《SoftwareX》:evidencelib: A python library for evidence modeling and fusion under uncertainty
编辑推荐:
不确定性下的证据融合需要显式表示无知、重叠假设以及信息源之间的冲突。现有的Python工具通常集中于经典Dempster–Shafer理论(DST),对Dezert–Smarandache理论(DSmT)和高冲突融合规则的支持有限。本文介绍了evidencel
不确定性下的证据融合需要显式表示无知、重叠假设以及信息源之间的冲突。现有的Python工具通常集中于经典Dempster–Shafer理论(DST),对Dezert–Smarandache理论(DSmT)和高冲突融合规则的支持有限。本文介绍了evidencelib,一个开源的Python库,其计算核心零依赖,在一致的API(应用程序接口)中统一了经典DST、自由Dezert–Smarandache(DSm)模型、混合DSm模型、符号命题代数、信度函数度量以及多种融合规则。该库包含Dempster、Yager、Smets/TBM、Dubois–Prade、DSmC、DSmH、PCR5和PCR6规则,并提供pignistic决策支持、数据导入导出以及可选的可视化功能。两个可复现的示例展示了焊缝检查中的冲突管理以及泵故障诊断中具有重叠假设的证据融合。
**背景与动机**
不确定性下的证据融合需要显式表示无知、重叠假设以及信息源之间的冲突。Dempster–Shafer理论(DST)允许将信度质量赋给单一假设,也赋给假设的集合,从而能够建模无知和部分知识。但经典DST基于Shafer模型,要求识别框架中的假设互斥且完备,这在许多实际工程问题中并不成立。Dezert–Smarandache理论(DSmT)作为DST的扩展,允许假设之间存在交集,其中自由DSm模型允许所有交集,混合DSm模型通过模型约束显式禁止特定交集。经典Dempster组合规则对冲突进行归一化处理,可能产生反直觉的结论(如Zadeh反例),因此涌现了Yager、Smets/TBM、Dubois–Prade、DSmH、PCR5和PCR6等多种替代融合规则。然而,现有Python证据理论工具大多集中于经典DST,对DSmT和高冲突融合规则支持不足,且缺乏统一的、可直接比较不同模型与规则的计算框架。研究者每次从头实现会消耗大量时间且易出错,因此亟需一个专用计算工具。
**研究内容与结论**
研究人员开发并发布了evidencelib——一个零运行时依赖的纯Python开源库,在统一API中整合了经典DST、自由DSm模型、混合DSm模型、符号命题代数、信度函数度量以及八种融合规则(Dempster、Yager、Smets/TBM、Dubois–Prade、DSmC、DSmH、PCR5、PCR6),并提供pignistic决策支持、数据导入导出及可视化功能。该库通过两个可复现的示例验证了其实用性:其一为焊缝最终质量检验,决策状态互斥,采用经典DST框架,展示了不同冲突处理策略(保留、归一化、转移、比例再分配)对最终决策的影响;其二为泵故障诊断,故障机制(电气、机械、液压)可能重叠,采用自由DSm模型与混合DSm模型,展示了超幂集生成、符号化交集处理、多源DSmC与DSmH融合、混合约束传播、DSm基数计算、广义pignistic变换及三集合Venn图可视化。结论表明,evidencelib填补了当前Python生态中缺乏统一支持DSmT与高冲突融合规则工具的空白,将模型选择和规则比较转为参数化操作,显著降低了证据理论实际应用与对比研究的门槛。
**关键技术方法**
研究人员采用了模块化软件架构,计算核心基于Python整数位掩码实现,无任何运行时依赖。主要方法包括:(1)Frame组件定义经典DST、自由DSm及混合DSm三种识别框架模型;(2)PropositionParser解析文本命题为Proposition对象,以Venn区域整数集编码支持并集、交集、包含等集合操作;(3)MassFunction提供信度度量、不确定性度量、八种证据融合规则及pignistic变换等操作;(4)Matplotlib可选可视化,实现热图、柱状图、区间图及Venn图输出。所有结果均通过组件级测试和数学不变量测试验证,测试覆盖率不低于90%。
