CN114897106A - 一种基于模糊理论与vikor方法的关键质量特性评价方法 - Google Patents

一种基于模糊理论与vikor方法的关键质量特性评价方法 Download PDF

Info

Publication number
CN114897106A
CN114897106A CN202210732855.8A CN202210732855A CN114897106A CN 114897106 A CN114897106 A CN 114897106A CN 202210732855 A CN202210732855 A CN 202210732855A CN 114897106 A CN114897106 A CN 114897106A
Authority
CN
China
Prior art keywords
vikor
quality characteristic
key quality
objective
product
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN202210732855.8A
Other languages
English (en)
Inventor
潘荣顺
赵永满
余佳昊
周雪
魏子凯
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shihezi University
Original Assignee
Shihezi University
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Shihezi University filed Critical Shihezi University
Priority to CN202210732855.8A priority Critical patent/CN114897106A/zh
Publication of CN114897106A publication Critical patent/CN114897106A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/211—Selection of the most significant subset of features
    • G06F18/2111—Selection of the most significant subset of features by using evolutionary computational techniques, e.g. genetic algorithms
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/211—Selection of the most significant subset of features
    • G06F18/2113—Selection of the most significant subset of features by ranking or filtering the set of features, e.g. using a measure of variance or of feature cross-correlation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/243—Classification techniques relating to the number of classes
    • G06F18/24323—Tree-organised classifiers
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G06N20/20—Ensemble learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/12—Computing arrangements based on biological models using genetic models
    • G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N5/00—Computing arrangements using knowledge-based models
    • G06N5/01—Dynamic search techniques; Heuristics; Dynamic trees; Branch-and-bound
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/30—Computing systems specially adapted for manufacturing

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Computing Systems (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Biophysics (AREA)
  • Mathematical Physics (AREA)
  • Physiology (AREA)
  • Computational Linguistics (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Genetics & Genomics (AREA)
  • Biomedical Technology (AREA)
  • Molecular Biology (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种基于模糊理论与VIKOR方法的产品关键质量特性的评价方法，步骤如下：先通过车间数字化检测来获取生产过程中的多元质量特性数据信息，形成产品质量特性数据集；将其输入多目标优化特征选择算法，得到关键质量特性集的Pareto最优解集；将关键质量特性集的Pareto最优解集整合，将各目标函数值作为评价指标值；最终使用改进VIKOR方法对Pareto最优解集进行排序选出最优折衷解。本发明考虑了多元质量特性对产品最终质量的复杂影响，准确分析产品中关键质量特性，为关键质量特性识别提供借鉴，为质量控制决策提供支撑，提高对产品质量预测能力。

