一种基于三支决策模型的农产品信息分类处理方法及系统

摘要

本发明公开了一种基于三支决策模型的农产品信息分类处理方法及系统，该方法包括以下步骤：数据采集步骤：采集得到农产品属性集、农产品产地集；其中农产品属性集设有多个产品属性元素，农产品产地集设有多个产地元素；三支决策模型分析步骤：输入农产品属性集、农产品产地集，根据农产品分类三支决策模型进行预测得到各产地的农产品质量；当遇到延迟决策时，根据隶属度与非隶属度相关比例系数将三支处理转化为拟合二支处理；农产品信息分类步骤：根据各产地的农产品质量进行排序分类农产品信息。本发明在面对延迟决策的情况时，通过选择隶属度与非隶属度相关比例系数，将三支处理转化为拟合二支处理提高了农业信息分类处理的时间效率。

权利要求

1.一种基于三支决策模型的农产品信息分类处理方法，其特征在于，包括以下步骤：

数据采集步骤：根据预设产品属性元素、产地元素采集得到农产品属性集、农产品产地集；其中所述农产品属性集设有多个所述产品属性元素，所述农产品产地集设有多个所述产地元素；

三支决策模型分析步骤：输入农产品属性集、农产品产地集，根据农产品分类三支决策模型进行预测得到各产地的农产品质量，当遇到延迟决策时，根据隶属度与非隶属度相关比例系数将三支处理转化为拟合二支处理；

所述三支决策模型分析步骤，具体步骤包括：

输入农产品属性集、农产品产地集，根据农产品产地集、农产品产地集构建农产品属性与产地的模糊关系，其中农产品属性与产地的模糊关系通过多个农产品产地元素分别对应的多个产品属性元素构成，该农产品属性与产地的模糊关系用于量化各产地元素与各产品属性元素之间的隶属度、非隶属度；根据农产品的产地元素分类，分别计算每个农产品的产地元素与各产品属性元素之间的隶属度、非隶属度形成多个产地隶属度集、产地非隶属度集；

结合多个农产品产地隶属度集、农产品产地非隶属度集构建农产品隶属直觉模糊集，将农产品质量直觉模糊集转化为农产品隶属相对模糊集；

基于评估代价函数计算第一农产品质量阈值和第二农产品质量阈值，

根据农产品隶属相对模糊集与第一农产品质量阈值、第二农产品质量阈值集合的比较进行预测各产地的农产品质量；

当遇到延迟决策情况时，根据隶属度与非隶属度相关比例系数将三支处理转化为拟合二支处理；

所述根据隶属度与非隶属度相关比例系数将三支处理转化为拟合二支处理，具体步骤包括：基于比例系数公式并根据隶属度、非隶属度计算该农产品在指定产地的隶属度与非隶属度相关比例系数，设置比例系数阈值；

所述比例系数公式具体为：

其中δ(x)表示农产品在指定产地的隶属度，θ(x)表示农产品在指定产地的非隶属度，ε为隶属度与非隶属度相关比例系数；

当该产地的隶属度大于非隶属度时，当隶属度与非隶属度相关比例系数大于比例系数阈值时，表示指定产地的农产品质量偏优，选择接受的决策动作；当隶属度与非隶属度相关比例系数小于比例系数阈值时，表示指定产地的农产品质量偏劣，选择拒绝的决策动作；当隶属度与非隶属度相关比例系数等于比例系数阈值时，表示当前延迟决策情况无法选择接受或者拒绝的决策动作；

当该产地的隶属度等于非隶属度时，隶属度与非隶属度相关比例系数恒为0，此时认为在这种隶属度下，决策者的决策趋向于无限延迟，所以这种情况下表示指定产地的农产品质量偏劣，选择拒绝的决策动作；

