1.7.Функции доверия и правило Демпстера а.Р.,[23]
Заданы области: определения – аддитивный класс в пространствена универсальном множествеX; значения – отрезок [0;1] на множестве действительных чисел.
Ограниченность – Bel(ø)=0, Bel(X)=1;
Супераддитивность – для m множеств X.
(1.16)
Понятийно Bel – это, по Г. Шеферу (G. Shafer) [24], мера доверия гипотезе, которой соответствует множество в аргументе функции.
Например, если имеется гипотеза: A есть одиночное множество {x1} или {x2}, или {x3}, то A={x1}{x2}{x3} и мера доверия этой гипотезе будет равна Bel(A).
Рассмотрим частный случай: на множестве ={x1,x2} определены и . Из супераддитивности функции доверия при m =2 следует:
Bel({x1}{x2})Bel({x1})+Bel({x2})-({x1}{x2}). (1.17)
Из ограниченности функции доверия следует:
Bel({x1}{x2})=Bel(ø)=0,
Bel({x1}{x2})=Bel()=1. (1.18)
Используя формулу (1.17), в случае равенства и (1.18), получим:
Bel({x1})+Bel({x2})=1. (1.19)
Из (1.19), с учётом {x2}={x1}, вытекает:
Bel({x1})=1-Bel({x1}) . (1.20)
Соотношение (1.20) называется нормирокой Bel.
Рассмотрим применение нормированной функции доверия для обработки данных.
В наx={x1,x2,…,xi,…,xn} определена Bel и результатом некоторого эксперимента или наблюдения в является факт, который известен в виде элементаxi и его значения функции принадлежности μi, то есть, как нечёткое множество НМ={(xi, μi)} с носителем {xi}, принадлежит {1,2,…,n}.
Аксиома 7. Функция доверия с простым носителем:
Bel={0, при A не включаемом в {xi};
μi при A, включенном в {xi}; 1- при A=}, где - множество из гипотез {1,2,3}:
(1.21)
A есть любой элемент {xj}, кроме {xi};
A есть {xi}, или любой другой элемент {xj};
A есть универсальное множество X.
Рассмотрим теперь простейшую гипотезу: A есть однозначное множество {xi}. Дополнительно к свойствам нечёткого множества, эта гипотеза интерпретируется как определение меры доверия факту с помощью соотношения (1.21): Bel ({xi})=.
Пусть теперь все экспериментальные данные сосредоточены на наборе, состоящем из двух фактов:
НМ={(xi, μi),(xj, μj)}с носителем {xi}{xj}, принадлежит{1,2,…,n}.
Аксиома 8:
Правило Демпстера: (композиция Bel({xi}) и Bel({xj})) при их объединении ({xi}{xj}), не равна X:
Bel({xi})Bel({xj}) = . (1.22)
Выражение (1.22) определяет меру доверия двум фактам.
Если все экспериментальные данные сосредоточены на наборе, состоящем из m фактов НМ={(xi,)} с носителем {{xi}}, iI{1,2,…,n}, m=#I, то получаем композицию:
, (1.23)
Выражение (1.23) определяет меру доверия набору из m фактов.
- Предисловие
- Список использованных сокращений
- Часть 1.
- Глава 1. Математические основы формализации и методов описания
- Часть 2.
- Глава 2. Методы представления знаний с использованием
- Часть 3.
- Глава 3. Интеллектуальные технологии создания информационных систем. Способы получения информации и ее реализации для оценивания состояния агрегатов
- Часть 4.
- Глава 4. Источники информации и причины возникновения ее неопределенности
- 4.1. Переработка и использование информации в реальных условиях функционирования агрегатов
- Часть 5.
- Список использованных сокращений и обозначений
- Введение:
- Часть 1.
