2.793

2018影响因子

(CJCR)

  • 中文核心
  • EI
  • 中国科技核心
  • Scopus
  • CSCD
  • 英国科学文摘

留言板

尊敬的读者、作者、审稿人, 关于本刊的投稿、审稿、编辑和出版的任何问题, 您可以本页添加留言。我们将尽快给您答复。谢谢您的支持!

姓名
邮箱
手机号码
标题
留言内容
验证码

实体异构性下证据链融合推理的多属性群决策

沈江 余海燕 徐曼

沈江, 余海燕, 徐曼. 实体异构性下证据链融合推理的多属性群决策. 自动化学报, 2015, 41(4): 832-842. doi: 10.16383/j.aas.2015.c140650
引用本文: 沈江, 余海燕, 徐曼. 实体异构性下证据链融合推理的多属性群决策. 自动化学报, 2015, 41(4): 832-842. doi: 10.16383/j.aas.2015.c140650
SHEN Jiang, YU Hai-Yan, XU Man. Heterogeneous Evidence Chains Based Fusion Reasoning for Multi-attribute Group Decision Making. ACTA AUTOMATICA SINICA, 2015, 41(4): 832-842. doi: 10.16383/j.aas.2015.c140650
Citation: SHEN Jiang, YU Hai-Yan, XU Man. Heterogeneous Evidence Chains Based Fusion Reasoning for Multi-attribute Group Decision Making. ACTA AUTOMATICA SINICA, 2015, 41(4): 832-842. doi: 10.16383/j.aas.2015.c140650

实体异构性下证据链融合推理的多属性群决策


DOI: 10.16383/j.aas.2015.c140650
详细信息
    作者简介:

    沈江 天津大学管理与经济学部教授.主要研究方向为信息融合,多传感器数据获取和群决策.E-mail:motoshen@163.com

    通讯作者: 徐曼 南开大学工业工程系讲师,2011年获得天津大学博士学位.主要研究方向为基于规则推理,信息融合和医疗诊断决策.本文通信作者.E-mail:twinklexu@163.com
  • 基金项目:

    国家自然科学基金(71171143,71201087,71271122),天津市科技支撑计划重点项目(13ZCZDSF01900),中央高校基本科研业务费专项资金资助项目(NKZXB1458)资助

Heterogeneous Evidence Chains Based Fusion Reasoning for Multi-attribute Group Decision Making

More Information
  • Fund Project:

    Supported by National Natural Science Foundation of China(71171143, 71201087, 71271122), Key Project of Science and Technology Supporting Program in Tianjin(13ZCZDSF01900), and Fundamental Research Funds for the Central Universities(NKZXB1458)