当该产地的隶属度小于非隶属度时，基于比例系数公式计算隶属度与非隶属度相关比例系数；当隶属度与非隶属度相关比例系数大于比例系数阈值时，表示该指定产地的农产品质量偏劣，选择拒绝的决策动作；当隶属度与非隶属度相关比例系数小于比例系数阈值时，表示该指定产地的农产品质量偏优，选择接受的决策动作；当隶属度与非隶属度相关比例系数等于比例系数阈值时，表示当前延迟决策情况无法选择接受或者拒绝的决策动作；

农产品信息分类步骤：根据各产地的农产品质量进行排序分类农产品信息。

2.根据权利要求1所述的基于三支决策模型的农产品信息分类处理方法，其特征在于，所述比例系数阈值设置为0.5。

3.根据权利要求1所述的基于三支决策模型的农产品信息分类处理方法，其特征在于，所述农产品分类三支决策模型通过以下步骤构建得到：数据筛选步骤：对采集的数据筛选出具有代表性的边界阈值；

划分对象域步骤：基于边界阈值对将对象域划分为对象正域、对象边界域和对象负域；

分层步骤：基于层次分析法分别生成目标层、准则层和方案层，其中所述目标层设有最优解决方案对象，所述准则层设有多个目标对象，所述方案层设有多个方案对象，所述方案层用于分别对多个目标对象匹配方案对象，进而在目标层中确定目标对象的最终接受对策。

4.根据权利要求1所述的基于三支决策模型的农产品信息分类处理方法，其特征在于，所述结合多个农产品产地隶属度集、农产品产地非隶属度集构建农产品隶属直觉模糊集，具体步骤包括：设置权重向量集和判断矩阵，基于权重向量集将隶属度集集合于判断矩阵得到农产品隶属直觉模糊集；其中，所述权重向量集的元素数量根据产地隶属度集的元素数量设置，所述权重向量集用于表示各产品属性元素的在产品属性中的重要程度。

5.一种基于三支决策模型的农产品信息分类处理系统，其特征在于，包括数据采集模块、三支决策模型分析模块和农产品信息分类模块；

所述数据采集模块用于根据预设产品属性元素、产地元素采集得到农产品属性集、农产品产地集；其中农产品属性集设有多个产品属性元素，农产品产地集设有多个产地元素；

所述三支决策模型分析模块用于输入农产品属性集、农产品产地集，根据农产品分类三支决策模型进行预测得到各产地的农产品质量，当遇到延迟决策时，根据隶属度与非隶属度相关比例系数将三支处理转化为拟合二支处理；

所述根据农产品分类三支决策模型进行预测得到各产地的农产品质量，具体包括：

输入农产品属性集、农产品产地集，根据农产品产地集、农产品产地集构建农产品属性与产地的模糊关系，其中农产品属性与产地的模糊关系通过多个农产品产地元素分别对应的多个产品属性元素构成，该农产品属性与产地的模糊关系用于量化各产地元素与各产品属性元素之间的隶属度、非隶属度；根据农产品的产地元素分类，分别计算每个农产品的产地元素与各产品属性元素之间的隶属度、非隶属度形成多个产地隶属度集、产地非隶属度集；

