基本的概念

0. 定义

• 证据理论也被称为 Dempster-Shafer 理论，是一种不精确推理理论，主要用于处理不确定信息。它允许人们在证据不完全、不精确或相互矛盾的情况下进行推理和决策。

• Dempster-Shafer 理论（DST），也称为证据理论，是一种用于处理不确定性信息的数学框架。它通过将概率分布分配到假设集合的子集上，而不仅仅是单个假设，从而更好地表达不确定性和模糊性。下面介绍 DST 的几个基本概念及相关内容。

1. 识别框架（Frame of Discernment, Θ）

• 定义：
  识别框架 $\Theta$ 是一个包含所有可能假设或状态的集合。例如，在医疗诊断问题中，$\Theta$ 可能表示所有可能的疾病。

• 例子： 设定识别框架为
  $\Theta = \{A, B\}$

• 作用：
  所有 DST 中的计算和推理均基于该框架进行，确保所有可能性都得到考虑。

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

定义：

BPA 函数 $m: 2^{\Theta} \rightarrow [0,1]$ 为识别框架中每个子集分配概率质量，满足： $m(\emptyset) = 0$ $\sum_{A \subseteq \Theta} m(A) = 1$

作用：

$m(A)$ 表示对子集 $A$ 的支持程度，这种支持既不精确指向 $A$ 内的某个具体假设，也不更细分，从而表达了部分知识和不确定性。

例子：

一个简单的 BPA 可以如下定义： $m(\{A\}) = 0.6$ $m(\{B\}) = 0.3$ $m(\{A, B\}) = 0.1$

这表示：

• 有 60% 的支持认为命题 $A$ 成立，
• 有 30% 的支持认为命题 $B$ 成立，
• 剩下 10% 表示不确定性，支持 $A$ 或 $B$ 中某一个成立，但无法确定具体是哪一个。

3. 信任函数（Belief Function, Bel）

定义：

对任意子集 $A \subseteq \Theta$，信任函数定义为： $Bel(A) = \sum_{B \subseteq A} m(B)$

作用：

$Bel(A)$ 表示所有完全支持 $A$ 的证据之和，是对 $A$ 的“坚实支持”。

例子：

继续采用上面的 BPA，计算对于子集 $\{A\}$ 的信任度： $Bel(\{A\}) = m(\{A\}) = 0.6$

而对于全集 $\{A, B\}$： $Bel(\{A, B\}) = m(\{A\}) + m(\{B\}) + m(\{A, B\}) = 0.6 + 0.3 + 0.1 = 1.0$

4. 可行函数（Plausibility Function, Pl）

定义：

对任意子集 $A \subseteq \Theta$，可行函数定义为： $Pl(A) = \sum_{B \cap A \neq \emptyset} m(B)$ 同时满足： $Pl(A) = 1 - Bel(\bar{A})$ 其中 $\bar{A}$ 是 $A$ 的补集。

作用：

$Pl(A)$ 表示与 $A$ 不冲突的所有证据之和，反映 $A$ 可能为真的最大支持程度。

例子：

仍然使用上面的 BPA，计算对于子集 $\{A\}$ 的可行度：

• 首先，$\bar{A} = \{B\}$，因此， $Bel(\{B\}) = m(\{B\}) = 0.3$

• 所以， $Pl(\{A\}) = 1 - 0.3 = 0.7$

  或者直接计算与 $\{A\}$ 有交集的子集： $Pl(\{A\}) = m(\{A\}) + m(\{A, B\}) = 0.6 + 0.1 = 0.7$

5. Dempster 的组合规则

定义：

• 当有两个独立来源的证据 $m_1$ 和 $m_2$ 时，Dempster 的组合规则用于合并这些信息： $m_{12}(A) = \frac{1}{1-K} \sum_{B \cap C = A} m_1(B) \, m_2(C)$ 其中，冲突度量 $K$ 定义为： $K = \sum_{B \cap C = \emptyset} m_1(B) \, m_2(C)$