Description

一种基于模糊理论与VIKOR方法的关键质量特性评价方法
技术领域
本发明提供一种基于模糊理论与VIKOR方法的关键质量特性评价方法，属于智能制造和质量管理领域。
背景技术
在如今现代化的工业生产中，产品生产过程中会产生海量的过程数据和质量特性数据，其中有生产环境数据、产品特性数据、装配特性数据和客户需求特性数据等等。其中一些质量特性对产品的质量有十分重要的影响，有些却对其影响甚微，因此，识别与产品质量密切相关的关键质量特性对产品的持续性改进、产品的质量预测以及产品的质量控制具有十分重要的意义。
传统的关键质量特性识别方法包括关键特性展开和质量功能展开等，但质量特性间影响关系复杂，传统定性、定量方法难以确定各质量特性的相互影响和关键程度。随着计算机技术的发展，在多目标优化算法和机器学习模型结合的基础上，利用工业生产中的质量特性数据，给出了关键质量特性的识别方法。中国发明专利申请号为CN202110752786.2，公开了一种基于多目标进化随机森林特征选择的关键质量特性识别方法，用于生产过程中的产品持续性改进，提高产品质量控制及产品质量预测等能力。
本发明在基于多目标进化特征选择算法的关键质量特性识别方法的基础上将关键质量特性集的Pareto最优解集整合，将各目标函数值作为评价指标值；最终使用改进VIKOR方法对Pareto最优解集进行排序选出最优折衷解，准确分析产品中关键质量特性，为关键质量特性识别提供借鉴，为质量控制决策提供支撑，提高对产品质量预测能力。
发明内容
（1）发明目的
本发明的目的是提供一种基于模糊理论与VIKOR方法的关键质量特性评价方法，以解决目前识别和评价关键质量特性时Pareto集合难以决策的问题。
（2）技术方案
本发明为解决上述问题提供了一种基于模糊理论与VIKOR方法的关键质量特性评价方法，如附图1所示，该方法包括以下步骤：
步骤1：通过车间数字化检测来获取生产过程中的多元质量特性数据信息，形成产品质量特性数据集；
步骤2：将基于步骤1得到的产品质量特性数据集，输入多目标优化特征选择算法，得到关键质量特性集的Pareto最优解集；
步骤3：将基于步骤2得到的关键质量特性集的Pareto最优解集整合，将各目标函数值作为评价指标值；
步骤4：最终使用改进VIKOR方法对Pareto最优解集进行排序选出最优折衷解。
其中，在步骤1中所述产品质量特性数据集，其构成如附图2所示，是指是指对同一研究对象（产品）而言，具有一定数量的质量特性（特征属性）、一定数量的样本（抽检产品）和每个样本（抽检产品）明确分类的数据集。
其中，在步骤2所述多目标进化特征选择算法由两部分组成，一是多目标进化算法，包括但不限于：NSGA-II, NASGA-III, MOEA/D, MOPSO等，利用Matlab软件实现；二是机器学习分类器，包括但不限于：Randomforest, Catboost, XGboost, SVM等，利用Python实现，整体算法实现过程由Matlab和Python交互实现。本发明多目标进化算法，选取NSGAⅡ算法，机器学习分类器选取随机森林算法，算法流程如图3所示。
其中，在步骤2所述多目标进化特征选择算法目标函数由生产实际要求给出，包括但不限于：MinF(s)={f 1 (x),f 2 (x),f 3 (x)...f m (x)}。f 1~m 为第一类错误率、第二类错误率，F-1 score，G-mean等。
其中，在步骤2所述Pareto最优解，对于最小化多目标优化问题，对于n个目标分量f i (s),(i=1,2,…,n)，任意给定两个决策变量X a ,X b ，如果有以下两个条件成立，则称X a 支配X b ：
对于任意i∈1,2,…,n，都有f i (X a )≤f i (X b )成立；
存在i∈1,2,…,n，使得f i (X a )≤f i (X b )成立；
如果对于一个决策变量，不存在其他决策变量能够支配他，那么就称该决策变量为非支配解，在一组解中，非支配解Pareto等级定义为1，将非支配解从解的集合中删除，剩下解的Pareto等级定义为2，依次类推，可以得到该解集合中所有解的Pareto等级，Pareto等级排序如图4所示。
其中，在步骤3所述基于步骤2得到的Pareto最优解集为汇总n个Pareto最优解在相应优化目标下的m个目标函数值，得到n×m的评价数值矩阵，矩阵中行标签为方案编号，列标签为评价指标,如图5所示。
其中，在步骤4所述基于步骤3得到的评价数值矩阵和改进VIKOR方法选出最优折衷关键质量特性集，其中,改进VIKOR方法利用熵权方法获得多个评价指标的客观权重，三角模糊数确定多个评价指标的主观权重并组合赋权最终得出综合权重。改进VIKOR方法具体步骤如下：
