文摘

许多定性集团决策等专业领域的法律,工程,经济学,心理学,医学似乎酥和某些现实笼罩在模糊性的不确定环境和人类认知的本质在群体决策。在本文中,我们介绍一个创新的群体决策方法在不确定的情况下,利用均值-方差神经的方法。这个建议的方法是计算的关键理念个人评估和体重的排除意味着它通过应用方差影响函数(VIF);这个权重排除意思VIF的过程提供了一个改进的结果在群决策。本文的案例研究提出excluded-mean-variance方法。提出这个案例研究的结果表明,该方法可以提高定性决策的有效性,为决策者提供一个新的认知工具协助推理过程。

1。介绍

在任何一个专业领域,比如法律、工程、经济学、心理学、医学,我们经常面对模棱两可的选择在我们的决策过程。决策过程包括感知有关神经过程的获取和精神解读定性(模糊)的信息。我们的认知过程有关的过程获取知识通过使用推理、直觉、行动和感知评估合适的课程(决策)在几种不同的选择起着非常大的作用在人类决策(1]。这样的决定是由人类的判断要求选择竞争和可行的选择。这些决定往往含糊不清(模糊)的环境下,不完整的,相互矛盾的证据。因此,我们的决策过程往往掩盖了模糊和统计的不确定性。改变这些认知过程的制定明显可以改变我们的决定的结果。

为了获得最好的决定在一个不确定的环境中,必须有机会使用新信息不断调整参数的决定。因此,决策过程将有利于通过合并一些反馈机制,允许各种评估和评估结果。在过去,许多方法来提高决策的质量已经由应用开发的一些新方法,统计和模糊(1]。

在现实生活中,群体决策的过程是受个别小组成员的不同的感知和认知能力(评估),因此,认知不确定性引入群决策环境。这些认知不确定性(模糊性)出现由于不同的背景和经验的个别小组成员组,因此个人思维过程的功能。因此,评估者的意见在一群蒙面的认知(模糊)和统计的不确定性。因此,有一个连续搜索的发展一个更好的方法来提高决策过程的质量。

在本文中,我们提出一个新颖的方法定性决策,即excluded-mean-variance神经决定分析仪(E-MVNDA)。在这里,我们引入一个新的概念被排除在外的均值和方差排除在外。这个提议excluded-mean-variance神经决定分析仪(E-MVNDA)包括以下三个阶段:(我)量词(人类和计算机之间的接口):用于计算目的,个人感知到的主观意见的量化评估者在每个证据转化为模糊数,说在区间[10]−10日;(2)预处理器:第一,两个统计参数,排除的意思()和排除方差(),评估者感知到的主观意见的表达形式的模糊数计算。然后神经输入为神经决定处理器计算的产物和方差的影响函数(VIF);(3)神经决定处理器(NDP):新民主党用途预处理器的输出,根据不同分类的证据,最后产生了一个决定。

在本文中,我们评估的性能提出excluded-mean-variance神经决定分析仪(E-MVNDA)在一个通用的案例研究。

2。设计Excluded-Mean-Variance神经决定分析仪(E-MVNDA)

在定性决策分析仪(模糊)环境提出了基于模糊统计的融合和神经的方法(2]。制定的这部小说群决策方法在定性的环境中,我们将介绍三个新的统计参数:排除的意思(),排除方差()和方差影响函数(VIF)。在这种VIF的方法,我们修改excluded-mean价值量化评估的每个证据(因素)。当我们检查的定性语言决策在一组,它变得明显,过程的不透明性隐藏这个维度的方差的影响。应该强调,没有整合VIF,决策将受到大方差造成未屏蔽的主观的不正当影响排名默认出现在任何定性决策过程。

