郭 強，關 欣，潘麗娜，孫貴東

（1.海軍航空工程學院信息融合研究所，山東煙臺 264001；2.海軍航空工程學院電子信息工程系，山東煙臺 264001；3.海軍航空工程學院基礎部，山東煙臺 264001）

一種基于混合參數和DSm T的證據網絡多連通結構推理方法

郭 強1，關 欣2，潘麗娜3，孫貴東2

（1.海軍航空工程學院信息融合研究所，山東煙臺 264001；2.海軍航空工程學院電子信息工程系，山東煙臺 264001；3.海軍航空工程學院基礎部，山東煙臺 264001）

針對現有的證據網絡推理模型無法進行復雜的多連通知識網絡結構下的信度推理問題，提出一種基于混合參數和DSmT的證據網絡推理方法，將條件信度函數和聯合信度函數同時作為多連通證據網絡的結點備選參數，并根據多連通網絡結構的結點特點進行選擇，并提出DSmT的證據網絡信度合成方法，不僅可以有效地進行復雜多連通圖結構的證據網絡信度推理，并可有效解決證據網絡的不確定性高沖突信息融合問題。最后通過典型的胸腔診斷問題實例，驗證了本文方法的有效性。

證據網絡；信息融合；信度合成；證據推理；Dezert-Smarandache Theory

0 引 言

為了解決多源異類知識框架下的不確定性信息融合、推理問題，基于網絡模型的知識表示和不確定推理方法得到了廣泛的研究［1，2］。貝葉斯網絡（BN）［3］作為貝葉斯理論與圖論相結合的不確定性知識處理方法，將不確定性先驗知識以先驗概率和條件概率的形式進行表示并形成有向無環(huán)圖的網絡知識結構，對證據信息進行不確定性推理，該方法在故障診斷、專家系統(tǒng)、評估預測、軍事系統(tǒng)等領域都得到了廣泛的應用［4-10］。但是貝葉斯網絡只能處理符合貝葉斯信度的精確證據，且無法區(qū)分不知道和不確定的知識，對不確定性推理帶來了一定的局限。價值網絡（VN）［11］作為一種綜合多種不確定知識表示方法的理論框架，提出了將證據理論與圖論相結合處理不確定性知識的方法。該方法通過邊緣化和組合兩種手段，對不同知識框架下的信息進行轉換和融合，取得了很好的效果［12］。但是該方法的價值評價以不同框架的笛卡爾乘積的聯合信度函數為基礎，對于復雜的網絡模型，需要很大的存儲空間和運算量，推理效率較低。Xu Hong和 Smets［13］最早提出了證據網絡的概念，首次將知識網絡結構中變量之間的關系用條件信度函數取代聯合信度函數進行表示，相比價值網絡推理，簡化了不確定性推理的復雜度。近年來，Boutheina Ben Yaghlane等人致力于基于條件信度函數的證據網絡理論的研究［14，15］，并提出了基于二進制樹的證據網絡推理方法。

通過對證據網絡的研究發(fā)現，現階段證據網絡的研究存在兩個問題，一是對于復雜的多連通知識結構，現有的證據網絡模型無法進行有效的推理，二是對于證據網絡結點信度推理過程中如何有效解決高沖突的不確定性信息合成問題。本文針對多連通證據網絡知識結構結點的特點，對結點參數的類型進行選擇，提出了一種基于條件、聯合信度混合參數的證據網絡模型結構，并首次將DSmT理論應用于證據網絡推理中，提出一種基于DSMT的證據網絡信度合成方法，對網絡結點的不確定性沖突信息進行合理的融合，更有效地進行整個證據網絡的信度推理。最后通過的典型的胸腔醫(yī)學診斷問題實例，驗證了本文方法的有效性。