1)汇总步骤3中得到的Pareto最优解集：汇总n个Pareto最优解在相应优化目标下的m个适应度值，并进行归一化得到f n×m ；
2)熵权法确定客观权重，三角模糊数确定主观权重，乘除法确定组合权重ω，并建立标准决策矩阵ω·f n×m 。确定正负理想解和临界评价值；
2-1：熵权法权重ω j ：
Figure 250645DEST_PATH_IMAGE001
信息熵E j ：
Figure 495681DEST_PATH_IMAGE002
标准化矩阵中f ij 在该指标数据中的占有率p ij
Figure 337735DEST_PATH_IMAGE003
2-2：三角模糊数确定主观权重：
表1：语言变量和三角模糊数的对应关系
指标重要性 三角模糊数
非常低 (0,0,0.2)
低 (0,0.1,0.25)
较低 (0,0.3,0.45)
中等 (0.25,0.5,0.65)
较高 (0.45,0.7,0.8)
高 (0.55,0.9,0.95)
非常高 (0.85,1,1)
决策人员B k 对优化目标的模糊权重向量为：
Figure 201786DEST_PATH_IMAGE004
汇总不同决策人员权重向量为：
Figure 16159DEST_PATH_IMAGE005
Figure 697676DEST_PATH_IMAGE006
获取优化目标主观权重：
Figure 433550DEST_PATH_IMAGE007
2-3：乘除法确定组合权重
Figure 694767DEST_PATH_IMAGE008
r表示客观权重和主观权重在总权重中的比例系数，0≦r≦1
3)计算各Pareto最优解的群体效用值S i 和个体遗憾值R i ；
Figure 832488DEST_PATH_IMAGE009
Figure 357010DEST_PATH_IMAGE010
4)计算各Pareto最优解方案的折衷值Q i ；
Figure 439236DEST_PATH_IMAGE011
其中v是比例系数，0≦v≦1
5)按照Q i 值递增的方式对Pateto最优解集X进行排序得到X 1, X 2,…, X n ，若X 1为最优选择装配方案，且同时满足条件1和条件2，X 1就是在决策过程最稳定的方案：
条件1：Q(X 1)－Q(X 2)≧1/(n－1)；
条件2：选择装配方案在基于Q值排序后，排序第一位的方案X 1必须比排序第2位方案X 2的S值或者R值表现更好；
若以上两个条件不能同时成立，则得到妥协解方案，分为两种情况：
1若只有条件2不满足，则妥协解方案为X 1, X 2；
2若条件1不满足，则妥协解方案为X 1, X 2,…, X i ，其中i是由Q(X 1)－Q(X 2) < 1/(n－1)确定最大化的i值。
附图说明
图1是本发明所述方法的流程框图。
图2是产品质量特性数据集的结构图。
图3是多目标进化随机森林特征选择算法流程图。
图4非支配排序后Pareto等级排序图。
图5是数值矩阵示例图。
具体实施方式
本发明提供了一种基于多目标进化随机森林特征选择的关键质量特性识别方法，下面将结合附图对发明做进一步详细说明。
步骤1：通过车间数字化检测来获取生产过程中的多元质量特性数据信息，形成产品质量特性数据集；其中，在步骤1中所述产品质量特性数据集，其构成如附图2所示，是指是指对同一研究对象（产品）而言，具有一定数量的质量特性（特征属性）、一定数量的样本（抽检产品）和每个样本（抽检产品）明确分类的数据集。
步骤2：将基于步骤1得到的产品质量特性数据集，输入多目标优化特征选择算法，得到关键质量特性集的Pareto最优解集；其中在步骤2所述多目标进化特征选择算法目标函数由生产实际要求给出，包括但不限于：MinF(s)={f 1 (x),f 2 (x),f 3 (x)...f m (x)}。f 1~m 为第一类错误率、第二类错误率，F-1 score，G-mean等；
其中，在步骤2所述多目标进化特征选择算法由两部分组成，一是多目标进化算法，包括但不限于：NSGA-II, NASGA-III, MOEA/D, MOPSO等，利用Matlab软件实现；二是机器学习分类器，包括但不限于：Randomforest, Catboost, XGboost, SVM等，利用Python实现，整体算法实现过程由Matlab和Python交互实现。本发明多目标进化算法，选取NSGAⅡ算法，机器学习分类器选取随机森林算法，算法流程如图3所示；
