基于改进TOPSIS法的装备维修任务优先级确定方法

针对当前装备维修任务优先级由装备保障指挥员根据自身经验确定而缺乏依据的问题,提出基于马氏距离的改进TOPSIS法确定装备维修任务优先级的方法。通过分析战时装备维修保障的特点,构建装备维修任务评价指标体系,运用AHP确定各评价指标的权重,依据马氏距离能够有效剥离指标之间相关性的特性,运用基于马氏距离的改进TOPSIS法计算各装备维修任务的贴近度,从而确定装备维修任务的优先级。新方法在战时能够为装备保障指挥员确定装备维修任务优先级提供合理依据。     

基于区间直觉模糊集的供应商选择方法

提出一种基于区间直觉模糊集和TOPSIS法的供应商选择方法。给出了区间直觉模糊集的概念,定义了区间直觉模糊集之间的距离测度,在此基础上,将区间直觉模糊集和TOPSIS法相结合,提出了一种供应商选择的新方法,算例分析说明了该方法的有效性。     

非均衡语言信息的计算方法及其在TOPSIS法中的应用

大多用语言描述偏好的决策问题假设语言是均匀、对称分布的,然而有些问题需要采用非均衡语言.针对这一问题,提出一种基于符号化方法的语言计算模型.首先,构造一种基于基础语言集合的加权图,用图形中的点描述非均衡语言;然后,定义图形中任意两点间的曼哈顿距离公式,用于计算非均衡语言的距离;最后,将其用于逼近于理想值的排序方法(TOPSIS),并给出算例.所提出的方法不仅图像化非均衡语言,而且在解决TOPSIS问题时比欧氏距离测度更具优越性.     

基于多属性决策TOPSIS的簇头选择

针对LEACH协议中因簇头数目和分布位置不合理导致网络能耗不均衡的问题,利用多属性决策逼近理想解排序法(TOPSIS)进行簇头选择。综合考虑节点的剩余能量、邻居节点数量、到基站的距离和传输范围,使用Pareto最优解选择一组簇头,进而通过TOPSIS算法进行排序选出最佳簇头。仿真结果表明,TOPSIS在剩余节点数和网络能耗上优于LEACH和AHP算法,能够有效延长网络生命周期,使网络能耗更均衡。     

基于fuzzy TOPSIS的资源服务优化选择算法

为了提高用户满意度,需要在大量具有相同或相似功能的资源服务中筛选出满足用户需求的最优资源服务,从而实现资源服务的增值。以三角模糊数表达用户对资源服务非功能QoS评价为基础,在考虑用户的感知和交易经验的同时,综合考虑了资源服务非功能QoS评价合成中的各种因素(如时间、用户信誉度、评价一致性等)的影响,结合模糊(fuzzy)理论以及逼近理想解排序,进而提出了基于fuzzy TOPSIS的资源服务优化选择算法。实验结果表明,该算法具有较高的准确度,并可在一定程度上抵制恶意评价对资源服务质量评价的影响。     

基于直觉梯形模糊TOPSIS的多属性群决策方法

提出一种改进的逼近理想解排序(TOPSIS)方法,即直觉梯形模糊TOPSIS多属性群决策方法。首先,应用直觉梯形模糊数形式表示方案属性偏好和属性权重信息且专家权重完全未知;然后,利用直觉梯形模糊数间距离测度和期望值及直觉梯形模糊加权平均算子来确定决策者权重信息和属性权重信息;进而给出直觉梯形模糊环境下方案优选的算法;最后,通过算例进一步说明了该直觉梯形模糊TOPSIS方法的有效性。     

基于马氏距离统计监控指标的应用研究

分析了基于欧几里德距离的 SPE 指标和基于马氏距离的改进 SPE 监控指标, 针对过程变量正态分布的特性, 提出一种基于马氏距离的综合监控指标, 减少了监控工作量, 改善了监控效果.     

