基于Credal网络的权重融合方法

计算机工程与应用 ›› 2011, Vol. 47 ›› Issue (13): 22-24.

基于Credal网络的权重融合方法

熊文涛1，2，齐欢1

1.华中科技大学系统工程研究所，武汉 430074
2.孝感学院数学与统计学院，湖北孝感 432000

收稿日期:1900-01-01 修回日期:1900-01-01 出版日期:2011-05-01 发布日期:2011-05-01

Credal network model for aggregation of attribute weights

XIONG Wentao1，2，QI Huan1

1.Institute of Systems Engineering，Huazhong University of Science & Technology，Wuhan 430074，China
2.School of Mathematics and Statistics，Xiaogan University，Xiaogan，Hubei 432000，China

Received:1900-01-01 Revised:1900-01-01 Online:2011-05-01 Published:2011-05-01

摘要/Abstract

摘要： 针对多属性决策中属性权重的确定问题，利用Credal网络提出了一种新的融合方法。该方法假设属性权重有多方面的来源，包括以前决策时的经验信息，不同决策者的偏好产生的权重信息，不同方法计算的权重信息，等等。建立了一个Credal网络模型进行推理计算，得到了各属性的综合权重区间，使之既包含了以前的经验信息，又包含了多个决策者给出的偏好信息。用2个数值算例说明了方法的有效性。

关键词: Credal网络, 多属性决策, 权重, 融合

Abstract: This paper focuses on the determination of attribute weights in multiple attribute decision making problems.A novel method is proposed based on the Credal network.It is assumed that the weights are from various sources，including the previous information from experience and the values calculated according to the different decision makers’ preference using different approaches，etc.Because of the ability to capture and model expert knowledge under very general conditions，the Credal network is constructed and computed to obtain the composite weight intervals.Finally，two numerical examples are used to illustrate the effectiveness of developed method.

Key words: Credal network, multiple attribute decision making, weights, aggregation

熊文涛1，2，齐欢1. 基于Credal网络的权重融合方法[J]. 计算机工程与应用, 2011, 47(13): 22-24.

XIONG Wentao1，2，QI Huan1. Credal network model for aggregation of attribute weights[J]. Computer Engineering and Applications, 2011, 47(13): 22-24.

[1]	陆莉霞，邹俊忠，郭玉成，张见，王蓓. 多模态融合的膝关节损伤预测[J]. 计算机工程与应用, 2021, 57(9): 225-232.
[2]	李明山，韩清鹏，张天宇，王道累. 改进SSD的安全帽检测方法[J]. 计算机工程与应用, 2021, 57(8): 192-197.
[3]	伍京华，耿翠阳，韩佳丽. 基于Agent的多属性决策模型及其在高校实验教学中的应用[J]. 计算机工程与应用, 2021, 57(8): 238-243.
[4]	槐创锋，郭龙，贾雪艳，张子昊. 改进A*算法与动态窗口法的机器人动态路径规划[J]. 计算机工程与应用, 2021, 57(8): 244-248.
[5]	郭晓静，隋昊达. 改进YOLOv3在机场跑道异物目标检测中的应用[J]. 计算机工程与应用, 2021, 57(8): 249-255.
[6]	王兵，乐红霞，李文璟，张孟涵. 改进YOLO轻量化网络的口罩检测算法[J]. 计算机工程与应用, 2021, 57(8): 62-69.
[7]	张越，黄友锐，刘鹏坤. 引入注意力机制的多分辨率人体姿态估计研究[J]. 计算机工程与应用, 2021, 57(8): 126-132.
[8]	董旭彬，赵清华. 改进Mask R-CNN在航空影像目标检测的研究应用[J]. 计算机工程与应用, 2021, 57(8): 133-144.
[9]	王玲，王家沛，王鹏，孙爽滋. 融合注意力机制的孪生网络目标跟踪算法研究[J]. 计算机工程与应用, 2021, 57(8): 169-174.
[10]	李中道，刘元盛，常飞翔，张军，路铭. 室内环境下UWB与LiDAR融合定位算法研究[J]. 计算机工程与应用, 2021, 57(6): 260-266.
[11]	刘畅，邱卫根，张立臣. 基于可变形掩膜对齐卷积模型的行人再识别[J]. 计算机工程与应用, 2021, 57(5): 146-152.
[12]	韩文静，罗晓曙，杨日星. 一种复合型手势识别方法研究[J]. 计算机工程与应用, 2021, 57(4): 108-113.
[13]	赵辉，李志伟，方禄发. 特征信息增强的单发多框检测器算法[J]. 计算机工程与应用, 2021, 57(4): 148-154.
[14]	顾梅花，王苗苗，李立瑶，冯婧. 彩色图像多尺度融合灰度化算法[J]. 计算机工程与应用, 2021, 57(4): 209-215.
[15]	陈世明，林子朋，高彦丽，裴惠琴. 自适应耦合权重下的异质群体一致性研究[J]. 计算机工程与应用, 2021, 57(4): 231-235.