结合多个农产品产地隶属度集、农产品产地非隶属度集构建农产品隶属直觉模糊集，将农产品质量直觉模糊集转化为农产品隶属相对模糊集；

基于评估代价函数计算第一农产品质量阈值和第二农产品质量阈值，

根据农产品隶属相对模糊集与第一农产品质量阈值、第二农产品质量阈值集合的比较进行预测各产地的农产品质量；

当遇到延迟决策情况时，根据隶属度与非隶属度相关比例系数将三支处理转化为拟合二支处理；

所述根据隶属度与非隶属度相关比例系数将三支处理转化为拟合二支处理，具体包括：

基于比例系数公式并根据隶属度、非隶属度计算该农产品在指定产地的隶属度与非隶属度相关比例系数，设置比例系数阈值；

所述比例系数公式具体为：

其中δ(x)表示农产品在指定产地的隶属度，θ(x)表示农产品在指定产地的非隶属度，ε为隶属度与非隶属度相关比例系数；

当该产地的隶属度大于非隶属度时，当隶属度与非隶属度相关比例系数大于比例系数阈值时，表示指定产地的农产品质量偏优，选择接受的决策动作；当隶属度与非隶属度相关比例系数小于比例系数阈值时，表示指定产地的农产品质量偏劣，选择拒绝的决策动作；当隶属度与非隶属度相关比例系数等于比例系数阈值时，表示当前延迟决策情况无法选择接受或者拒绝的决策动作；

当该产地的隶属度等于非隶属度时，隶属度与非隶属度相关比例系数恒为0，此时认为在这种隶属度下，决策者的决策趋向于无限延迟，所以这种情况下表示指定产地的农产品质量偏劣，选择拒绝的决策动作；

当该产地的隶属度小于非隶属度时，基于比例系数公式计算隶属度与非隶属度相关比例系数；当隶属度与非隶属度相关比例系数大于比例系数阈值时，表示该指定产地的农产品质量偏劣，选择拒绝的决策动作；当隶属度与非隶属度相关比例系数小于比例系数阈值时，表示该指定产地的农产品质量偏优，选择接受的决策动作；当隶属度与非隶属度相关比例系数等于比例系数阈值时，表示当前延迟决策情况无法选择接受或者拒绝的决策动作；

所述农产品信息分类模块用于根据各产地的农产品质量进行排序分类农产品信息。

说明书

一种基于三支决策模型的农产品信息分类处理方法及系统

技术领域

[0001] 本发明涉及信息分类处理技术领域，尤其涉及一种基于三支决策模型的农产品信息分类处理方法及系统。

背景技术

[0002] 三支决策(Three‑way Decision)是一种基于符合人类认知的决策模式，它认为：人们在实际决策过程中，对于具有充分把握接受或拒绝的事物能够立即作出快速的判断；
对于哪些不能立即作出决策的事物，人们往往会推迟对事件的判断，即：延迟决策。造成延迟决策的原因很多，比如：所掌握的信息不够充分、对风险的评估不够全面、对事件的认知不够彻底等。当人们对信息、风险、认知的掌握程度达到一定的水平，会作出接受或拒绝的最终判断，从这个角度说，三支决策是最终实现二支决策的一个中间步骤，三支决策的大量理论基础基本来源于粗糙集的思想，更详细的说，正、负、边界域，就是决策者选择了“接受的决策动作”、“拒绝的决策动作”或“延迟的决策动作”；

[0003] 三支决策的思想已在医学、工程、管理领域得到了成功的应用，目前关于三支决策的研究大多局限于对于模糊性的分析和对于不确定性的分析，例如医疗诊断、军事威胁评估等方面。

[0004] 农业生产在国家的经济发展、社会稳定、饮食安全等方面都占据着关键地位，运用新的技术对农产品的相关信息进行处理是十分有必要的。近年来，无论是生产者还是消费者对于农产品的质量评价越来越受到重视，这直接影响着他们是否做出购买的决策行为，所以产品的生产者和产品的经销商十分重视其决策以对产品品质的检测和改进。于是，在人们对农产品进行评价的需求日益增加的背景下，而解决这类问题的本质就是，要用合适的算法对农产品的相关信息进行分类处理，这种处理包含了同品种之间、不同品种之间、不同产品之间的识别、评级和分类等处理过程；

[0005] 而信息分类处理是当前信息理论研究的一个热点，随着计算机相关研究涉及的方面越来越广泛，人们也需要更直观、更方便的从海量数据中发现其潜在价值；

[0006] 综上所述，随着科学技术的发展，人们利用计算机视觉的方式来获取农产品的属性数值变得越来越方便，与此同时，利用这些数字来对农产品进行合理且高效的质量评价就成了十分有紧迫的需求。

