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
森林火点检测在林火应急救援中起着至关重要的作用.鉴于现有模型在样本质量、多尺度检测以及多视角图像泛化能力方面存在不足,以YOLOv7为基础,提出一种森林火点目标检测方法FFD-YOLO(forest fire detection based on YOLO).首先,构建多...森林火点检测在林火应急救援中起着至关重要的作用.鉴于现有模型在样本质量、多尺度检测以及多视角图像泛化能力方面存在不足,以YOLOv7为基础,提出一种森林火点目标检测方法FFD-YOLO(forest fire detection based on YOLO).首先,构建多视角可见光图像森林火灾高点检测数据集FFHPV(forest fire of high point view),旨在增强模型对多视角火点知识的学习能力;其次,引入全维动态卷积,构建空间金字塔池化层(OD-SPP),以此提升模型针对多视角数据的火点特征提取能力;最后,引入具有动态非单调聚焦机制的边界框定位损失函数Wise-IoU(wise intersection over union),降低低质量数据对模型精度的影响,提高小目标火点的检测能力.实验结果表明:所提出的FFD-YOLO方法相较于YOLOv7,精度提高3.9%,召回率提高3.7%,均值平均精度提高4.0%,F1分数提高0.038;同时,在与YOLOv5、YOLOv8、DDQ(dense distinct query)、DINO(detection transformer with improved denoising anchor boxes)、Faster R-CNN、Sparse R-CNN、Mask R-CNN、FCOS和YOLOX的对比实验中,FFD-YOLO具有最高的精度75.3%、召回率73.8%、均值平均精度77.6%和F1分数0.745,验证了该方法的可行性与有效性.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。
文摘森林火点检测在林火应急救援中起着至关重要的作用.鉴于现有模型在样本质量、多尺度检测以及多视角图像泛化能力方面存在不足,以YOLOv7为基础,提出一种森林火点目标检测方法FFD-YOLO(forest fire detection based on YOLO).首先,构建多视角可见光图像森林火灾高点检测数据集FFHPV(forest fire of high point view),旨在增强模型对多视角火点知识的学习能力;其次,引入全维动态卷积,构建空间金字塔池化层(OD-SPP),以此提升模型针对多视角数据的火点特征提取能力;最后,引入具有动态非单调聚焦机制的边界框定位损失函数Wise-IoU(wise intersection over union),降低低质量数据对模型精度的影响,提高小目标火点的检测能力.实验结果表明:所提出的FFD-YOLO方法相较于YOLOv7,精度提高3.9%,召回率提高3.7%,均值平均精度提高4.0%,F1分数提高0.038;同时,在与YOLOv5、YOLOv8、DDQ(dense distinct query)、DINO(detection transformer with improved denoising anchor boxes)、Faster R-CNN、Sparse R-CNN、Mask R-CNN、FCOS和YOLOX的对比实验中,FFD-YOLO具有最高的精度75.3%、召回率73.8%、均值平均精度77.6%和F1分数0.745,验证了该方法的可行性与有效性.
