CDS证据理论：模糊与独立情况下的不确定推理

本章节主要介绍了补充说明中的DS证据理论，即Dempster-Shafer (D-S) 理论，它是Bayes理论的一种扩展，尤其适用于证据和先验知识模糊的情况。Dempster在1967年的文章中首次提出了证据理论的概念，通过多值映射诱导上确界和下确界概率，为不确定推理提供了新的数学框架。随后，Dempster在1968年的工作进一步推广了贝叶斯推理，而Shafer在1976年出版的专著标志着证据理论成为一门正式的学科。 经典证据理论关注于如何处理不确定性和不完全信息，它与概率理论有所不同，即使在证据和先验知识独立时，证据合成也不仅仅等同于概率的简单并（或）运算，而是采用了更复杂的融合规则。Yen在其医疗专家系统GERTIS中提出的扩展Dempster-Shafer理论（EDS）进一步拓展了这一理论的应用，尤其是在处理层次结构的假设诊断问题上。 本章的讲解围绕以下几个核心内容展开： 1. 证据理论发展简史：回顾了早期的重要里程碑，如Dempster和Shafer的主要贡献，以及Zadeh对Shafer理论的评论。 2. 经典证据理论的理论模型：深入解析证据的表示、融合法则（如Dempster's rule of combination）以及其在处理不确定信息时的独特优势。 3. 证据理论的实现途径：探讨了证据理论在人工智能领域的应用，如如何将其应用于知识表示、推理和决策支持系统。 4. 基于DS理论的不确定性推理：展示了如何利用D-S理论进行推理，处理不确定性，包括如何处理模糊证据和冲突证据。 5. 计算举例：通过具体的案例，展示如何运用D-S证据理论进行实际问题的分析和决策，帮助读者理解理论的实际操作。 参考文献部分列出了关键的研究论文，这些文献对于理解证据理论的起源、发展和应用至关重要。阅读这些资料可以帮助研究者和从业者深入理解和掌握DS证据理论，并将其应用于各种领域，如医疗决策、智能系统和数据分析。徐从富教授的课程内容丰富，适合在浙江大学研究生的人工智能学习中作为深入研究的基础。