DS 证据理论(Dempster-Shafer envidence theory)也称为DS理论。是一种处理不肯定性问题的完整理论。它不只可以强调事物的客观性,还能强调人类对事物估计的主观性,其最大的特色就是就是对不肯定性信息的描述采用“区间估计”,而非“点估计”,在区分不知道和不肯定方面以及精确反映证据收集方面显示出很大的灵活性。html
优势:框架
一、证据理论须要的先验数据比几率推理理论中的更直观和容易得到;ide
二、能够综合不一样专家或数据源的知识和数据;函数
三、对于不肯定性问题的描述很灵活和方面。spa
缺点:.net
一、证据须要是独立的(有时候不容易知足);htm
二、证据合成理论没有坚固的理论基础,合理性和有效性争议大;blog
三、计算上存在潜在的指数爆炸。事件
不过以上缺点都有相关的理论去改善原来的模型理论,提升普适性。ci
在讲解具体的理论以前,有必要先说一下DS理论究竟是啥,有啥用。通俗说(没必要咬文嚼字,对于理解理论足够了):有一个村庄失窃了,抓到了两个嫌疑人A和B,那么一共有四种状况:A和B都没有偷窃,A是小偷,B是小偷,A和B合伙做案。如今有三个证人村民,他们只是看到了整个案件的部分过程,并无所有的目睹真个现场,因此对到底是哪个状况,有不一样的判断,判断结果用几率表示(几率越大那么表示该状况发生的几率越大):
结果 | 村民1 | 村民2 | 村民3 |
null | 0 | 0 | 0 |
A | 0.96 | 0.02 | 0.04 |
B | 0.03 | 0.97 | 0.02 |
A or B | 0.01 | 0.01 | 0.94 |
而DS理论要解决的问题就是,如何综合这三个村民提供的证据来判断到底属于哪种状况。以上大体说明了DS理论究竟是用来干啥的,有什么具体的应用。如今咱们对DS证据理论已经创建了基本的概念。下面就要说明一下,DS理论是如何操做的。
下面说几个概念:
一、识别框架(或称为假设空间):就是咱们要判断事件发生状况的范围,上面那个例子中,识别空间就是:A和B都没有偷窃,A是小偷,B是小偷,A和B合伙做案这四种状况;
二、基本几率分配(Basic Probability Assignment,BPA):肯定每个村民对这个四种状况分别对应的几率判断为多少。也就是肯定每个证人对每一种状况的基本几率为多少。能够看出:同一个证人(村民)对不一样状况的几率判断之和应该为1;对于null(就是都不是)的判断都为0。而这个分配几率称之为mass函数,(把几个证人(这里指的是村民)的几率判断进行组合,称之为组合mass,连接有详细的计算过程和公式)。
三、信度函数(belief function):某个事件的信度函数指的是该事情全部的子集几率之和。
四、似然函数(plausibility fuction):某事件的似然函数指的是与该事件交集不为空的几率之和。
详细的计算过程,能够参考:
一、https://wenku.baidu.com/view/8da2a02d011ca300a6c390d3.html
二、http://blog.csdn.net/am45337908/article/details/48832947
清楚上面的概念以后再看这两篇,会发现理解起来很容易,很快就能够掌握。在第一个链接里面,还有DS理论的完善和修整,有兴趣能够再详细查看。