利用有序可视图的新型概率转换在不确定性处理中的应用

"基于有序可见性图的新概率转换提出了对Dempster-Shafer证据理论中的基本概率赋值（BPAs）与概率之间转换的新方法。这种方法利用有序可视图（OVG）构建，并解决了决策问题。OVG网络中的节点度表示权重，这些权重在转换过程中起到关键作用。通过这些权重，可以得出概率结果。文章提供了实例来验证所提概率转换的有效性，并将其与其他DTMC模型进行了比较，证明了其优越性和稳定性。" 在医院管理中，新生儿数量的预测是一项至关重要的任务，离散时间马尔可夫链（DTMC）是一种常用的预测工具。然而，DTMC在处理状态不确定性时存在局限，尤其在状态空间非离散的情况下，可能导致预测结果的不稳定。为了解决这个问题，研究者引入了信念马尔可夫链（BMC）模型，这是一种结合了经典DTMC和Dempster-Shafer理论的模型。 Dempster-Shafer理论是一种处理不确定性和证据融合的框架，它允许对不同来源的信息进行综合分析，以形成关于事件的信念分布。在BMC模型中，这种理论的优势被用来有效处理状态不确定性，从而改进了经典DTMC模型。通过构建有序可视图（OVG），可以将基本概率赋值（BPAs）转换为概率，OVG中的节点度代表了权重，这些权重用于指导转换过程，从而生成更准确的概率结果。 论文通过一个实例展示了所提模型在决策问题上的有效性。此外，作者还对比了BMC模型与经典DTMC模型以及模糊状态修正的DTMC模型，证明了BMC模型在处理不确定性时的优越性。最后，进行了稳定性证明，确保了模型在实际应用中的可靠性。 "基于有序可见性图的新概率转换"提供了一种创新的方法，不仅增强了DTMC在处理不确定状态时的能力，而且通过Dempster-Shafer理论和OVG的结合，为决策制定提供了更精确的工具。这一研究对于医院管理和类似领域中的预测问题具有重要的实践意义。