发明内容

[0007] 为了克服现有技术存在的缺陷与不足，本发明提出一种基于三支决策模型的农产品信息分类处理方法，该方法将三支决策理论扩展应用到农产品信息分类，通过对农产品的信息处理，构造合理的属性集，从而通过构造三支决策农产品信息分类处理模型使农业与互联网相结合，使农产品的信息化内涵更加丰富。

[0008] 本发明的第二目的在于提出一种基于三支决策模型的农产品信息分类处理系统，[0009] 为了达到上述目的，本发明采用以下技术方案：

[0010] 一种基于三支决策模型的农产品信息分类处理方法，包括以下步骤：

[0011] 数据采集步骤：根据预设产品属性元素、产地元素采集得到农产品属性集、农产品产地集；其中所述农产品属性集设有多个所述产品属性元素，所述农产品产地集设有多个所述产地元素；

[0012] 三支决策模型分析步骤：输入农产品属性集、农产品产地集，根据农产品分类三支决策模型进行预测得到各产地的农产品质量，当遇到延迟决策时，根据隶属度与非隶属度相关比例系数将三支处理转化为拟合二支处理；

[0013] 农产品信息分类步骤：根据各产地的农产品质量进行排序分类农产品信息。

[0014] 作为优选的技术方案，所述三支决策模型分析步骤，具体步骤包括：

[0015] 输入农产品属性集、农产品产地集，根据农产品产地集、农产品产地集构建农产品属性与产地的模糊关系，其中农产品属性与产地的模糊关系通过多个农产品产地元素分别对应的多个产品属性元素构成，该农产品属性与产地的模糊关系用于量化各产地元素与各产品属性元素之间的隶属度、非隶属度；根据农产品的产地元素分类，分别计算每个农产品的产地元素与各产品属性元素之间的隶属度、非隶属度形成多个产地隶属度集、产地非隶属度集；

[0016] 结合多个农产品产地隶属度集、农产品产地非隶属度集构建农产品隶属直觉模糊集，将农产品质量直觉模糊集转化为农产品隶属相对模糊集；

[0017] 基于评估代价函数计算第一农产品质量阈值和第二农产品质量阈值，

[0018] 根据农产品隶属相对模糊集与第一农产品质量阈值、第二农产品质量阈值集合的比较进行预测各产地的农产品质量；

[0019] 当遇到延迟决策情况时，根据隶属度与非隶属度相关比例系数将三支处理转化为拟合二支处理。

[0020] 作为优选的技术方案，所述根据隶属度与非隶属度相关比例系数将三支处理转化为拟合二支处理，具体步骤包括：

[0021] 基于比例系数公式并根据隶属度、非隶属度计算该农产品在指定产地的隶属度与非隶属度相关比例系数，设置比例系数阈值；

[0022] 所述比例系数公式具体为：

[0023]

[0024] 其中δ(x)表示农产品在指定产地的隶属度，θ(x)表示农产品在指定产地的非隶属度，ε为隶属度与非隶属度相关比例系数；

[0025] 当该产地的隶属度大于非隶属度时，当隶属度与非隶属度相关比例系数大于比例系数阈值时，表示指定产地的农产品质量偏优，选择接受的决策动作；当隶属度与非隶属度相关比例系数小于比例系数阈值时，表示指定产地的农产品质量偏劣，选择拒绝的决策动作；当隶属度与非隶属度相关比例系数等于比例系数阈值时，表示当前延迟决策情况无法选择接受或者拒绝的决策动作；

[0026] 当该产地的隶属度等于非隶属度时，隶属度与非隶属度相关比例系数恒为0，此时可以认为在这种隶属度下，决策者的决策趋向于无限延迟，所以这种情况下表示指定产地的农产品质量偏劣，选择拒绝的决策动作；

