针对低概率与高概率事件混合的赌概率变换

在一些现实世界的信息融合情境中，必须在信息集不完整的情况下做出时间紧迫的决策。信念函数理论（例如 Dempster-Shafer 证据理论、可转移信念模型）已被证明为处理或融合构成该不完整信息集的定量线索或信息度量提供了合理的方法论。对于决策，赌概率（源自拉丁语 pignus，意为赌注）变换已被证明是利用信念或基本信念指派（BBAs）进行决策的良好方法。对于许多系统，只需处理集合中最可能的元素。对于一些关键系统，必须评估错误决策的风险并建立安全的概率阈值用于决策。这增加了决策的复杂性，因为必须处理集合中高于风险决策阈值的所有元素。若大多数概率低于该阈值，问题则大大简化。寻找能恰当表示低概率与高概率事件混合的概率变换至关重要。本文引入了四种新的赌概率变换，其实现利用信念、似真度（Plausibilities）或 BBAs 的最新值来改进赌概率估计。其中一些变换对于较小的信念或 BBA 值分配比 Smets 赌概率变换更小的概率值。对于较大的信念或 BBA 值，它们也分配比 Smets 赌概率变换更高的概率值。这些概率变换将分配一个概率值，该值更快地收敛到风险阈值以下的值。还引入了概率信息内容（PIC）变量，为任意概率集分配信息内容值。定义了四个算子以帮助简化推导。