  • 摘要: 针对多属性群决策中可解释性证据融合推理的实体异构性问题,给出了一个实体异构性下证据链融合推理的多属性群决策方法.基于证据推理理论,引入证据链关联的概念,从多数据表提供的数据矩阵中获取可区分的近邻证据集,推导了各数据表的相似度矩阵,并构建半正定矩阵的二次优化模型,共享群决策专家的经验知识.使用Dempster正交规则,论证了异构实体之间可解释性推理中可信度融合的合理性,并使用证据融合规则集成各个数据表的近邻证据中获得的可信度,验证了调和多源异构数据中不一致信息的有效性.通过具有实体异构性的心脏病多决策数据诊断实例说明了方法的可行性与合理性.
  • [1] Scott D, Lee J, Silva I, Park S, Moody G, Celi L, Mark R G. Accessing the public MIMIC-Ⅱ intensive care relational database for clinical research. BMC Medical Informatics and Decision Making, 2013, 13:9
    [2] [2] Scott M, Boardman R P, Reed P A, Cox S J. Managing heterogeneous datasets. Information Systems, 2014, 44:34-53
    [3] [3] Hoffmann S, Fischbeck P, Krupnick A, McWilliams M. Elicitation from Large, Heterogeneous expert panels:using multiple uncertainty measures to characterize information quality for decision analysis. Decision Analysis, 2007, 4(2):91-109
    [4] [4] Krishnan R, Li X P, Steier D, Zhao L. On heterogeneous database retrieval:a cognitively guided approach. Information Systems Research, 2001, 12(3):286-301
    [5] [5] Baron J, Mellers B A, Tetlock P E, Stone E, Ungar L. Two reasons to make aggregated probability forecasts more extreme. Decision Analysis, 2014, 11(2):133-145
    [6] [6] O'Leary D E. Artificial intelligence and big data. IEEE Intelligent Systems, 2013, 28(2):96-99
    [7] [7] Fan J Q, Han F, Liu H. Challenges of big data analysis. National Science Review, 2014, 12(1):293-314
    [8] [8] Mehenni T, Moussaoui A. Data mining from multiple heterogeneous relational databases using decision tree classification. Pattern Recognition Letters, 2012, 33(13):1768-1775
    [9] [9] Manjunath G, Narasimha Murty M, Sitaram D. Combining heterogeneous classifiers for relational databases. Pattern Recognition, 2013, 46(1):317-324
    [10] Yang Yi, Han De-Qiang, Han Chong-Zhao. Evidence combination based on multi-criteria rank-level fusion. Acta Automatica Sinica, 2012, 38(5):823-831(杨艺, 韩德强, 韩崇昭. 基于多准则排序融合的证据组合方法. 自动化学报, 2012, 38(5):823-831)
    [11] Hu Chang-Hua, Si Xiao-Sheng, Zhou Zhi-Jie, Wang Peng. An improved D-S algorithm under the new measure criteria of evidence conflict. Acta Electronica Sinica, 2009, 37(7):1578-1583(胡昌华, 司小胜, 周志杰, 王鹏. 新的证据冲突衡量标准下的D-S改进算法. 电子学报, 2009, 37(7):1578-1583)
    [12] Dey D, Sarkar S, De P. A probabilistic decision model for entity matching in heterogeneous databases. Management Science, 1998, 44(10):1379-1395
    [13] Billot A, Gilboa I, Schmeidler D, Samet D. Probabilities as similarity-weighted frequencies. Econometrica, 2005, 73(4):1125-1136
    [14] Wang F, Sun J, Ebadollahi S. Composite distance metric integration by leveraging multiple experts' inputs and its application in patient similarity assessment. Statistical Analysis and Data Mining, 2012, 5(1):54-69
    [15] Segev A, Zhao J L. Rule management in expert database systems. Management Science, 1994, 40(6):685-707
    [16] Yang J B, Liu J, Wang J, Sii H, Wang H. Belief rule-base inference methodology using the evidential reasoning approach-RIMER. IEEE Transactions on Systems, Man, and Cybernetics, Part A:Systems and Humans, 2006, 36(2):266-285
    [17] Wang J Q, Zhang H Y. Multicriteria decision-making approach based on atanassov's intuitionistic fuzzy sets with incomplete certain information on weights. IEEE Transactions on Fuzzy Systems, 2013, 21(3):510-515
    [18] Wang J Q, Nie R R, Zhang H Y, Chen X H. Intuitionistic fuzzy multi-criteria decision-making method based on evidential reasoning. Applied Soft Computing, 2013, 13(4):1823-1831
    [19] Yang J B, Xu D L. Evidential reasoning rule for evidence combination. Artificial Intelligence, 2013, 205:1-29
    [20] Zhao H, Ram S. Combining schema and instance information for integrating heterogeneous data sources. Data Knowledge Engineering, 2007, 61(2):281-303
    [21] Xu M, Yu H Y, Shen J. New algorithm for CBR-RBR fusion with robust thresholds. Chinese Journal of Mechanical Engineering, 2012, 25(6):1255-1263
    [22] Li Xin-De, Wang Feng-Yu. A method of evidence reasoning based on the ISODATA clustering and improved similarity Measure, Acta Automatica Sinica, 2015, 41(3):575-590(李新德, 王丰羽. 一种基于ISODATA聚类和改进相似度的证据推理方法, 自动化学报, 2015, 41(3):575-590)
