实体异构性下证据链融合推理的多属性群决策

第41卷第4期自动化学报Vol.41,No.4 2015年4月ACTA AUTOMATICA SINICA April,2015

实体异构性下证据链融合推理的多属性群决策

沈江1余海燕1徐曼2

摘要针对多属性群决策中可解释性证据融合推理的实体异构性问题,给出了一个实体异构性下证据链融合推理的多属性群决策方法.基于证据推理理论,引入证据链关联的概念,从多数据表提供的数据矩阵中获取可区分的近邻证据集,推导了各数据表的相似度矩阵,并构建半正定矩阵的二次优化模型,共享群决策专家的经验知识.使用Dempster正交规则,论证了异构实体之间可解释性推理中可信度融合的合理性,并使用证据融合规则集成各个数据表的近邻证据中获得的可信度,验证了调和多源异构数据中不一致信息的有效性.通过具有实体异构性的心脏病多决策数据诊断实例说明了方法的可行性与合理性.关键词实体异构性,证据链关联,相似度矩阵,融合推理,群体智慧

引用格式沈江,余海燕,徐曼.实体异构性下证据链融合推理的多属性群决策.自动化学报,2015,41(4):832?842

DOI10.16383/j.aas.2015.c140650

Heterogeneous Evidence Chains Based Fusion Reasoning for

Multi-attribute Group Decision Making

SHEN Jiang1YU Hai-Yan1XU Man2

Abstract In multi-attribute group decision making,the heterogeneity of entities causes a lot di?culties for the inter-pretable evidence fusion reasoning process,thus a novel heterogeneous evidential chains based fusion reasoning(Hefur) method is proposed for multi-attribute group decision making.Based on the theory of evidential reasoning,the concept of evidential chain association is introduced to obtain the nearest neighbor set of distinct evidences from the data matrix of multiple decision tables.Similarity matrices are derived from data tables,and positive semi-de?nite matrix quadratic optimization model is built to share,sharing the experience knowledge of the group decision-making https://www.wendangku.net/doc/354719275.html,ing the Dempster’s quadrature rule,the rationality of the belief integrating is veri?ed in the interpretable reasoning process with heterogeneous entities,and the combined belief is obtained from nearest neighbor evidences for each data table using the evidence fusion rules.Moreover,the validity is veri?ed for dealing with the harmonic information inconsistence of the multi-heterogeneous data sources.Numerical experiments on the heart disease diagnosis with entity heterogeneity illustrate the feasibility and rationality of the proposed method.

Key words Entity heterogeneity,evidential chain association,similarity matrix,fusion reasoning,wisdom of crowds Citation Shen Jiang,Yu Hai-Yan,Xu Man.Heterogeneous evidence chains based fusion reasoning for multi-attribute group decision making.Acta Automatica Sinica,2015,41(4):832?842

数据异构性是影响多属性群决策的可解释性推理性能的关键,广泛存在于工程实践和管理中.例如,同一组织机构的不同部门之间,不同的组织机构或合作伙伴之间,共享和交换各自收集、存储的异

收稿日期2014-09-09录用日期2014-12-12

Manuscript received September9,2014;accepted December12, 2014

国家自然科学基金(71171143,71201087,71271122),天津市科技支撑计划重点项目(13ZCZDSF01900),中央高校基本科研业务费专项资金资助项目(NKZXB1458)资助

Supported by National Natural Science Foundation of China (71171143,71201087,71271122),Key Project of Science and Technology Supporting Program in Tianjin(13ZCZDSF01900), and Fundamental Research Funds for the Central Universities (NKZXB1458)

本文责任编委王红卫

Recommended by Associate Editor WANG Hong-Wei

1.天津大学管理与经济学部天津300072

2.南开大学工业工程系天津300457

1.College of Management and Economics,Tianjin Univer-sity,Tianjin300072

2.Department of Industrial Engineering, Nankai University,Tianjin300457构数据,特别是企业兼并重组后,需要进行数据集成或信息融合.又如,在医疗决策中,美国麻省理工学院(Massachusetts Institute of Technology,MIT)等基于Web的复杂生理信号和生物医学信号研究资源平台,提供多参数重症监护室的临床决策数据库[1],各个决策数据中异构性数据表分享了大量专家的经验知识.这些数据源自不同的关系数据库、不同水平的专家经验知识、多传感器感知数据集等,数据实体因不同的特征属性和关系而具有异构性(又称异质性).目前数据异构性问题的研究已经成为多属性群决策分析领域中的热点[2?3].

随着多传感器感知信息积累,大数据的分块存储和处理,以及新出现的案例和决策规则知识日益增长,决策者所面临异构性数据处理工作日趋复杂,大多数传统的异构数据推理方法假设输入的数据集从单个数据表中获得,没有考虑数据的实体异构性问题,而实际决策时往往需要从多个关系数据库获

4期沈江等:实体异构性下证据链融合推理的多属性群决策833

取推理的相关知识,并且一个实体在数据库中可能会因首次出现或完全匹配的结果不存在[4],而依据单个数据源推理的类别结果未考虑到从不同数据集中推理收集的多种证据的群体智慧[5].实际需要根据多个相似实体之间的共享信息积累证据进行决策.与将单个数据集作为决策信息源的推理问题相比,对多数据表中异构实体数据推理问题更加复杂.首先,每个信息源提供的决策数据表可靠性、证据参考价值不同,这些数据集中的异构性实体对查询案例的关联作用也不同,需要在推理结果中体现各个关联信息源的可信度;其次,多决策数据表特别是大数据分块推理[6?7]中,需要构建一个异构数据源的融合推理方法,按照一定的融合规则综合决策推论的输出,解决各信息表对推理结果存在的不一致性,使得其性能优于依据大多数单数据表的推理结果.因此,研究多源信息异构性实体决策信息中的融合推理问题具有挑战性和实际价值.

针对多属性群决策中异构性数据融合推理,本文所关注的两个要点为:1)依据从关系型数据库的异构数据中提取的决策相关属性,识别各个异构性实体与哪些证据关联程度最紧密,其推论更为可信.并将这一识别模式用于推导新的测试数据集,而这些测试数据集的标识暂不可知,或因难以获取,或仅能在决策之后才能获得;2)融合多个数据集所得到的推理证据,获取推论的可信度分布,消除多数据表提供的证据信息对查询案例推论存在的不一致性,以提供更加精确的方案.

针对多属性群决策中异构性数据融合推理的相关研究主要有两类.1)研究的是全域数据融合推理方法.关系型数据库中相关的多数据表包含部分决策属性,将这些数据表分别推理.在涵盖所有实体的数据中,寻求与查询案例同类别且相似性高的实体,并将其作为证据信息;而那些与查询案例不同类别的实体被推理出相似性低,再将所有数据表提供的证据进行推论融合.典型的方法包括回归模型推理方法及其改进方法,文献[8]研究了多源异构关系数据库中构建基于决策树的规则推理方法,通过回归模型选择信息增益最大的属性和跨数据库链接,实现关联数据表的分类推理.文献[9]针对数据库中不同数据表的属性和关联模式,通过属性内隐知识的依赖关系,传播类别标识,但需要拓展数据库中不含有类别标识的数据表,在其最末一列增加预测的类别标识,进而对各个推理结果进行融合.文献[10]提出多准则排序融合的证据组合方法,以选择性融合的方式,获取最终的组合结果.文献[11]提出证据冲突衡量标准下的Dempster-Shafer(D-S)改进算法,改善了处理证据冲突方面的性能.2)相近的研究是局域数据融合推理方法,将关系数据库中包含多种属性集合的各个数据表融合,形成全部决策属性组成的决策数据集,接着在融合数据集中寻求与查询案例的近邻证据信息,在近邻证据局域内使得与查询案例同类别的近邻证据相似性高,同时使得与查询案例不同类别的近邻证据的相似性低,进而在从各个数据集筛选出的所有近邻证据系列中,融合近邻证据提供的推论信息.典型的方法包括基于案例和规则的融合机制[11?13]、基于相似度的频率加权[12?13]、距离矩阵学习[14]等方法.文献[15]提出专家数据库系统中融合案例数据和关联规则的推理方法,使用笛卡尔积构建联合模式关系,将包含部分决策属性的多数据表合并,得到涵盖决策相关的全部属性的融合数据表,使用案例实体构建规则的前件和结论,并将不相关的案例属性移除,以联合模式关系和条件模式关系作为融合推理的策略.文献[16?18]使用基于信念规则库的推理方法,通过估计规则激活权重、信息源权重等参数,降低了诊断状态转移过程中的不确定性.文献[19]提出了一个证据推理的规则,使用权值和可靠度对加权可信度分布进行扩展,以使用D-S理论中的可信度分布对多条独立的证据进行融合推理.文献[20]对异构数据源在模式级和案例级进行识别,对模式级的关系(规则)和属性(案例)进行相似度匹配,进而用分类的方法对实体进行匹配,增强了对模式元素关系进行评估的迭代响应能力.文献[21]从融合空间的角度使用案例和规则知识构建决策属性酉矩阵,并基于奇异值分解法明确辨识数据源与查询案例之间的知识关联性,实现推理结论可信度融合.文献[22]提出了一种同时考虑证据自冲突和外部冲突的相似性测度,结合ISODATA聚类方法,利用新测度对证据源进行可信度更新.文献[23]提出结合弱点关联性的概念,提出了一种基于证据推理网络的实时网络入侵取证方法,获取的证据链完整可信且具备实时推理的能力.为挖掘大数据集的关联性[24],进行实体相似性推理,因将数据集融合成一个全域数据矩阵的方法具有一定的局限性,针对传感器感知、分块存储的大规模决策数据的特点,本文提出的方法属于局域数据融合推理方法.

虽然这些相关的局域数据融合推理方法为解决实体异构性的多属性群决策提供了一些思路,但也存在一些进一步完善之处:异构性实体之间的相似性评估方面,文献[12]研究了将真实的实体在不同的数据库中使用了不同标识符的情形,并提出了基于概率决策损失优化的实体匹配方法,辨识多个数据库中的实体是否属于同一个.文献[14]针对多个专家数据表,研究了相似度评价中的综合距离矩阵并进行分类推理.文献[25]将相似性加权的频率和先验概率结合得到后验概率,对部分相似实体的推理预测.文献[26]针对一个客观实体在不同的数据库中记录不同时,使用概率分布从这些可能值集合

834自动化学报41卷

中选择最好的值,并指出这些概率能对给定的决策

问题最小化错误推理损失.证据融合的参数确定方

面,文献[14]使用基于专家知识的距离测度学习推

理实体之间的特征相似性,提出综合距离集成方法,

将从每个数据矩阵中获得可区分的近邻信息及单个

优化的距离矩阵,并构建基于加权参数融合各个距

离矩阵的优化问题,求解全域一致性的权重矩阵,其

特点是共享多个数据矩阵的推理结论而不共享隐性

的证据数据.类似的数据源权重处理比较经典的方

法是基于民主投票的方式,通过大多数的决策规则

推理预测出决策类别标识,其使用的条件是各个信

息源(如决策者提供的案例)权重是一致的.此外,

相关的方法还包括使用互信息的特征选择方法[27],

估计信息源的属性权重,将各关联数据表融合后可

以消除冗余性,提升推理效率.可见,在多属性群决

策的局域数据融合推理中,针对一个数据表的异构

性实体在多个其他数据表中并行匹配研究方面还不

深,本文给出一个实体异构性下证据链融合推理的

多属性群决策方法.从多个决策数据表的异构数据

中获得可区分的近邻证据集合,通过相似度矩阵进

行优化推理,并使用证据融合规则实现来自各个数

据表的推理结论融合.通过可解释性的融合推理方

法,提升异构实体下多属性群决策的信息共享能力

及决策鲁棒性.

1问题描述

1.1大规模数据集知识表示

多源异构信息融合过程,L个决策方如专家个

体或群体、分布式环境下大数据集等,各提供一个信

息源,如案例数据库和决策数据表等.信息源的序数

用变量l表示,1≤l≤L.所有数据所形成的数据

集合用m维数据空间D m表示,D m∈∪m≥1E m,其

中,m为数据空间的维度,m≥1.第l个信息源的

特征量用矩阵D l∈E m表示,它包含n l个实体.任

务有关的决策对象的物理特征使用集合C表示,在

分类决策中作为类别变量,C={C r|r=1,···,K},

其中,r为决策类别的序数,K为类别状态总数.每

个信息源由一系列证据链构成.令(C,R)为命题空

间,其中可信度域R是一个建立在决策事件可能集

合C上的布尔代数.推理中的实体信息来源于所提

供的数据集,并使用证据链知识表示.证据系列EC

作为决策者在某时刻提供的证据链集合.第l个信

息源中的第i条证据链R l

i

表示为

R l

i :If{X l

ij

is x l

ij

|j=1,2,···,m}

Then{(C l

ir

is c l

ir

,βl

ir

)|r=1,···,K}

(1)

其中,x l

ij

为第j个前件属性X l

ij

的取值,x l

ij

∈D l;

c l

ir

是其第r个类别属性C l

ir

的取值,c l

ir

∈C;βl

ir

为推论c l

ir

的可信度,βl

ir

∈R.