在一群决策过程在给定的情况下,团队中的每一位成员都表达他/她的意见(评价),这个观点受到个人知觉的影响,反过来,是影响他/她的经历。量化的评估采用模糊语言量词语言表达,如“好”、“很好”、“公平”或“坏“(3,4]。为了表达每一个评估者的意见(评价),定性(模糊)意见量化成一些模糊数,说的时间间隔。例如,如果有人在评估各种茶叶品牌的质量,评估员可能认为茶的质量是“很好吃”而另一个可能得分为“不错,但馅饼。“量化的评估过程中,第一个测试人员可能会给分数的口味为“9”的间隔,,而第二个可能给一个分数”6。“这些成绩是主观的(模糊)。量化组织的意见都掩饰了模糊和统计(随机波动)的不确定性。在这收集意见,模糊性是因为个人评价者的主观性(感知和认知),和集合的统计不确定性是因为模糊评估集团的决策者。图1显示了一个示例的模糊不确定性的一个量化的数字,,从一个定性评估者的意见。

excluded-mean-variance神经的过程决定分析仪(E-MVNDA)一群决策,如图2,如下:首先,每个主观(定性)意见量化成模糊数(评价)说。预处理器计算excluded-mean ()和excluded-variance ()每个证据(因素)使用所提供的模糊数据评价者。然后,决定是由一个处理器(NDP)神经的决定。下面我们给预处理器的细节和神经决定处理器(NDP)。

2.1。预处理:排除的意思是,排除Variancen函数和方差的影响

让我们考虑一组决策情况证据/因素和n评估者如表所示1。

个人的证据/因素评估案件的特点,和评价者的集团要求量化他们的意见对于每个证据在一个区间模糊数,说。E-MVNDA预处理器的计算统计值(排除的意思是,被排除在外的方差,)每个证据/使用集团评价者的评价因素。

让我们考虑一个情况与一群评估者和的证据/因素。在评价过程中,每一个评估者(,)被要求量化每个证据(他/她的意见的因素,,使用模糊数)在一个时间间隔。在某些情况下,一些评估者不希望马克得分,而马克一些证据“X”(因子,)有下列原因:(我)评估者觉得这个特殊的证据不是相关的这一决定;和/或(2)评估者认为自己不合格判断这个适当的证据。

在均值和方差的计算的数量意见为“x”被排除在外。因此,excluded-mean ()和excluded-variance ()计算,定义如下。

Excluded-Mean: Excluded-Variance: 排除均值的平均意见的意见表明,而extended-variance的分数表示的程度不一致(分歧或波动)的评估者的意见。的低方差表示高意见的一致性,而高差异意味着低一致性。因此,平均意见()每一个评估者的孤独不一个真正的指标组的意见。因此,排除意思是进一步加权excluded-variance的函数,函数(VIF)方差的影响。VIF可以制定很多类型之一。vif之一,我们在本文中被定义为使用 在哪里是一个指数函数,的获得提供了重要VIF如图3。

应该注意的是,一个大的差异将产生大量excluded-variance意见,如图3,因为excluded-variance增加,证据的意义()减少。如这个图所示,为获得变化,变化的关系的重要性。的预处理器E-MVNDA如图4。

在文献中发现,当前的决策过程只考虑个人的传统意味着分数,不完全反映评价的性质。在此建议的方法,预处理程序计算排除在外的意思是(),排除方差()和VIF ()为每个单独的证据,最后计算,输入神经决定处理器(NDP),这是一个产品的和。在群体决策中,这个过程计算的神经输入更准确地代表决策的本质,在统计意义上。的excluded-variance对于每一个证据是由评价者的主观评估的传播一些特定的证据。在一群决策过程中,它通常被观察到,一些评价很近(低方差),而一些评估非常多样化的(高方差)。它也指出多样性(波动)的评估对于某些证据出现由于不同的经历,主观性和个人评估者的认知。为了评估评估的协议对于每一个证据,有必要减肥是分配给每个证据的评估过程。这种差异影响函数的基本原理(VIF)表示如下。(我)如果证据的评估一般协议,然后excluded-variance相对较低,而且,因此,证据应该高的影响。(2)如果证据的评价不是一般协议,然后excluded-variance相对较高,证据的影响,因此,应该低。

2.2。神经决定处理器(NDP)

一般神经网络(NN)是由许多神经层,和每个神经层有许多神经单位。神经网络分类的最有力的工具之一。它提供了一个优越的过程进行识别和分类,因此被广泛应用于这种类型的研究(5]。一个神经单元的灵感来自于研究生物神经元的突触操作和体细胞操作。在突触操作,新的输入信息被认为通过存储单元(神经重量,)。体细胞操作,感知信息处理是一个线性或非线性映射函数()。一个s形函数通常申请映射函数由于其特殊的特征表现出发展从一个小开始加速结束自然过程(6]。

