【技術實現步驟摘要】
本專利技術涉及智能決策選擇，特別是涉及一種減法聚類與組合賦權的多級多屬性決策選擇方法。
技術介紹
1、融合方法種類繁多，不同的融合方法所實現的目標不同。國內外學者對多模態信息融合算法進行了深入研究，融合方法可分為傳統方法與深度學習方法。傳統方法包括基于多尺度變換的方法、基于稀疏表示的方法、基于子空間的方法、基于顯著性的方法、混合模型方法、基于變分模型的方法等。基于多尺度變換融合方法包括多尺度分解、多尺度融合和多尺度重構部分，其分解重組形式包括小波、金字塔、曲波等。但這些傳統方法的輸入數據、實現的任務與設計的算法均不一致，所實現的融合效果也各不相同，而且存在的功能和信息關系不清晰、功能估計和決策選擇之間的關系不明確的問題。針對不同數據來源的融合，可分為圖像與圖像、圖像與信號、信號與信號等融合算法，例如紅外圖像具有良好的目標檢測、識別能力，可以避免外界環境的影響，但其像素分辨率低、對比度較差、背景紋理模糊等，可見光圖像不能突出場景目標。所以可見光與紅外可以結合二者的互補性優勢，從而得到明亮、背景豐富的融合圖像。圖像與信號數據之間融合也具有互補意義，合成孔徑雷達(sar)和船舶自動識別系統(ais)都具有全天時全天候的工作能力，在目標監視方面有著優勢互補的特性，圖像關聯檢索到對應信息數據，能夠進一步融合互補獲得目標的具體信息。然而，當不同類型的數據來源均需要根據不同場景實現融合任務時，數據類型、任務需求、算法效能等多目標多屬性因素均會影響決策所選擇的融合方法，而且不同維度指標的權重未知對決策所選擇的融合方法會產生重要影響。因此，針對多
技術實現思路
1、鑒于此，本專利技術提供一種減法聚類與組合賦權的多級多屬性決策選擇方法，能夠根據不同數據與任務要求，構建融合決策框架，在數據、任務和融合算法之間建立信息層遞關系，分析不同融合方法及其各類特性、指標、效能等評估因素，自適應決策選擇融合方法，最終通過優先排序的方式決策選擇出一種或多種融合算法。
2、本專利技術公開了一種減法聚類與組合賦權的多級多屬性決策選擇方法，其包括：
3、步驟1：生成融合算法集；
4、步驟2：生成融合算法屬性列表與屬性指標矩陣；
5、步驟3：采用減法聚類算法對融合方法進行聚類，并輸出得到多個減法聚類中心；
6、步驟4：分別對每類方法采用層次分析法和標準沖突相關性法方法共同確定指標權重；
7、步驟5：進行多級多屬性決策選擇。
8、進一步地，所述步驟1包括：
9、針對不同的融合數據來源，其對應的每一類融合方法均分別生成n個對應的融合算法，共構成m×n個融合算法集，將生成的融合算法集中的每種融合方法隨機打亂保存為隨機融合算法集。
10、進一步地，所述步驟2包括：
11、對隨機融合算法集中的每個融合方法進行屬性列表與屬性指標矩陣生成，屬性列表包含數據維度a、任務維度b、算法維度c與其他維度屬性；其中，數據維度a包含以下指標：數據大小a1、數據類型a2、數據數量a3、數據獲取難度a4與其他指標，共h維；任務維度b包含以下指標：任務數量b1、任務種類b2、任務相關性b3與其他指標，共j維；算法維度c包含以下指標：識別精度c1、融合精度c2、處理時間c3、模型復雜度c4與其他指標，共k維；分別將每類屬性列表的指標兩兩相關，組成h×h、j×j、k×k的屬性指標矩陣，分別為
12、進一步地，所述步驟3包括：
13、步驟31：根據第一設定閾值得到減法聚類算法的聚類中心以及代價函數值；
14、步驟32：當代價函數值小于聚類函數的收斂閾值，更新融合方法被分類到每個聚類中心的隸屬度；當計算的代價函數值大于聚類函數的收斂閾值，或計算聚類中心的迭代次數等于聚類函數的最大迭代次數時，輸出聚類中心和每個融合方法被分類到每個聚類中心的隸屬度；
15、步驟33：根據聚類算法輸出的融合方法被分類到每個聚類中心的隸屬度，計算聚類有效性函數值；