基于模糊集与TOPSIS的工作流任务分配方法研究*

为了解决工作流中任务的自动优选分配问题,提出了一种基于模糊集与TOPSIS的任务分配方法。在详细分析任务分配影响因素的基础上,建立了工作流任务分配决策模型。引入模糊集对模糊元素的处理,进而讨论了模型中的各决策属性及其权重的计算方法。在此基础上,设计了以逼近理想解排序法（TOPSIS）为核心的模型求解算法,用以获取任务执行的最优人选。最后,通过实例验证了该方法的合理性与适用性。     

基于马氏距离的遥感图像高温目标识别方法研究

高温目标(森林火灾、草原火、煤层自燃、火山喷发等)具有显著区别于常温地物的波谱特性.马氏距离相当于加权的欧式距离,在多元统计分析中被用于多维数据的分类.分别采用马氏距离多元截尾法和马氏距离多类判别法对ETM+遥感图像进行高温目标识别,结果表明:两种方法具有较好的一致性.在异点识别的基础上,对所得结果的光谱特性深入分析,可明确所提异点的物理意义并提取真正的高温目标.经野外验证,两种方法的结合可有效提高高温目标识别精度,分别可达到88.01％和88.09％.     

基于马氏距离的方体模型及其在病毒预警中的应用

从几何学的角度探讨了人工免疫系统搜索空间的表示方法以及识别器的构造模型。重点讨论了超球体模型和方体模型的缺陷。提出了一个具有空间自适应能力的方体模型,运用贪婪策略,通过膨胀,收缩自适应地调节识别器的体积。实验表明,方体模型能较好地适应不规则的SELF点集分布,然而贪婪策略却导致该模型具有较高的误报率。借鉴方体模型空间自适应优势,提出了一个基于马氏距离的方体模型(CMMD)。     

Evaluation of the provincial competitiveness of the Chinese high-tech industry using an improved TOPSIS method

Evaluation of the competitiveness of high-tech industry is a technical decision-making issue involving multiple criteria. It is also a practical path to promote a country’s competitiveness. However, the competitiveness indicators in high-tech industry often act and react upon one another. Moreover, different dimensions and indicator weights also affect the evaluation results. In this paper, the Mahalanobis distance is used to improve the traditional technique for order preference by similarity to ideal solution (TOPSIS). The improved TOPSIS method has the following properties: (1) an improved relative closeness which is invariant after non-singular linear transformation, and (2) the weighted Mahalanobis distance is the same as the weighted Euclidean distance when the indicators are uncorrelated. The new method is applied to evaluate the competitiveness of the Chinese high-tech industry using data from 2011. Consideration of the correlation between indicators improves the evaluation results (in terms of sorting and closeness) to a certain extent compared to the traditional TOPSIS method. The top five provinces are: Guangdong, Jiangsu, Shanghai, Beijing, and Shandong. This finding reflects the practical linkage among provinces and softens the closeness value, consistent with reality.     

基于多类数据分类的改进克隆选择算法

针对传统的克隆选择算法(CSA)只依次单独针对某一类样本数据进行监督学习从而造成分类效率和精确度不高的问题,提出一种基于改进克隆选择算法的多类监督分类算法。算法通过进化学习可以同时获得多类样本数据的最佳聚类中心,进化过程中抗体适度值的计算综合考虑各类的类内相似性和类间差异性,从而保证得到的最佳聚类中心更具代表性。后续的分类实验中,分别利用常用的4组UCI数据和红树林多光谱TM遥感图像对算法进行验证,实验结果表明遥感图像的分类总精度达到92%,Kappa系数为0.91,UCI数据分类结果也较好,证明该算法是一种有效的多类数据分类算法。     

基于距离度量和健康指数的电子设备健康评估方法

依据监测参数对系统进行健康评估,可以了解系统在工作过程中的健康状态,并通过预防维修避免系统故障带来的安全隐患;电子设备的健康状态容易受到随机干扰的影响产生虚警从而导致不必要的维修,为此提出一种通过多参数距离度量来构建健康指数从而进行系统综合健康评估的方法;利用马氏距离对监测的多个系统性能参数时间序列进行降维,基于核函数最优分段间隔估计对数据的直方图分布进行统计,利用加权分数贡献率来构建健康指数;通过电脑的实验与仿真数据进行了验证,给出了单参数异常和多参数同时异常情况下的评估结果;研究表明,该方法不仅能对系统的健康状态进行有效的评估,而且能够降低随机突发干扰产生的虚警。     