其中在步骤2所述Pareto最优解，对于最小化多目标优化问题，对于n个目标分量f i (s),(i=1,2,…,n)，任意给定两个决策变量X a ,X b ，如果有以下两个条件成立，则称X a 支配X b ：
对于任意i∈1,2,…,n，都有f i (X a )≤f i (X b )成立；
存在i∈1,2,…,n，使得f i (X a )≤f i (X b )成立；
如果对于一个决策变量，不存在其他决策变量能够支配他，那么就称该决策变量为非支配解，在一组解中，非支配解Pareto等级定义为1，将非支配解从解的集合中删除，剩下解的Pareto等级定义为2，依次类推，可以得到该解集合中所有解的Pareto等级，Pareto等级排序如图4所示。
步骤3：将基于步骤2得到的关键质量特性集的Pareto最优解集整合，将各目标函数值作为评价指标值；
在步骤3所述基于步骤2得到的Pareto最优解集为汇总n个Pareto最优解在相应优化目标下的m个目标函数值，得到n×m的评价数值矩阵，矩阵中行标签为方案编号，列标签为评价指标，如附图5所示。
步骤4：最终使用改进VIKOR方法对Pareto最优解集进行排序选出最优折衷解。其中，在步骤4所述基于步骤3得到的评价数值矩阵和改进VIKOR方法选出最优折衷关键质量特性集，其中,改进VIKOR方法利用熵权方法获得多个评价指标的客观权重，三角模糊数确定多个评价指标的主观权重并组合赋权最终得出综合权重。改进VIKOR方法具体步骤如下：
1）汇总步骤3中得到的Pareto最优解集：汇总n个Pareto最优解在相应优化目标下的m个适应度值，并进行归一化得到f n×m ；
2）熵权法确定客观权重，三角模糊数确定主观权重，乘除法确定组合权重ω，并建立标准决策矩阵ω·f n×m 。确定正负理想解和临界评价值；
2-1：熵权法权重ω j ：
Figure 910668DEST_PATH_IMAGE001
信息熵E j ：
Figure 27529DEST_PATH_IMAGE002
标准化矩阵中f ij 在该指标数据中的占有率p ij
Figure 660635DEST_PATH_IMAGE003
2-2：三角模糊数确定主观权重：
表1：语言变量和三角模糊数的对应关系
指标重要性 三角模糊数
非常低 (0,0,0.2)
低 (0,0.1,0.25)
较低 (0,0.3,0.45)
中等 (0.25,0.5,0.65)
较高 (0.45,0.7,0.8)
高 (0.55,0.9,0.95)
非常高 (0.85,1,1)
决策人员B k 对优化目标的模糊权重向量为：
Figure 495736DEST_PATH_IMAGE004
汇总不同决策人员权重向量为：
Figure 505280DEST_PATH_IMAGE005
Figure 476648DEST_PATH_IMAGE006
获取优化目标主观权重：
Figure 546235DEST_PATH_IMAGE007
2-3：乘除法确定组合权重
Figure 603052DEST_PATH_IMAGE008
r表示客观权重和主观权重在总权重中的比例系数，0≦r≦1
3）计算各Pareto最优解的群体效用值S i 和个体遗憾值R i ；
Figure 416288DEST_PATH_IMAGE009
Figure 242161DEST_PATH_IMAGE010
4）计算各Pareto最优解方案的折衷值Q i
Figure 217070DEST_PATH_IMAGE011
其中v是比例系数，0≦v≦1
5）按照Q i 值递增的方式对Pateto最优解集X进行排序得到X 1, X 2,…, X n ，若X 1为最优选择装配方案，且同时满足条件1和条件2，X 1就是在决策过程最稳定的方案；
条件1：Q(X 1)－Q(X 2)≧1/(n－1)；
条件2：选择装配方案在基于Q值排序后，排序第一位的方案X 1必须比排序第2位方案X 2的S值或者R值表现更好；
若以上两个条件不能同时成立，则得到妥协解方案，分为两种情况：
1若只有条件2不满足，则妥协解方案为X 1, X 2；
2若条件1不满足，则妥协解方案为X 1, X 2,…, X i ，其中i是由Q(X 1)－Q(X 2) < 1/(n－1)确定最大化的i值。
最后需要说明的是，以上实施方式仅用以说明发明的技术方案而非限制，尽管申请人对本发明进行了详细说明，本领域的普通技术人员应当理解，那些对本发明的技术方案进行修改或者等同替换，而不脱离本发明技术方案的宗旨和范围，均应涵盖在本发明的权利要求范围当中。