1 理論基礎

1.1 乘積空間下的信度函數理論

對乘積空間的信度理論研究，需要定義兩個基本的運算：擴展和邊際化。

定義1 設X定義在識別框架ΘX上，Y定義在識別框架ΘY上，那么從ΘX到ΘX×ΘY的空擴展是一個定義在ΘX×ΘY上信度函數，其基本信度分配為

定義2 設X定義在識別框架ΘX上，Y定義在識別框架ΘY上，belX（x|y）是在給定y?ΘY時，ΘX上的條件信度函數，那么belX（x|y）在ΘX×ΘY上B擴展的得到的信度函數belX×Y定義為

B擴展得到的基本信度分配函數定義為

定義3 設X定義在識別框架ΘX上，Y定義在識別框架ΘY上，X的證據mX和Y的證據mY的合取定義在ΘX×ΘY上，

定義4 設m是X上的基本信度分配，Y?X，Y≠?，m對Y的邊際化表示為m↓Y

1.2 證據網絡以及GBT和DRC理論

證據網絡是一種有向無環(huán)圖模型，如圖1所示。由代表變量的結點和連接這些結點的有向邊、以及相應的關系參數構成，是圖論與證據理論的結合。每個結點代表一個變量，一般是研究問題的抽象；結點間有向邊的集合，表示結點之間的因果關系或影響關系。

圖1 基本的證據網絡模型

Smets［16］提出了 GBT理論 （the generalized Bayesian theorem）和DRC準則（the disjunctive rule of combination）作為基于條件信度函數的證據網絡正向推理和反向推理的重要工具。

定理2 對于任意xi∈ΘX和yi∈ΘY，基于GBT理論，條件信度函數belX（x）|y可按下式計算

定理3 對于任意xi∈ΘX和yi∈ΘY，基于DRC準則，條件信度函數belY（y）|x可按下式計算

1.3 DSm T理論

定義3 （DSmT融合規(guī)則［17］）在DSmT的框架下，超冪集DU在并運算和交運算中是封閉的。定義一個基本概率賦值函數，即m（·）：DU→［0，1］，給定的混合DSm模型相關的多個證據源（A∈DΘ）則有如下DSmT組合規(guī)則：

2 證據網絡推理模型

證據網絡的推理方法，實質上就是在給定的證據網絡結構、參數和已知的證據下，通過擴展和邊緣化、條件信度轉換以及信度合成公式，計算網絡結構中任意其他結點事件發(fā)生的信度［15］。根據網絡的拓撲結構的不同，證據網絡精確推理方法也分為基于單連通圖結構的推理方法和基于多連通圖結構的精確推理方法。

2.1 基于單連通圖結構的證據網絡推理模型

設U為證據網絡模型中一個有限個結點的集合，對于每一個結點X∈U，其父結點用Pa（X）表示，子結點用Ch（X）表示。在每一個結點X存儲一個先驗信度BelX0，同時存儲它與父節(jié)點之間的條件信度函數｛BelXY：Y∈Pa（X）｝，當有一個結點得到一個觀測證據時，該結點的信度就會被更新，并向其父結點傳遞消息（用λ值表示），向其子結點傳遞消息（用π值表示）。證據網絡單連通圖結構如圖2所示。基于單連通圖結構推理方法，應用基于PolyTree的消息傳遞算法。這種算法基于每個結點上局部出現的信息進行計算，也稱為局部算法。