基于数据挖掘的油田企业供应商选择

选择合适的供应商,有效控制油田企业成本,是油田企业提升盈利水平、持续健康发展的重中之重。在大数据时代下,伴随着供应链全球化的趋势日益增强,供应商的数量愈加巨大,以往对供应商的选择方式已经不适用于企业科学有效地选择供应商的需求。文章基于数据挖掘的理念,研究某油田企业现有的某一领域供应商评价指标分值,并以此作为数据样本,应用聚类分析中的K-means算法对供应商评价指标分值进行聚类分析。将供应商进行分类,挖掘供应商评价指标分值的分布特点及规律,构建适合油田企业的科学、规范、高效的供应商选择体系,摒弃传统选择方式无法避免的主观性、随机性和偶然性等弊端,为油田企业决策者挑选最合适的供应商作为战略合作伙伴提供了科学、有效的依据。     

供应商选择的组合多属性群决策

为解决图书供应商选择问题,建立同时考虑多个属性,由多人进行决策的组合多属性群决策模型。先用TOPSIS法求出单个决策者对各供应商的综合评价值,再用三种不同的社会选择函数分别对个体偏好进行集结,然后将三种结果进行组合,得出决策群体对供应商的最终排序结果。最后以一个实例说明模型的应用。该方法可提高供应商选择的有效性。     

对模糊聚类分析法的改进及其在SRM中的应用

针对传统模糊聚类分析法在信息系统的决策分析中无法有效解决各因素之间的相关性干扰,以及不同特征属性对聚类目标存在重要性差异等问题,本文提出一种融合层次分析法、Mahalanobis距离法及专家群决策法的改进模糊聚类分析法。在特征属性的重要性处理环节,层次分析法用于判断不同特征属性的相对重要性差异;引入Mahalanobis距离法进行相似矩阵的构建,能解决变量之间的相关性干扰问题;专家群决策法用于确定最佳阈值λ,能最大程度地降低主观因素对评价结论的不利影响。在SRM中的应用实验结果表明,改进的模糊聚类分析法在客观性和准确性上更能满足信息系统决策分析的需要。     

马田系统研究进展

马田系统是一种产生于质量工程学领域中的模式识别方法,该方法能够在不平衡数据环境中进行异常值识别和特征选择,并且不需要任何数据分布假设,具有样本需求量小、原理简单和易于操作等优点.为更好地促进马田系统理论及应用研究,首先对马田系统的异常值识别和特征选择原理进行介绍;然后从马氏距离、信噪比、马氏空间、特征选择、阈值、数据环境和应用等7个方面,梳理马田系统的研究进展;最后,对马田系统研究进展进行总结,指出马田系统仍存在的问题以及未来可能的研究方向.     

On the discriminability of keystroke feature vectors used in fixed text keystroke authentication

Heterogeneous and aggregate vectors are the two widely used feature vectors in fixed text keystroke authentication. In this paper, we address the question “Which vectors, heterogeneous, aggregate, or a combination of both, are more discriminative and why?” We accomplish this in three ways - (1) by providing an intuitive example to illustrate how aggregation of features inherently reduces discriminability; (2) by formulating “discriminability” as a non-parametric estimate of Bhattacharya distance, we show theoretically that the discriminability of a heterogeneous vector is higher than an aggregate vector; and (3) by conducting user recognition experiments using a dataset containing keystrokes from 33 users typing a 32-character reference text, we empirically validate our theoretical analysis. To compare the discriminability of heterogeneous and aggregate vectors with different combinations of keystroke features, we conduct feature selection analysis using three methods: (1) ReliefF, (2) correlation based feature selection, and (3) consistency based feature selection. Results of feature selection analysis reinforce the findings of our theoretical analysis.     

An interpretation of Mahalanobis distance in the dual space

Using the concept of a dual space, nk-dimensional vectors can be viewed as k points in an n-dimensional co-ordinate system. The relationships between the basic statistical properties of a k-variate sample and the geometrical properties of such a space are developed and the concept extended to two samples drawn from different populations, with derivation of the geometrical meaning of Mahalanobis distance. This geometrical approach provides valuable insight into why different feature subsets may or may not have high discriminatory potential, and shows that clustering in the dual space, or its subspaces, does not necessarily yield an effective feature selection technique.