• 如果 $K_{12}^{\Theta}$ 越大，说明两个质量函数的冲突越严重，合并的可靠性就越低。

• 当 $K_{12}^{\Theta} = 1$ 时，说明两个质量函数完全矛盾，无法合并。

作用：

该规则通过归一化处理，将来自不同来源的证据合并，同时处理冲突部分，使得合并后的 BPA 满足归一性要求。

6. 冲突度量（Conflict Measure）

定义：

冲突度量用于反映两个质量函数（BPA）之间的不一致程度。以 SRMVEC 方法中的定义为例，两个数据点 $x_i$ 和 $x_l$ 之间的置信冲突度量为：

$$\mathcal{K}^{\Omega}_{il} = \sum_{\substack{\mathcal{B} \cap \mathcal{C} = \emptyset}} m^{\Omega}_i (\mathcal{B}) \cdot m^{\Omega}_l (\mathcal{C})$$

其中：

• $m^{\Omega}_i(\mathcal{B})$ 和 $m^{\Omega}_l(\mathcal{C})$ 分别为数据点 $x_i$ 和 $x_l$ 在信念分区下的 BPA。
• 仅计算 $\mathcal{B}$ 与 $\mathcal{C}$ 互斥（$\mathcal{B} \cap \mathcal{C} = \emptyset$）的部分。

直观理解：

• 低冲突： 若 $\mathcal{K}^{\Omega}_{il}$ 值较小，说明两个数据点的 BPA 分布较为一致，它们更可能属于同一类别。
• 高冲突： 若 $\mathcal{K}^{\Omega}_{il}$ 值较大，表示两个数据点的证据存在较大不一致，可能属于不同类别。

应用：

在聚类、决策支持和多传感器数据融合等领域，冲突度量用于量化和处理不一致信息，从而帮助进行更可靠的推理和决策。

例子：

设识别框架为 $\Theta = \{A, B\}$，假设两个证据源的 BPA 如下：

• 证据 1:
  $m_1(\{A\}) = 0.7,\quad m_1(\{B\}) = 0.2,\quad m_1(\{A, B\}) = 0.1$

• 证据 2:
  $m_2(\{A\}) = 0.6,\quad m_2(\{B\}) = 0.3,\quad m_2(\{A, B\}) = 0.1$

计算冲突度量 $K$：

不相交的情况有：

• $\{A\} \cap \{B\} = \emptyset$：
  $m_1(\{A\}) \times m_2(\{B\}) = 0.7 \times 0.3 = 0.21$

• $\{B\} \cap \{A\} = \emptyset$：
  $m_1(\{B\}) \times m_2(\{A\}) = 0.2 \times 0.6 = 0.12$

因此， $K = 0.21 + 0.12 = 0.33$

计算组合后的 BPA：

• 对于 $\{A\}$：
  考虑所有 $B, C$ 满足 $B \cap C = \{A\}$：
• $B = \{A\}$ 与 $C = \{A\}$ 得：$0.7 \times 0.6 = 0.42$
• $B = \{A\}$ 与 $C = \{A, B\}$ 得：$0.7 \times 0.1 = 0.07$
• $B = \{A, B\}$ 与 $C = \{A\}$ 得：$0.1 \times 0.6 = 0.06$

总和为：$0.42 + 0.07 + 0.06 = 0.55$
归一化因子为 $1 - K = 0.67$，所以 $m_{12}(\{A\}) = \frac{0.55}{0.67} \approx 0.82$

• 对于 $\{B\}$：
  考虑满足 $B \cap C = \{B\}$ 的组合：
• $B = \{B\}$ 与 $C = \{B\}$ 得：$0.2 \times 0.3 = 0.06$
• $B = \{B\}$ 与 $C = \{A, B\}$ 得：$0.2 \times 0.1 = 0.02$
• $B = \{A, B\}$ 与 $C = \{B\}$ 得：$0.1 \times 0.3 = 0.03$

总和为：$0.06 + 0.02 + 0.03 = 0.11$，归一化后， $m_{12}(\{B\}) = \frac{0.11}{0.67} \approx 0.16$

• 对于全集 $\{A, B\}$：
  考虑 $B = \{A, B\}$ 与 $C = \{A, B\}$：
  $0.1 \times 0.1 = 0.01$，归一化后， $m_{12}(\{A, B\}) = \frac{0.01}{0.67} \approx 0.015$

组合结果表明：经过两个证据的融合，支持 $\{A\}$ 的概率显著提升，反映了两个证据在支持 $A$ 上的一致性。

总结

Dempster-Shafer 理论通过引入 BPA、信任函数和可行函数，为处理不确定性和模糊性提供了一个灵活的框架。利用 Dempster 的组合规则可以有效地融合来自不同来源的证据，而冲突度量则帮助量化证据之间的不一致性。这些概念为在实际问题中处理不确定性提供了坚实的理论基础。