2 證據網絡單連通圖結構

2.2 基于多連通圖的證據網絡推理模型

大部分情況下，證據網絡結構都是一個有向無環(huán)圖，而不僅僅是一棵樹。這就意味著在圖結構中至少有兩個結點通過兩條路徑以上進行連接。這種網絡結構就是多連通圖網絡結構，它常發(fā)生在一些變量通過多個因果機制影響其他變量的情況下。對此情況，PloyTree算法是無效的。因為如果兩個結點通過多條路徑連接，其中一個結點的觀測證據信息通過多條路徑傳遞給另外一個結點時就會存在重復計算。我們參考經典的胸腔診斷問題給出證據網絡多連通圖結構如圖3所示。一個醫(yī)生必須判斷一個抱怨自己有呼吸短促癥狀的病人是得了以下哪一種?。褐夤苎?、肺癌和肺結核。醫(yī)生的醫(yī)學知識被總結如下：呼吸短促（D）可能是由于肺結核（T）和肺癌（L）兩者之一（E）和支氣管炎（B）造成的。近期對亞洲的訪問（A）有可能會增加肺結核的幾率，抽煙（S）一般會導致肺癌（L）和支氣管炎（B）。一份單獨的X光檢查（X）不能區(qū)分肺結核和肺癌之一哪一個。如圖所示，結點（D）和結點（S）之間形成兩條多連通的通道，即形成了S L E D和SB D。若這兩個結點有觀測證據信息，基于單連通圖結構的消息傳遞算法就會失效。

圖3 胸腔診斷證據網絡多連通圖結構

Boutheina Ben Yaghlane采用聯合信度函數參數下的證據網絡遞歸的構建方法得到基于二進制連接樹結構，然后將樹結構中所有的聯合信度結點轉換為條件信度函數結點，如圖4所示。

圖4 基于二進制樹結構的條件信度函數證據網絡結構

3 一種基于混合參數的證據網絡建模方法

對證據網絡推理模型進行分析可知：

1）在單連通推理模型上，所有的關系結點選用條件信度函數可以有效的減少存儲空間和計算量，此時不需要使用聯合信度函數進行推理；

2）在多連通推理模型上，當將所有的關系結點全部轉換為條件信度函數時，在某些結點會出現無法計算的問題，例如圖4中，結點E|T，L接收m（E，L）或m（T，E）時，無法有效利用m（E|T，L）進行空間的轉換，因為（E，L）或（T，E）之間存在著聯系，分別是因果的關系中的因和果的部分。這時使用條件信度無法進行有效推理，需采用聯合信度函數參數，將（E，L）或（T，E）分別擴展到（T，E，L）中，再在該空間下進行融合。

由以上對現有的證據網絡推理模型的分析可知，證據網絡結構模型的參數類型不能僅包含聯合信度函數或是條件信度函數，應根據多連通知識網絡結構的結點特點選擇結點的參數類型，基于此提出一種基于條件信度和聯合信度函數混合參數的證據網絡多連通結構推理模型，參數的選擇遵循以下規(guī)律：

1）對于關系結點的某個相鄰結點只有單變量時，選擇條件信度函數參數；

2）對于關系結點的某個相鄰結點是變量集合，且變量同為某因果關系的因或果時，選擇條件信度函數參數；

3）對于關系結點的某個相鄰結點是變量集合，且變量各為某因果關系的因和果中的部分時，選擇聯合信度函數參數。

本研究對胸腔網絡診斷模型的證據網絡推理結構按照以上規(guī)律進行網絡參數選擇，得到的基于混合參數的證據網絡多連通結構推理模型模型如圖5所示。比較本研究提出的證據網絡推理結構和圖4中的推理結構，本研究推理結構在保證最小融合存儲空間和運算量的基礎上，解決了部分結點依據條件信度參數無法有效推理融合的問題，如圖4中的結點E|T，L。

圖5 基于混合參數的證據網絡推理結構

4 基于DSm T的證據網絡信度合成方法

不同框架下的信息通過證據網絡結構轉換或擴展到同一個框架下，就要進行信度合成，現有的證據網絡模型結構的信度合成方法仍然采用傳統(tǒng)的證據理論（DST），此時如果證據信息是不確定的和高度沖突的，那么會導致錯誤的結果，而如果網絡中某一結點的信息是錯誤的，那么會間接導致整個網絡模型推理的癱瘓。

而證據網絡的結點信度合成經常是在低維空間擴展到高維空間上進行信度合成的，某一維度的沖突都會更容易導致DST無法有效進行信度合成，本文根據分析認為證據網絡模型中應采取DSmT作為證據網絡的信度合成方法。