16、步驟34：當減法聚類中心的個數小于第一設定閾值時，將鄰域半徑減小，并重新采用減法聚類算法對融合方法進行聚類，直至減法聚類中心的個數大于或等于第一設定閾值；并以減法聚類中心中融合算法個數數量最大的聚類中心作為初始中心，采用聚類算法對融合方法的分布綜合值進行聚類，并得到多個聚類中心；計算每個融合方法相對每個聚類中心的距離，并對所有的距離按降序排列，則選取與聚類中心距離最小的類別為融合方法的隸屬類別；
17、步驟35：計算每個融合方法之間的距離以及每個融合方法的分布綜合值，將最大分布綜合值作為減法聚類中心，計算余下方法中的分布綜合值，對每個融合方法的分布綜合值進行修正；當余下方法的分布綜合值小于預設值時，輸出所有減法聚類中心。
18、進一步地，在所述步驟31中，減法聚類算法的聚類中心的表達式為：
19、
20、其中，vi為減法聚類中心；n為融合方法的總數目；μij為融合方法xj被分類到聚類中心vi的隸屬度，0≤μij≤1；m為減法聚類算法的因子系數，m∈[1,∞)；
21、減法聚類算法的代價函數值的表達式為：
22、
23、其中dij＝||vi-xj||為減法聚類中心vi與融合方法xj之間的距離，m為因子系數，設定m＝2，λj、j＝1,...,n為拉格朗日因子；
24、所述步驟32中，通過以下公式更新融合方法被分類到每個聚類中心的隸屬度：
25、
26、其中，dkj＝||vk-xj||，其為聚類中心vk與融合方法xj間的距離。
27、進一步地，所述步驟33中，通過以下公式計算聚類有效性函數值：
28、
29、其中，xj為融合方法集中第j個融合方法，c為聚類中心的個數，vi為第i個聚類中心，n為融合方法集的總數目，μij為融合方法xj被分類到聚類中心vi的隸屬度，當μij>ukj時，δij＝1，否則δij＝0，ukj為融合方法xj被分類到聚類中心xk的隸屬度，k≠i，||xj-vi||為第j個聚類中心vj與第i個融合方法xi之間的距離，||vi-vj||為第i個聚類中心vi與第j個聚類中心vj之間的距離；
30、所述步驟35中，每個融合方法的分布值為由數據大小a1、數據類型a2、數據數量a3、數據獲取難度a4、其他數據指標ao，任務數量b1、任務種類b2、任務相關性b3、其他任務指標bp，識別精度c1、融合精度c2、處理時間c3、模型復雜度c4、其他模型指標cq組成的一維向量，表示為[a1,a2,a3,a4,…,ao,b1,...,b2,…,bp,c1,c2,c3,c4,…,cq]，其中分布綜合值為：
31、
32、其中，γi為鄰域半徑，di為融合方法間的距離，xj和xi為融合方本文檔來自技高網...
【技術保護點】
1.一種減法聚類與組合賦權的多級多屬性決策選擇方法，其特征在于，包括：
2.根據權利要求1所述的方法，其特征在于，所述步驟1包括：
3.根據權利要求1所述的方法，其特征在于，所述步驟2包括：
4.根據權利要求1所述的方法，其特征在于，所述步驟3包括：
5.根據權利要求4所述的方法，其特征在于，在所述步驟31中，減法聚類算法的聚類中心的表達式為：
6.根據權利要求5所述的方法，其特征在于，所述步驟33中，通過以下公式計算聚類有效性函數值：
7.根據權利要求1所述的方法，其特征在于，所述步驟4包括：
8.根據權利要求7所述的方法，其特征在于，所述步驟42包括：
9.根據權利要求1所述的方法，其特征在于，所述步驟5包括：
10.根據權利要求9所述的方法，其特征在于，所述步驟58包括：
【技術特征摘要】
1.一種減法聚類與組合賦權的多級多屬性決策選擇方法，其特征在于，包括：
2.根據權利要求1所述的方法，其特征在于，所述步驟1包括：
3.根據權利要求1所述的方法，其特征在于，所述步驟2包括：
4.根據權利要求1所述的方法，其特征在于，所述步驟3包括：
5.根據權利要求4所述的方法，其特征在于，在所述步驟31中，減法聚類算法的聚類中心的表達式為：
【專利技術屬性】
技術研發人員：盧學民，龍慧敏，李奇真，張希會，張萌，梁韜，涂志卿，
申請(專利權)人：中國電子科技集團公司第十研究所，
類型：發明
國別省市：
還沒有人留言評論。發表了對其他瀏覽者有用的留言會獲得科技券。