[0027] 当该产地的隶属度小于非隶属度时，基于比例系数公式计算隶属度与非隶属度相关比例系数；当隶属度与非隶属度相关比例系数大于比例系数阈值时，表示该指定产地的农产品质量偏劣，选择拒绝的决策动作；当隶属度与非隶属度相关比例系数小于比例系数阈值时，表示该指定产地的农产品质量偏优，选择接受的决策动作；当隶属度与非隶属度相关比例系数等于比例系数阈值时，表示当前延迟决策情况无法选择接受或者拒绝的决策动作。

[0028] 作为优选的技术方案，所述比例系数阈值设置为0.5。

[0029] 作为优选的技术方案，所述农产品分类三支决策模型通过以下步骤构建得到：

[0030] 数据筛选步骤：对采集的数据筛选出具有代表性的边界阈值；

[0031] 划分对象域步骤：基于边界阈值对将对象域划分为对象正域、对象边界域和对象负域；

[0032] 分层步骤：基于层次分析法分别生成目标层、准则层和方案层，其中所述目标层设有最优解决方案对象，所述准则层设有多个目标对象，所述方案层设有多个方案对象，所述方案层用于分别对多个目标对象匹配方案对象，进而在目标层中确定目标对象的最终接受对策。

[0033] 作为优选的技术方案，所述结合多个农产品产地隶属度集、农产品产地非隶属度集构建农产品隶属直觉模糊集，具体步骤包括：设置权重向量集和判断矩阵，基于权重向量集将隶属度集集合于判断矩阵得到农产品隶属直觉模糊集；其中，所述权重向量集的元素数量根据产地隶属度集的元素数量设置，所述权重向量集用于表示各产品属性元素的在产品属性中的重要程度。

[0034] 为了达到上述第二目的，本发明采用以下技术方案：

[0035] 一种基于三支决策模型的农产品信息分类处理系统，包括数据采集模块、三支决策模型分析模块和农产品信息分类模块；

[0036] 所述数据采集模块用于根据预设产品属性元素、产地元素采集得到农产品属性集、农产品产地集；其中农产品属性集设有多个产品属性元素，农产品产地集设有多个产地元素；

[0037] 所述三支决策模型分析模块用于输入农产品属性集、农产品产地集，根据农产品分类三支决策模型进行预测得到各产地的农产品质量，当遇到延迟决策时，根据隶属度与非隶属度相关比例系数将三支处理转化为拟合二支处理；

[0038] 所述农产品信息分类模块用于根据各产地的农产品质量进行排序分类农产品信息。

[0039] 本发明与现有技术相比，具有如下优点和有益效果：

[0040] (1)目前关于三支决策的研究大多局限于对于模糊性的分析和对于不确定性的分析，例如医疗诊断、军事威胁评估等方面，而对于我国农业信息化，本发明基于三支决策模型应用到农产品信息分类；本发明构造农产品属性集和农产品产地集，由评估代价函数计算农产品质量阈值，在面对延迟决策可能存在的“延迟的决策动作”的情况时，通过选择隶属度与非隶属度相关比例系数，并与比例系数阈值比较，直接得到延迟决策的转换结果，即将三支处理转化为拟合二支处理，显著简化了延迟决策转化过程，提高了农业信息分类处理的时间效率。

[0041] (2)本发明对决策进行了综合评价，结合了农产品属性集与农产品产地集互相之间的影响，运用隶属度与非隶属相对应的模糊集，并进一步分析对延迟决策转换为隶属度与非隶属度相关比例系数的两种情况选取对应的系数直接进行数值比较而得出结果，从而对延迟决策进行决策结果转化，在农产品质量预测上具有较高的准确度，实现在阈值下更精确地对农产品信息分类，辅助农业工作者、消费者根据分类后的农业信息更加便捷地作出后续决策。

