基于融合证据理论的畜禽疾病诊断模型

胡继宽，黄 煜，周荣琼

（1.西南大学荣昌校区信息管理系，重庆 荣昌402460；2.西南大学荣昌校区动物医学系，重庆 荣昌402460）

近年来，国内外的许多科研机构在对畜禽疾病诊断领域研究的基础上，借助于计算机智能技术，研制开发了一些诊断专家系统，利用这些专家系统模仿人类专家对畜禽疾病进行综合防治和管理，从而使专家的经验在形式上得到了推广应用，获得了巨大的经济效益和社会效益。

但是在专家系统的应用推广中，暴露出更多的问题［1］：（1）专家知识欠准确。不同的领域专家对同一个问题的知识描述的准确性和一致性欠统一。（2）推理机推理引擎欠佳，诊断流程和诊断算法决定了推理的准确性，选用合适的推理算法，成为畜禽疾病诊断专家系统的关键问题。

目前，畜禽疾病专家系统的诊断主要是基于模型的诊断，对诊断推理模型的研究主要有逻辑判断、概率与统计模型、模糊推理［2］、可信度方法［3］、粗集理论［4］、贝叶 斯 网 络［5］、神 经 网络［6］和 信任函数［7］等。逻辑判断主要采用因果推理，是溯因诊断的基本方法，易于简单疾病诊断，概率与统计方法根据大量的经验进行推理，依靠已有的数据，精确度不高，其他几种方法具有好的推理能力和自学能力，能够适应复杂疾病的诊断，但误诊率还是较高。证据理论凭其能够很好地表示“不确定性”、“未知”等信息，利用其组合规则，适用于多专家、多症状、复杂疾病和并发疾病的诊断，适宜于实际疾病的诊断。本文结合畜禽疾病诊断的领域特点，提出一种基于融合证据理论的畜禽疾病诊断推理模型，并利用C＃编程实现了该推理模型，通过试验评测，验证了其有效性。

1 证据理论及证据融合法则

证据理论首先由 Dempster［7］提出，并由Shafer［8］进一步发展起来的一种不确定推理理论，简称D－S理论。证据理论给定一个有限、互斥、穷举的假设空间Θ，称为识别框架（Frame of Discernment），该框架所有子集构成的集合记为2Θ，每个子集用An表示。它定义了概率分配函数（MASS）、信任函数Bel（A）和似然函数Pl（A），m（A）是 MASS条件下的概率分配函数，表示对A的精确信任，Bel（A）表示对A的信任程度，Pl（A）表示不否定A的信任度，是对A似乎可能成立的不确定性度量。当有两个或多子集情况出现时，满足融合法则：

2 基于证据理论的畜禽疾病诊断系统模型

2.1 基于证据理论的疾病诊断系统模型 畜禽疾病诊断是一个复杂的系统工程，由于不能像人一样确定许多病情征兆，导致诊断错误的概率较高。

在畜禽疾病诊断过程中，对于不能确定的疾病和并发疾病的诊断是根据所观察的症兆来进行判断的，依据融合证据理论，融合多种症兆或多个专家意见进行诊断，将能够有效减少误诊率。本文根据融合证据理论，提出一种融合多征兆的疾病诊断模型，系统模型如图1所示。将不同的症兆特征输入系统，经过证据理论引擎进行融合分析，给出疾病判断的综合信度，最后通过诊断决策给出诊断结果。

图1 基于融合证据理论的动物疾病诊断系统模型

2.2 基于证据理论的畜禽疾病诊断推理分析 设Θ是同一种动物所有不同疾病集合，A是Θ的子集，表示其中一种疾病或多种疾病组合，现用M（i）表示第i条症状，m（i，j）表示症状Mi对疾病集合A的基本概率指派函数，Bel（A）表示判断疾病A的信任度，Pl（A）表示疾病A似乎可能成立的不确定性度量。根据证据融合法则，其诊断推理过程步骤如下［9］：

（1）根据动物疾病的集合，选取和建立相应识别框架Θ，其中各疾病类型是独立的。（2）首先收集患病动物的疾病征兆，包括临床表现和解剖情况。（3）根据疾病征兆分别指派信度函数m（i，j），即给出征兆所对应的是某种或某些疾病组合的最大概率值。（4）利用证据组合法则，根据不同疾病集合的MASS函数值计算不同的Bel（A）和Pl（A）。从而获得信度空间（Bel（A），Pl（A）），即得到疾病 A 的可信度范围。Pl（A）－Bel（A）表示对疾病子集A的未知程度。当Pl（A）＝Bel（A）时，表示对疾病子集A的完全确定。

2.3 疾病诊断决策 对最终疾病诊断的决策，采用基于规则的方法，采用的基本原则包括：（1）判定的疾病类型应具有最大的信度函数分配值。（2）判定的疾病类型和其他疾病类型的信度函数分配值之差要大于某个门限。（3）不确定信度函数值必须小于某个门限。

在该模型中，其推理规则可表示为：If E Then A，CF。

其中，E为支持疾病H的征兆支持，CF为类概率函数，A为Θ的子集。

3 原型实现及试验分析

本文利用C＃编程实现该诊断推理引擎，通过仿真试验表明，该模型能够有效解决畜禽疾病的诊断。下面通过程序仿真进行分析。

本系统通过对畜禽疾病的特征分析，建立了一个症状对应疾病集合的函数表，对假设用户选择了3条症状，根据基本概率指派MASS函数所确定的可信度和症状分配情况如表1所示。

按照D－S算法首先取出数据，进行分组融合计算，在证据融合法则中分别对证据体进行求交运算，并逐步求得证据体的基本可信度分配，如图2所示，M1 M3病应该是d1、d2和d3集合，是一种不易诊断的复合型疾病。

表1 症状基本概率指派函数

图2 基于融合证据理论的诊断结果

4 结语

基于融合证据理论的畜禽疾病诊断推理模型，利用证据融合法则，既能实现确定性疾病的诊断，又能处理复杂疾病和并发疾病的诊断，同时能保证疾病诊断的准确性，通过对155例实际病例进行仿真诊断，其准确率达到96.129%，所以，融合证据理论更符合实际畜禽疾病的诊断，作为畜禽疾病诊断专家系统的推理引擎，必将增强智能诊断系统功能。

［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］陈强，吴平，郑丽敏.基于BP神经网络的水牛疾病诊断系统［J］.计算机工程与设计，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］胡继宽，黄煜，周荣琼.基于融合证据理论的动物疾病诊断模型的研究与实践［J］.西南大学学报：自然科学版，2011，33（06）：161－164.