**研究结果**
**Motivation and significance(动机与意义)**:经典DST和DSmT理论为不确定信息融合提供了数学基础,但现有Python工具集中于经典DST,缺乏对自由/混合DSm模型及DSmH、PCR5、PCR6等规则的统一支持,且不同工具在模型范围、融合规则、数据交换和可视化能力上差异显著,缺少一个可在单一环境中便捷比较融合规则的专业库。
**Software description(软件描述)**:软件架构由Frame、Parser、Proposition、MassFunction和可视化五个相互关联的模块组成。Frame支持三种模型框架;Parser实现安全的文本命题解析;Proposition以整数位掩码编码Venn区域,支持高效的集合操作;MassFunction包含四种操作群,即信度度量(mass、belief、plausibility、commonality、conflict、pignistic变换)、不确定性度量(Deng熵、k阶时间分形熵、分形信度熵、信息容量、非特异性和冲突度)、证据融合规则(八种)以及数据导入导出与LaTeX表格输出;可视化功能返回Matplotlib Axes对象,可定制集成。库通过PyPI分发,源代码基于MIT许可公开于GitHub。
**Illustrative examples(示例研究)**:第一个示例为焊缝检查,决策空间为{接受、修复、拒绝},视觉检测与超声检测两个信息源产生高冲突(K=0.455),分别采用Smets/TBM、Dempster、Yager、Dubois–Prade和PCR5五种规则融合,结果显示Dempster与PCR5均指向接受,Yager规则因将冲突转为无知而需要额外检查,说明冲突管理策略即使在最高排名假设不变时也可能改变操作决策。第二个示例为泵故障诊断,自由DSm模型下融合电流、振动及压力流量三个分析源,DSmC规则将冲突保留为复合命题的联合支撑,最大质量落在E∩M上(m=0.2925),广义pignistic变换显示E∩M∩H区域概率为0.425、E∩M区域为0.257,揭示主导的电-机械状态并伴随液压贡献;在混合DSm模型中设定E∩H=?约束后,超幂集由19个命题缩减为13个,DSmH规则将禁止交集的联合支撑转移到相关析取命题,诊断锐化为以E∩M为主导(概率0.521),Deng熵相应从5.8371降至4.5523,量化了结构约束对诊断不确定性的降低。
**Limitations and applicability(局限性与适用性)**:计算复杂度受限于自由DSm模型超幂集的组合增长,完整枚举推荐|Θ|≤5;混合模型需依赖领域知识人工设定不可行约束;Venn图可视化最多支持三个假设;批处理模式不支持增量或流式融合;库不自动从原始测量推导mass函数或估计信源可靠性,这些应用相关建模步骤需用户提前完成。
**Impact(影响)**:evidencelib将假设模型和融合规则选择转化为分析参数,使同一批信源数据可在多种模型和规则下系统评估,支持信念度量、不确定性度量、pignistic分数及排序决策的直接比较。对于重叠假设模型,库同时提供pignistic分数与不相交Venn区域上的概率分布,便于比较两种决策视角。符号命题代数消除了手工集合操作的需要,LaTeX导出功能缩短了从实验到发表的路径。
**Conclusions(结论)**:本文介绍了evidencelib,一个开源Python库,支持信息分析与融合。该库填补了在单一界面内统一提供经典DST、自由DSm模型、约束混合DSm模型、符号命题代数及高冲突融合规则的一致性Python工具的空白,同时提供了证据建模与融合、信度函数度量计算、决策支持及数据可视化功能。库附带全面文档,文中所有示例均可在GitHub仓库中获取,且通过PyPI发布便于安装集成。未来计划扩展自适应融合规则(如ACR、RCR-S、RCR-L和AWCR),以及支持大量信源高效融合的方法(如LNS-CR),并考虑增加可选的NumPy加速后端,核心保持零依赖设计。