河海大学数学学院、南京邮电大学管理学院许子诺、安彦蓉团队在《新疆大学学报(自然科学版中英文)》发表论文《基于改进证据理论的模糊贝叶斯网络及其应用》。该研究旨在解决模糊贝叶斯网络在实际应用中面临的一个核心难题：如何准确、可靠地确定其先验概率。针对此问题，研究团队创新性地将模糊理论、贝叶斯网络与证据理论相结合，并提出了一种全新的改进证据理论方法，以有效融合存在高度冲突的专家意见，从而获得更可靠的风险评估先验信息。该研究成果为解决复杂系统风险评估中不确定性信息的量化与融合问题提供了新的理论框架和技术路径，并通过人类可信性分析的实例验证了其有效性与优越性。
在实际的工程、管理及安全分析中，专家意见是获取先验知识的重要来源，但不同专家往往因背景和经验差异而产生高冲突甚至矛盾的观点。传统的Dempster-Shafer(DS)证据理论虽然能进行信息融合，但在处理高冲突数据时，其合成结果常偏离常识或难以接受。同时，模糊贝叶斯网络能够处理概念边界模糊的不确定性，但其推理的准确性严重依赖于先验概率的可靠性。将这两者有效结合，是提升复杂风险评估精度的关键。
该研究的核心创新在于提出了一种“改进的证据理论融合方法”。该方法在传统证据理论融合前，引入了一个基于主观评价与客观相似度的“评价系统”，对存在高度冲突的专家基本概率分配函数进行动态修正。主观评价基于专家间的相互认可度，客观评价则源于不同专家意见的数学距离。通过主客观权重(本研究以三名专家为例，设定为1:2)的结合计算，促使各专家的意见向着“共识”方向适当偏移，从而在迭代过程中有效降低全局冲突系数，直至达到可接受的融合阈值(研究中设定冲突系数K<0.95)。这种方法不仅保留了证据理论的数学严谨性，还增强了其对“异见”数据的鲁棒性，使融合结果更能合理、充分地反映专家群体的综合判断。
基于此，研究团队构建了“基于改进证据理论的模糊贝叶斯网络”模型。在模糊贝叶斯网络中，节点的概率值不再是一个精确数字，而是用三角模糊数来表示，以刻画其固有的模糊性。该模型利用改进证据理论融合多位专家的打分，得到各根节点(如时间接近性、执行者相似性等)状态等级的模糊先验概率，再依据模糊贝叶斯推理规则(包括模糊条件独立性、联合概率、边缘化及贝叶斯规则)，通过网络的正向推理，最终计算出叶节点(如总体依赖程度)的风险概率分布。
为验证模型的有效性，研究以“核电厂启动后人因故障事件的依赖性评估”为例，构建了一个包含5个因素(时间接近性、执行者相似性、线索相似性、目标相似性、任务相关性)的模糊贝叶斯网络。三位专家对四个根节点分别打分，其意见存在显著冲突。应用所提方法后，冲突系数从最初的0.9645经3次迭代修正后降至可接受范围，并成功融合得到各节点的模糊先验概率。经模糊贝叶斯网络推理，最终计算出目标事件“总体依赖程度”为I级(最低依赖)的概率最大，达0.6989，为决策提供了清晰的风险量化依据。
对比分析进一步凸显了所提方法的优势。与传统的DS证据理论及文献中的其他改进方法相比，本文方法在处理高冲突专家意见时，融合结果既避免了因冲突而导致的“反直觉”现象，又更好地保留了每位专家意见的原始特征，没有过度偏向某一方，从而实现了更公平、更稳健的数据融合。
综上所述，该项研究通过理论创新与实例验证，成功地将改进的证据理论与模糊贝叶斯网络相结合，为解决风险评估中专家知识不确定、模糊且存在冲突的难题提供了系统性的解决方案。该框架不仅适用于人类可靠性分析，也为设备故障诊断、工程项目风险管理、金融信用评估等需要处理多元不确定信息的领域，提供了具有重要参考价值的方法论工具。