- Глава 1. Математические основы формализации и методов описания
- Формализация объекта и парадигмы
- 1.3. Множества и перечень базовых операций над множествами
- Перечень базовых операций над множествами
- Области определения функций
- Обратная функция
- Теорема
- Мера и нечеткая мера
- Задача построения нечетких мер
- Нечеткие множества: определение и формы записи в операциях и
- 1.7.Функции доверия и правило Демпстера а.Р.,[23]
- 1.8. Нормировка функций в теории нечётких множеств
- 1.9. Нечёткие отношения: прямая и обратная задачи
- Глава 2. Методы представления знаний с использованием приближенных и нечетких множеств
- 2.1.Нечеткие вычислительные технологии
- 2.2.Семантика объекта: определение и типизация
- 2.3.Создание Базы знаний: постановка, семантика, прагматика
- 2.4. Сопоставление объектов: постановка, семантика, прагматика
- 2.5.Распознавание объектов: постановка, семантика, прагматика
- 2.6. Управление процессом представления знаний
- Нечёткие множества: субъективность и неточность
- 2.8.Нечеткая алгебра
- 2.9.Нечеткие иерархические отношения
- 2.10.Естественность операций max и min
- 2.11.Нечеткая статистика
- 2.12. Совместимость и нечеткое ожидание
- Глава 3. Нечеткие технологии создания информационных систем. Способы получения информации и ее реализации для оценивания состояния агрегатов
- 3.2. Обработка нечетких данных как неопределенных чисел
- Методология представления агрегата в виде комплексного механизма
- 3.2.2. Описание исходной информации на языке размытых множеств
- Размытость интервалов, ограничений, критериев и целей управления в эксплуатации и диагностике
- 3.3.3. Размытые ограничения, цели и оптимизация работы агрегата в условиях нечеткой информации о состоянии
- Анализ информации для диагностики и оценивания состояния механизмов
- 3.5. Оценки погрешностей измерений и наблюдений за состоянием агрегатов
- Влияние погрешностей исходных данных на погрешности диагноза
- Глава 4. Источники информации и причины возникновения ее неопределенности
- 4. 2. Управление и идентификация на объекте в условиях неопределенности информации на основе знаний, получаемых при функциональной диагностике
- Тогда множество диагностических признаков g также будет нечетким
- 4.3.Представление и использование чётких и «размытых» знаний в математических моделях оценивания состояния агрегатов, на основе функциональной диагностики
- 4.3.1.Формализация решения задачи оценивания состояния
- 4.3.2. Особенности решения задач контроля и функционирования агрегата
- Глава 5. Введение в генетическое программирование
- 5.1. Введение в генетические и эволюционные алгоритмы
- 5.2. Сравнительный анализ эволюционных алгоритмов
- 5.3. Генетическое программирование
- 5.4. Перспективные направления развития гп
- Глава 6. Введение в нейронные сети
- 6.1. Алгоритмы их обучение и эластичные нейро-нечеткие системы
- 6.2. Имитация нервных клеток
- 6.3. Математическая модель нейрона
- 6.4. Обучение нейронных сетей
- 6.5. Метод обратного распространения ошибки
- 6.6. Алгоритм настройки нейронной сети
- Глава 7. Другие методы нечетких технологий для построения
- 7.1. Введение в теорию возможностей и смысла
- 7.1.1. Неопределенность и неточность
- 7.1.2. Традиционные модели неточности и неопределенности
- 7.1.3. Меры неопределенности
- 7.1.4. Меры возможности и необходимости
- 7.1.5. Возможность и вероятность
- 7.2. Языки и технологии логического программирования prolog, lisp
- Глава 8. Послесловие
- 8.1. Эволюция искусственного интеллекта для развития интеллектуальных
- 8.2.Экспертные системы нового уровня
- 8.3. Роботика
- 8.4. Преобразование речи искусственного языка
- 8.5. Интеллект муравьёв и его использование
- 8.6. Искусственная жизнь, мозг, познание, разум, память и мышление
- 8.7. Боты
- Optimizator подсистемы диагностики состояния энергоустановок, skais, для решения задач технического обслуживания
- Заключение
- Заключение
- Литература