考虑到传统神经网络的特点,我们提出一个神经决定处理器(NDP)团体决策如图5。新民主党提出了由两个神经层组成。第一个神经层类别层,第二个是决定层(7,8]。

神经单元的一般结构如图6。神经单元是由两个操作,突触操作和体细胞操作。产品的总和的神经突触操作输入()和神经重量(),代表着过去的经验。体的操作是一个非线性映射的过程。在下面,我们简要定义突触和体细胞操作。

让我们考虑一组神经输入向量,组成的神经输入,定义为 ,一组相应的神经突触权向量,,定义为

在突触的操作中,我们考虑一个阈值(偏见)与重量。结合这个阈值()神经输入(,),一个增强神经输入向量和一个增强神经权向量被定义为

现在,突触和体细胞操作定义如下。

突触的操作: 体细胞操作: 在哪里是体细胞获得

民主党是输出的输入向量的预处理器。前一节中所说明的,统计波动组意见可以通过方差影响函数(VIF)预处理器。

在这个神经决定处理器(NDP),类别层是由群体决策的过程。在大多数情况下,证据认定相关的会有一些共同的特征。因此,共同特征的证据被分组到一个类的类别。在这项研究中,我们定义一个类别层分类的证据类别()。此外,每一个这样的证据是由不同的加权值(重量,在不同的类别)。例如,证据可以分为类别以及在;然而,相应的权重在和可能不同的程度的重要性吗在每个类别。权重()的神经单位类别层由一致组预先指定的评估。神经单元的数量类别层是由类别的证据的数量。

最后决定层民主党积累的信息(从每个类别层中的神经单元)。在这一层,类别的重要性被分配不同的权重排名。神经重量()在这个决定层也预先指定的组的成员。

excluded-mean方差神经决定分析仪(E-MVNDA)提出了一个分析工具帮助一群决策过程。这是一个通用的数学决策分析模型,该模型可以应用在各种现实生活决策过程定性语言(模糊的)环境。

3所示。一个案例研究:新产品开发

行业,基本确定新产品可以在市场竞争和/或成功再决定一个新的产品线。准确决策的新产品开发成为更重要的是,和一个专家委员会评估新产品的想法融合下的各种证据/因素。最近,模糊集理论的许多应用程序使用的评估和调查分析已用于工业工程研究(9- - - - - -11]。

我们E-MVNDA一组决定申请一个新产品的开发与50评价者和14个因素(产品)的特点的新产品。(基准)的一项调查进行了使用这些50评价者,和他们的评估分数表达的时间间隔如表所示2。

表2显示了每一块的评价以及评价者个人证据的统计参数,计算excluded-mean (),excluded-variance ()和方差的影响函数(VIF),为每一个因素(证据)。表中“X”标记意味着“无关紧要”,它表示“没有评估”这可能发生在评价因素(证据)正如前面所讨论的。

在这个案例研究中,对于每个神经单位类别层中,我们指定一个相等的重量,所有类别的因素(证据)阈值,在体细胞操作,获得的线性映射函数被分配。

对于这个特定的案例研究有14的证据,我们这些证据分为四个类别的权重决定层如下:(我)类别1 ():,,,,,和,。(2)类别2 ():,,,,,,,,。(3)3级():,,,,,,,。(iv)4级():,,和,。

应该注意的是,一些证据是常见的各种类别,例如,包含在类,和。在这个案例研究中,我们假设在突触操作,阈值,体细胞操作映射函数与获得。

输出E-MVNDA是一个双相函数的区间,其中一个负值表示“负面”的决定,中间有一个置信水平,和一个积极的价值意味着“正面”的决定,中间有一个置信水平,而意味着一个中立的决定。在我们的决策过程中,取得了一些有意义的结果,我们定义的信心带间隔例如,在这项研究中我们设置。

3.1。验证E-MVNDA群体决策

为了验证我们提出的模型中,我们比较基准组决定,E-MVNDA的结果。组中的决策、个人组的成员提供了他的决定的形式”是的”或“没有”。如果“是”的数量,“不”的数量,那么我们定义的信心水平作为 一个积极的意味着一个积极的决策(是的),和一个负的代表了一种消极的决定(不)。

