中全部 子集对应的基本置信度之和称为信任函数Bel(A)，即
Bel：2 Θ →[0，1]
如果对于Θ中的任意两个子集A1,A2，满足：
Bel(A1 A2 ) Bel(A1 ) Bel(A2 ) Bel(A1 A2 )
则称为弱信任度函数。
2019/3/18 多源测试信息融合 23
2 证据理论基础——信任度函数
例3：同例2，已知： m(φ)=0，m({A1})=0.3，m({A2})=0，m({A3})=0.1
2019/3/18 多源测试信息融合
2 证据理论基础——基本置信度指派函数
基本置信度指派函数的作用
把Θ的任一子集都映射到[0,1]上的一个数m(A)： （1）当A由单个元素组成时，m(A)表示对相应命题A的精确 信任度； （2）当 A 2 ，A≠Θ ，且A由多个元素组成时，m(A)也是
相应命题A的精确信任程度，但却不知道这部分信任度该分给A中
2019/3/18 多源测试信息融合 16
2 证据理论基础——基本置信度指派函数 基本置信度指派函数相关的几个定义（1）
对于识别框架的任一子集A，只要满足 m(A)>0，则称A为证据的焦元。 证据的焦元和它的基本置信度指派构成的 二元体(A, m(A))称为证据体,证据是由若干证据
体组成。
2019/3/18 多源测试信息融合 17
释:
概率是指某人在证据的基础上构造出的他对某一命题为真 的信任程度，简称信度。
2019/3/18 多源测试信息融合 7
主要内容
•引言 •证据理论基础 •证据理论研究现状 •未来研究方向
2019/3/18
多源测试信息融合
8
4.2 证据理论基础
证据理论的起源
证 据 理 论 源 于 20 世 纪 60 年 代 美 国 哈 弗 大 学 的 数 学 家 A.P.Dempster 利用上、下概率来解决多值映射问题方面的研
定义1:设Θ为一识别框架，函数m是2Θ→[0,1]的映射，A为 2Θ任一子集，记作
A 2
，且满足：
(2-3)
m() 0 m( A) 1 A2
则称m是2Θ上的基本置信度分配函数，也称为质量函数或
mass函数。m(A) 为命题A的基本置信度指派值，表示证
据对A的信任程度，空集φ的基本信任分配值为0。
(2)要求先验概率P(Oi)和条件概率P(Dj|Oi)； (3)要求统一的识别框架，不能实现不同层 次的组合； (4)不能区分“不确定”和“不知道”。
2019/3/18 多源测试信息融合 4
1 引言
不确定性分类 不确定性可以分为随机性、模糊性和认识不确定性三种。 随机性：在自然界中客观存在，可根据历史资料得到的统计数字来 描述，常用概率论和数理统计来解决这方面问题。 模糊性：通常指发生在概念上的模糊，如大、中、小界限的模糊等。 模糊理论是处理此问题的有力工具。 认识的不确定性：是由于人们认识水平的局限以及知识缺乏所造成 的。 随机性和模糊性是客观的不确定性，认识的不确定性是主观的不确 定性。
2019/3/18 多源测试信息融合 24
2 证据理论基础——信任度函数
引理1: 假设A是一个有限集合，则下式成 立 1 A
B A
(1)
n
B
0 其它
•证明：令 A , , , 是一个有限的非空集 合，其中n为正整数，则有
1 2
B A
(1)
B
(1) (1)
2019/3/18 多源测试信息融合 6
1 引言
必要性解释：则认为概率是测量一个命题推出另一个命题
程度的量，这个量由两个命题之间的逻辑关系完全决定，与个
人的偏好无任何关系，又称为逻辑主义解释。
Shafer指出以上三种概率的解释都没有涉及概率推断的构造
特征，因此， Shafer提出了对概率的第四种解释——构造性解
究工作。后来他的学生G.Shafer对证据理论做了进一步的发
展和推广完善，引入了信任函数概念，形成了一套利用证据
和组合来处理不确定性推理问题的数学方法。它作为一种不
确定性推理方法，正受到越来越多的关注。称为（ D-S ）证 据理论和信任函数理论。
2019/3/18 多源测试信息融合 9
2 证据理论基础
i
{i }
(1)
i j
{i , j }

(1)
A
n n n 0 1 2 (1 (1)) n 0
n (1) n n
2019/3/18

B A
(1) 0 多源测试信息融合
（1) 识别框架
假设现有一个判决问题，对于该问题我们所能 认识到的所有可能答案的集合用Θ表示，且Θ中的所 有元素都满足两两互斥；任一时刻的问题答案只能 取Θ中的某一子集，答案可以是数值变量，也可以 是非数值变量，则称此互不相容命题的完备集合Θ 为识别框架，可表示为： (2-1) 其中θi为识别框架的一个元素或事件。