附图说明

[0042] 图1为本发明实施例1中基于三支决策模型的农产品信息分类处理方法的步骤流程图；

[0043] 图2为本发明实施例1中三支决策模型进行数据筛选步骤的步骤示意图；

[0044] 图3为本发明实施例1中三支决策模型决策执行的流程示意图。

具体实施方式

[0045] 在本公开的描述中，需要说明的是，术语“第一”、“第二”、“第三”仅用于描述目的，而不能理解为指示或暗示相对重要性。同样，“一个”、“一”或者“该”等类似词语也不表示数量限制，而是表示存在至少一个。“包括”或者“包含”等类似的词语意指出现在该词前面的元素或者物件涵盖出现在该词后面列举的元素或者物件及其等同，而不排除其他元素或者物件。“连接”或者“相连”等类似的词语并非限定于物理的或者机械的连接，而是可以包括电性的连接，不管是直接的还是间接的。

[0046] 为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。

[0047] 实施例

[0048] 实施例1

[0049] 如图1所示，本实施例提供了一种基于三支决策模型的农产品信息分类处理方法，该方法包括以下步骤：

[0050] 数据采集步骤：根据预设产品属性元素、产地元素采集得到农产品属性集、农产品产地集；其中农产品属性集设有多个产品属性元素，农产品产地集设有多个产地元素。

[0051] 三支决策模型分析步骤：输入农产品属性集、农产品产地集，根据农产品分类三支决策模型进行预测得到各产地的农产品质量，当遇到延迟决策时，根据隶属度与非隶属度相关比例系数将三支处理转化为拟合二支处理。

[0052] 农产品信息分类步骤：根据各产地的农产品质量进行排序分类农产品信息。

[0053] 在本实施例中，三支决策模型分析步骤，具体步骤包括：

[0054] 根据农产品产地集、农产品产地集构建农产品属性与产地的模糊关系，其中农产品属性与产地的模糊关系通过多个农产品产地元素分别对应的多个产品属性元素构成，该农产品属性与产地的模糊关系用于量化各产地元素与各产品属性元素之间的隶属度、非隶属度；根据农产品的产地元素分类，分别计算每个农产品的产地元素与各产品属性元素之间的隶属度、非隶属度形成多个产地隶属度集、产地非隶属度集；

[0055] 结合多个农产品产地隶属度集、农产品产地非隶属度集构建农产品隶属直觉模糊集，将农产品质量直觉模糊集转化为农产品隶属相对模糊集；

[0056] 基于评估代价函数计算第一农产品质量阈值和第二农产品质量阈值，

[0057] 根据农产品隶属相对模糊集与第一农产品质量阈值、第二农产品质量阈值集合的比较进行预测各产地的农产品质量；

[0058] 当遇到延迟决策情况时，根据隶属度与非隶属度相关比例系数将三支处理转化为拟合二支处理，进而对延迟决策情况快速预测。

[0059] 在本实施例中，根据隶属度与非隶属度相关比例系数将三支处理转化为拟合二支处理，具体步骤包括：

[0060] 基于比例系数公式并根据隶属度、非隶属度计算该农产品在指定产地的隶属度与非隶属度相关比例系数，设置比例系数阈值；

[0061] 比例系数公式具体为：

[0062]

[0063] 其中δ(x)表示农产品在指定产地的隶属度，θ(x)表示农产品在指定产地的非隶属度，ε为隶属度与非隶属度相关比例系数；

[0064] 当该产地的隶属度大于非隶属度时，当隶属度与非隶属度相关比例系数大于比例系数阈值时，表示指定产地的农产品质量偏优，选择接受的决策动作；当隶属度与非隶属度相关比例系数小于比例系数阈值时，表示指定产地的农产品质量偏劣，选择拒绝的决策动作；当隶属度与非隶属度相关比例系数等于比例系数阈值时，表示当前延迟决策情况无法选择接受或者拒绝的决策动作；

