基于融合證據(jù)理論的畜禽疾病診斷模型

胡繼寬，黃 煜，周榮瓊

（1.西南大學(xué)榮昌校區(qū)信息管理系，重慶 榮昌402460；2.西南大學(xué)榮昌校區(qū)動物醫(yī)學(xué)系，重慶 榮昌402460）

近年來，國內(nèi)外的許多科研機構(gòu)在對畜禽疾病診斷領(lǐng)域研究的基礎(chǔ)上，借助于計算機智能技術(shù)，研制開發(fā)了一些診斷專家系統(tǒng)，利用這些專家系統(tǒng)模仿人類專家對畜禽疾病進行綜合防治和管理，從而使專家的經(jīng)驗在形式上得到了推廣應(yīng)用，獲得了巨大的經(jīng)濟效益和社會效益。

但是在專家系統(tǒng)的應(yīng)用推廣中，暴露出更多的問題［1］：（1）專家知識欠準確。不同的領(lǐng)域?qū)＜覍ν粋€問題的知識描述的準確性和一致性欠統(tǒng)一。（2）推理機推理引擎欠佳，診斷流程和診斷算法決定了推理的準確性，選用合適的推理算法，成為畜禽疾病診斷專家系統(tǒng)的關(guān)鍵問題。

目前，畜禽疾病專家系統(tǒng)的診斷主要是基于模型的診斷，對診斷推理模型的研究主要有邏輯判斷、概率與統(tǒng)計模型、模糊推理［2］、可信度方法［3］、粗集理論［4］、貝葉 斯 網(wǎng) 絡(luò)［5］、神 經(jīng) 網(wǎng)絡(luò)［6］和 信任函數(shù)［7］等。邏輯判斷主要采用因果推理，是溯因診斷的基本方法，易于簡單疾病診斷，概率與統(tǒng)計方法根據(jù)大量的經(jīng)驗進行推理，依靠已有的數(shù)據(jù)，精確度不高，其他幾種方法具有好的推理能力和自學(xué)能力，能夠適應(yīng)復(fù)雜疾病的診斷，但誤診率還是較高。證據(jù)理論憑其能夠很好地表示“不確定性”、“未知”等信息，利用其組合規(guī)則，適用于多專家、多癥狀、復(fù)雜疾病和并發(fā)疾病的診斷，適宜于實際疾病的診斷。本文結(jié)合畜禽疾病診斷的領(lǐng)域特點，提出一種基于融合證據(jù)理論的畜禽疾病診斷推理模型，并利用C＃編程實現(xiàn)了該推理模型，通過試驗評測，驗證了其有效性。

1 證據(jù)理論及證據(jù)融合法則

證據(jù)理論首先由 Dempster［7］提出，并由Shafer［8］進一步發(fā)展起來的一種不確定推理理論，簡稱D－S理論。證據(jù)理論給定一個有限、互斥、窮舉的假設(shè)空間Θ，稱為識別框架（Frame of Discernment），該框架所有子集構(gòu)成的集合記為2Θ，每個子集用An表示。它定義了概率分配函數(shù)（MASS）、信任函數(shù)Bel（A）和似然函數(shù)Pl（A），m（A）是 MASS條件下的概率分配函數(shù)，表示對A的精確信任，Bel（A）表示對A的信任程度，Pl（A）表示不否定A的信任度，是對A似乎可能成立的不確定性度量。當(dāng)有兩個或多子集情況出現(xiàn)時，滿足融合法則：

2 基于證據(jù)理論的畜禽疾病診斷系統(tǒng)模型

2.1 基于證據(jù)理論的疾病診斷系統(tǒng)模型 畜禽疾病診斷是一個復(fù)雜的系統(tǒng)工程，由于不能像人一樣確定許多病情征兆，導(dǎo)致診斷錯誤的概率較高。

在畜禽疾病診斷過程中，對于不能確定的疾病和并發(fā)疾病的診斷是根據(jù)所觀察的癥兆來進行判斷的，依據(jù)融合證據(jù)理論，融合多種癥兆或多個專家意見進行診斷，將能夠有效減少誤診率。本文根據(jù)融合證據(jù)理論，提出一種融合多征兆的疾病診斷模型，系統(tǒng)模型如圖1所示。將不同的癥兆特征輸入系統(tǒng)，經(jīng)過證據(jù)理論引擎進行融合分析，給出疾病判斷的綜合信度，最后通過診斷決策給出診斷結(jié)果。

圖1 基于融合證據(jù)理論的動物疾病診斷系統(tǒng)模型

2.2 基于證據(jù)理論的畜禽疾病診斷推理分析 設(shè)Θ是同一種動物所有不同疾病集合，A是Θ的子集，表示其中一種疾病或多種疾病組合，現(xiàn)用M（i）表示第i條癥狀，m（i，j）表示癥狀Mi對疾病集合A的基本概率指派函數(shù)，Bel（A）表示判斷疾病A的信任度，Pl（A）表示疾病A似乎可能成立的不確定性度量。根據(jù)證據(jù)融合法則，其診斷推理過程步驟如下［9］：

