模糊数学的创始人Zadeh在文献中指出了对D-S证据理论的一些观点。例如,证据合成规则的正则化:过程有时会导致推理结果出现悖论,并且指出产生该情况的原因是由正则化因子X造成的。因此,他建议把K去掉,引入假设M而m(g)>0意味着真值可以在识别框架之外取值。另外,他对证据理论与可能性理论的关系也进行了相关的研究。<br> 证据理论作为一种不确定性的推理方法,在人工智能、检测诊断等方面具有很广泛的应用,尤其是在多传感器信息融合中,已成为一种基本的、重要的融合算法。<br> 证据理论具有以下优点:<br> (1)证据理论采用信任函数而不是概率作为度量,通过对一些时间的概率加以约束来建立信任函数,而不必说明精确的难以获得的概率。<br> (2)证据理论具有比较系统的理论知识,既能处理随机性所导致的不确定性,又能处理模糊性所导致的不确定性。<br> (3)证据理论可以依靠证据的积累,不断地缩小假设集。<br> (4)证据理论能将“不知道”或“不确定”区分开来。<br> (5)同概率论相比,证据理论可以不需要先验概率和条件概率密度。<br> 尽管证据理论在实际应用中具有广泛的应用价值,合成结果在多数情况下也比较符合人的推理习惯,但同时也表现出不少缺点:<br> (1)证据合成规则要求所有证据必须是独立的。这种“证据独立性”要求限制了证据理论的使用范围。因为证据合成是一个把多源数据进行综合获得决策的过程,被用来合成的数据很可能是相关的。
展开