考慮某結點接收相鄰結點傳來的信息為m1（1，1，1）＝0.9，m1（1，2，1）＝0.1，該結點本身存儲的證據網絡聯合信度函數參數為m2（1，1，2）＝0.1，m2（1，2，1）＝0.9。通過DST進行該結點信度合成過程見表1，通過DSmT進行該結點進行合成過程見表2。

表1 通過DST進行信度合成的過程

表2 通過DSm T進行信度合成的過程

假設結點的變量均存在排斥性假設，即證據源的聯合信度函數和傳來的證據之間對信息的描述是一致的，不存在模糊的交集，則DSmT的超冪集空間轉化為shafer模型的冪集空間。得到的基于DSt進行信度合成和基于DSmT進行信度合成的結果比較見表3。

表3 基于DSt和DSm T進行信度合成結果的比較

從表3可知，基于DSt的信度合成方法將沖突進行了歸一化，得到了錯誤的結果（分析可知，第二個變量為1或2的可能性都很大，無法判斷），而且信度值為1，絕對的錯誤結果會對整個網絡推理的結果帶來巨大的影響；而基于DSmT的信度合成方法對矛盾的沖突證據信息進行了有效的融合，得到了滿意的結果，更有利于整個證據網絡的推理。

5 實例分析

下面利用典型的胸腔診斷問題進行實例分析，來驗此方法的有效性。胸腔診斷證據網絡多連通證據網絡結構如圖3所示，提出的基于混合參數和DSmT證據網絡多連通推理結構如圖4所示。假設，通過先驗知識得到各結點參數如下：

D|EB條件信度參數為

m（D＝是|（E＝是，B＝是），（E＝是，B＝否），（E＝否，B＝是））＝0.9，

m（D＝否|（E＝是，B＝是），（E＝是，B＝否），（E＝否，B＝是））＝0.1，

m（D＝是|（E＝是，B＝是），（E＝否，B＝是），（E＝否，B＝否））＝0.7，

m（D＝否|（E＝是，B＝是），（E＝否，B＝是），（E＝否，B＝否））＝0.3，

m（D＝是|（E＝是，B＝是），（E＝是，B＝否），（E＝否，B＝否））＝0.7，

m（D＝否|（E＝是，B＝是），（E＝是，B＝否），（E＝否，B＝否））＝0.3，

m（D＝是|（E＝是，B＝否），（E＝否，B＝是），（E＝否，B＝否））＝0.7，

m（D＝否|（E＝是，B＝否），（E＝否，B＝是），（E＝否，B＝否））＝0.3.

L，B|S條件信度參數為

m（L＝是，B＝是|S＝是）＝0.3，

m（L＝是，B＝是|S＝否）＝0.1，

m（L＝是，B＝否|S＝是）＝0.4，

m（L＝是，B＝否|S＝否）＝0.1，

m（L＝否，B＝是|S＝是）＝0.2，

m（L＝否，B＝是|S＝否）＝0.1，

m（L＝否，B＝否|S＝是）＝0.1，

m（L＝否，B＝否|S＝否）＝0.7.

T|A條件信度參數為

m（T＝是|A＝是）＝0.7，

m（T＝是|A＝否）＝0.2，

m（T＝否|A＝是）＝0.3，

m（T＝否|A＝否）＝0.8.

X|E條件信度參數為

m（E＝是|X＝是）＝0.9，

m（E＝是|X＝否）＝0.1，

m（E＝否|X＝是）＝0.1，

m（E＝否|X＝否）＝0.9.

TLE聯合信度參數為

m（T＝是，L＝否，E＝是）＝0.3，

m（T＝否，L＝是，E＝是）＝0.4，

m（T＝否，L＝是，E＝否）＝0.1，

m（T＝是，L＝否，E＝否）＝0.2.