这些多源异构信息中的证据链主要包括两类:

1)决策者经验案例的历史决策数据积累,以及根据

环境变化进行必要修正的数据;2)决策者所拥有的

领域知识,如决策规则或构造的虚拟案例,以及关系

数据库的属性和关联模式等.在数据融合领域的跟

踪问题中,证据链为可能的航迹;在医疗诊断问题

中,证据链为医生推理决策的证据网链结构;在基于

案例和规则的融合推理中,证据链为案例序列和规

则集合.

对于查询案例集合,所包含的特征信息用矩阵

X表示,X∈E m.若X中包含Q个实体,每

个实体信息使用向量x表示,则X=[x q]Q q=1=

[x qj]Q,m

q=1,j=1

.其中,q为实体信息的序数.常见的查

询案例包括:传递到融合中心的多源传感器感知数

据、在线查询问题的数据属性值、大数据分块处理

中需要推理的数据块等.以远程诊断为例,查询案例

为状态监测、体征检查等中感知数据的特征量.

针对查询案例,用涵盖L个信息源的多数据表

进行推导,寻找最近邻的证据链集合,然后融合这些

证据链获得推理结论.多源决策异构数据中,实体异

构性作为一种特殊情形,推理检索到的实体可能是

不一致的.实际决策工作,如医疗诊断中同一实体

为患者信息,而其诊断状态数据或诊断信息数量有

限[28],所以更需要根据异构实体之间的共享信息进

行诊断决策.又因医师诊断水平具有异构性,意味着

不同医师对同一诊断工作具有不同的诊断水平,等

同于从不同数据库中搜到索的多个案例或在同一数

据库中搜索出的多个相关案例,它们所构成的证据

序列具有不同的可信度.实际中的决策不是将关联

尺度最大的那个单一实体的结论信息直接赋予查询

案例,决策者更加倾向于将关联证据所选择出来的

实体信息进行融合推理,进而得出查询案例的结论

分布特征.

1.2可信度函数及D-S信息融合方法

定义1.设Θ为一有限集,Θ中的元素是互

斥的,Λ?Θ.在Θ的幂集上定义一基本信度

分配函数m(·):2U→[0,1]满足:m(?)=0,

Λ?U

m(Λ)=1,其中,?表示空集.

对于Λ?Θ,有m(Λ)>0,则Λ成为m的焦

点元素或核元素,而称Core=∪m(Λ)>0Λ为m的

核.基本信度分配函数是专家给出的一种评价,是凭

经验给出的一种主观判断,m(Λ)表示在当前证据下

对假设成立的一种信任程度.

定义2.对于Λ?Θ,在Θ的幂集上,有可信

度函数β(Λ)=

{m(B)|B?Λ,B=?},简记为

4期沈江等:实体异构性下证据链融合推理的多属性群决策835

β(Λ).

可信度函数是一个从可信度域映射到一个封闭实数区间的函数,它关于包含关系单调,下极限在?上可达.在可信度域的元素上,决策者关于证据链的可信度可以根据可信度函数进行量化.

定理1[29].假设m 1和m 2为在同一识别框架C 下不同信息源的两个基本信度分配函数,根据Dempster 正交规则可得:

1)m (?)=0;

2)m (A )=1

1?Γ

B ∩

C =A m 1(B )m 2(C ).其中,Γ表示证据源中冲突相关的基本概率分布,

Γ=

B ∩

C =?m 1(B )m 2(C )>0.

2实体异构性下的多源证据链融合推理

为充分利用多数据源中的知识,发挥决策中群

体智慧的价值,从各个数据集中,通过证据链关联获取对查询案例数据集X 最为紧密的证据系列.使用这些数据提供的共享信息,利用其关于查询案例的推论可信度,通过证据融合规则实现对证据系列的融合推理,获取查询案例的推论及其可信度分布.

2.1异构性实体相似关联

在单个数据表中的相似推理基础上,引入证据

链关联的概念,将多个数据表之间的实体数据关联起来,如X 与D 1的关联(简记为X ?D 1)、X 与D 2的关联(简记为X ?D 2)等,并在各个数据表中寻求查询案例的相似证据系列.

定义3.给定数据集X 、数据集D l 和整数k ,查询案例x q ∈X .将在D l 中获取关于x q 的k 最近邻证据系列的推理过程称为证据链关联,记为kNN (x q ,D l ).

给定 l i ∈D l , S

l

∈kNN (x q ,D l ),并且 l i ∈D l ?kNN (x q ,D l ),证据链关联的相似性测度满足:

s l qi (x q , l i )≤s l qi (x q , l

i )

(2)

其中,s l qi (·)和s l

qi (·)为相似性测度.

将X 中的所有元素x q 与D l 中的k 个最近邻实体进行关联推理,则X 与D l 的证据链关联记为X ∝kNN D l ,简记为X ∝D l .形式为

X ∝D l =

(x q , l i

) ?x q

∈X,? l

i ∈kNN (x q ,D l )

根据定义3,k NN 关联算子是非对称的,如X ∝D l =D l ∝X ,且X ∝D l 是X ×D l 的一个子集.给定k ≤|D l |,|X ∝D l |的基数是k ×|X |.

关于定义3中的相似性测度,在证据链关联中常使用关联尺度,实现查询案例x q 和各个数据源D l 中实体之间的多维属性变量关联.关联尺度是一

个量化测量知识组合紧密性的矩阵.常用的关联尺度包括相关系数、距离尺度、关联系数或者概率相似度.

将关联矩阵记为Ξ,Ξ=[s l qi ]Q ×n l ,其中的元素

s l qi (x q , l

i ):R m ×R m →R ++,s l qi 是查询案例x q 与数据源D l 中的第i 实体的相似性度量.这个相似性尺度是异构数据组合(x q , l i )相近程度在数量上的度量.在知识库中关联度量有多种方法,针对X ∝D l ,这里使用指数型相似度:

s l qi (·)=exp

?

m j =1

w j (x l i ?x q )

2

=

exp

?(x l i ?x q )T W (x l

i

?x q ) (3)

其中,x q 和x l i 分别表示x q 和 l

i 的观测值向量,W 为对称半正定矩阵,W ∈E m ×m .

对于融合推理决策信息的使用,还需要将证据链中符号型标识的定性推论与其数值型的可信度分布建立逻辑关系.这里引入可信度序关系,用以使用具有一致性的可信度函数进行多属性群决策的融合推理.将多源信息获取的各个局域证据进行融合,获得一个全域的推论.针对各个信息源,利用其中与查询案例关联最紧密的信息进行共享.

定义4[30].命题空间(C ,R )中存在可信度函数β,?c r 1,c r 2∈C ,其对应的可信度分别为βr 1和βr 2.可信度序关系 满足:

c r 1 c r 2?βr 1>βr 2

(4)

因此,在多源异构性实体信息的决策环境中可将定性的类别辨识问题转化定量的可信度推理.在D l

中任意证据链R l i 推论的βl

ir (r =1,2)与另一证

据链R l i r 的类别标识的βl

i r 的可信度序关系一致,

则满足:当βl i,r =1>βl i,r =2,则βl i ,r =1>βl

i ,r =2;当βl i,r =1≤βl i,r =2,则βl i ,r =1≤βl i ,r =2.

定义5.在X ∝D l 中,将D l 中与x q 具有一

致可信度序关系的|N l

o (i )|?最近邻集称为同构近邻,

记为N l

o (i ).在X ∝D l 中,将D l 中与x q 不具有一

致可信度序关系的|N l

e (i )|?最近邻集称为异构近邻,

记为N l

e (i ).

可见,同构近邻是具有一致的类别标识的证据系列;异构近邻是具有不一致的类别标识的证据系列.

对于查询案例,给定0?1决策变量δl

qi ,对于

s l qi ,当x l i ∈{N l o (i ),N l e (i )},δl qi =1;否则,δl

qi =0.使用同构近邻和异构近邻所形成的两个子集的信息矩阵,构建实体异构性多源数据集的证据链融合推

836自动化学报41卷理模型(Hefur):

βl q (r)=

i=1,2,···,n l

s l

qi

·δl

qi

·βl

ir

i=1,2,···,n l

s

qi

,r=1,2(5)

其中,s l

qi 为相似性测度,βl

ir

为对应的证据链的先验

可信度.s l

qi

中的参数将在第2.2节中进行优化学习.

2.2证据链融合推理参数优化学习

在同构近邻N l

o (i)和异构近邻N l

e

(i)的子集中,

使用式(3),推导出的相似度分别为

s l qi (o)=exp(?(x l

i

?x q

i

)T W(x l

i

?x q

i

))(6)

s l qi (e)=exp(?(x l

i

?x q

i

)T W(x l

i

?x q

i

))(7)

其中,x l

i ∈N l

o

(i),x l

i

∈N l

e

(i).

推理辨识框架为

J l=

Q

q=1

(ln s l

qi

(e)?ln s l

qi

(o))(8)

这使得同构实体的数据关系紧密而异构实体的数据关系疏远.

因为W∈E m×m为对称半正定矩阵,因此采用不完全Cholesky分解因式分解:

W=ww T(9)

其中,w为一个下三角矩阵,w T为w的转置矩阵.

则J l可以转化为

J l=tr(w T(S l

qi (e)?S l

qi

(o))w)(10)

其中,tr(·)为矩阵的迹;S l

qi

(e)为异构测度

矩阵,S l

qi (e)=

Q

q=1

(?(x l

i

?x q

i

)(x l

i

?x q

i

)T),

x l i ∈N l

o

(i);S l

qi

(o)为同构测度矩阵,S l

qi

(o)=

Q

q=1(?(x l

i

?x q

i

)(x l

i

?x q

i

)T),x l

i

∈N l

o

(i).

因此,对Hefur模型中的参数进行学习优化:

max w J l=tr(w T(S l

qi

(e)?S l

qi

(o))w)

s.t.w T w=I

(11)

其中,(S l

qi (e)?S l

qi

(o))为S l

qi

(e)与S l

qi

(o)所构成

的判别矩阵.目标函数反映了能使得决策分类标识能力最大化,这一推理模型尽可能使得查询案例的最近邻同类实例关联紧密,异构实体疏远.正交性约束w T w=I意味着w为数据源信息相关联的方差阵,对信息源矩阵中的特征信息进行选择和加权,消除冗余性信息.在查询案例的结论推理过程中, X=D l,但当训练学习参数时,X=D l,形成监督学习.因此,这一基于指数型相似度的参数学习问题转化为二次优化问题.

在各个数据集中,参数优化学习过程意味着提炼各专家经验的隐性知识.与单个数据表的推理相区别的是,对多数据表中异构性实体之间的相似度推理,分别完成这些优化学习过程,并得出参数的局域解;而不需要一次性学习优化得出参数的全域解.这避免了将所有的这些数据表进行整合,因为实际决策如大数据分布式数据表、群决策的各个数据表中分块的数据映射、融合更加有效.

2.3多数据集中证据链融合

多源异构群决策因数据集的实体异构性,查询案例依据单个最相似的证据链得出的推理结果解释能力有限,或因受到决策者决策水平、数据的非平衡性等因素影响,各个数据集在证据链融合推理中会存在不一致或冲突的情形,所以有必要针对各个数据集的推理结果进行可信度融合.通过多个决策数据集共同提供证据来积累推论可信度,利用各个数据表多个近邻的优选证据链提供的共享信息,以增强推理过程的解释能力.为将L个数据集D1,D2,···,D L(L≥2)的推理结果有效集成,提出多证据链可信度融合定理,将各个数据集中的kNN(x q,D1)、kNN(x q,D2)等进行融合.

定理2.在(C,R)上,对于二元分类决策, C={C r|r=1,2}.βl

i

(C i

r

)是第l个决策方数据表提供的近邻证据系列的局域融合可信度,

βl

i

(C i

r

)∈{βl

i,1

,βl

i,2

}.对于查询案例x q,在多决策数据集中的全域可信度融合规则为

βq(C q

r

)=

1

1?Γ

∩L

l=1

C i

r

=C q r

L

l=1

βl

i

(C i

r

)

(12)其中,Γ=

∩L

l=1

C i

r

=?

(

L

l=1

βl

i

(C i

r

)).

