Dempster-Shafer's theory(證據理論)
1 直觀認識
別稱:證據理論、Dempster-Shafer理論、DS理論。
優點:簡單理解,我們透過實驗獲取資料比理論推導要更直觀更容易一些,而證據理論的核心——
Dempster合成規則
,能綜合不同專家或者資料來源的知識或者資料,這就使得證據理論在
專家系統
、
資訊融合
等領域中得到了廣泛應用。
侷限性:
證據/資料必須是獨立的,而這有時不易滿足;
證據合成規則沒有非常堅固的理論支援,其合理性和有效性還存在較大的爭議;
計算上存在著潛在的指數爆炸問題。
2 經典證據理論
證據理論的主要特點有:
滿足比Bayes機率理論更弱的條件,即
不必滿足機率可加性
。
具有直接表達”
不確定
“和”
不知道
“的能力,這些資訊表示在mass函式中,並在證據理論合成過程中保留了這些資訊。
證據理論不但允許人們將信度賦予假設空間的單個元素,而且還能賦予它的子集,這很象人類在各級抽象層次上的證據收集過程。
2。1 識別框架(Frame of discernment)/假設空間
識別框架:所考察判斷的事物或物件的集合,定義為非空集合
,其包含
個兩兩互斥事件。
識別框架的冪包含
個元素,
。
例,有兩個嫌疑人a,b,總共有
(a,b都不是罪犯)、{a是罪犯}、{b是罪犯}、{a、b都是罪犯} 四種可能
2。2 基本機率分配(Basic probability assignment)
在假設空間上的BPA是一個
的函式m,稱為mass函式,並且滿足:
2。3 信任函式(Belief function)
信任函式也稱為信度函式,在假設空間
上基於BPA m的信任函式定義為:
2。4 似然函式(Plausibility function)
似然函式也稱為似然度函式,在假設空間
上基於BPA m的似然函式定義為:
2。5 信任區間
在證據理論中,對於假設空間
中的某個假設A,根基BPA分別計算出關於該假設的信任函式
和似然函式
組成信任區間
,用以表示對某個假設的確定程度
2。6 Dempster-Shafer‘s 合成規則(核心)
Dempster合成規則,也稱證據合成公式,其定義如下:
對於
,
上的兩個mass函式
的Dempster和合成規則為:
其中,K為歸一化常數
2。 對於
,
上的有限個mass函式
的Dempster和合成規則為:
其中,
3 一個栗子
以自動駕駛障礙物檢測資料融合為例,假設證據源有
LiDAR
和
影象感測器
3。1 確定假設空間
A:有障礙物
B:無障礙物
C:有障礙物或者無無障礙物(不確定)
D:空集(既不是有障礙物,也不是無障礙物,就是沒法判斷)
3。2 確定基本分配機率BPA
假設
mL
mI
A
0。6
0。1
B
0。3
0。8
C
0。1
0。1
D
0
0
3。3 計算歸一化常數K
根據公式:
K是將所有交集不為空的假設的聯合mass函式求和,則對應有如下7種交集不為空的假設:
LiDAR假設“有障礙物”:L(A);Image假設“有障礙物”:I(A)。交集:“有障礙物”
LiDAR假設“有障礙物”:L(A);Image假設“有障礙物或無障礙物”:I(C)。交集:“有障礙物”
LiDAR假設“無障礙物”:L(B);Image假設“無障礙物”:I(B)。交集:“無障礙物”
LiDAR假設“無障礙物”:L(B);Image假設“有障礙物或無障礙物”:I(C)。交集:“無障礙物”
LiDAR假設“有障礙物或無障礙物”:L(C);Image假設“有障礙物”:I(A)。交集:“有障礙物”
LiDAR假設“有障礙物或無障礙物”:L(C);Image假設“無障礙物”:I(B)。交集:“無障礙物”
LiDAR假設“有障礙物或無障礙物”:L(C);Image假設“有障礙物或無障礙物”:I(C)。交集:“有障礙物或無障礙物”
3。4 計算每個假設的聯合mass
公式如下:
3。5 計算每個假設的信任區間([信任函式,似然函式])
公式如下:
假設
mL
mI
m{L,I}
Bel
Pl
A
0。6
0。1
0。265
0。265
0。285
B
0。3
0。8
0。714
0。714
0。734
C
0。1
0。1
0。020
1
1
D
0
0
0
0
0
4 總結
DS理論其實有很多侷限性,但限於篇幅原因,就不再贅述,這個博主寫的很詳細傳送門
參考文獻:浙江大學研究生《人工智慧引論》課件 第五講
備用連結