依據如下信息進行推理：假設患者患有呼吸短促現象明顯即m（D＝是）＝1，近期未去過亞洲即m（A＝是）＝0，m（A＝否）＝1，醫(yī)生初步判斷患者可能是支氣管炎m（B＝是）＝0.8，m（B＝否）＝0.2，經過X光照射患者患有肺結核或肺癌即m（E＝是）＝1，m（E＝否）＝0。明顯醫(yī)生的初步判斷和X光診斷是沖突的證據。推理結構如圖4，步驟如下：

1）由病癥現象信息m（D＝是）＝1，

根據D|EB條件信度參數反向推理得

m（E＝否，B＝否）＝0.1，

m（E＝是，B＝否）＝0.3，

m（E＝否，B＝是）＝0.3，

m（E＝是，B＝是）＝0.3.

2）擴展到LEB結點，因為無參數，所以為空擴展，即

m（L＝Θ，E＝否，B＝否）＝0.1，

m（L＝Θ，E＝是，B＝否）＝0.3，

m（L＝Θ，E＝否，B＝是）＝0.3，

m（L＝Θ，E＝是，B＝是）＝0.3.

3）由于有醫(yī)生的初步診斷信息m（B＝是）＝0.8，m（B＝否）＝0.2，經過傳遞到LB結點再傳遞到LEB結點，均為空擴展，為

m（L＝Θ，E＝Θ，B＝是）＝0.8，

m（L＝Θ，E＝Θ，B＝否）＝0.2

4）此時，醫(yī)生的初步診斷信息與客觀證據信息同時在LEB結點，故進行DSmT融合運算，m（L＝Θ，E＝否，B＝Θ）＝0.08，m（L＝Θ，E＝是，B＝Θ）＝0.24，

m（L＝Θ，E＝否，B＝是）＝0.24，

m（L＝Θ，E＝是，B＝是）＝0.24，

m（L＝Θ，E＝否，B＝否）＝0.02，

m（L＝Θ，E＝是，B＝否）＝0.06，

m（L＝Θ，E＝否，B＝是）＝0.06，

m（L＝Θ，E＝是，B＝是）＝0.06.

組合乘積得

m（L＝Θ，E＝否，B＝Θ）＝0.08，

m（L＝Θ，E＝是，B＝Θ）＝0.24，

m（L＝Θ，E＝否，B＝是）＝0.3，

m（L＝Θ，E＝是，B＝是）＝0.3，

m（L＝Θ，E＝否，B＝否）＝0.02，

m（L＝Θ，E＝是，B＝否）＝0.06.

5）證據信息m（A＝是）＝0，m（A＝否）＝1經過T|A結點，由正向推理得到

m（T＝是）＝0.2，m（T＝否）＝0.8.

6）證據信息m（E＝是）＝1，m（E＝否）＝0與T|A結點信息經過空擴展在TE結點融合并空擴展到TLE結點得，

m（T＝是，E＝是，L＝Θ）＝0.2，

m（T＝否，E＝是，L＝Θ）＝0.8.

7）在TLE結點處與聯合信度參數

m（T＝是，L＝否，E＝是）＝0.3，

m（T＝否，L＝是，E＝是）＝0.4，

m（T＝否，L＝是，E＝否）＝0.1，

m（T＝是，L＝否，E＝否）＝0.2.

進行DSmT融合得，

m（T＝是，L＝否，E＝是）＝0.06，

m（T＝Θ，L＝是，E＝是）＝0.08，

m（T＝是，L＝是，E＝Θ）＝0.02，

m（T＝Θ，L＝否，E＝Θ）＝0.04，

m（T＝Θ，L＝否，E＝是）＝0.24，

m（T＝否，L＝是，E＝是）＝0.32，

m（T＝否，L＝是，E＝Θ）＝0.08，

m（T＝Θ，L＝否，E＝Θ）＝0.16.