证明.βl

i

(C i

r

)是第l个决策方数据表提供的近邻证据系列的局域融合可信度,由式(4)知,

βl

q

(r)=(

i

s l

qi

·δl

qi

·βl

ir

)/

i

s l

qi

,r=1,2.当

x l

i

∈{N l

o

(i),N l

e

(i)}时,δl

qi

=1.因为二元分类决策C={C k|k=1,2},则幂集2C={?,{C1}, {C2},{C1,C2}}.根据证据融合理论,基本可信度分布使用映射函数m(·)→[0,1]表示,并且满足的性质包括:m(A)≥0,A∈2C;m(?)= 0;

A∈2C

m(A)=1.又因可信度函数β(A)=

A∈2C,C i?A

m(C i).对于二元分类决策,如果融合决策信息完备,则m({C1,C2})=0;β({C k})= m({C k}),且

k=1,2

β({C k})=

A∈2C

m(A)=1.因此,对于β({C k}),适用于Dempster融合公式的条件,使用定理1,可推导出式(12).

特别地,给定所有数据库的集合D?∈∪m≥1E m,第l个决策方数据特征矩阵D l∈E m,对于L个决策方的信息源,当L=2时,证据链可

4期沈江等:实体异构性下证据链融合推理的多属性群决策837信度融合规则为

βq(C q

r )=

1

1?Γ

∩2

r=1

C i

r

=C q r

(β1

i

(C i

r

)·β2

i

(C i

r

))(13)

其中,Γ=

∩2

l=1

C i

r

=?

(β1

i

(C i

r

)·β2

i

(C i

r

)).

因此,本方法对案例特征的融合推理过程使用了其他信息源中紧邻证据系列的共享信息,不再提供单一的点估计,而是以候选证据链信度为依据,为群决策问题提供决策序列.决策方推理的结论是概率分布集合,增强了推理结论的可解释能力.

3模型稳定性分析与求解步骤

3.1稳定性分析

定理 3.给定目标函数J l=tr(w T(S l

qi

(e)?

S l qi (o))w)的最优解为W?=[w?

1

,···,w?

m

],条件为

w T w=I,其中,S l

qi (e)∈E m×m和S l

qi

(o)∈E m×m

分别为从决策方l中获取的关于查询案例x q的同构相似度矩阵和异构相似度矩阵.给定判别

矩阵(S l

qi (e)?S l

qi

(o))∈E m×m,其特征值σl

1

>

σl 2>···>σl

m

,则W?=[w?

1

,···,w?

m

]为对应的

满足正交变换的特征向量,且max tr(w T(S l

qi

(e)?

S l qi (o))w)=

k

i=1

σl

i

(k≤m),其中,σl

i

为判别矩

阵的特征值.

证明.定义第l决策方的同构邻接矩阵w o

l

∈

E n l×n l和异构邻接矩阵w e

l

∈E n l×n l的(i,j)元素分别为

w o

l (i,j)=

1,x q

i

adj x l

j

,x l

i

∈l

o

(i)

0,x q

i

nadj x l

j

,x l

i

∈l

e

(i)

w e

l (i,j)=

1,x q

i

adj x l

j

,x l

i

∈l

e

(i)

0,x q

i

nadj x l

j

,x l

i

∈l

e

(i)

其中,n l为第l决策方的数据集的实体数量.在各个训练数据库中分别计算W.

设G o

l =diag{

j

w o

l

(1,j),···,

j

w o

l

(n,j)}

是n×n对角同构邻接矩阵,其在对角线上的第i个元素等于w o

l

的第i行的总和.则定义第l决策方的

同构拉普拉斯算子为L o

l =G o

l

?W o

l

,L o

l

∈E n l×n l.

类似地,定义异构拉普拉斯算子为L e

l =G e

l

?W e

l

,

L e

l

∈E n l×n l.因此目标函数式(11)可写成

tr(w T(S l

qi (e)?S l

qi

(o))w)=

tr(w T X(L o

l ?L e

l

)X T w)=

k i=1w T

i

X l L o

l

?L e

l

X l T w i=

k i=1w T

i

X l L l X l T w i

其中,L l是差分拉普拉斯矩阵,X l为第l决策方的

实体集合.因此,

max tr(w T(S l

qi

(e)?S l

qi

(o))w)=

k

i=1

σi

定理3论证了在判别矩阵稳定性条件下,通过

优化模型式(11)可求解得出融合推理的参数矩阵

w.w经正交变换处理后得到W?.其计算复杂度在

最坏的情形下达O(m3).在推理中所选择的近邻证

据链比较稀疏,在同一条件下可采用简化的近似估

算过程,以降低计算的复杂度.通过计算判别矩阵的

主特征值σl

1

相应的主特征向量,并正规化特征向量

w?

1

,将其分量w j作为对应元素的权值.权值中接近

于零的m?k个分量所对应的属性数据视为冗余信

息,在推理过程中不予计算,其他的k个属性数据构

成融合推理的优化特征集,这些特征权值对应的分

量构成向量w k.

因此,相似度矩阵的特征值使得优化模型具有

稳定性,证据可信度的凸组合通过多个数据集的级

联,推导出来的可信度不会在这些数据集单独推导

出的可信度的连接区间之外.优化参数能够使得集

成的推论可信度对类别辨识能力更强,推理过程利

用了决策的群体智慧,使得融合推理模型对于未标

识类别的查询案例具有决策鲁棒性.

3.2基于MapReduce的推理过程

针对查询案例序列,在各个数据集中启发式检

索与当前情形最相似的证据链集.MapReduce技

术框架作为面向大数据分析和处理的并行计算模型,

采用元数据集中管理、数据块分散存储的模式[31].

本方法基于MapReduce的框架进行融合推理.利

用所提出的模型,通过查询案例序列信息与已有数

据集的证据链关联,形成融合推理步骤.

步骤1.Map阶段证据链映射,输入键值对(证

据编码,证据链信息向量).针对查询案例中的每一

个实体x q∈X,映射函数map(·)对从一个数据

表X到另一个数据表D l中的每一个实体R l

i

∈D l

赋予一个键.进而将大规模的数据集划分为L个

数据块,依据这个键将D?划分成不相交子集,如

D?=∪1≤l≤L D l.对异构信息提取特征属性,对于不

同类型的数据,使用离散化、符号属性数值化、归一

化等方法处理.

输出键值对(数据表编码,(证据编码,证据链信

息向量)).

步骤2.分块信息传递过程中,针对X中的实

体x q,不使用任何的修剪规则,X的整个集合都被

发送到每个融合器中,以与D l中数据进行相似度推

理.

在数据重新组合(Shu?ing)中,每个D l被传

递到一个融合器中.因此D l中的实体将被复制和

838自动化学报41卷

传递到多个融合器中.

步骤3.Reduce(融合)阶段,输入键值对(数

据表编码,证据链信息向量).

针对查询案例,融合机将传递来的证据信息执

行k NN关联.X∝D?=X∝∪1≤l≤L D l.

结合优化特征集及权值w k,使用指数型相似度

式(3)对查询案例与证据链属性进行关联匹配并获

取s l

qi

.

在每个数据库中,精炼证据链集合,并使用使用

式(4)计算出βl

ik

.

推理机l(l=1,···,L):使用证据链R l

i

进行

关联推理,i=1,···,n l,得到:

temp(l)

i

=kNN(x i,D l)

βl q (r)=

i

s l

qi

·δl

qi

·βl

ir

i

s l

qi

输出键值对(查询编码,(kNN(x i,D l),βl

q

(r)).步骤4.推论信息分享,将D l中关于x i的

|N l

o (i)|+|N l

e

(i)|个最近邻实体传递到同一个融合

器,并将它们赋予x i同样的键.

融合kNN(x i,D l),使用定理2的式(12),计算融合可信度值βq(C q

r

),并更新结论信息

(C q

r ,βq(C q

r

)).

通过信息融合推理的逆变换过程分享证据链.

数据重新组合的复杂度为|D?|+L·|X|.

如果证据链所提供的方案在过去是成功的,则直接使用这一证据链所对应的方案,并可根据当前的状况做适当的调整;如果没有检索到历史证据链,则根据专家经验或领域知识规则给出一个当前的方案,并记录该方案的决策结果,将其记录入案.输入的案例序列如果矩阵,则经证据链关联后,将优化的结论分享与每个输入案例,并与领域知识(或专家)得出的病理结论比对,检验模型性能.新的案例或规则,可固化知识形成新的关联证据链,以多次利用证据数据提升决策价值.

4应用实例分析

决策数据集为从大规模的医疗电子病历(EHRs)、传感器感知信息以及专家对样本做类别标识的经验知识等信息源中截取的分块数据.这些多源异构决策信息源的数据集覆盖一系列代表单个实体(如医疗患者)的事件.为讨论患者的病情存在诊断和治疗的难题,医疗专家组从不同科室调来大量的拥有丰富经验知识专家进行决策,这些专家拥有相当于一个独立数据集的知识库.使用本文方法进行临床决策支持,通过具有实体异构性的相似病案信息共享,进行融合推理决策,并在具有不同数量的同构实体和异构实体的决策数据表上,对相关方法及推理结果进行性能比较.

4.1实验平台和决策数据集

实验的操作系统是Ubuntu10.04,数据库管理系统是PostgreSQL8.4.8,处理器配置为Intel Core2P8400(2.93GHz,2G).考虑到大规模数据的分布式数据库推理融合问题,实验数据使用UC Irvine决策数据库[32]中的Heart(Cleveland)数据集D1和Heart(Hungarian)数据集D2作为群决策训练数据集,Heart(Long Beach VA)作为测试集.使用的数据集信息表,如表1所示.

表1实验使用的UCI数据集信息表

Table1Experimental information of the UCI data sets 多源数据数据属性数类别标识类分布D1Heart(Cleveland)13Present;Absent164/139 D2Heart(Hungarian)13Present;Absent188/106 X Heart(Long Beach VA)13？51/149

这些决策数据集来自于不同的信息源(关联数据库),它们通过匹配方式与特定患者关联并完成时间对准.将包含患者的识别信息(姓名、医疗病历编号)的波形数据文件、生理数据记录(以案例ID为索引)与相应的临床信息记录匹配.

在Heart(Cleveland)数据集中,303个连续的病人案例所记录的实体均龄54岁,68%为男性,心脏病的患者比例为54.13%.在Heart(Hungarian)数据集中,294个连续的病案所记录的实体中,心脏病的患者比例为63.95%.数据集信息包括所有患者病历和生理检查、静息心电图和化验记录等多源异构数据.这些数据集的获取所使用的多源传感器包括静脉压检测仪、血清蛋白测量仪、血糖测量仪、心率测试仪和心电监护仪等,其心脏病数据记录有多个特征属性,包括患者的心电图、脉搏波、血压、呼吸波、液晶屏上起搏操作同步记录、药物种类、给药剂量等76种特征.不同属性特征在心脏病急救决策中发挥的作用不同,其中一些属性特征对知识推理具有重要作用,本文使用常用于诊断推理的13个特征.样本空间中每个样本有一个由专家根据经验或医疗领域知识给出的类别标识,即这些数据集被分离为四种类型的心脏病和没有心脏病,按二元分类将CHD划分为Present和Absent,分别记为C1和C2.

这些关系数据融合过程经过2个阶段:1)将来自检测仪(传感器)生成的数据记录中的姓名和医疗记录编号(可获得的准确记录过的)与系统中的临床数据记录的对应部分相匹配;2)包括从测试数据集,

4期沈江等:实体异构性下证据链融合推理的多属性群决策839

如在线监测的检测数据中的生理趋势信息与临床信息系统中的监护人员检验过的生命体征信息相匹配,寻找最近邻的证据支持.经过数据库融合过程,实现了患者的多源异构数据集中管理,供异构性数据的进一步融合推理.

4.2预处理与诊断推理

数据预处理过程中,对于训练集中的6个缺失数据被丢弃,27个争议数据被修改.对逻辑布尔型属性和描述型属性进行符号化处理,将所有属性的各种取值映射为符号,对于描述型属性,根据取值区间分别映射,如将属性Cp的取值typi-cal angina、atypical angina、non-anginal pain和asymptomatic分别映射为1、2、3和4.使用这一数据集中的190个和100个样本分别作为训练集和测试集.

使用前文中参数学习优化方法及定理3,通过计算判别矩阵的主特征向量并正规化,将其分量作为对应元素的权值.对Heart(Cleveland)数据集,获取的优化特征集为{Age,Sex,Cp,BP,restECG,T halach,Exang, Slope,T hal},这9个特征对应的w k中的分量分别为[0.0743,0.0105,0.2342,0.0111,0.0352, 0.1030,0.1577,0.1437,0.2303].对Heart(Hun-garian)数据集,获取的优化特征集中这9个特征对应的w k中的分量分别为[0.1735,0.0588,0.0588, 0.1471,0.0588,0.2353,0.0912,0.1176,0.0589].

