D-S证据理论超简单理解
Dempster-Shafer evidence theory,簡稱D-S證據理論,是Dempster于1967年提出,他的學生Shafer于1976年進一步拓展推廣形成的一套完整的不確定推理理論。
D-S證據理論的解釋有很多,其中最為常用且易于理解的為“廣義貝葉斯理論” ,即D-S理論是貝葉斯理論的一般化。
那么為什么這么說呢?這得從貝葉斯理論開始談起:
貝葉斯理論,也就是概率論是最經典的不確定推理理論,沒有之一。假設Θ\Theta \,Θ是一組相互獨立、互相窮盡的命題的集合,記為:
 Θ={θ1,θ2,?,θn}\Theta {\rm{ = \{ }}{\theta _1},{\theta _2}, \cdots ,{\theta _n}{\rm{\} }}\, Θ={θ1?,θ2?,?,θn?}概率論定義在集合Θ\Theta \,Θ上,有P(θi)≥0,∑i=1nP(θi)=1\ P({\theta _i}) \ge 0,\sum\limits_{i = 1}^n {P({\theta _i}) = 1} \,?P(θi?)≥0,i=1∑n?P(θi?)=1
最經典的例子是拋一枚硬幣,正面朝上與反面朝上組成命題的集合Θ\Theta \,Θ,正面朝上的概率加上反面朝上的概率等于1。
D-S證據理論參照貝葉斯理論中的概率分配,提出了基本概率分配函數(basic probability assignment, bpa),表示證據對Θ\Theta \,Θ所有子集的影響。bpa定義在識別框架Θ\Theta \,Θ的冪集上,為Θ\Theta \,Θ的每個非空子集分配了信度:
 m(?)=0,∑A?Θm(A)=1\ m(\emptyset ) = 0,\sum\limits_{A \subseteq \Theta } {m(A) = 1} \, ?m(?)=0,A?Θ∑?m(A)=1
Θ\Theta \,Θ的冪集指的是Θ\Theta \,Θ所有子集的集合,即:
 2Θ={?,θ1,?,θn,{θ1,θ2},?,{θn?1,θn},?,{θ1,θ2,?,θn}}\ {2^\Theta } = \{ \emptyset ,{\theta _1}, \cdots ,{\theta _n},\{ {\theta _1},{\theta _2}\} , \cdots ,\{ {\theta _{n - 1}},{\theta _n}\} , \cdots ,{\rm{\{ }}{\theta _1},{\theta _2}, \cdots ,{\theta _n}{\rm{\} }}\} \, ?2Θ={?,θ1?,?,θn?,{θ1?,θ2?},?,{θn?1?,θn?},?,{θ1?,θ2?,?,θn?}}
以上述硬幣的例子為例,Θ\Theta \,Θ的冪集為2Θ=\ {2^\Theta } =\,?2Θ= {空集,正面朝上,反面朝上,{正面朝上,反面朝上}}。
為了方面說明,再定義焦元的概念:若m(A)>0\ m(A) > 0\,?m(A)>0,則稱A為2Θ\ {2^\Theta } \,?2Θ的一個焦元。
很顯然,當所有的焦元均是Θ\Theta \,Θ中的元素時(即A=θ1orθ2or?orθn\ A{\rm{ = }}{\theta _1}{\rm{ or }}{\theta _2}{\rm{ or }} \cdots {\rm{ or }}{\theta _n}\,?A=θ1?orθ2?or?orθn?),D-S理論退化為貝葉斯理論,這就是為什么說D-S理論是廣義的貝葉斯理論了。
以硬幣例子為例,當m(?)=0\ m(\emptyset ) = 0\,?m(?)=0&m(正面朝上,反面朝上)=0\ m({正面朝上,反面朝上})=0\,?m(正面朝上,反面朝上)=0時,D-S理論退化為貝葉斯理論。
bpa是概率質量分布(probability mass distribution,貝葉斯理論中的定義)的一種推廣,后者將[0,1]范圍內的一個數賦給Θ\Theta \,Θ的每一個單元素子集,并使這些數之和為1。
在證據理論中,如果證據對某個命題θ1\theta_1 \,θ1?的支持度為m(θ1)\ m(\theta_1 )\,?m(θ1?),則剩余的支持度將會分配給識別框架Θ\Theta \,Θ,即m(Θ)=1?m(θ1)\ m(\Theta) =1-m(\theta_1 )\,?m(Θ)=1?m(θ1?)。而在貝葉斯理論中,剩余支持度相當于假設的否定(即被分配給了命題θ1\theta_1 \,θ1?的補集),p(θˉ1)=1?p(θ1)\ p(\bar \theta_1)=1-p(\theta_1) \,?p(θˉ1?)=1?p(θ1?)
其實關于DS理論是廣義貝葉斯這一點,很多學者是持質疑態度的。他們舉的例子是一個識別框架{A,B,C},如果僅有焦元m(A)=0.5, m(B)=0.3,那么按照廣義貝葉斯理論來說應該退化成概率論,根據概率論有p(A∪B)=p(A)+p(B)=0.5+0.3=0.8,也就是m(A,B)=0.8,那么m(A)+m(B)+m(A,B)=1.6>1,不合理。
 然而實際上這個例子卻是在偷換概念。既然已經退化成貝葉斯理論,那么就應該完全按照概率論的計算方法來對問題進行分析,將m(A,B)=0.8引入最初的基本信度分配中就是不合理的。換句話說,如果一開始就有m(A,B)=0.8,那么證據理論就不會退化成概率論。綜上,上述例子是不合理的。
總結
以上是生活随笔為你收集整理的D-S证据理论超简单理解的全部內容,希望文章能夠幫你解決所遇到的問題。
 
                            
                        - 上一篇: 【数据融合】基于DS证据理论实现数据融合
- 下一篇: 阈值分割方法总结