由于再無其他結點含有T的信息，故在此結點處組合乘積得到變量T的信度為

m（T＝是）＝0.08，m（T＝否）＝0.4，

m（T＝Θ）＝0.52

8）此時，將TLE結點中的信息邊緣化得到LE的信息并空擴展傳到LEB結點，得到

m（L＝否，E＝是，B＝Θ）＝0.3，

m（L＝是，E＝是，B＝Θ）＝0.4，

m（L＝是，E＝Θ，B＝Θ）＝0.1，

m（L＝否，E＝Θ，B＝Θ）＝0.2.

9）與4）得到的LEB結點信息進行DSmT融合運算如下，

m（L＝否，E＝Θ，B＝Θ）＝0.024，

m（L＝否，E＝是，B＝Θ）＝0.072，

m（L＝否，E＝Θ，B＝是）＝0.09，

m（L＝否，E＝是，B＝是）＝0.09，

m（L＝否，E＝Θ，B＝否）＝0.006，

m（（L＝否，E＝是，B＝否）＝0.018，

m（L＝是，E＝Θ，B＝Θ）＝0.032，

m（L＝是，E＝是，B＝Θ）＝0.096，

m（L＝是，E＝Θ，B＝是）＝0.12，

m（L＝是，E＝是，B＝是）＝0.12，

m（L＝是，E＝Θ，B＝否）＝0.008，

m（L＝是，E＝是，B＝否）＝0.024，

m（L＝是，E＝否，B＝Θ）＝0.008，

m（L＝是，E＝是，B＝Θ）＝0.024，

m（L＝是，E＝否，B＝是）＝0.03，

m（L＝是，E＝是，B＝是）＝0.03，

m（L＝是，E＝否，B＝否）＝0.002，

m（L＝是，E＝是，B＝否）＝0.006，

m（L＝否，E＝否，B＝Θ）＝0.016，

m（L＝否，E＝是，B＝Θ）＝0.048，

m（L＝否，E＝否，B＝是）＝0.06，

m（L＝否，E＝是，B＝是）＝0.06，

m（L＝否，E＝否，B＝否）＝0.004，

m（L＝否，E＝是，B＝否）＝0.012.

最后組合乘積得：

m（L＝否，E＝Θ，B＝Θ）＝0.024，

m（L＝否，E＝是，B＝Θ）＝0.12，

m（L＝否，E＝Θ，B＝是）＝0.09，

m（L＝否，E＝是，B＝是）＝0.15，

m（L＝否，E＝Θ，B＝否）＝0.006，

m（L＝否，E＝是，B＝否）＝0.03，

m（L＝是，E＝Θ，B＝Θ）＝0.032，

m（L＝是，E＝是，B＝Θ）＝0.12，

m（L＝是，E＝Θ，B＝是）＝0.12，

m（L＝是，E＝是，B＝是）＝0.15，

m（L＝是，E＝Θ，B＝否）＝0.008，

m（L＝是，E＝是，B＝否）＝0.03，

m（L＝是，E＝否，B＝Θ）＝0.008，

m（L＝是，E＝否，B＝是）＝0.03，

m（L＝是，E＝否，B＝否）＝0.002，

m（L＝否，E＝否，B＝Θ）＝0.016，

m（L＝否，E＝否，B＝是）＝0.06，

m（L＝否，E＝否，B＝否）＝0.004.

10）LEB的運算結果經過邊緣化到相鄰的單變量結點，得到以下結果

m（L＝是）＝0.5，m（L＝否）＝0.5，

m（E＝是）＝0.6，m（E＝否）＝0.12，

m（E＝Θ）＝0.28，

m（B＝是）＝0.6，m（B＝否）＝0.08，

m（B＝Θ）＝0.32.

結合7）中T結點得到的單變量信度結果，得到最后的所有單變量的信度結果。

m（T＝是）＝0.08，m（T＝否）＝0.4，

m（T＝Θ）＝0.52.

經過經典Pignistic變換［18］得到決策結果為

P（L＝是）＝0.5，P（L＝否）＝0.5，

P（E＝是）＝0.74，P（E＝否）＝0.26，

P（B＝是）＝0.76，m（B＝否）＝0.24，

P（T＝是）＝0.34，m（T＝否）＝0.66.

