决策分析新武器:深度解析Dempster-Shafer(DST)证据理论

科技   2024-12-11 17:30   新加坡  

1 DS证据理论概述

Dempster-Shafer证据理论(DST)是一种用于处理不确定性和多源信息融合的数学框架。与传统的概率论不同,DST能够在信息不完全或不确定的情况下表达信任度,并且能够处理冲突信息。它广泛应用于决策分析、模式识别、机器学习等领域,特别适合那些无法完全依赖传统概率理论进行建模的场景。

DST的核心思想是基于信任函数(BPA)来表示信息来源的不确定性,并通过组合规则融合多个来源的证据。其主要构成包括判别框架、基本概率赋值(BPA)和Dempster组合规则等。

1.1 判别框架(Frame of Discernment)

判别框架是指问题中所有可能的假设或类别的集合,用来表示我们可以作出判断的范围。在DST中,判别框架通常用符号 来表示,包含所有假设的集合。具体来说, 表示该问题存在三个可能的类别:

判别框架不仅仅用于分类问题,它还可以用于表示系统的各类状态、可能的事件或决策选项等。其重要性在于它为整个证据理论提供了判断的基准。例如,在故障诊断中, 可能表示故障的几种不同模式,而在目标识别中, 可能表示不同的目标类型。

1.2 基本概率赋值函数(Basic Probability Assignment, BPA)

BPA(基本概率赋值函数)是DST中的核心概念之一。它用于定量表示来自不同证据源的信息,并且可以表达证据的支持度和不确定性。每个证据源提供的BPA定义在判别框架的幂集 上,表示各个假设的支持度。

BPA的定义:

即BPA函数 将判别框架 的幂集 映射到 的区间,其中 表示支持假设 的证据质量。这个质量值是基于证据源对该假设的支持程度来决定的。满足以下条件:

这个条件确保了所有可能事件的概率总和为1,即所有的证据总和必须归一到某个类别或假设。需要注意的是,对于一些无法完全确定的假设,BPA也允许将证据分配给多个假设集合,而不是单一的假设。

BPA的性质:

  • 确定性:如果某个事件完全确定,它的BPA会集中于一个子集(例如,)。
  • 不确定性:如果证据源表示无法明确判断某个假设(例如,完全模糊的情况),BPA可以分配一部分质量到整个判别框架上,如

BPA也可以处理“冲突”信息,即多个证据源对同一事件提供了不同甚至相互矛盾的信息。

1.3 Dempster组合规则(Dempster's Combination Rule)

Dempster组合规则用于融合多个证据源的BPA,是DST的核心工具之一。在实际应用中,我们经常面对多个证据源,它们可能独立也可能存在某些冲突。Dempster规则提供了一种处理冲突和融合证据的方式。

组合规则公式:

假设有两个独立的证据源,它们分别给出了BPA ,那么通过Dempster组合规则,融合后的BPA 为:

其中, 表示冲突度(Conflict),定义为:

是一个归一化因子,表示两者证据冲突的程度。这个值越大,意味着两个证据源之间的冲突越强,融合结果的可靠性越低。是一个归一化系数,用于确保合并后的BPA总和为1。

组合规则的解释:

  • 无冲突融合:如果两个证据源的交集 很大,即它们支持相同的假设,那么融合后的BPA将集中在这些假设上。
  • 有冲突融合:如果两个证据源的交集为空集,即它们完全冲突,那么冲突度 会增大,导致融合结果的权重降低。在极端情况下,如果 ,则无法得出任何有效的融合结论。

Dempster组合规则的一个重要特点是,它是基于证据之间的交集计算的。这种规则使得DST能够在不确定和模糊的情况下合理地处理多个证据源的信息。

2 案例分析:三分类问题下的三证据源融合

2.1 问题描述

假设我们有一个三分类问题,类别为 。有三个独立的证据源提供关于某一实例属于各类别的证据。具体BPA如下:

  • 证据源1

  • 证据源2

  • 证据源3

其中, 表示不确定的情况,即该证据源无法明确指明属于某个具体类别。

2.2 证据融合过程

我们将依次融合三个证据源,首先融合证据源1和证据源2,然后将结果与证据源3进行融合。

2.2.1 融合证据源1和证据源2

根据Dempster组合规则,计算融合后的BPA

首先,列出所有可能的组合并计算它们的交集:

计算冲突度 (即交集为空集的质量总和):

归一化因子:

然后计算融合后的各子集的质量:

  • 对于

  • 对于

  • 对于

  • 对于

因此,融合后的BPA 为:

2.2.2 融合 和证据源3

接下来,将 与证据源3进行融合,得到最终的BPA

同样,列出所有可能的组合并计算交集:

计算冲突度

归一化因子:

计算融合后的各子集的质量:

  • 对于

  • 对于

  • 对于

  • 对于

最终融合后的BPA为:

在此过程中,冲突度 分别为66%和58.54%,表明初始证据源之间存在较高的冲突。这种冲突可能源自不同证据源对类别的不同支持度。通过Dempster组合规则,我们有效地归一化了这些冲突,使得最终的信任分配仍满足总和为1的条件。

3 Dempster-Shafer 证据理论融合代码实现

3.1 简介

Dempster-Shafer证据理论(DS证据理论)是一种用于处理不确定性和多源信息融合的方法。该程序实现了DS证据理论中的关键融合步骤,能够根据多个证据源的基本概率赋值(BPA),对多类别问题进行融合计算。通过融合证据源,程序为用户提供每个假设的信任度,并在此基础上做出综合判断。

3.2功能

  1. 输入数据
  • 类别数量 M 及其名称。
  • 证据源数量 N
  • 每个证据源的基本概率赋值(BPA),用户需输入每个子集及其对应的质量值。
  • 融合过程
    • 使用Dempster组合规则融合所有证据源的BPA。
    • 处理冲突(即子集交集为空的情况),并进行归一化
  • 输出结果
    • 输出最终融合后的BPA,显示每个子集的质量值。

    3.3 代码实现

    3.3.1 输入数据

    程序启动后,用户需输入以下内容:

    • 类别数量:输入问题的类别数量 M,如3个类别。
    • 类别名称:输入每个类别的名称(如 A, B, C)。
    • 证据源数量:输入证据源数量 N,如3个证据源。
    • 每个证据源的BPA:对于每个证据源,输入每个子集及其对应的质量值。

    3.3.2 证据融合

    在输入完毕后,程序将依据Dempster组合规则进行证据融合,逐步将每个证据源的BPA与前一个证据源的BPA进行融合。融合的具体过程包括:

    • 计算所有子集的交集。
    • 根据Dempster组合规则累加质量值。
    • 计算冲突度 K,若冲突度为1,则程序终止。
    • 对融合后的BPA进行归一化。

    3.3.3 输出结果

    程序输出每次融合后的BPA,并最终显示所有证据源融合后的最终BPA。输出形式如下:

    • 子集名称:每个子集的名称或其排序。
    • 质量值:每个子集对应的质量值。

    3.4 使用说明

    3.4.1 启动程序

    将代码保存为 ds_evidence.py,然后在命令行或终端中执行以下命令启动程序:

    python ds_evidence.py

    3.4.2 输入数据

    按照提示依次输入类别数量、类别名称、证据源数量及每个证据源的BPA。对于每个证据源,用户需要输入非零子集及其对应的质量值。

    注公众号:”控我所思VS制之以衡“,回复"DS证据理论"获取ds_evidence.py源代码

    控我所思VS制之以衡
    专注于控制理论、控制工程、数学、运筹、算法等方面的经验积累与分享
     最新文章