在数据集D1中,以其中一个案例数据为例.实体信息如下:Age年龄(Y ear)为57,性别为男,胸痛类型(Cp)为2(atypical angina),血压(Sys-tolic Blood Pressure,BP)为124mmHg;安静时的心电图结果(Restecg)为0(normal);最高心率(T halach)为141;是否运动导致心绞痛(Exang)为0(no);峰值ST倾斜角度(Slope)为1(向上倾斜)和心跳情况(T hal)为7(可逆缺陷).将这一多源异构信息源获取数据转化为证据链,为

R1

1

:If Age is57∧Sex is1∧Cp is2∧

BP is124∧restECG is0∧

T halach is141∧Exang is0∧

Slope is1∧T hal is7

Then(CHD is P resent,βi

1

=100%),

(CHD is Absent,βi

2

=0%)

证据链所表示的传感器感知的信息或电子病历的体征变量,常按照心脏病诊断临床路径获取.

类似地,对于数据集D2,将其多源异构信息源获取的一个证据链实例为

R2

1

:If Age is41∧Sex is2∧Cp is1∧

BP is128∧restECG is2∧

T halach is137∧Exang is1∧

Slope is2∧T hal is4

Then(CHD is P resent,βi

1

=0%),

(CHD is Absent,βi

2

=100%)

使用Key和Value表示多源数据表的关联Map Out表和使用D-S规则推导的测试案例的融合结果

Reduce Output表输出的字段和取值,如表2和表3所示.

表2中,查询案例在数据表D1中得出|N l

o

(i)|+

|N l

e

(i)|=3时的近邻证据链为EC列的EC1、EC4

和EC52,所对应的δl

qi

都取值为1,识别各个异构性实体相关联的最可靠的证据集合.进而使用式(4)计算出近邻证据链对查询案例的相似度分别81.47%、85.07%和68.37%.依据数据表训练数据

的类别标记,当样本取值为Present时,将βi

1

和βi

2分别赋值为100%和0;当样本取值为Absent时,将βi

1

和βi

2

分别赋值为0和100%.

类似地,可得出这一查询案例在数据表D2中的近邻证据链、相似度和各个可信度.

表2多源数据表的关联Map Out表

Table2Map Out table associated with multi-datasets Key Value

LineID Dataset ECδl

qi

s(%)βi

1

(%)βi

2

(%)

1D1EC1δ1

1,1

=181.471000 2D1EC4δ1,4=185.070100

3D1EC52δ1,5=168.370100

4D2EC2δ2,1=190.831000

5D2EC41δ2,4=182.561000

6D2EC67δ2,6=178.570100

..

.

..

.

..

.

..

.

..

.

..

.

..

.

表3测试案例的Reduce Output结果表

Table3Reduce Output result table of the testing cases Key Value

D Nearest ECsβi

1

(%)βi

2

(%)

D1δ1

1,1

=1,δ1,4=1,δ1,52=171.2028.80

D2δ1

1,2

=1,δ2,41=1;δ2,67=1;68.8131.19

..

.

..

.

..

.

..

.

表3中,依据从关系型数据表获取的近邻异构

证据链集合,通过式(4)计算出各个数据表的集成

840自动化学报41卷

可信度,如查询案例从数据集D 1中获得的集成可信度分别为71.2%和28.8%,并将这些可信度分布用于进一步计算多数据表的融合信度.针对查询案例在D 1和D 2中分别得出的可信度,使用定理2的融

合规则,得出D 1∨D 2的融合信度为:βi

1=84.51%;βi 2=15.49%.

4.3实验结果

使用Hefur 模型求解,计算测试数据集中的查询案例1(X 1∈X )在不同的同构实体和异构实体下的融合信度,如图1所示.针对查询案例集合X ,使用本方法在单个数据集下的推理准确度D 1(He-fur)与D 2(Hefur),以及本方法Hefur 与Comdi 方法[14]在多个测试数据集(D =D 1∨D 2)下的推理准确度,结果比较如图2所示

.

图1对测试数据集中查询案例X 1推理出的融合可信度Fig.1

Combing belief of the case X 1from the testing

data with the reasoning method

图1中x 和y 轴分别表示样本数据的同构近邻

证据和异构近邻证据的数量|N l o (i )|和|N l

e (i )|;z 轴

表示数据的融合可信度βi

1.在训练集D 1和D 2的

优化过程中|N l o

(i )|=|N l

o (i )|时,查询案例的推论可信度取最大值.且随着|N l

o (i )|的增加,查询案例

的可信度在一定范围内增加,而随着|N l

e (i )|的增加,查询案例的可信度在一定范围内降低.在针对查询案例,根据其信度和类别逆向推理,可在证据链关联矩阵中查询中最相关的证据链集合,并将对应的信息分享给诊断决策用户.

图2中横轴表示使用的测试数据集及对应的方法,即D 1(Hefur)、D 2(Hefur)、D (Hefur)和D (Comdi),纵轴表示方法的准确度.准确度[21]为Acc =(T P +T A )/(T P +T A +F P +F A ),其中,TP 、FN 表示为查询案例的实际类别C 1分别被推

理为C 1和C 2的样本数;FP 、

TN 分别表示查询案例实际类别为C 2而分别被推理为C 1和C 2的样本数.

图2中的结果表明了查询案例从训练集中分别获取3个最近邻证据链时,在不同数据集或不同方法下得到的推理准确度.从比较结果可以看出,D (Hefur)的准确度均值为89.05%,比D 1(Hefur)的准确度均值84.27%和D 2(Hefur)的82.69%更高,并且其方差也更小,即D (Hefur)的总体性能更好.这是因为所提出的方法在数据集上实现了更大规模的决策信息共享.D 1(Hefur)的准确度均值比D 2(Hefur)的性能更好,是因为后者的数据非均衡性(188/106)比前者的数据非均衡性(164/139)更高.同时,D (Hefur)在准确度均值比Comdi 方法在同一规模的数据集上的准确度均值87.84%更高,并且方差也更小,这是因为所提出的方法通过多数据集的融合规则获得了推理的近邻证据集及其可信度分布,消除了多数据表提供的证据信息对查询案例推论可能存在的不一致性而提供了更加准确的方案

.

图2所提出方法在多决策表下的推理准确度比较Fig.2

Accuracy comparison of the reasoning methods on

multiple decision datasets

从决策信息结构来看,文献[14]所提出Comdi 方法使用多个决策信息源的全域数据,通过相似度评价获得综合距离矩阵,以距离最近邻的局域数据作为推理证据对查询案例进行判别分类.与此相区别的是,本文所提出的Hefur 方法针对多数据源中各决策方提供的局域数据,使用相似度矩阵对分块数据的决策参数进行优选学习,实现查询案例在多数据表中的并行匹配和证据融合,并以可信度序关系作为定性分析到定量判别分类依据,因此提升了可解释性推理的准确性和鲁棒性.

5结论

异构数据融合特别是在大数据或分布式存储等新兴的群决策数据处理中,日益成为工程实践和管

4期沈江等:实体异构性下证据链融合推理的多属性群决策841

理中多属性群决策的焦点问题.由于单个决策者或单个数据库的知识有限性,需要对多数据表信息进行异构数据融合.然而,现有的多个关系数据库的融合主要集中在数据表的同质性合并及融合推理上,对群决策下多数据表中的异构性实体数据的相似性推理研究不深,因此本文提出了实体异构性下的证据链融合推理多属性群决策方法.与采用单数据表的信息源融合推理方法相比,本方法针对查询案例在各个数据表中相似匹配的异构性实体数据,分享多源决策的近邻证据链,进而各数据表提供的可信度信息,而不需要构建大规模数据的稀疏矩阵(如Comdi方法中的综合距离矩阵[14],基于频率相似度加权的概率方法中的联合数据矩阵[13]).另外,该方法最大限度的考虑到了多数据表之间的异构性:1)各个数据表中的实体异构性通过求解基于相似度矩阵的二次优化求解特征值,获得了最佳的属性权重,使得与查询案例的同构近邻和异构近邻快速获得.

2)针对多数据表之间可能存在的证据可信度不一致性,使用证据融合规则将各个数据表的结论进行融合,其可解释性的融合推理过程提升了异构实体数据之间的信息共享能力.对于异构数据的多源信息融合推理,时空异构环境下信息融合推理动态过程,包括证据链前件的推导、部分信息下的动态推理等,作为进一步的研究方向.另外,对应于多数据表中各证据链类别的可信度的精确获取,也可作为后续研究的内容.

References

1Scott D,Lee J,Silva I,Park S,Moody G,Celi L,Mark R

G.Accessing the public MIMIC-II intensive care relational

database for clinical research.BMC Medical Informatics and Decision Making,2013,13:9

2Scott M,Boardman R P,Reed P A,Cox S J.Managing het-erogeneous https://www.wendangku.net/doc/354719275.html,rmation Systems,2014,44:34?53

3Ho?mann S,Fischbeck P,Krupnick A,McWilliams M.Elic-itation from Large,Heterogeneous expert panels:using multiple uncertainty measures to characterize information quality for decision analysis.Decision Analysis,2007,4(2): 91?109

4Krishnan R,Li X P,Steier D,Zhao L.On heterogeneous database retrieval:a cognitively guided https://www.wendangku.net/doc/354719275.html,rma-tion Systems Research,2001,12(3):286?301

5Baron J,Mellers B A,Tetlock P E,Stone E,Ungar L.Two reasons to make aggregated probability forecasts more ex-treme.Decision Analysis,2014,11(2):133?145

6O Leary D E.Arti?cial intelligence and big data.IEEE In-telligent Systems,2013,28(2):96?99

7Fan J Q,Han F,Liu H.Challenges of big data analysis.

National Science Review,2014,12(1):293?314

8Mehenni T,Moussaoui A.Data mining from multi-ple heterogeneous relational databases using decision tree classi?cation.Pattern Recognition Letters,2012,33(13): 1768?1775

9Manjunath G,Narasimha Murty M,Sitaram https://www.wendangku.net/doc/354719275.html,bin-ing heterogeneous classi?ers for relational databases.Pat-tern Recognition,2013,46(1):317?324

10Yang Yi,Han De-Qiang,Han Chong-Zhao.Evidence com-bination based on multi-criteria rank-level fusion.Acta Au-tomatica Sinica,2012,38(5):823?831

(杨艺,韩德强,韩崇昭.基于多准则排序融合的证据组合方法.自动化学报,2012,38(5):823?831)

11Hu Chang-Hua,Si Xiao-Sheng,Zhou Zhi-Jie,Wang Peng.

An improved D-S algorithm under the new measure criteria of evidence con?ict.Acta Electronica Sinica,2009,37(7): 1578?1583

(胡昌华,司小胜,周志杰,王鹏.新的证据冲突衡量标准下的D-S 改进算法.电子学报,2009,37(7):1578?1583)

12Dey D,Sarkar S,De P.A probabilistic decision model for entity matching in heterogeneous databases.Management Science,1998,44(10):1379?1395

13Billot A,Gilboa I,Schmeidler D,Samet D.Probabilities as similarity-weighted frequencies.Econometrica,2005,73(4): 1125?1136

14Wang F,Sun J,Ebadollahi https://www.wendangku.net/doc/354719275.html,posite distance metric in-tegration by leveraging multiple experts inputs and its ap-plication in patient similarity assessment.Statistical Anal-ysis and Data Mining,2012,5(1):54?69

15Segev A,Zhao J L.Rule management in expert database systems.Management Science,1994,40(6):685?707

16Yang J B,Liu J,Wang J,Sii H,Wang H.Belief rule-base inference methodology using the evidential reasoning approach-RIMER.IEEE Transactions on Systems,Man, and Cybernetics,Part A:Systems and Humans,2006,36(2): 266?285

17Wang J Q,Zhang H Y.Multicriteria decision-making ap-proach based on atanassov s intuitionistic fuzzy sets with incomplete certain information on weights.IEEE Transac-tions on Fuzzy Systems,2013,21(3):510?515

18Wang J Q,Nie R R,Zhang H Y,Chen X H.Intuitionistic fuzzy multi-criteria decision-making method based on ev-idential reasoning.Applied Soft Computing,2013,13(4): 1823?1831

19Yang J B,Xu D L.Evidential reasoning rule for evidence combination.Arti?cial Intelligence,2013,205:1?29

20Zhao H,Ram https://www.wendangku.net/doc/354719275.html,bining schema and instance infor-mation for integrating heterogeneous data sources.Data& Knowledge Engineering,2007,61(2):281?303

21Xu M,Yu H Y,Shen J.New algorithm for CBR-RBR fu-sion with robust thresholds.Chinese Journal of Mechanical Engineering,2012,25(6):1255?1263

842自动化学报41卷

22Li Xin-De,Wang Feng-Yu.A method of evidence reasoning based on the ISODATA clustering and improved similarity Measure,Acta Automatica Sinica,2015,41(3):575?590 (李新德,王丰羽.一种基于ISODATA聚类和改进相似度的证据推理方法,自动化学报,2015,41(3):575?590)

23Tian Zhi-Hong,Yu Xiang-Zhan,Zhang Hong-Li,Fang Bin-Xing.A real-time network intrusion forensics method based on evidence reasoning network.Chinese Journal of Comput-ers,2014,37(5):1184?1194

(田志宏,余翔湛,张宏莉,方滨兴.基于证据推理网络的实时网络入侵取证方法.计算机学报,2014,37(5):1184?1194)

24Reshef D N,Reshef Y A,Finucane H K,Grossman S R, McVean G,Turnbaugh P J,Lander E S,Mitzenmacher M, Sabeti P C.Detecting novel associations in large data sets.