（1）根據(jù)動物疾病的集合，選取和建立相應(yīng)識別框架Θ，其中各疾病類型是獨立的。（2）首先收集患病動物的疾病征兆，包括臨床表現(xiàn)和解剖情況。（3）根據(jù)疾病征兆分別指派信度函數(shù)m（i，j），即給出征兆所對應(yīng)的是某種或某些疾病組合的最大概率值。（4）利用證據(jù)組合法則，根據(jù)不同疾病集合的MASS函數(shù)值計算不同的Bel（A）和Pl（A）。從而獲得信度空間（Bel（A），Pl（A）），即得到疾病 A 的可信度范圍。Pl（A）－Bel（A）表示對疾病子集A的未知程度。當(dāng)Pl（A）＝Bel（A）時，表示對疾病子集A的完全確定。

2.3 疾病診斷決策 對最終疾病診斷的決策，采用基于規(guī)則的方法，采用的基本原則包括：（1）判定的疾病類型應(yīng)具有最大的信度函數(shù)分配值。（2）判定的疾病類型和其他疾病類型的信度函數(shù)分配值之差要大于某個門限。（3）不確定信度函數(shù)值必須小于某個門限。

在該模型中，其推理規(guī)則可表示為：If E Then A，CF。

其中，E為支持疾病H的征兆支持，CF為類概率函數(shù)，A為Θ的子集。

3 原型實現(xiàn)及試驗分析

本文利用C＃編程實現(xiàn)該診斷推理引擎，通過仿真試驗表明，該模型能夠有效解決畜禽疾病的診斷。下面通過程序仿真進行分析。

本系統(tǒng)通過對畜禽疾病的特征分析，建立了一個癥狀對應(yīng)疾病集合的函數(shù)表，對假設(shè)用戶選擇了3條癥狀，根據(jù)基本概率指派MASS函數(shù)所確定的可信度和癥狀分配情況如表1所示。

按照D－S算法首先取出數(shù)據(jù)，進行分組融合計算，在證據(jù)融合法則中分別對證據(jù)體進行求交運算，并逐步求得證據(jù)體的基本可信度分配，如圖2所示，M1 M3病應(yīng)該是d1、d2和d3集合，是一種不易診斷的復(fù)合型疾病。

表1 癥狀基本概率指派函數(shù)

圖2 基于融合證據(jù)理論的診斷結(jié)果

4 結(jié)語

基于融合證據(jù)理論的畜禽疾病診斷推理模型，利用證據(jù)融合法則，既能實現(xiàn)確定性疾病的診斷，又能處理復(fù)雜疾病和并發(fā)疾病的診斷，同時能保證疾病診斷的準確性，通過對155例實際病例進行仿真診斷，其準確率達到96.129%，所以，融合證據(jù)理論更符合實際畜禽疾病的診斷，作為畜禽疾病診斷專家系統(tǒng)的推理引擎，必將增強智能診斷系統(tǒng)功能。

［1］Peter J F Lucas.Model－based diagnosis in medicine［J］.Artificial Intelligence in Medicine，1997（10）：201－208.

［2］Zadeh L A.The role of fuzzy logic in the management of uncertainty in expert systems［J］.Fuzzy Sets and Systems，1983（11）：199－227.

［3］Shortliffe E H.Computer－based Medical Consultations：MYCIN［M］.New York：Elsevier，1976.

［4］Reggia J A，Nau D S，Wang Y.Diagnostic expert systems based on a set covering model［J］.Znt J Man Mach Studies，1983（19）：437－460.

［5］Andersen S K，Olesen K G，Jensen F V，etal.A shell for building Bayesian belief universes for expert systems［C］.Proceedings of the Eleventh International Joint Conference on Artificial Intelligence，1989：1080－1085.

［6］陳強，吳平，鄭麗敏.基于BP神經(jīng)網(wǎng)絡(luò)的水牛疾病診斷系統(tǒng)［J］.計算機工程與設(shè)計，2008，29（3）：1485－1488.

［7］Dempster A P.Upper and lower probabilities induced by a multi－valued mapping［J］.Annals of Mathematical Statistics.1967（38）：325－339.

［8］SHAFER G A.Mathematical theory of evidence［M］.Princeton N J：Princeton University Press，1976.

［9］胡繼寬，黃煜，周榮瓊.基于融合證據(jù)理論的動物疾病診斷模型的研究與實踐［J］.西南大學(xué)學(xué)報：自然科學(xué)版，2011，33（06）：161－164.