Machine learningEvidence theory
证据的Dempster-Shafer理论
Dempster-Shafer理论是一种在不确定性下进行推理的数学框架，它通过显式地表示无知来推广贝叶斯概率。它不强制对每个假设分配单一概率，而是将信念质量分配给假设集合，并推导出信念-可信度区间，同时提供了Dempster规则用于融合来自多个独立来源的证据。该理论源于Arthur Dempster 1967年的工作和Glenn Shafer 1976年的专著，是证据推理和传感器/决策融合的基础。
阅读完整方法
仅限会员
登录使用免费账户登录即可阅读本节。
方法图谱
相关方法的邻域——选择一个节点以展开探索。
来源
- Dempster, A. P. (1967). Upper and lower probabilities induced by a multivalued mapping. The Annals of Mathematical Statistics, 38(2), 325–339. DOI: 10.1214/aoms/1177698950 ↗
- Shafer, G. (1976). A Mathematical Theory of Evidence. Princeton University Press. ISBN: 978-0-691-08175-5
如何引用本页
ScholarGate. (2026, June 2). Dempster-Shafer Theory of Evidence (Belief Functions). ScholarGate. https://scholargate.app/zh/soft-computing/dempster-shafer-theory
选用哪种方法？
将本方法与其最相近的同类并置，并排研读——本馆将书籍铺陈于案上，取舍则由您定夺。
- 贝叶斯网络贝叶斯↔ 比较
- 基于案例推理 (CBR)软计算↔ 比较
- 模糊认知图 (FCM)软计算↔ 比较
- 朴素贝叶斯 (Naive Bayes) 是一种快速的概率分类器，它应用贝叶斯定理，同时假设特征在给定类别时是条件独立的机器学习↔ 比较