由以上結果進行分析：

1）對醫(yī)生的診斷，即患者可能患有支氣管炎B的可能性經過推理得出了（0.6，0.08，0.32）的信度結果，雖然較醫(yī)生的診斷，不確定性增多，但P（B＝是）＝0.76，對B的支持度很高。

2）對X光照射得到的結果，即患者患有肺結核或肺癌的可能性經過推理得出了（0.6，0.12，0.28）的信度結果，對于X光照射的絕對肯定的診斷結果有了非常大的修正，P（E＝是）＝0.74，對E的支持度較高，但略低于醫(yī)生的診斷結果。

3）進一步分析X光照射得到的結果，由于肺結核（T）和肺癌（L）兩者之一都可能造成E，具體判斷患者是得了T還是L，還要經過其他證據信息進行融合推理，分別得出了（0.08，0.4，0.52）和（0.5，0.5，0）的信度結果和P（T＝是）＝0.34，P（L＝是）＝0.5的決策結果，從結果可知，本文方法對肺結核（T）的可能性支持度很低，而對于患者患有肺癌（L）的支持度也是模棱兩可的，仍較高的支持醫(yī)生的患者患有支氣管炎B的診斷。

由此可知，所提出的基于混合參數和DSmT的證據網絡推理方法處理上述胸腔典型的診斷問題，對于X光診斷和醫(yī)生的診斷結果發(fā)生高沖突的情況下，仍可以有效推理出合理的結果，根據推理結果較高的支持醫(yī)生的診斷，患者可能患有支氣管炎B的可能性更大，而最不可能患有肺結核T，也有一定的可能患有肺癌，這樣的結果足以指導醫(yī)生去做更有效的檢查，排除肺癌的可能。基于混合參數和DSmT的證據網絡推理方法，依據多連通網絡結構選取適合的結點參數，保證了推理的有效進行，并由于盡量利用條件信度函數推理減少利用聯合信度函數進行推理，有效地減少了計算量，減小了存儲空間，提高了推理效率。

6 結 語

研究對現有的證據網絡模型無法有效進行復雜多連通知識結構推理的問題，提出了一種基于條件、聯合信度函數的混合參數的證據網絡模型結構，該結構依據知識網絡結構結點的特點選擇適合推理的結點參數進行建模，并將DSmT引入結點信度合成中，提出一種基于DSmT的證據網絡信度合成方法，對網絡結點的不確定性高沖突信息合理的融合，可以更有效地進行證據網絡推理。本文最后通過典型的胸腔診斷案例，驗證了基于混合參數和DSmT的證據網絡推理方法的有效性和優(yōu)越性。

［1］SHAFER G，SHENOY P P，MELLOULIK.Propagating belief functions in qualitative Markov trees［J］.International Journal of Approximate Reasoning，1987，（1）：349-400.

［2］MELLOULIK，SHENOY P.Qualitative Markov Networks［C］.Bouchon B，Yager R R（eds.）.Uncertainty in Knowledge-Based Systems.Springer-Verlag Berl in Heidelberg，1987：69-74.

［3］PEARL J.Probabilistic Reasoning in Intelligent Systems：Network of Plausible Inference［M］.San Mateo，CA：Morgan Kaufmann，Inc.，1988.

［4］WEBER P，MEDINA-OLIVA G，et al.Overview on Bayesian Networks Applications for Dependability，Risk Analysis and Maintenance Areas［J］.Engineering Application of Artificial Intelligence，2010.

［5］王雙成.貝葉斯網絡學習、推理與應用［M］.上海：立信會計出版社，2010.

［6］張連文，郭海鵬.貝葉斯網引論［M］.北京：科學出版社，2006.

［7］黃友平.貝葉斯網絡研究［D］.北京：中國科學院計算技術研究所，2005.