Claims (6)

1.一种基于模糊理论与VIKOR方法的关键质量特性评价方法，其特征在于， 包括以下步骤：
步骤1：通过车间数字化检测来获取生产过程中的多元质量特性数据信息，形成产品质量特性数据集；
步骤2：将基于步骤1得到的产品质量特性数据集，输入多目标优化特征选择算法，得到关键质量特性集的Pareto最优解集；
步骤3：将基于步骤2得到的关键质量特性集的Pareto最优解集整合，将各目标函数值作为评价指标值；
步骤4：最终使用改进VIKOR方法对Pareto最优解集进行排序选出最优折衷解。
2.根据权利要求1所述一种基于模糊理论与VIKOR方法的关键质量特性评价方法，其特征在于：步骤1中所述产品质量特性数据集是指对同一研究对象（产品）而言，具有一定数量的质量特性（特征属性）、一定数量的样本（抽检产品）和每个样本（抽检产品）明确分类的数据集。
3. 根据权利要求1所述一种基于模糊理论与VIKOR方法的关键质量特性评价方法，其特征在于：步骤2所述多目标优化特征选择算法由多目标优化算法由两部分组成，一是多目标进化算法，包括但不限于：NSGA-II, NASGA-III, MOEA/D, MOPSO等，利用Matlab软件实现；二是机器学习分类器，包括但不限于：Randomforest, Catboost, XGboost, SVM等，利用Python实现，整体算法实现过程由Matlab和Python交互实现。
4. 根据权利要求1所述的一种基于模糊理论与VIKOR方法的关键质量特性评价方法，其特征在于：步骤2所述多目标进化随机森林特征选择算法目标函数由生产实际要求给出，包括但不限于：MinF(s)={f 1 (x),f 2 (x),f 3 (x)...f m (x)}，f 1~m 为第一类错误率、第二类错误率，F-1 score，G-mean等。
5.根据权利要求1所述一种基于模糊理论与VIKOR方法的关键质量特性评价方法，其特征在于：步骤3所述基于步骤2得到的Pareto最优解集为汇总n个Pareto最优解在相应优化目标下的m个目标函数值，得到n×m的评价数值矩阵，矩阵中行标签为方案编号，列标签为评价指标。
6.据权利要求1所述一种一种基于模糊理论与VIKOR方法的关键质量特性评价方法，其特征在于，步骤4所述基于步骤3得到的评价数值矩阵和改进VIKOR方法选出最优折衷关键质量特性集，其中,改进VIKOR方法利用熵权方法获得多个评价指标的客观权重，三角模糊数确定多个评价指标的主观权重并组合赋权最终得出综合权重。
CN202210732855.8A 2022-06-27 2022-06-27 一种基于模糊理论与vikor方法的关键质量特性评价方法 Pending CN114897106A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210732855.8A CN114897106A (zh) 2022-06-27 2022-06-27 一种基于模糊理论与vikor方法的关键质量特性评价方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210732855.8A CN114897106A (zh) 2022-06-27 2022-06-27 一种基于模糊理论与vikor方法的关键质量特性评价方法

Publications (1)

Publication Number Publication Date
CN114897106A true CN114897106A (zh) 2022-08-12

Family

ID=82729923

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210732855.8A Pending CN114897106A (zh) 2022-06-27 2022-06-27 一种基于模糊理论与vikor方法的关键质量特性评价方法

Country Status (1)

Country Link
CN (1) CN114897106A (zh)

Similar Documents

Publication Publication Date Title
CN112070125A (zh) 一种基于孤立森林学习的不平衡数据集的预测方法
CN110956273A (zh) 融合多种机器学习模型的征信评分方法及系统
CN108681742B (zh) 用于分析司机驾驶行为对车辆能耗敏感性的分析方法
CN111639882B (zh) 一种基于深度学习的用电风险的判定方法
CN109858544A (zh) 基于区间阴影集和密度峰值聚类的钢材质量检测方法
CN112633337A (zh) 一种基于聚类和边界点的不平衡数据处理方法
CN111784204A (zh) 一种基于用户用电行为画像的优质用户挖掘方法及系统
CN111291822A (zh) 基于模糊聚类最优k值选择算法的设备运行状态判断方法
CN111338950A (zh) 一种基于谱聚类的软件缺陷特征选择方法
CN114091791B (zh) 一种基于改进dea的ahp的物流绩效评估方法
CN113327047B (zh) 基于模糊综合模型的电力营销服务渠道决策方法及系统
CN112418987B (zh) 交通运输单位信用评级方法、系统、电子设备及存储介质
CN113591947A (zh) 基于用电行为的电力数据聚类方法、装置和存储介质
CN114626655A (zh) 一种区域综合能源系统多标准综合评价方法
CN112149052A (zh) 一种基于plr-dtw的日负荷曲线聚类方法
CN114897106A (zh) 一种基于模糊理论与vikor方法的关键质量特性评价方法
CN115829683A (zh) 一种基于逆奖赏学习优化的电力积分商品推荐方法及系统
Himani et al. A comparative study on machine learning based prediction of citations of articles
CN112288571B (zh) 一种基于快速构建邻域覆盖的个人信用风险评估方法
CN115271442A (zh) 基于自然语言评估企业成长性的建模方法及系统
CN114091961A (zh) 一种基于半监督svm的电力企业供应商评价方法
CN113657441A (zh) 基于加权皮尔逊相关系数并结合特征筛选的分类算法
WO1992017853A2 (en) Direct data base analysis, forecasting and diagnosis method
CN112785004A (zh) 一种基于粗糙集理论和d-s证据理论的温室智能决策方法
CN113269217A (zh) 基于Fisher准则的雷达目标分类方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination