CN114861823B 一种多数据融合的决策方法、装置、设备及存储介质 （武汉理工大学）

US2020089874A1,2020.03.19鸟寻优算法的RBF神经网络模型，将所述异常数所述特征数据进行全局融合，确定目标决策方2将同一维度的所述修正数据和所述正常数据进行局部融合，得到同一维度的特征数根据所述平均概率，确定每个所述特征数据与同一所述决策方案的所;根据所述异常数据和所述目标参数，计算所述RBF神经网络模型的高斯径向基函数输初始化布谷鸟寻优算法参数，计算当前布谷鸟寻优算法参数的所述目标参数的最优重复更新所述布谷鸟寻优算法参数，计算并更新所述目3局部融合模块，用于将同一维度的所述修正数据和所述根据所述平均概率，确定每个所述特征数据与同一所述决策方案的所;权利要求1至4中任一项所述多数据融合的决策方法中的步4[0009]检测异常数据，并基于布谷鸟寻优算法的RBF神经网络模型，将异常数据进行修5[0018]初始化布谷鸟寻优算法参数，计算当前布谷鸟寻优算法参数的目标参数的最优6得到同一维度的特征数据，完备了对事物属性当前状态的描述，再通过改进的D_S证据理[0058]请参阅图1，图1为本发明提供的多数据融合的决策方法的一实施例的流程示意7[0066]在本发明具体的实施例中，步骤S104不同维度的特征数据对决策方案的影响不[0072]在本发明具体的实施例中，步骤S201目标参数为连接权值wj基函差σ,目标参数会直接影响RBF神经网络模型的修正结果，通过布8[0081]初始化布谷鸟寻优算法参数，计算当前布谷鸟寻优算法参数的目标参数的最优产生每个鸟窝的初始位置，三个目标参数的组合数据[c1,σ1,w1,c2,σ2,,σn,wn]作为[0090]在本发明具体的实施例中，步骤S302通过预测真实数据A和修正数据以及正常数[0092]在本发明具体的实施例中，步骤S304通过同一维度的修正数据和正常数据的权9[0100]在本发明具体的实施例中，步骤S402通过模糊理论的隶每一特征数据对每一决策方案都具有一个独特的支持概率，根据局部融合后的特征数据，[0106]在上述实施例中，特征数据的支持概率m1和特征数据的支[0127]首先通过传感器等手段检测多点位的驾驶室温度、烟雾[0136]n1、n2、n3以此来确定四分位数是多少，异常数据为大于Q1+1.5IQR或者小于Q1_[0137]通过箱线图确定异常数据的位置后，再通过布谷鸟寻优算法的RBF神经网络将异[0145]以温度为例，本实施例通过局部融合得到的驾驶室温度为20℃,通过过m3A3B3C)都通过这[0167]这里需要说明的是：上述实施例提供的装置500可实现上述各方法实施例中描述[0169]存储器620在一些实施例中可以是多数据融合的决策设备的内部存储单元，例如多数据融合的决策设备的硬盘或内存。存储器620在另一些实施例中也可以是多数据融合进一步地，存储器620还可以既包括多数据融合的决策设备的内部存储单元也包括外部存装多数据融合的决策设备的程序代码等。存储器620还可以用于暂时地存储已经输出或者[0170]处理器610在一些实施例中可以是一中央处理器(CentralProcessingUnit,[0172]在一实施例中，当处理器610执行存储器620中多数据融合的决策程序640时实现[0173]本实施例还提供了一种计算机可读存储介质，其上存储有多数据融合的决策程[0175]检测异常数据，并基于布谷鸟寻优算法的RBF神经网络模型，将异常数据进行修任何熟悉本技术领域的技术人员