Phương pháp tích hợp cơ sở tri thức xác suất dựa trên lý thuyết Demspter-Shaper

Lý thuyết Dempster-Shafer là một công cụ điển hình và được sử dụng rộng rãi để xử lý thông tin không chắc chắn và hợp nhất dữ liệu, và nó được sử dụng rộng rãi trong các lĩnh vực khác nhau. Bài viết đề xuất một mô hình tích hợp cơ sở tri thức (CSTT) xác suất bằng cách kết hợp lý thuyết xác suất và một số luật hợp nhất được phát triển từ lý thuyết Demspter-Shaper.
Nội dung trích xuất từ tài liệu:
Phương pháp tích hợp cơ sở tri thức xác suất dựa trên lý thuyết Demspter-Shaper Tuyển tập Hội nghị Khoa học thường niên năm 2023. ISBN: 978-604-82-7522-8 PHƯƠNG PHÁP TÍCH HỢP CƠ SỞ TRI THỨC XÁC SUẤT DỰA TRÊN LÝ THUYẾT DEMSPTER-SHAPER Nguyễn Văn Thẩm Trường Đại học Thủy lợi, email: thamnv@tlu.edu.vn 1. GIỚI THIỆU CHUNG (i) m     0 Với sự phát triển của công nghệ máy tính, (ii)  m     1     Internet và các lĩnh vực liên quan khác, công nghệ tổng hợp thông tin đã và đang phát triển Hàm  : Γ     0,1 được gọi là độ đo vượt bậc. Việc thực hiện hợp nhất thông tin xác suất của  trên Γ    nếu: cần phải xử lý rất nhiều thông tin không chắc   Θ   m  Ε  chắn. Các công cụ lý thuyết hiện có để xử lý ΕΘ thông tin không chắc chắn bao gồm lý thuyết Định nghĩa 2. [2] Đặt F, G   and xác suất, lý thuyết tập mờ, lý thuyết bằng  0,1 . Một ràng buộc xác suất (RBXS) là chứng Dempster-Shafer, lý thuyết entropy thông tin. Lý thuyết Dempster-Shafer là một một biểu thức có dạng c    , trong đó công cụ điển hình và được sử dụng rộng rãi c   F |G  . để xử lý thông tin không chắc chắn và hợp Định nghĩa 3. [2] Một cơ sở tri thức nhất dữ liệu, và nó được sử dụng rộng rãi (CSTT) xác suất  là một tập hữu hạn các trong các lĩnh vực khác nhau. RBXS: Bài báo đề xuất một mô hình tích hợp cơ sở   1 , ,  n  tri thức (CSTT) xác suất bằng cách kết hợp lý thuyết xác suất và một số luật hợp nhất được trong đó,  i  ci  i  i  1, n phát triển từ lý thuyết Demspter-Shaper. Định nghĩa 4. [2] Một hồ sơ TTXS  trên tập các sự kiện  là một bộ    , , 2. NỘI DUNG trong đó  là một tập hữu hạn gồm n sự 2.1. Một số khái niệm kiện và  là một đa tập hữu hạn gồm h CSTT xác suất. Đặt   E1 ,, E n  là một tập hợp các sự Định nghĩa 5. [2] Một hồ sơ TTXS kiện được biểu thị trong không gian mẫu  .    ,  là hồ sơ TTXS nhất quán nếu và Với F, G   , đặt FG là giao của F và G , F chỉ nếu    :  nhất quán. ˆ ˆ ˆ là phủ định của F . Let Θ  E1E 2  E n là hội Đặt  U ,   =1 nếu Θ  U , ngược lại đầy đủ của  với Ei  E i , E i  . Đặt h=2n và ˆ  U ,   =0. Đặt A   aij nh là ma trận đặc Γ     Θ1 , , Θ h  là tập các hội đầy đủ của  trưng của CSTT xác suất  , trong đó và E1E 2 …E n = . Hội đầy đủ thỏa mãn U , kí aij    Fi Gi ,  j  1  i     Fi Gi ,  j  i . hiệu Θ  U , nếu U xuất hiện dương trong Θ . Định lý 1. [2] Cho CSTT xác suất  . Một Định nghĩa 1. [1] Hàm m : Γ     0,1  BPA của  tương ứng với lời giải tối ưu  * được gọi là phép gán xác suất cơ bản (Basic của bài toán tối ưu: n probability assignment-BPA) nếu thỏa mãn arg  minhn  i  các tính chất sau: ( , )R i 1 42 Tuyển tập Hội nghị Khoa học thường niên năm 2023. ISBN: 978-604-82-7522-8 với các ràng buộc:  2.3. Mô hình đề xuất    A    0, A    0 Bài toán tích hợp các CSTT xác suất dựa h      i  1,  0,   0 i 1 trên khoảng cách được định nghĩa: (1) Đầu vào: Một hồ sơ CSTT xác suất. Định lý 2. [2] Đặt F, G   . Hàm (2) Đầu ra: Một CSTT xác suất.  : Γ     0,1 thỏa mãn các luật xác suất: (3) Phạm vi bài toán: CSTT được biểu (P0)   F     Θ diễn bằng ràng buộc xác suất. ΘΓ  ,ΘF (4) Tiến trình tích hợp: (P1)   FG     Θ ΘΓ   ,ΘFG - Bước 1: Tìm các BPA của mỗi CSTT (P2)   FG     G    F G  i trong hồ sơ CSTT xác suất  theo Định ...