［8］孫兆林.基于貝葉斯網絡的態(tài)勢估計方法研究［D］.長沙：國防科學技術大學，2005.

［9］郭百鋼.基于Bayes網絡的項目投資風險評估與決策方法研究［D］.南京：南京理工大學，2004.

［10］李海軍等.貝葉斯網絡理論在裝備故障診斷中的應用［M］.北京：國防工業(yè)出版社，2009.

［11］SHENOY P P.Valuation-Based Systems：A Framework for Managing Uncertainty in Expert Systems［C］.Zadeh L A，Kacprzyk J（eds.）.Fuzzy logic for the Management of Uncertainty.John Wiley＆ Sons，NewYork，1992：83-104.

［12］SHENOY PP.Binary Join Trees for Computing Marginals in the Shenoy-Shafer Architecture［J］.International Journal of Approximate Reasoning，1997，17：239-263.

［13］Xu H，Smets P.Reasoning in Evidential Networks with Conditional Belief Functions［J］.International Journal of Approximate Reasoning，1996（14）：155-185.

［14］YAGHLANE B B，SMETSP，MELLOULIK.Directed Evidential Networks with Conditional Belief Functions［C］.Nielsen TD，Zhang N L.（Eds.）.Proceedings of ECSQARU-2003，LNAI 2711，Springer-Verlag，2003，291-305.

［15］YAGHLANE B B，MELLOULIK.Inference in Directed Evidential Networks Based on the Transferable Belief Model［J］.International Journal of Approximate Reasoning，2008（48）：399-418.

［16］Ph.Smets.Belief fuctions：The Disjuctive Rule of Combination and the Generalized Bayesian Theorem［J］.International Journal of Approximate Reasoning，1993，9：1-35.

［17］FLORENTIN S，JEAN D.黃心漢，李新德（譯）. DSmt理論及其在信息融合中的應用（文集）［M］.北京：國防工業(yè)出版社，2011.

［18］SMETSP.Data Fusion in the Transferable Belief Model［C］.Proc.of 3rd Int.Conf.on Inf.Fusion，Fusion 2000，pp.PS21-PS33，Paris，France，July 10-13，2000.

郭 強（1986—），男，博士研究生，主要研究方向為信息融合、異類源知識融合研究；

E-mail：gq19860209＠163.com

關 欣（1978—），女，遼寧人，博士，教授，主要研究方向為多源信息融合、電子對抗等；

潘麗娜（1964—），女，吉林人，本科，教授，主要研究方向為物理學、紅外與光電傳感器應用；

孫貴東（1989—），碩士研究生，主要研究方向為信息融合、目標識別等研究。

An Inference M ethod for Evidential Networks of M ultip ly Connected Structure Based on M ixed Parameters and DSm T Theory

GUO Qiang1，GUAN Xin2，PAN Li-na3，SUN Gui-dong2
（1.Research Institute of Information Fusion，Naval Aeronautical and Astronautical University，Shandong Yantai264001，China；2.Electronics and Information Department，Naval Aeronautical And Astronautical University，Shandong Yantai264001，China；3.Department of Basic Science，Naval Aeronautical And Astronautical University，Shandong Yantai264001，China）

Aiming at the problem that the exited evidetial networks are not able to perform efficient inference in themulti-connected knowledge network model，an inferencemethod for evidetial networks is proposed based on mixed parameters and DSmT theory.The conditional belief funtion and joint belief function are both contained in the parameters and DSmT theory is applied in tht evident fusion method.It resolves the problem ofmulti-connected networks and fuses the uncertain and highly conflict evident information.Finally，the effectiveness of themethod is tsetified by the inference of the classic chest clinic problem.

evidential networks；information fusion；evidential inference；belief fusion；Dezert-Smarandache Theory

TP212.9

：A

：1673-5692（2015）01-067-08

10.3969／j.issn.1673-5692.2015.01.011

2014-10-16

2014-11-22

教育部新世紀優(yōu)秀人才支持計劃（NCET-11-0872）