在这个基准组调查50评价者所示表的最后一列322个评价者投票”是的”和28日投票”没有”提出了新的生产线。这意味着一个“负面”决定的信心水平,。这种“消极”决定信心较低(−12%)不是在显著水平。E-MVNDA的验证了在这项研究中,如果结果从E-MVNDA类似于基准集团的决定,然后,我们可以安全地依赖提出E-MVNDA配置。

E-MVNDA过程,首先在预处理,我们计算排除的意思,排除方差,和方差影响函数(VIF),获得。这后,预处理器的输出被喂以神经决定处理器与分配权重(NDP) (层)的类别和决定。

如图7E-MVNDA的决策过程后,决定价值(判断)成为−0.23这意味着E-MVNDA反映了一种“消极”决定的信心水平−11.6%非常接近基准组(−12%)的决定。

如图7,决定从E-MVNDA以及基准组谎言大约相同的置信水平低,群体决策可能很容易地从正到负时积极或消极的评估者改变他们的观点。在置信水平越低,定义的决定都不是很好。

3.2。调查过程的个人评估者E-MVNDA:在决策一个反馈的过程

与基准组验证E-MVNDA后决定,所有的证据都可以排名神经权重的值类别和决定层。这样排名的过程本身将帮助决策者在他/她的想法。“证据的评估者过多的重视?”是一个问题,将有意义的评论,被别人或个人。的勘探评价称为“寻找真相的过程”,这是一个反馈(审查)在决策过程。因此,我们应用E-MVNDA审查的决定一个单独的评估者。在这个审查过程,决策的个人评估检查反馈通过改变某些证据的评估。预处理的结果见表3表明,和给excluded-variance的最低价值,因此,最高的方差值影响函数(VIF,),这表明这两个证据是最主要的功能在这个决策。

在这个案例研究中,我们探索的评估。改变评估之前,我们发现这个决定的信心−14%。改变后的评估不同的因素和的置信水平不同的决定。导致的变化通过不同的分数和如图8和图9,分别。

较低的加权证据对个体决策过程的影响不大。如图8决策的变化有不同的评价,黄色(更大的)圆积累密切关注特定的信心水平,这表明的决定大多都是一样的,不管你吗的评估。的变化,,,,,,,,,导致类似的结果。然而,其他证据(,)发挥了重要的作用的决策。

在图9的变化决定的引起的不同描述。黄色(大)圈是广泛分布的信心水平(−98.26%、97.02%),这表明的决定实际上是和不同评价的改变吗。通过不同的变化出现和导致类似的结果。这个观察意味着改变的决定由其他评价者在一组可能会导致类似的广泛分布的信心水平。

4所示。结论

在本文中,我们介绍了一群决策过程的新方法,即excluded-mean-variance神经分析仪(E-MVNDA)。这是通过使用一种新的神经定量群决策的方法。这个建议的方法的核心思想是更新预处理器的输出通过应用方差影响函数(VIF),强调每一件证据的重要性,从而减少发生的统计不确定性的过程中改变定性表达式定量评分。这提高了群体决策过程的评估。

一群决策的一个案例研究”是的”或“没有“各种新产品开发进行了演示E-MVNDA的应用。提出了决策分析算法本文中概述提供更多的信息和更安全的结果。这项研究的结果表明,E-MVNDA可以帮助这样的决策过程。E-MVNDA显示和识别的结果差异的证据会影响群体决策的过程。此外,E-MVNDA应用于个人调查过程审查过程使用群体决策的结果,代表一个反馈过程在决策过程。E-MVNDA显示了个人的决定将会如何改变通过改变某些证据的评估。改变个人决策后,群体决策也可能改变。应用的优势E-MVNDA在群体决策过程,它允许更precisiation [12,13),在不损失模糊丰富的现实考虑。

总之,E-MVNDA这个过程可以帮助决策者的权重和排名他们依赖的证据。E-MVNDA是一个有用的工具应用决策的定性语言环境等业务,法律或公共政策。

承认

作者希望承认金融支持加拿大自然科学和工程研究理事会通过发现,战略,协同研发赠款(stpgp NSERC赠款rgpin - 170464——365290年,stpgp - 350861和nnapj - 376336)。