Science,2011,334(6062):1518?1524

25Bordley R https://www.wendangku.net/doc/354719275.html,ing Bayes rule to update an event s prob-abilities based on the outcomes of partially similar events.

Decision Analysis,2011,8(2):117?127

26Jiang Z R,Sarkar S,De P,Dey D.A framework for recon-ciling attribute values from multiple data sources.Manage-ment Science,2007,53(12):1946?1963

27Xu M,Yu H-Y,Shen J.New approach to eliminate struc-tural redundancy in case resource pools using alpha mutual information.Journal of Systems Engineering and Electron-ics,2013,24(4):625?633

28Yang Jin-Feng,Yu Qiu-Bin,Guan Yi,Jiang Zhi-Peng.An overview of research on electronic medical record oriented named entity recognition and entity relation extraction.

Acta Automatica Sinica,2014,40(8):1537?1562

(杨锦锋,于秋滨,关毅,蒋志鹏.电子病历命名实体识别和实体关系抽取研究综述.自动化学报,2014,40(8):1537?1562)

29Basir O,Yuan X H.Engine fault diagnosis based on multi-sensor information fusion using Dempster-Shafer evidence https://www.wendangku.net/doc/354719275.html,rmation Fusion,2007,8(4):379?386

30Wong S K M,Lingras P.Representation of qualitative user preference by quantitative belief functions.IEEE Trans-actions on Knowledge and Data Engineering,1994,6(1): 72?78

31Xue Yong-Jian,Ni Zhi-Wei.Research of large scale manifold learning based on MapReduce.Systems Engineering Theory

&Practice,2014,34(S1):151?157

(薛永坚,倪志伟.基于MapReduce的大规模数据集流形学习降维研究.系统工程理论实践,2014,34(S1):151?157)

32Asuncion A,Newman D.UCI machine learning repository.

[Online],available:https://www.wendangku.net/doc/354719275.html,/mlearn/ML Repository.html,October28,2010

沈江天津大学管理与经济学部教授.

主要研究方向为信息融合,多传感器数

据获取和群决策.

E-mail:motoshen@https://www.wendangku.net/doc/354719275.html,

(SHEN Jiang Professor at the Col-

lege of Management and Economics,

Tianjin University.His research in-

terest covers information fusion,multi-sensor data acquisition,and group decision-making.)

余海燕天津大学管理与经济学部博士

研究生.2009年获得南京邮电大学经济

与管理学院学士学位.主要研究方向为

证据推理,医疗数据挖掘和基于相似推

理.E-mail:yhy188@https://www.wendangku.net/doc/354719275.html,

(YU Hai-Yan Ph.D.candidate at

the College of Management and Eco-

nomics,Tianjin University.He received his bachelor degree from Nanjing University of Posts and Telecommunications in2009.His research interest covers evidential reasoning,medical data mining,and similarity-based reasoning.)

徐曼南开大学工业工程系讲师,2011

年获得天津大学博士学位.主要研究方

向为基于规则推理,信息融合和医疗诊

断决策.本文通信作者.

E-mail:twinklexu@https://www.wendangku.net/doc/354719275.html,

(XU Man Lecturer in the Depart-

ment of Industrial Engineering,Nankai

University.She received her Ph.D.de-gree from Tianjin University in2011.Her research interest covers rule-based reasoning,information fusion,and medi-cal diagnosis decision.Corresponding author of this paper.)

关联性规则——外国证据规则系列之二

关联性规则——外国证据规则系列之二 证据规则渊源于英国普通法，十七、十八世纪后，以两种途径传播到世界各地。其途径之一是，伴随着在世界范围内的殖民扩张，英国开始在其殖民地强制推行包括证据法在内的英国法律制度，逐渐形成了一个以继受普通法为特征的英美法系。现在，在英美法系国家里，基本上沿袭了普通法上的证据规则，一些国家甚至根据本国的需要对证据规则进行较大的发展，如美国通过宪法判例确立了非法证据排除规则。其二是，基于完善本国刑事诉讼制度的需要，欧洲大陆的一些国家主动吸收、借鉴英国法的一些合理做法，也开始确立了一定数量的证据规则。经过数世纪的发展，证据规则已经超出了某一个特定国家，并在一定程度上形成了一些为多数国家所共认的证据规则。 在我国证据规则体系的建设中，西方国家尤其是英美法系国家的一般作法具有较大的借鉴价值。因为“这些规则的基本内容不仅反映对抗制诉讼的要求，也体现了发现客观真实的一般规律”。结合我国建立、健全证据规则的立法需求，本文以下将对西方国家普遍认同的一些主要证据规则予以介绍。由于英美法系国家规范证据能力的证据规则历史悠久、形式完备，在具体论述时，将主要以英美法系国家为主，同时兼及大陆法系国家。 相关性规则，又称关联性规则，是英美法系的一项基础性证据规则。美国学者格雷厄姆。C.雷丽认为，“证据的相关性，是融汇于证据规则中带有根本性和一贯性的原则。……由于相关性这一涵义适用于所有所举出的证据，因此，也渗透于庭审的全部过程。所有具备可采性的证据必须先与要证事实具有相关性，至少当对方举证就证据的相关性质疑时，必须首先证实其具有相关性。”相关性规则的基础性地位体现于以下两个方面：第一，相关性规则涉及的是特定证据材料与待证事实之间的关系，而不是该证据的存在形式。因此，相关性规则适用于任何形式的证据资料，在适用范围上具有广泛性。第二，相关性是具有证据资格的基础条件。尽管具有相关性的证据并不必然具有证据资格（或曰可采性），但是，没有相关性的证据却必然不具证据资格。 理解相关性规则的关键在于正确地认识何谓“相关性”。在英美法国家，由于相关性问题属于法官负责的事项，判例很少关心相关性的语义界定。事实上，学者一般是在日常语义上使用该术语的。在判例中，相关性被理解为“被提出的证据对于被证明的事实具有‘逻辑上的可能性（Logically Probative）’，或者说，就此目的而言具有‘逻辑上的相关性’（Logically relevant）”。“有关

证据推理与模型认知

证据推理与模型认知 “证据推理与模型认知”是化学学科学习乃至科学研究中要求学习者思想上需要建立的一个强大武器。“宏观辨识与微观探析”是学科特点决定的对学习基本的要求。“变化观念与平衡思想”是对学习者思想观念上的一种更深入的要求。“证据推理与模型认知”是对学习者进入更高级层次，提升研究性学习能力以及独立思考、独立分析问题能力的一种素养要求。 首先谈谈对“证据推理”的理解。“证据”就是要求学生具有获取证据、筛选证据的能力。先说证据的来源，学生获取证据来源可以是课本、课外书籍、网络资料、实验数据等等形式。获取证据后，还要具有要筛选证据的能力。尽量选择比较权威的证据，证据如果有冲突需要进一步分析比对择取其中较可靠的数据。有些证据是正面证明的，同时注意也有些数据是证伪的，找寻逆向证伪的证据也是一个好的思路。有了证据还要建立观点与证据之间的逻辑关联以进行推理。一种方法是证据正向支持观点，此时最好多方证据从不同角度佐证观点。另一种方法是逆向驳斥观点，这种证伪的方法往往很具杀伤力，但基于化学的学科特点证伪并非意味着观点完全错误。例如，我们说浓度越大反应越快这一观点。并不能因为某些极个别的反应完全推翻这一结论，这一点是化学科比较独特的一个特点。很多观点或结论往往不能放之四海皆准。只要能解决大部分问题，能解释说明绝大部分现象就不错了。通过正向、逆向多方证据的反复推理论证我们即可了解一

个观点或理论的内涵与外延以及适用范围。 接下来谈谈模型认知问题。模型含义是模式、样式的意思。分为实物模型和思想模型等类型。实物模型在化学上主要是用于分子结构、晶体结构等知识的认知与理解。因为此类微观的化学知识具有看不见、摸不着及其抽象的特点，借助于实物模型（3d计算机模型也可归入此类，实际上实物模型的虚拟化）可以更好地理解、认识相关知识。所以在此类教学中利用好实物模型，或教师制作精良的计算机3d模型、动画就非常有价值。思想模型是指解决问题的一种思维方式，包括概念原理模型、数学模型、复合模型等类型。模型认知对学生来讲是至关重要的，是建立学科理论框架的重要工作。教学中应该下大力气解决一些最基本的模型的认知与建立。模型认知教学主要包括以下几步：①模型初步认识，解决模型是什么的问题；②模型建立的证据，解决模型为什么的问题；③模型的运用，是理论联系实际，解决模型有啥用的问题；④模型的评价与重构，模型在运用过程中不可避免的会出现一些不适用的情况（尤其是化学学科），通过模型评价找出模型适用条件重构模型的内涵外延，甚至发展处高级的新模型。模型认知教学对于学生形成科学、完善的学科理论至关重要。所以教学中要下大力气解决。

随机性决策的应用

第六章随机性决策的应用 (The Application of Probabilistic Decision-making) Murphy’s law: ?事物比其表面所显示的要复杂得多 ?做任何事情要比预料化更长时间和更大代价 ?无论干什么事, 只要可能出错就一定会出错 Callahan’s corollary : Murphy is an optimist. §6.1 常用的决策模型 一、理性模型假定决策人的行为合乎理性 提出并阐明问题→收集数据→列举方案→方案评价→选择→实施 二、经济合理模型 尽可能在经济方面使用理性模型,OR、C—B分析… 三、逐步改变模型现实世界中大部分决策者采用这种模型 慢慢来，循序渐进，保守。怀疑人类大幅度改造未来的能力，认为优化是空 想，能够比较满意就不错了。 四、序贯决策模型(摸石头过河) 用于情况不明，意见不一致的场合 首先同时选用几种方法试试，等收集了更多的信息，了解新情况后再作进一 步的决策 五、超理性模型 根据直觉、灵感、智慧、宗教、信仰、领袖的号召力、忠诚、意志、预见等

制订决策，不管合理与否 六、剧烈改变模型 新旧系统的更替,尤其是政权的更迭 七、无为模型(老庄的无为无不为) 不做任何决策，有意识地决定什么事也不做 虽然并非所有的决策人都能明确表达自己的决策模型, 但是在实际作决策时有意无意地采用着这些模型中的某一种. §6.2 几种与决策过程有关的结构模型 一、Y、C、Ho 二、《思考、计算、决策》

1.信息要及时更新 2.分类识别，与以往经历过的模式对照 3.方法的积累，采用典型，标准方案或设计新方案。 4.对所有方案进行评价，概率效用的设定，计算期望效用。 5.对评估结果作判断 三、Howard的模型 见<系统思想> pp85-150, 四川人民出版社, 1986 四、西蒙关于决策的模型 ·情极阶段 ·设计活动阶段 ·抉择 决策分析的实施步骤见(P86，图6.1) 五、几点说明 1.好的决策=好的结果

