d-s证据理论

证据理论是Dempster于1967年首先提出，由他的学生Shafer于197跑距富众及纸6年进一步发展起来的一种不精确推理理论，也称为Dempster/Sha来自fer 证据理论组(D-S证据理论)360百科，属于人工智能反迫起来拉粉编范畴，最早应用于专家系统中，具有处理不确续演定信息的能力。作为一种不确定推理方法，证据理论的主要特点是:满足比贝叶斯概率论更弱的条件;具有直接表达"不远虽弦对确定"和"不务底入源大信宜镇粉知道"的能力·。

• 中文名 d-s证据理论
• 类别 人工智能范畴
• 提出 1967年
• 主要特点 满足比贝叶斯概率论更弱的条件；具有直接表达“不确定”和“不知道”的能力.

简介　

　　证据理论是由Dempster于1967年首先提出，由他的学生shafer于1976年进一步发展起来的一种不精确推理理论，也称为Dempster/Shafer 证据理论(D-S证据理论)，属于人工智能范畴，最早应用于专家系统中，具有处理不确定信息的能力。以刚作为一种不确定推理方法，证据理论的主要特点是：满足比贝叶斯概率论更弱的条件；具有直接表达“不确定”和“不知道”的能力.。

应用

　　在此之后，很多技术将 DS 理论进行完善和发展，其中之一就是证据合成 (Evidential reasoning, ER) 算法。 ER 算法是在置信评价框架和DS 理论的基础有上发展起来的。ER 算法被成功应用于：机动车评价分析、货船设计、海军系统安全分析与综合、软件系统安全性能分析、改造东孔械永员轮渡设计、行政车辆评估集组织评价。

　　在医学诊断、目标识别、军事指挥等许多应用领域，需要综合考虑来自多源的不确定信息，如多个传感器的信息、多位专家的意见等等，以完成问题的求解，而证据理论的联合规则在这方面的求解发挥了重要作用。

　　在DS证据理论中，由互不相容的基本命题（假定）组成的完备集合称为识别框架，表示对某法似一问题的所有可能答案，但其中只有一个答案是正确的。该框架的子集称为命题。分配给各命题的信任程度称为基本概率分配（BPA，也称m函数），m(A)为基维的本可信数，反映着对A的信度去督跳检年课大小。信任函数Belgium（A）表示对命题A的信任程度，似然函数Pl(A)表示对命题A非假的信任程度，也即对A似乎可能成立的不确定扩速乱则况村间先性度量，实际上，[Be来自l(A),Pl(A)]表示A的不确定区间，[0在本地程丝信了示状,Bel(A)]表示命题A支持证据区间，[0,Pl(A)]表示命题A的拟信区间， [Pl(A),1]表示支快急沿命题A的拒绝证据区间。设m1和m2是由两个独立的证据源（传感器）导出的基本概率分配函数，则Dempster联合规则可以计算这两个证据共同作用产生的反映融合信息的新的基本概率分配函数。

组合原则

　　DST还给出了多源信息的组合规则，即Dempster 组合规眼望降宗足张则．它综合了来自多传感器的基本信度分来自配，得到一个新的信度分配作360百科为输出．Dempster 组合规则的优点主要体现在证据冲突较小的情形．如果证据间存在高冲突，使用时会表现出以下缺陷：①将100%的信任分配给小可能的命题，产生与直觉相悖的结果；②缺乏鲁棒性，证据对命题具有一票否决权；③对基本信度分配很敏感．在实际的数据处理中，证据冲突的情况经常遇到，所敌圆器与置一长班宪沙植以要设法避免冲突证据组合顾讲产生的错误，否则会产生错误结论．

发展和应用

　　​　　证据理论的最新发展和应用的方向有：基于规则的证据推理模型及其规则库的离线和在线更新决策模型，证据理论与支持向量机的结合，证据理论与粗糙集理论的结合，证据项材搞娘张剧理论与模糊集理论的结合，证据理论与神经网络的结合，基于数据的 Markovian 与 Dirichlet 混合方法实现对证据理论质函数的赋值。

　　.