    [23] Tian Zhi-Hong, Yu Xiang-Zhan, Zhang Hong-Li, Fang Bin-Xing. A real-time network intrusion forensics method based on evidence reasoning network. Chinese Journal of Computers, 2014, 37(5):1184-1194(田志宏, 余翔湛, 张宏莉, 方滨兴. 基于证据推理网络的实时网络入侵取证方法. 计算机学报, 2014, 37(5):1184-1194)
    [24] Reshef D N, Reshef Y A, Finucane H K, Grossman S R, McVean G, Turnbaugh P J, Lander E S, Mitzenmacher M, Sabeti P C. Detecting novel associations in large data sets. Science, 2011, 334(6062):1518-1524
    [25] Bordley R F. Using Bayes' rule to update an event's probabilities based on the outcomes of partially similar events. Decision Analysis, 2011, 8(2):117-127
    [26] Jiang Z R, Sarkar S, De P, Dey D. A framework for reconciling attribute values from multiple data sources. Management Science, 2007, 53(12):1946-1963
    [27] Xu M, Yu H-Y, Shen J. New approach to eliminate structural redundancy in case resource pools using alpha mutual information. Journal of Systems Engineering and Electronics, 2013, 24(4):625-633
    [28] Yang Jin-Feng, Yu Qiu-Bin, Guan Yi, Jiang Zhi-Peng. An overview of research on electronic medical record oriented named entity recognition and entity relation extraction. Acta Automatica Sinica, 2014, 40(8):1537-1562(杨锦锋, 于秋滨, 关毅, 蒋志鹏. 电子病历命名实体识别和实体关系抽取研究综述. 自动化学报, 2014, 40(8):1537-1562)
    [29] Basir O, Yuan X H. Engine fault diagnosis based on multi-sensor information fusion using Dempster-Shafer evidence theory. Information Fusion, 2007, 8(4):379-386
    [30] Wong S K M, Lingras P. Representation of qualitative user preference by quantitative belief functions. IEEE Transactions on Knowledge and Data Engineering, 1994, 6(1):72-78
    [31] Xue Yong-Jian, Ni Zhi-Wei. Research of large scale manifold learning based on MapReduce. Systems Engineering Theory Practice, 2014, 34(S1):151-157(薛永坚, 倪志伟. 基于MapReduce的大规模数据集流形学习降维研究. 系统工程理论实践, 2014, 34(S1):151-157)
  • [1] 司方远, 汪晋宽, 韩英华, 赵强. 信息物理融合的智慧能源系统多级对等协同优化[J]. 自动化学报, 2019, 45(1): 84-97. doi: 10.16383/j.aas.2018.c180368
    [2] 王玲, 孟建瑶, 李俊飞, 彭开香. 基于多维时态关联规则的演化模糊推理预测算法[J]. 自动化学报, 2018, 44(8): 1446-1459. doi: 10.16383/j.aas.2018.c170222
    [3] 裴惠琴, 陈世明, 赖强, 陈谦. 异质相依群体系统的协同一致性追踪[J]. 自动化学报, 2018, 44(8): 1528-1536. doi: 10.16383/j.aas.2017.c160852
    [4] 尚林源, 田学民, 曹玉苹, 蔡连芳. 基于PLS交叉积矩阵非相似度分析的MPC性能监控与诊断[J]. 自动化学报, 2017, 43(2): 271-279. doi: 10.16383/j.aas.2017.c150782
    [5] 赵福均, 周志杰, 胡昌华, 常雷雷, 王力. 基于证据推理的动态系统安全性在线评估方法[J]. 自动化学报, 2017, 43(11): 1950-1961. doi: 10.16383/j.aas.2017.c160384
    [6] 宿翀, 高月, 李宏光, 刘晓华. 一类面向中风后吞咽功能障碍康复治疗的群体智慧涌现方法[J]. 自动化学报, 2017, 43(7): 1190-1201. doi: 10.16383/j.aas.2017.c160190
    [7] 王俊华, 左祥麟, 左万利. 基于证据理论的单词语义相似度度量[J]. 自动化学报, 2015, 41(6): 1173-1186. doi: 10.16383/j.aas.2015.c131141
    [8] 李新德, 董清泉, 王丰羽, 雒超民. 一种基于马尔科夫链的冲突证据组合方法[J]. 自动化学报, 2015, 41(5): 914-927. doi: 10.16383/j.aas.2015.c140681
    [9] 李新德, 王丰羽. 一种基于ISODATA聚类和改进相似度的证据推理方法[J]. 自动化学报, 2015, 41(3): 575-590. doi: 10.16383/j.aas.2015.c140543
    [10] 赵辉, 严爱军, 王普. 提高案例推理分类器的可靠性研究[J]. 自动化学报, 2014, 40(9): 2029-2036. doi: 10.3724/SP.J.1004.2014.02029
    [11] 张景祥, 王士同, 邓赵红, 蒋亦樟, 李奕. 融合异构特征的子空间迁移学习算法[J]. 自动化学报, 2014, 40(2): 236-246. doi: 10.3724/SP.J.1004.2014.00236
    [12] 郑丹晨, 韩敏. 基于期望首达时间的形状距离学习算法[J]. 自动化学报, 2014, 40(1): 92-99. doi: 10.3724/SP.J.1004.2014.00092
    [13] 黄少滨, 刘国峰, 万庆生, 程媛, 申林山. 一种基于部分已验证匹配关系的模式匹配模型[J]. 自动化学报, 2013, 39(10): 1642-1652. doi: 10.3724/SP.J.1004.2013.01642
    [14] 杨艺, 韩德强, 韩崇昭. 基于多准则排序融合的证据组合方法[J]. 自动化学报, 2012, 38(5): 823-831. doi: 10.3724/SP.J.1004.2012.00823
    [15] 周哲, 徐晓滨, 文成林, 吕锋. 冲突证据融合的优化方法[J]. 自动化学报, 2012, 38(6): 976-985. doi: 10.3724/SP.J.1004.2012.00976
    [16] 戴汝为, 张雷鸣. 思维(认知)科学在中国的创新与发展[J]. 自动化学报, 2010, 36(2): 193-198. doi: 10.3724/SP.J.1004.2010.00193
    [17] 杨海军, 李敏强. 有限群体遗传算法的动力性[J]. 自动化学报, 2004, 30(6): 968-973.
    [18] 黎明, 杨小芹, 周琳霞. 动态区域性多群体搜索的遗传算法[J]. 自动化学报, 2003, 29(2): 212-218.
    [19] 潘泉, 张山鹰, 程咏梅, 张洪才. 证据推理的鲁棒性研究[J]. 自动化学报, 2001, 27(6): 798-805.
    [20] 王希若, 荣冈. 基于证据推理的显著误差检测方法[J]. 自动化学报, 2000, 26(增刊B): 86-90.
  • 加载中
计量
  • 文章访问数:  1184
  • HTML全文浏览量:  63
  • PDF下载量:  979
  • 被引次数: 0
出版历程
  • 收稿日期:  2014-09-09
  • 修回日期:  2014-12-12
  • 刊出日期:  2015-04-20