民事诉讼案件中诉讼证据的关联性

民事诉讼案件中诉讼证据的关联性.doc 民事诉讼案件中诉讼证据的关联性 民事诉讼证据，是指在民事诉讼中用以查明和认定案件事实的根据;凡是能够证明案件真实情况的材料，都属于证据。证据是诉讼制度的核心。在民事诉讼中，诉讼证据对案件的正确审理起着至关重要的作用。以事实为根据，以法律为准绳，是我国法律适用的基本原则。正如英国学者朱克曼教授所指出的，公正的判决是将正确的法律适用于真实的事实。诉讼证据是法院查明和认定案情的根据;只有准确查明案情，才能正确适用法律。当事人诉讼目的是否能够实现，主要依赖于其举证是否充分。不论是原告提起诉讼，被告答辩或提出反诉，还是双方当事人进行辩论，都必须提供相关证据证明自己的主张，否则将承担不利的诉讼结果。在民事诉讼中，当事人一般负有举证责任，法院应当依照法定程序审查核实证据。所有的证据材料都必须经过法庭辩论，查证属实后，才能作为法院判决的基础。 1999年，红叶公司向该市某建设银行支行借款200万元用于设备更新，借款期限为1年。红叶公司逾期未能偿还借款，该建设银行支行提起诉讼，要求红叶公司偿还本金和利息并且要求红叶公司支付相应的罚息。在诉讼中，该建设银行支行提供了借款合同书等证据，红叶公司亦承认借款200万元未偿还的事实。但是，红叶公司反对支付相应的罚息，其理由是之所以未能按时偿还借款，是因为其他公司拖欠本公司货款未能及时偿还，导致本公司暂时丧失偿还银行借款的能力。同时，红叶公司多次向银行说明了上述情况。为此，红叶公司向银行提供了证明其他公司拖欠其货款的书面材料以及该公司向该建设银行支行所发的说明情况的传真的复印件。但是，法院最终未采纳这些证据，仍然判令红叶公司在偿还本金和利息的同时，要支付相应的罚息。 本案中涉及的重要问题就是红叶公司是否应当支付相应的罚息，而这又涉及到红叶公司所提供的证据是否可以采纳。根据有关实体法的规定，红叶公司逾期未偿还借款，自然应当支付逾期偿还期间的罚息，这样对建设银行支行来说才公平合理。红叶公司若要达到不支付罚息的目的，就必须提供相应的法律上的理由，比如双方当事人在订立借款合同时曾经特别约定，当红叶公司因暂时丧失清偿能力而不能按时清偿借款时，建设银行支行可以免收罚息，或者红叶公司逾期未能偿还借款，是由于建设银行支行的过错导致的等等。 从表面上来看，红叶公司所提供的其他公司拖欠其货款的书面材料，似乎也证明了红叶公司没有能够按时清偿建设银行支行借款的原因。但是，在本案中，这只能被看作是事实上的说明，不具有法律上的效力。该证据证明的事实至多只能达到引起原告同情心的作用，不能对本案的最终判决产生任何的影响。因为本案的诉讼标的是红叶公司和建设银行支行之间的借款合同纠纷，而红叶公司所提供的书面材料能够证明的事实是红叶公司与第三人之间的法律关系，该法律关系

确定型决策、不确定型决策、风险型决策的比较分析

确定型决策、不确定型决策、风险型决策的比较分析 叶伟 内容摘要：决策按照状态空间分类，可分为确定型决策、不确定型决策和风险型决策三类。 本文就这三种决策的基本概念、使用原则、适用范围和优缺点等几个方面进行了综合的比较 分析。 关键词：确定型决策不确定型决策风险型决策 Abstract:According to the state space, the decision-making may be divided into decision making under certainty , decision making under uncertainty and decision making under risk. This article has carried on the comparative analysis of their basic concept, their use principle, their applicable scope and their good and bad points and so on. Keywords:Decision-making under certainty Decision-making under uncertainty Decision-making under risk 1．引言 决策是理性人普遍从事的一种活动，也是极为重要的制胜手段。它的核心是，对未来活 动的多个目标及用途做出合理的选择，以寻求最满意的行动方案。决策具有以下特点：①面 对新问题和新任务做出科学决定，属于创造性的管理活动；②必须对实际行为有直接的指导 作用；③具有多因素、多目标、不要确定性与方案的多样性，以及决策影响的时效性和一次 性。 现代决策理论的主要特点在于，以概率和数理统计为基础，以统计判定理论和高等数 学为工具，广泛地收集和处理信号，考虑人的心理和外在环境、市场等应变因素，知道人们 把各类工程技术因素与经济效益统一起来做定量分析，并以电子计算机为辅助手段，研究决 策的性质和规律、模型与方法，以寻求整体的最优解或满意解。因此，决策具有目的性、信 息性、经济性和实践性四大基本水泥感。而应变性是最高层次的属性。 关于决策系统的目标、准则和属性的概念，国内外学者有大量的论述，又不尽相同。 下表给出了三者的对比。 目标、准则和属性概念 非程序化决策；从所涉及和影响的范围看，它分为战略、战役和战术决策；从问题描述的性 质看，它分为定量决策和定性决策；从目标数量和属性的多少看，它分为单目标、多目标决 策和单属性、多属性决策；从决策问题的考虑方式看，它分为动态决策和静态决策；从参与 决策人数多少看，它分为群决策和单一决策；本问研究的是从状态空间分类的确定型、不确

第三讲 证据的相关性和可采性

第三讲证据的相关性和可采性学时：2学时 一、教学目标 要求学生掌握证据的相关性基础理论，掌握相关性排除规则的内容及原因，理解品格证据排除的规则的适用。掌握证据的可采性，理解证据可采性和证明力的关系。 二、重点与难点 教学重点是证据相关性的概念及相关规则；教学难点是品格证据规则。 三、教学方法：讲授式 四、思考题、讨论题、作业 1、证据可以被采信的最低要求有哪些？ 2、如何理解“相关性是作为大浪淘沙，犹如磐石岿然而始终不动的证据属性” 3、为什么要有相关性限制 4、品格证据有相关性吗？有哪些规则？ 5、什么是证据的可采性？什么是证明力？其关系怎样？ 五、参考资料 1、乔恩R华尔兹，刑事证据大全，中国政法大学出版社1993年版。 2、高忠智：美国证据法新解-相关性证据及其排除规则，法律出版社2004年版。 3、黄士元、吴丹红：品格证据规则研究，国家检察官学院学报2002(8)。 一、证据的属性之争 （一）传统的证据属性说 1、传统三性说――客观性、关联性、合法性 2、传统二性说――客观性、关联性 3、新二性说――关联性、合法性 （二）证据属性新说 1、证明力与证据能力 2、采用标准说 3、证据要求说 4、证据可采性说 二、证据采纳标准――相关性、可采性 批判性思维：自由心证VS采纳标准 思考：大陆法系国家证据采纳标准有吗？ 源于对历史上曾经出现过的制度“法定证据制度”的极度反感，现代大陆法系国家普遍实行的是以自由心证为核心的证据制度，法官既可以通过行使自由裁量权来决定证据的取舍，也可以仅凭良心、经验和理性来评判各个证据的证明力。因此，大陆法系国家往往缺乏独立而又详尽的规范证据能力和证明力的统一法典，以免对法官的自由心证造成不适当的限制。 当然，大陆法系国家立法上没有“相关性”的概念，并不先于其否认证据应当具有相关性这一属性。也许在立法者的眼中，相关性是任何证据理所当然应当具有的属性，那些与证明对象无关的事实则根本上不能称这为证据。这是日常生活中不言自明的事。 此外，大陆法系的诉讼制度也妨碍了证据采纳标准的发展，一方面大陆法系国家不实行

《证据法学》在线作业二,期末作业考核

《证据法学》在线作业二 问答题 1、法定证据制度的主要特点是什么？ 答：在法定证据制度中，裁判者不能自由地判断证据，只能机械地按照法律规定的证据标准认定案情。法定证据制度的主要内容突出体现在法律对各种证据的证明力所作的预先规定上。 （1），证明分类的法定性。法律预先规定了各种证据的证明力和判断证据的规则，法官的职能就是根据法律的预先设定，机械地计算证据数量的多少和证据证明力的大小，并据此认定案件事实，这就限制了法官在判断证据及其证明力的专横武断。 （2），证据证明力的法定性。法律不仅预先规定各种证据的证明力，而且对证明力的规定也是根据形式来确定，而不是根据证据的实际情况来确定。一是被告人的自白被认为是最有价值和最完善的证据，对案件的判决和被告人的命运起着决定性作用；二是对书证的效力也作出了形式化的规定，如是原本还是副本，是公文还是私文等；三是对证人证言也有许多形式化的规则，如两个典型的证人证言就构成完全的证据，如果几个可靠证人的证言相互矛盾则按多数证人的证言来认定案情。 （3），证据证明力的等级化。法定证据制度中对证据证明力的规定，明显受到封建等级特权的影响，这一点主要反映在对证言证明力的规定上。如1875年的《俄罗斯帝国法规全书》记载：当几个地位或性别不同的证人的证言发生矛盾时，要依据地位之高低、男女之性别等来判定证言的证明力。通常是地位高的、男性、僧侣、学者的证言得到采信。（4），刑讯逼供是法定证据制度的基本证明方法，是获取被告人口供的合法方式。口供是定罪的主要依据，为获得口供，对被告人、证人的刑讯就是天经地义了。 2、正确认识证据的客观性，在实践中有哪些意义和作用？ 答：（1）办案人员不能把个人主观的判断，或人们的想象、假设、推理、臆断、虚构等等作为定案的证据适用； （2）在查办经济犯罪案件中，不能把算大帐，即某人或某单位收入多少、支出多少，加减得出的差数，就作为证据使用，应为算大帐还不真正具备客观性； （3）按照客观性的要求，证据必须要有正确的来源，对于没有正确来源的，由于无法进行查证，不具备客观真实性，当然不能作为证据使用。 3、诉讼中的书证所具有的特征是什么？

关于从一起案例看逻辑推理在案件事实认定中的运用及所引发的启

从一起案例看逻辑推理在案件事实认定中的运用及所引发的启示 胡建萍在司法的过程中，法律推理发生着必不可少的作用。一般意义上的法律推理表现在法官司法活动的整个过程中，这个推理过程表达为：以选择的法律规则为大前提，以查明的案件事实为小前提，然后按照一定的逻辑方法推出案件的处理结论。但是在特殊意义上，法律推理也表现在法官解释法律和确认事实的过程中。从前者来说：很多情况下，作为司法推理的大前提之规则并不是意义明确而清晰的，即使有时候从字面上看它是明确和清晰的，但由于并不完全适合已经查实且不能作任何剪裁的小前提之事实，都只有经过法官解释明确其含义或引申出新的含义后才能作为法律适用推理的大前提。而法律解释特别是论理解释本身也带有推理性思维的特征，在这一推理过程中，大前提实际上是对法官选择规则起指导作用的东西，小前提就是现存的法律规范，然后通过推理论证，得出该实际的法律是否是应当适用的法律的结论。这里，法律推理是作为法律解释的手段和过程存在的。从后者来说，绝大多数情况下，法官都能够依靠查证属实的证据对事实作出明确的认定，即使在少数证据不能达到证明案件事实的证明标准而使案件事实真伪不明的情况下，法官也可以以法律确认的证明责任的分配规则来解决事实真伪不明时的裁判方法。但是，司法实践中仍然存在法官需要依靠推理的方法确认案件事实的情况，尽管其普遍性和数量都远远低于解释法律时的推理。在这一推理过程中，通常是根据已经查明的某一基本事实，推定出另一事实存在，只要没有相反证据，就可以认定该事实真实而将其作为裁判的事实依据。 可见，法律推理不仅存在于法官司法活动的整个过程中，而且还存在于法官解释法律和认定案件事实的过程中。三个推理过程中，司法活动中的推理可以被称为”大推理”，而法律解释和认定事实过程中的推理可以被称为”小推理”，前者包括后两者，后两者是前者的一个成分或子系。

《公共部门决策的理论与方法》期末复习材料

《公共部门决策的理论与方法》期末复习资料 第一章导论 公共部门的构成： ·社会部门可区分为三大部门： 第一部门是政府组织，这是纯粹的公共部门； 第二部门是工商企业，这是非公共部门，又称私人部门； 第三部门是介于政府组织与工商企业之间的一些部门，往被称为非政府公共机构。 ·公共部门既包括第一部门即纯粹的公共部门（政府组织），也包括准公共部门即第三部门。“纯粹性”非公共部门（竞争性工商企业）的特点： 1、它的投资主体是私人。 2、它所提高的产品一般是私人物品。 3、它的行为价值取向是本企业的利益最大化。 公共部门决策的特点: 1、决策主体的公共性（谁来决策）。即公共部门决策必须由公共组织按一定的法定程序进行。 2、决策内容的公共性（决策什么）。即其决策内容主要是公共领域的事务。 3、决策方式的民主化（怎样决策）。民主决策与公共参与是其决策方式的基本特点。 4、决策准则的公益性（根据什么决策）。这是公共部门决策与私人企业决策的本质区别之一。 三、公共部门决策理论的研究任务与研究方法 公共部门决策理论的研究方法： ·理论和实践相结合的方法，即理论从实践中来，又回到实践中去，接受实践的检验。 第一，必须认真总结公共部门决策的实践经验，使之上升为理论。 第二，公共部门决策理论必须接受公共部门决策实践的检验。 第三，研究公共部门决策理论的目的是为了指导公共部门决策实践。 ·主体兼容法，即立足于现代中国，兼容古今中外 立足于现代中国就是要从现代中国的实践出发去努力解决公共部门决策中存在的问题，为当前我国公共部门的决策实践服务。 我国公共部门决策的四个基本特点： 1、我国是一个大国，公共部门决策十分复杂，其作用范围也相当大。 2、我国是一个社会主义国家，人民是国家的主人。公共部门的决策应当从人民的利益出发。 3、共产党是全国人民的领导核心，公共部门的决策必须由党的领导和参与。 4、我国是一个发展中国家，公共部门的决策从理论到方法都还比较落后。 ·吸收创新法，即吸收现代的一切科学成果来丰富和充实公共部门决策理论，并在此基础上进行理论体系和内容上的创新。

