目的针对飞机货舱配载方案评估中多属性决策的复杂性,以及现有评估方法在权重确定上过度依赖专家经验导致的主观偏差,或单纯依赖客观数据忽略决策者偏好的局限性,提出一种融合主观先验与客观数据驱动的混合赋权评估模型,以提供更为合理...目的针对飞机货舱配载方案评估中多属性决策的复杂性,以及现有评估方法在权重确定上过度依赖专家经验导致的主观偏差,或单纯依赖客观数据忽略决策者偏好的局限性,提出一种融合主观先验与客观数据驱动的混合赋权评估模型,以提供更为合理、可靠的配载方案择优决策支持。方法首先,引入大型语言模型(Large language model,LLM),构建“虚拟专家委员会”,通过精心设计的提示词工程,获取多维度、多情境下的主观权重。其次,针对传统熵权法对数据分布敏感、难以有效区分指标优劣等问题,提出一种改进的数据预处理熵权法(Improved data preprocessing entropy weighting method,IDPEW),该方法结合指标值的辨识度和信息熵的均衡性来确定客观权重。最后,将LLM生成的主观权重与IDPEW计算的客观权重进行加权组合,构建综合评价函数,对飞机货舱配载方案进行全面评估和排序。结果实验结果表明,LLM模拟专家意见时最关注“装载率”(主观权重0.2250),而IDPEW方法从数据中识别出“横向不平衡度”最具区分力(客观权重0.2481)。混合赋权模型(α=0.5)有效平衡了主客观偏好,在24个方案中精准识别出综合性能最优的方案,验证了模型在复杂情境下的稳定性。结论创新性地利用LLM低成本构建“虚拟专家”获取先验知识,并通过耦合指标辨识度与均衡性的IDPEW方法,提升了客观赋权精度。该模型克服了单一赋权的局限,为飞机货舱配载方案的科学评估提供了一种兼具可解释性和实用性的新范式。展开更多
图像异常检测旨在识别并定位图像中的异常区域,针对现有算法中不同层次特征信息利用不充分的问题,提出了基于多层次特征融合网络的图像异常检测算法。通过使用融合了异常先验知识的伪异常数据生成算法,对训练集进行了异常数据扩充,将异...图像异常检测旨在识别并定位图像中的异常区域,针对现有算法中不同层次特征信息利用不充分的问题,提出了基于多层次特征融合网络的图像异常检测算法。通过使用融合了异常先验知识的伪异常数据生成算法,对训练集进行了异常数据扩充,将异常检测任务转化为监督学习任务;构建了多层次特征融合网络,将神经网络中不同层次特征进行融合,丰富了特征中的低层纹理信息和高层语义信息,使得用于异常检测的特征更具区分性;训练时,设计了分数约束损失和一致性约束损失,并结合特征约束损失对整个网络模型进行训练。实验结果表明,MVTec数据集上图像级检测接收机工作特性曲线下面积(area under the receiver operating characteristic, AUROC)平均值为98.7%,像素级定位AUROC平均值为97.9%,每区域重叠率平均值为94.2%,均高于现有的异常检测算法。展开更多
文摘目的针对飞机货舱配载方案评估中多属性决策的复杂性,以及现有评估方法在权重确定上过度依赖专家经验导致的主观偏差,或单纯依赖客观数据忽略决策者偏好的局限性,提出一种融合主观先验与客观数据驱动的混合赋权评估模型,以提供更为合理、可靠的配载方案择优决策支持。方法首先,引入大型语言模型(Large language model,LLM),构建“虚拟专家委员会”,通过精心设计的提示词工程,获取多维度、多情境下的主观权重。其次,针对传统熵权法对数据分布敏感、难以有效区分指标优劣等问题,提出一种改进的数据预处理熵权法(Improved data preprocessing entropy weighting method,IDPEW),该方法结合指标值的辨识度和信息熵的均衡性来确定客观权重。最后,将LLM生成的主观权重与IDPEW计算的客观权重进行加权组合,构建综合评价函数,对飞机货舱配载方案进行全面评估和排序。结果实验结果表明,LLM模拟专家意见时最关注“装载率”(主观权重0.2250),而IDPEW方法从数据中识别出“横向不平衡度”最具区分力(客观权重0.2481)。混合赋权模型(α=0.5)有效平衡了主客观偏好,在24个方案中精准识别出综合性能最优的方案,验证了模型在复杂情境下的稳定性。结论创新性地利用LLM低成本构建“虚拟专家”获取先验知识,并通过耦合指标辨识度与均衡性的IDPEW方法,提升了客观赋权精度。该模型克服了单一赋权的局限,为飞机货舱配载方案的科学评估提供了一种兼具可解释性和实用性的新范式。
文摘图像异常检测旨在识别并定位图像中的异常区域,针对现有算法中不同层次特征信息利用不充分的问题,提出了基于多层次特征融合网络的图像异常检测算法。通过使用融合了异常先验知识的伪异常数据生成算法,对训练集进行了异常数据扩充,将异常检测任务转化为监督学习任务;构建了多层次特征融合网络,将神经网络中不同层次特征进行融合,丰富了特征中的低层纹理信息和高层语义信息,使得用于异常检测的特征更具区分性;训练时,设计了分数约束损失和一致性约束损失,并结合特征约束损失对整个网络模型进行训练。实验结果表明,MVTec数据集上图像级检测接收机工作特性曲线下面积(area under the receiver operating characteristic, AUROC)平均值为98.7%,像素级定位AUROC平均值为97.9%,每区域重叠率平均值为94.2%,均高于现有的异常检测算法。