(1)
B
D ( A B )

( 1)
D
根据引理2.1，可证。
2019/3/18 多源测试信息融合 26
2 证据理论基础——似真度函数
定义3：
似真度函数：设识别框架Θ ，幂集2 Θ→[0,1]映射，A为
识别框架内的任一子集，似真度函数Pl(A)定义为对A的非假
信任度，即对A似乎可能成立的不确定性度
2019/3/18
多源测试信息融合
14
2 证据理论基础——证据函数
(2) 证据函数 证据是整个证据理论的核心，证据函数又是
描述证据的有力工具。下面将详细介绍证据理论
中几个证据函数的基本概念及相关定理。
基本置信度指派函数；
信任度函数；
似真度函数等
2019/3/18 多源测试信息融合 15
2 证据理论基础——基本置信度指派函数
其中，Bel(A)成为事件A的信任值，它表示证据对A为真的 信任程度；空集的信任值为0。
2019/3/18
多源测试信息融合
22
2 证据理论基础——信任度函数
信任度函数表示对假设的信任程度的下限估
计。由信任度分配函数的定义容易得到：
Bel() M () 0 Bel()
B
M (B) 1
当A ={A1}时，m(A)=0.3，它表示对命题“答案是大泄漏”的 精确信任度为0.3。
当A ={A1，A2}时，m(A)=0.2，它表示对命题“答案或是大
泄漏，或是小泄漏”的精确信任度为0.2，但却不知道该把这0.2分 给{大泄漏}还是分给{小泄漏}。
当A ={A1，A2，A3}时，m(A)=0.1，它表示不知道该把它如
的某一个”。由此可见，幂集合中的每一个子集A都代 表一个命题。
2019/3/18 多源测试信息融合 13
2 证据理论基础
证据理论是建立在识别框架基础上的推理模型，其 基本思路如下：
a) 建立识别框架。利用集合论方法来研究命题； b) 建立初始信任分配。根据证据提供的信息，分配证据对每一集合 （命题）A本身的支持程度，该支持程度不能再细分给A的真子集。 c) 根据因果关系，计算所有命题的信任度。一个命题的信任度等于 证据对它的所有前提的初始信任度之和。这是因为，若证据支持一个命 题，则他同样支持该命题的推论。 d) 证据合成。利用证据理论合成公式融合多个证据提供的信息，得 到各命题融合后的信任度。 e) 根据融合后的信任度进行决策，一般选择信任度最大的命题。
Pl ( A)
B A
A ，此时有：

m( B) 1 Bel ( A)
Pl(A) 表示A为非假的信任程度， A的上限估计，且 Bel(A) ≤ Pl(A) ；Bel(Ā) 表示对A为假的信任程度，即对A的怀疑程度。
2019/3/18
2019/3/18 多源测试信息融合 11
2 证据理论基础
（1) 识别框架（续2） 由识别框架中所有子集构成的一个有限集合
称为Θ的幂集合，记作
2 {,{1},{2}, ,{1,2},{1,3},{1,2 ,3} , }
(2-2 )
其中φ表示空集。
识别框架的任一子集A都对应于一个命题，
2019/3/18 多源测试信息融合 5
1 引言 概率的解释
证据理论出现以前，概率的解释主要有客观 解释，个人主义解释及必要性解释。 客观解释概率：认为概率描述了一个可以重 复出现事件的客观事实，用试验次数趋于无穷时， 该事件发生的频率的极限来刻划。 个人主义解释：认为概率反映了个人的某种 偏好，它根据某个人在赌博中或其他带有不确定 性结果的事件中所表现出来的行为来推算。
A3表示无泄漏，基本置信度指派分别为
m(φ)=0，m({A1})=0.3，m({A2})=0，m({A3})=0.1
m({A1，A2})=0.2，m({A1，A3})=0.2，
m({A2，A3})=0.1，m({A1，A2，A3})=0.1
2019/3/18 多源测试信息融合
返例 3 20
2 证据理论基础——基本置信度指派函数
m({A1，A2})=0.2，m({A1，A3})=0.2，
m({A2，A3})=0.1，m({A1，A2，A3})=0.1 求.Bel({A1})和Bel({A1,A2})的信任度值.
解：根据题意，可得
Bel({A1}) = m({A1}) =0.3