行政诉讼证据关联性规则的理论及适用

行政诉讼证据关联性规则的理论及适用 在诉讼中，证据是否具有关联性、合法性和真实性是可否被采纳的标准。因此，行政诉讼证据关联性规则在行政诉讼证据规则中具有非常重要的地位，它也是起草《关于行政诉讼证据若干问题的规定》（以下简称《行政证据规定》）时重点讨论的问题之一。本文仅就有关行政诉讼证据关联性规则的主要理论问题及适用时需要注意的一些问题谈谈笔者的一些认识。 一、关联性规则的涵义 证据只有与案件事实相关联才能用以证明诉辩双方所争议的案件事实。这一原则在英美法系国家的证据规则中被称之为关联性规则。也就是说，不具有关联性的证据将被排除在可采纳的证据之外。大陆法系的诉讼法虽然没有明确规定证据排除规则意义上的关联性规则，但该规则对证据的关联性提出的基本要求，则在诉讼证据的审核认定中被普遍承认和采纳。关联性规则的意义在于明确证据的范围，避免当事人在不相关的问题上过分拖延、浪费时间，而且要求执法人员在调查取证时，应当限于与本案有关联的证据材料；在审查判断证据时，应当注意及时排除与本案无关联的证据材料。 什么是证据的关联性？证据的关联性，又称证据的相关性。《美国联邦证据规则》第401条给相关证据所下的定义为：相关证据指证据具有某种倾向，使决定某项在诉讼中待确定的正义事实的存在比没有该项证据时更有可能或者更无可能。（注：参见白绿铉、卞建林译：《美国联邦民事诉讼规则·证据规则》，中国法制出版社20XX年1月版，第215页。）美国学者华尔兹认为，证据的“相关性是指实质性和证明性的结合。如果所提出的证据对案件中的某个实质性正义问题具有证明性（有助于认定该问题），那它就具有相关性。”（注：（美）乔恩·R·华尔兹著、何家弘等译：《刑事证据大全》，中国人民公安大学出版社1993年3月出版，第64页。）英国学者斯蒂芬认为：“所应用的任何两项事实是如此相互关联着，即按照事物的通常进程，其中一项事实本身或与其他事实相，能大体证明另一事实在过去、现在或将来的存在或不存在。”（注：转引自刘善春、毕玉谦、郑旭著：《诉讼证据规则研究》，中国法制出版杜20XX年5月出版，第440页－441页。）美国的有关法律和英美学者从不同角度为关联性下了定义，我们从中可以看出，在英美法系中，所谓关联性或相关性，是指证据必须与案件的待证事实有关，从而具有能够证明案件的待证事实的属性。

浅析证据推理

浅析证据推理 ---解读安东尼杀女案 想要正确理解证据推理，必先明确证据是证明案件事实的依据，是诉讼活动的核心和基础。全部诉讼活动都是围绕证据的搜集和运用进行的。《行政诉讼法》第三十一条规定，证据可分为七类，即书证、物证、视听资料、证人证言、当事人的陈述、鉴定结论、勘验笔录和现场笔录。证据推理，简称D-S推理，是运用证据推理案情的诉讼活动，重在获取案件的法律依据，还原事实真相，说服法官或者陪审团认定被告有罪或者无罪的法律事实。 首先，我们从一个与辛普森杀妻案极其类似的案例谈起。2008年震惊美国的凯西·安东尼涉嫌杀害3岁女儿凯丽的案件以弗洛里达州奥兰多法院做出的判处安东尼四年徒刑而告终。2008年6月16日，时年22岁的凯西·安东尼在与父母发生争执后带着2岁大的女儿凯丽离家出走。此后一个月中，凯西的母亲辛迪曾多次打电话给女儿说要见外孙女，但都被凯西以各种理由拒绝。之后，辛迪接到拖车场打来的要求其领取安东尼车辆的电话。到停车场准备领取时，发现后备箱有一股浓重的尸臭味，觉察到事态的严重性，因此报警求助。 警方在侦查案情的过程中，找到了许多证明安东尼杀害女儿凯丽的有力证据。现将公诉方掌握的证据归纳如下：1、根据安东尼的供词，女儿凯丽被自己雇的一位名叫冈萨雷斯的保姆绑架了，但事后经警方查明，根本没有冈萨雷斯这个人的存在。2、2008年12月11日，警方在凯西家中附近的树林中发现了用塑料袋包裹的凯丽的遗骸，其身体已经严重腐烂，面部还粘着一块胶布。检方利用搜集到的毛发证据和气味分析测试，发现存在氯仿的成分。3、凯丽在6月就已经失踪，其母亲安东尼并没有立即报警，反而搬去和男友同居，成天饮酒取乐，甚至在肩膀上用意大利语刻上“美好生活”四个字，直到一个月后才告诉家人孩子失踪了。4、警犬曾在凯西车的行李箱里和她父母家的院子里嗅出过尸体的味道。5、在安东尼的电脑里发现她曾经在网上搜索过三氯甲烷和失踪儿童的信息。6、安东尼在凯丽失踪后两周后将车废弃。7、凯丽床上丢失的维尼熊毛毯，也在案发现场被找到。 辩护方基于安东尼的陈述提供了如下的抗辩理由：1、凯丽是在游泳池溺毙而亡。2、安东尼由于长期受到父亲和哥哥的性侵犯，所以只能隐忍沉默。3、有证人证明安东尼与女儿凯丽关系甚好。 本案最终判处安东尼向警方提供虚假信息等四项轻罪，并不是没有道理可言。尽管透过我们的直接判断和情感倾向，我们几乎可以百分之一百的断定安东尼就是杀害凯丽的真凶，但是在讲求证据的法庭来看，直观的推断难以立足。在美国司法体系中，“无罪推论、程序正义、直接证据”是三个法庭审判的重要原则。在美国，有一个重要的司法定律“一碗面里只能有一只臭虫”，即正常人吃饭，若吃到一只臭虫，肯定会扔下碗筷，与之理论，而不会在碗里去找第二只臭虫。放在审判实践中，即无论你向法庭提供了多少足以证明被告有罪或是清白的证据，只要发现一个伪证，所有的证据都会视作无效。著名的辛普森案件就给予了我们很好的实证。辩方通过质疑警方采集血迹样本的程序规范性、血手套与被告的手型不相符、证人福尔曼警官恶劣的种族歧视倾向造成其重要证言无法得到陪审团采信等等，这几只“致命”的臭虫让整碗检方精心酿制的看似天衣无缝的证据链功亏一篑。然而，在安东尼杀女的案件中，尽管存在诸多关键的间接证据，但是这一系列的证据很难串联成一条完整的证据链。 我们先来看这起案件中欠缺的几个关键点，这几个致命的缺陷也是陪审团最终判定安东尼无罪的着力点。1、案件中缺乏直接人证，即无人亲眼目睹或是间接看到安东尼杀害自己

随机性决策问题案例

随机性决策问题案例内部编号：（YUUT-TBBY-MMUT-URRUY-UOOY-DBUYI-0128）

第八章 随机性决策问题案例 案例一 ：石油开采，例8-4，P177 表8-4 土地租借决策表 （1） 对自然条件预测的先验概率P(θ) （2） 进行实验所得到的条件概率分布是P(x /θ)，表8-5 （3） 由P(x /θ)，依据()(/)()ALL P x P x P θθθ= ∑，可以得出x 的边际概率P(x )： （4） 求出给定x 下的后验θ分布P(θ/x)： 由贝叶斯定理(/)() (/)() P x P P x P x θθθ= 得到x=1,2,3,4下的后验θ分布如表8-8 （5）求每种实验结果下的最优决策，即每个的最优a. 综合表8-4，8-8： x=1时，B(a1)=650*0.166+200*0.24+(-25)*0.327+(-75)*0.267=127.7 B(a2)=45*0.166+45*0.24+45*0.327+45*0.267=45 B(a3)=250*0.166+100*0.24+0*0.327+0*0.267=65.5

选a1. 同上，x=2时，选a1. x=3时，选a2. x=4时，选a2. （6） 决策的后悔值矩阵，表8-6 （ 7）在每种实验结果下，以最小后悔值来评判的最优决策，即每个x 下的最优a 。综合表8-6和8-8.实验所需成本为12. x=1时，L(a1)=0*0.166+0*0.24+70*0.327+120*0.267+12=66.93 L(a2)=605*0.166+155*0.24+0*0.327+0*0.267+12=149.63 L(a3)=400*0.166+100*0.24+45*0.327+45*0.267+12=129.13 选a1. 同上，x=2时，选a1. x=3时，选a2. x=4时，选a2. 案例二：猜盒子，例8-5，P188 表8-9 猜盒子的收益矩阵 （1） 自然条件下的先验概率P(θ)。

确定型决策方法及应用

确定型决策法 实训目标： 1.了解确定型决策的特点。 2.理解环境分析的内涵。 3.能用SWOT分析对目前所处位置进行定位。 4.重点掌握量本利分析方法。 实训要求： 1.事先分组，每4名同学分为一组，每组选出1名组长，相互协作，充分交流， 共同完成任务，最后提交4份作业。 2.在实训前，学生应查询领本来分析的资料。 3.学生需将决策的思路及步骤能用语言表达出来。 【训练过程】 下达任务书 青岛某A公司自成立至今有十年时间，主要经营快速消费品和小型耐用消费品（电风扇、电饭煲、电暖器、熨斗）等配送业务。A公司经营范围以青岛为中心涵盖山东大部分地级城市，业务主要以自营为主，拥有各类车辆50辆，配送中心3个，供货较为及时，在业内口碑较好，客户稳定。但是，近两年来，利润增长乏力。这引起领导层的高度关注，中基层管理者对提高业绩欲望较高。经调查发现，利润下降的主要原因是由于车辆老化，使得变动成本上升所致。而本公司的竞争对手已于去年进行了部分设备更新。已知该公司平均运价为6000元/千吨公里，固定成本1000万元，单位变动成本5000元/千吨公里。

如果你作为该公司战略部门主管，如何进行决策？（案例中背景资料不足的，可以进行合理推断） 相关背景知识 1.确定型决定特点 在确定型决策中，决策者对未来可能出现何种自然状态，以及在该状态下，能产生多大收益或损失能够确定。这是种理想状况，但在某些情况下，可以按照这种特点进行决策。比如，将货币资金存入银行，所能获得的利息收益，就可以认为是确定的。确定型决策要经过内外部环境分析、目前所处位置定位、明确目标、制定方案、评价和选择方案等步骤。 2.环境分析 需要对企业所处的内、外部环境进行分析。 （1）外部环境分析 外部环境包括宏观环境和行业环境（中观环境）两部分。 ①宏观环境分析。是企业经营所共同面对的环境，主要包括政治与法律环境、经济环境、技术环境、文化环境和自然环境。企业必须要在宏观环境的框架下制定发展目标及方案，因此，管理者在制定计划时，要研究和顺应宏观环境，不能与之相抵触。 ②行业环境分析。行业环境是企业开展经营活动所直接面临的环境，主要包括供应商、客户、现有竞争对手、潜在进入者和替代品厂商。行业环境分析主要运用迈克尔.波特教授的五力模型对各种力量进行博弈分析。 通过外部环境分析，目的是要找出企业发展的机会与面临的威胁。企业必须把握住能为其经营带来运作空间与发展潜力的商业机会，并须及早发现和千方百