实体异构性下证据链融合推理的多属性群决策

doi: 10.16383/j.aas.2015.c140650
    基金项目:

    国家自然科学基金(71171143,71201087,71271122),天津市科技支撑计划重点项目(13ZCZDSF01900),中央高校基本科研业务费专项资金资助项目(NKZXB1458)资助

    作者简介:

    沈江 天津大学管理与经济学部教授.主要研究方向为信息融合,多传感器数据获取和群决策.E-mail:motoshen@163.com

    通讯作者: 徐曼 南开大学工业工程系讲师,2011年获得天津大学博士学位.主要研究方向为基于规则推理,信息融合和医疗诊断决策.本文通信作者.E-mail:twinklexu@163.com

摘要: 针对多属性群决策中可解释性证据融合推理的实体异构性问题,给出了一个实体异构性下证据链融合推理的多属性群决策方法.基于证据推理理论,引入证据链关联的概念,从多数据表提供的数据矩阵中获取可区分的近邻证据集,推导了各数据表的相似度矩阵,并构建半正定矩阵的二次优化模型,共享群决策专家的经验知识.使用Dempster正交规则,论证了异构实体之间可解释性推理中可信度融合的合理性,并使用证据融合规则集成各个数据表的近邻证据中获得的可信度,验证了调和多源异构数据中不一致信息的有效性.通过具有实体异构性的心脏病多决策数据诊断实例说明了方法的可行性与合理性.

English Abstract

沈江, 余海燕, 徐曼. 实体异构性下证据链融合推理的多属性群决策. 自动化学报, 2015, 41(4): 832-842. doi: 10.16383/j.aas.2015.c140650
引用本文: 沈江, 余海燕, 徐曼. 实体异构性下证据链融合推理的多属性群决策. 自动化学报, 2015, 41(4): 832-842. doi: 10.16383/j.aas.2015.c140650
SHEN Jiang, YU Hai-Yan, XU Man. Heterogeneous Evidence Chains Based Fusion Reasoning for Multi-attribute Group Decision Making. ACTA AUTOMATICA SINICA, 2015, 41(4): 832-842. doi: 10.16383/j.aas.2015.c140650
Citation: SHEN Jiang, YU Hai-Yan, XU Man. Heterogeneous Evidence Chains Based Fusion Reasoning for Multi-attribute Group Decision Making. ACTA AUTOMATICA SINICA, 2015, 41(4): 832-842. doi: 10.16383/j.aas.2015.c140650
参考文献 (31)

目录

    /

    返回文章
    返回