Ai_Math的博客

实现了作者的模型，并且添加了简单的数据预处理：#作者提出了一个新的FMEA方法，主要是对原有的RPN计算方法改进#1、构建模糊评价矩阵，如果有 N个失效模式，那么就构建N×3的模糊评价矩阵#N行有N个失效模式FM，3列3个不同的指标，S O D#模糊评价矩阵的元素为(a,b,c,....)是专家对该指标的满意度评价#2、计算模糊矩阵中每个元素的广义信息质量，生成广义信息质量矩阵#3、对广义信息质量矩阵进行修正(qu_matrix/max(qu_matrix))，得到几何平均权重矩阵(0.3365

该Paper的作者提出了一种新的度量证据是否冲突的方法，度量标准是 前者就是Dempster规则中的冲突质量(1/(1-k)中的k)后者是the distance of betting commitment,我自己翻译为"赌博信度距离"首先，将不同的BBA进行 pignistic transform,得到专属的BetP然后做差，找到差值最大的代表这两个BBA的赌博信度距离。下面的代码就是求difBetp的。#基于pignistic transform证据冲突的度量标准#作者的度量指标为cf(

作者Murphy提出了综合平均法来组合多个BOE，大体的步骤如下：（1）：将给定的BOE进行平均，获得各个BPA的平均质量averageMass。（2）：利用Dempster的组合规则将（1）求得的平均质量进行组合，并且组合(n-1)次。n为BOE的个数。代码注解：因为当时没有足够的时间，所以aberageMass平均质量是直接给出的，例子就是采用的该Paper上的例子#1、先写出结果的形式x_result={"A":0,"A|B":0,"B":0,"Ω":0,"empty":0}#2、输入平均

这个Paper结合BOE之间的距离的思想，对Murphy的方法进行了改进*代码注解：*虽然代码写的还是一如既往的臭，仅仅知识为了获得运行结果而写，但还是基本复现了Paper。#基于加权质量的平均法#1. 计算BOE之间的距离d(m_i,m_j)##1.1. 计算m_i∪m_j##1.2. 利用并集的基数构建向量矩阵 vector_m_i,vector_m_j##1.3. 构建D=矩阵，大小为|m_i∪m_j|*|m_i∪m_j|##1.4. 利用公式求d(m_i,m_j)#2. 利用上面的

为了更好的读懂论文，一边阅读一边尝试复现论文在这篇论文中，作者提出了基于加权因子w(A,m) 的通用框架。将此加权因子的计算分为三类。1、直接定值：Yager与Semts的融合规则适用2、计算加权因子：Dempster与Dubios&Prade的融合规则适用3、自动学习加权因子1.融于框架后的Dempster融合规则1.1.这里就先不详细写推导过程，本博文主要写的是程序复现这一部分#基于通用框架的改进的Dempster方法#本程序并不完善，过于冗余##如果想增加（减少）数据源的