从一起案例看逻辑推理在案件事实认定中的运用及启示

从一起案例看逻辑推理在案件事实认定中的运用及启示 在司法的过程中，法律推理发生着必不可少的作用。一般意义上的法律推理表现在法官司法活动的整个过程中，这个推理过程表达为：以选择的法律规则为大前提，以查明的案件事实为小前提，然后按照一定的逻辑方法推出案件的处理结论。但是在特殊意义上，法律推理也表现在法官解释法律和确认事实的过程中。从前者来说：很多情况下，作为司法推理的大前提之规则并不是意义明确而清晰的，即使有时候从字面上看它是明确和清晰的，但由于并不完全适合已经查实且不能作任何剪裁的小前提之事实，都只有经过法官解释明确其含义或引申出新的含义后才能作为法律适用推理的大前提。而法律解释特别是论理解释本身也带有推理性思维的特征，在这一推理过程中，大前提实际上是对法官选择规则起指导作用的东西，小前提就是现存的法律规范，然后通过推理论证，得出该实际的法律是否是应当适用的法律的结论。这里，法律推理是作为法律解释的手段和过程存在的。从后者来说，绝大多数情况下，法官都能够依靠查证属实的证据对事实作出明确的认定，即使在少数证据不能达到证明案件事实的证明标准而使案件事实真伪不明的情况下，法官也可以以法律确认的证明责任的分配规则来解决事实真伪不明时的裁判方法。但是，司法实践中仍然存在法官需要依靠推理的方法确认案件事实的情况，尽管其普遍性和数量都远远低于解释法律时的推理。在这一推理过程中，通常是根据已经查明的某一基本事实，推定出另一事实存在，只要没有相反证据，就可以认定该事实真实而将其作为裁判的事实依据。 可见，法律推理不仅存在于法官司法活动的整个过程中，而且还存在于法官解释法律和认定案件事实的过程中。三个推理过程中，司法活动中的推理可以被称为“大推理”，而法律解释和认定事实过程中的推理可以被称为“小推理”，前者包括后两者，后两者是前者的一个成分或子系。 关于法官在解释法律过程中的法律推理问题，笔者另文研究。本文拟以司法实践中遇到的一个典型案例，详细分析法官如何运用逻辑推理认定案件。 一、基本案情及当事人双方主张的事实 1995年12月1日，原告唐选礼与被告华康公司签订31和32号两份合同。31合同约定：唐选礼购买位于成都武侯区玉林小区兰天路5幢某小区某幢四、五层楼7号和9号两套房屋，面积平方米，每平方米售价2700元，合计房款967258元；另购两个车位，计10万元；共计应付房款1067258元。华康公司所建房屋定于1997年9月30日竣工。合同还约定了分期付款的具体方式及违约责任。

如何确认证据“关联性”

如何确认证据“关联性” 证据的关联性，又称证据的相关性，是证据的基本属性（或称基本特征）之一。证据的关联性是证据适格的基础性条件。关联性是证据进入诉讼的第一道“门槛”。一、关联性的涵义界定证据的关联性，就是证据必须与案件待证事实之间存在一定的联系。然而，这样的界定过于简单，不能准确地说明关联性的实质内涵。我国大陆法学界认为，证据的关联性，指的是作为证据内容的事实与案件事实之间存在某种联系。关联性是实质性和证明性的结合。关联性不涉及证据的真假和证明价值，其侧重的是证据与证明对象之间的形式性关系，即证据相对于证明对象是否具有实质性，以及证据对于证明对象是否具有证明性。（一）证明性所谓证明性，换言之，就是具有证明价值，指的是所提出的证据支持其欲证明的事实主张成立的倾向性，是依据逻辑或者经验而使欲证明的事实主张更为可能或更无可能的能力。影响当事人主张的事实存在的可能性的证据，就具有证明性。要准确地理解证明性，应当注意以下几点：（1）证明性本身并不是法律问题，它存在于法律之外，是由事物与事物之间的逻辑关系所决定的，是“按照事物的正常进程，其中一项事实本身与事实相联系，能大体证明另一事实在过去、现在或将来的存在或不存在”。这种事实上的关联应当是客观存在的，不可能是主观臆断的结果。（2）证明性并不是一条“单行道”。对于欲证明的事实主张来说，证据的证明性可能是肯定的，也可能是否定的。也就是说，特定的证据，有可能是使有关的事实主张成立，也有可能是使有关的事实主张不成立。从这个意义上说，关联性可以分为肯定的关联性和否定的关联性。如果某项证据可能表明待证明的某项争议事实成立或成为可能，该项证据与该争议事实之间的关联性就是肯定的关联性；反之，则为否定的关联性。（3）证明性必然涉及到概率。这里的证明性，是指所提出的证据支持其欲证明的事实主张成立的一种“倾向性”，是一种可能性，也就是一种概率，而非确定性。甚至有学者认为，关联性最根本的理论基础在于概率理论。（二）实质性所谓实质性，就是指证据欲证明的主张指向的是对案件裁判具有法律意义的待证事实。至于何为案件待证事实，主要由实体法所决定，通过当事人的诉讼主张表现出来。就裁判者而言，他不可能预先就知道客观存在的案件事实的真相。裁判者只能从被说服者的视角出发考虑问题。即使原告所提出的控告是对客观事实的正确反映，在裁判者看来，也仅仅是一种有待证明的关于过去事实的命题。比如说，原告起诉说被告欠了他一笔钱，到期未还，要求被告偿还其债务。但是，原、被告之间是否确实存在这样的债权债务关系呢？裁判者不可能预先就知道。既然不了解“客观存在的案件事实”是什么，又怎么能依据“客观存在的案件事实”确定证据的关联性、确定收集调查证据的范围呢？因此，裁判者在判断证据的关联性时，“所指向的绝不可能是客观意义上的案件事实，而只能是起诉主张所描述的关于历史事实的命题。证据的关联性不可能是相对于案件客观事实的关联性。证据的关联性注重的是（而且必然是）证据与案件中的待证事实之间的关系。（三）证明性与实质性的关系关联性是证明性和实质性的结合。其中，证明性是由证据与案件之间客观存在的逻辑联系所决定的，体现的是证据与案件之间的逻辑联系，因而可以说是证据的自然属性。案件待证

浅谈个人决策与群体决策

【摘要】： 本文以从对个人决策与群体决策的各自优点与不足来阐明自己的观点——群 体决策较个人决策更加符合民主，更科学，正确性更高。并尝试着用公共选择理论和博弈论来分析群体决策优势的理论因素。通过对群体决策存在问题的理解与分析，表述自己对完善群体决策的看法。 【关键词】：个人决策、群体决策、分析、问题、完善 【正文】： 所谓决策，从广义上讲，就是作出决定，即人们为实现一定的目标所作的行为设计及其抉择。从狭义上讲，决策是指社会组织在管理活动中所作的决定，是社会组织为实现一定的目标或解决面临的问题制定行动方案并加以优化选择的过程。 “决策”应该是一个外延广泛的概念。大至国家的行政，小至个人的消费，无不蕴涵决策与其中。决策的正确与否对于国家、个人的发展有着决定性的作用，而科学性是决定决策正确与否的基础。选择何种决策模式是任何个人或组织进行决策前应该实现解决的问题。 此文，我将以自己所学的知识，以一种科学的态度来分析个人决策与群体决策。因为群体决策往往比个人决策更为可靠、准确性更高，更具有科学性。随着社会的发展，群体决策的作用和意义越来越被强调。故本文偏向分析群体决策。 一、个人决策与群体决策的比较

个人决策与群体决策是按照决策的权力和责任是集中于一人还是分散于多个 人安排划分的一种决策类型。 个人决策与群体决策有着性质的不同，其各自的优缺点也相对比较的明显。 个人决策的决策速度快，决策效率高，能对瞬息万变的外界环境作出迅速反应，但容易由于主观片面或缺乏必要的知识和经验而导致决策失误，而且由于缺乏与组织成员的沟通，决策执行时非常困难，甚至由于组织成员的有意阻碍可能无法执行下去，另外个人决策也容易营私舞弊。群体决策模式中的群体参与决策能集思广益，发挥群体的才智和创造力，弥补个人知识和经验的不足，减少决策失误。当参与决策的个人能代表组织中不同利益阶层时，那么就容易作出较为公正的决策，从而使决策能得以有效的执行，但决策迟缓，常常要多次开会协调才能达成较为一致的意见，决策责任也不明确。群体决策模式中的群体参与决策能达成最公正、最合适的决策，由于全体人员均认同决策结果，所以会齐心协力执行决策，是唯一可能达到决策预期效果的决策模式，但全体参与时意见分歧最大，要想达成一致意见是非常困难的事情，少数服从多数可能损害部分人的利益，决策速度非常慢，决策效率非常低，有时甚至不能形成决策。 个人决策和群体决策还有一个大的区别就是：两种模式所作决策的质量不一样。如果个人决策中的个人有较高的领导素质和较宽的知识面，则很可能在对各种方案进行利弊分析后采取一种有利于整体组织的较好决策。而群体决策中当采取参与决策的人都一致同意才能形成决策的方式时，决策方案可能为了照顾各方面的利益而一再妥协，最后形成的很可能是一种较差的决策；群体决策当采取少数服从多数的方式时，不但肯定要损害一部分人的利益，而且多数人的意见不一定就是于整个组织最有利的，最后形成的也有可能是一个较差的决策。

《简明证据法》考试总结详细版

第一章证据法在何处 一、概念：1、狭义的证据法是当事人在案件事实的认定时，解决一定的认定行为准则和事实认定标准问题及诉讼风险分担的法律。2、广义的证据法是有关证据收集、制作、保全、提交以及运用的法规的总和。 二、调整对象：证据和证明问题 三、渊源：1、法律层面：由全国人民代表大会通过的基本法律及其常务委员会通过的一般法律；2、法律解释：包括综合性的立法解释和司法解释和单行司法解释；3、部门规章：由国务院各部委颁布的有关适用证据的规范性文件；4、国际条约；5、其他规范性文件。 四、证据法模式：1、英美法系的证据法模式以英、美两国为代表，即以成文证据法为主；2、大陆法系的证据法以法、德、俄、等欧洲大陆国家为代表，高度的成文法典化是其共同特点。 五、证据法选择适用：一结合具体案情，确定需要解决的证据法问题，以此为联合点；二是结合现有证据法体系，确定可使用的法律条款，必要时正确化解法律条款间的冲突 第二章什么是证据 一、证据概念：是证明事实的依据，证据问题是诉讼的核心问题，全部诉讼活动实际上都是围绕证 据的搜集和运用进行。 二、证据的真实性：1、证据的真实性也叫做证据的客观性或者确定性。在任何一起案件的定案依据 中都存在着证据不完全属实的可能性。而且就每一个具体证据来说，其中也存在着不完全属实的可能性。2、就每一个具体案件来说，人们对证据和案件事实的认识都不是“绝对真理”，都只能是“相对真理”。 三、证据资格：是指证据能够被法庭采纳的资格。1、证据的客观性，是指证据应该具有客观存在的 属性，或者说，证据应该是客观存在的东西。2、证据的关联性：是指证据必须与需要证明的案件事实或争议事实具有一定的联系，属于证据的自然属性。3、证据的合法性：是指证据的收集主体、程序和表现形式都必须合乎法律的规定（主体合法、合法的形式、收集程序合法）。 第三~四章证据的种类和分类 一、证据的法定形式：1、证据的法定形式，是立法者根据证据的存在和表现形式所作的法律划分，可以简称为“证据在法律上的划分”，也叫“证据的种类”；法定形式：1、刑诉法42条规定有七种：物证、书证；证人证言；被害人陈述；犯罪嫌疑人、被告人供述和辩解；鉴定结论；勘验、检查笔录；视听资料。 2、民诉法63条第一款规定有：书证；物证；视听资料；证人证言；当事人陈述；鉴定结论；勘验笔录。 3、行诉法31条规定：书证；物证；视听资料；证人证言；当事人陈述；鉴定结论；勘验笔录、现场笔录。 二、证据的学理形式：指在理论上将刑事证据按照不同的标准划分为不同类别，也叫“证据的分类”。二者区别，前者是一种立法规定，后者是一种学理分类。1、根据表现形式不同：言词证据与实务证据；2、按证据是否来源于案件事实：原始证据与传来证据；3、根据证据与案件只要事实的关联性：直接证据和间接证据。4、以证据的证明作用划分：控诉着呢根据与辩护证据。 第五、六、七章司法证明 一、司法证明概念：是指诉讼当事人在法官的主持下，按照法定的程序和规则，通过举证和质证来反驳不利于自己的诉讼主张，追求有利于自己的诉讼结果的法律行为。 二、司法证明的特点：1、规范性；2、对抗性，这是司法证明在程序方面的重要特征。3、时效性，也是程序方面的重要特征。 三、证明对象的概念与特征：1、概念：证明对象是指由实体法律规范所确定的，对诉辩请求产生法律意义的，应当由当事人提供证据加以证明的事实。2、特征：与审理案件有关联的事实；必须处于真伪不明的状态；证明对象的确定与尸体法律规范中的要件事实有着密切的联系。 四、三大诉讼法证明对象：（一）刑诉法：1、被指控犯罪行为构成要件的事实；2、与犯罪行为轻重有关的各种量刑情节的事实；3、排除行为的违法性、可罚性的事实；4、排除或减轻刑事责任的事实；5、刑事诉讼程序事实；6、办理死刑案件的证明对象。（二）民诉法：一般性归类：按照部门法的规定对证明对象进行一般性的归类，调整范围和方法的共同性，同一部门法调整的所有案件的证明对象都是基本相同的，都是围绕特定的法律关系的主体、内容与客体。（三）行诉法：1、与被行政行为合法性和合理性的事实；