[0065] 当该产地的隶属度等于非隶属度时，隶属度与非隶属度相关比例系数恒为0，此时可以认为在这种隶属度下，决策者的决策趋向于无限延迟，所以这种情况下表示指定产地的农产品质量偏劣，选择拒绝的决策动作；

[0066] 当该产地的隶属度小于非隶属度时，基于比例系数公式计算隶属度与非隶属度相关比例系数；当隶属度与非隶属度相关比例系数大于比例系数阈值时，表示该指定产地的农产品质量偏劣，选择拒绝的决策动作；当隶属度与非隶属度相关比例系数小于比例系数阈值时，表示该指定产地的农产品质量偏优，选择接受的决策动作；当隶属度与非隶属度相关比例系数等于比例系数阈值时，表示当前延迟决策情况无法选择接受或者拒绝的决策动作。

[0067] 在本实施例中，比例系数阈值为0.5。

[0068] 在本实施例中，结合多个农产品产地隶属度集、农产品产地非隶属度集构建农产品隶属直觉模糊集，具体步骤包括：设置权重向量集和判断矩阵，基于权重向量集将隶属度集集合于判断矩阵得到农产品隶属直觉模糊集；其中，权重向量集的元素数量根据产地隶属度集的元素数量设置，权重向量集用于表示各产品属性元素的在产品属性中的重要程度。

[0069] 实际应用时，农产品包括蔬菜、水果，各农产品自身附带了很多属性，比如产地、品种、保鲜期、购买评价等，这些因素为种植者进行品类占比分配、消费者选择产品的重要参考指标，所以对某一种农产品分析，需要基于其产品属性指标对所需的特定产品进行判断选择，即进行模糊综合评价得到。实际应用时，设定用来评价产品属性集M＝{m1,m2,m3,m4……mi}，令mn(n≤i)为第n个产品属性的指标，i为产品属性指标的个数；设定评价产品属性的结果集Y＝{y1,y2,y3,y4……yj}，令ys(s≤j)为第s个评价产品属性的结果，j为评价产品属性的结果个数，该结果具体可以是一个常量也可以是一个等级，比如1.33或良好等。为了确定农产品的某一属性对某一结果的隶属程度，就需要计算两元素的隶属度，对某一产品属性mn进行模糊评价，令对第s个结果ys的隶属度为pns，则该产品属性元素的模糊评价就为Pn＝{Pn1,Pn2，,Pn3…Pnj}，对所有评价结果的因素都进行评价得到判断矩阵：

[0070]

[0071] 再设置一个权重向量集Z＝{z1，z2，z3，……，zi}，令zn表示第n个产品属性的指标mn的在产品属性中的重要性。

[0072] 其中mn的重要程度定量满足 最后将权重向量集Z集合于判断矩阵P，即 式中L＝{l1、l2、
l3、……、lj}就是模糊评价的结果。

[0073] 在本实施例中，根据预设的评估代价函数计算得到三支决策的两个阈值，根据农产品隶属直觉模糊集转化的农产品隶属相对模糊集进行比较判断。判断结果中会有部分结果进入了延迟决策。但是对于决策本身来讲，延迟决策转化为确定的结果，即接受或拒绝，此时通过选择隶属度和非隶属度的比例系数，可以直接进行转换；这个过程显著地减化了延迟决策转化的计算步骤，而运用三支决策最终得到的接受或拒绝的决策行为，也就是对农产品的优劣评价进行排序或分类。

[0074] 在本实施例中，农产品分类三支决策模型通过以下步骤构建得到：

[0075] 数据筛选步骤：对采集的数据筛选出具有代表性的边界阈值。

[0076] 划分对象域步骤：基于边界阈值对将对象域划分为对象正域、对象边界域和对象负域；

[0077] 分层步骤：基于层次分析法分别生成目标层、准则层和方案层，其中目标层设有最优解决方案对象，准则层设有多个目标对象，方案层设有多个方案对象，方案层用于分别对多个目标对象匹配方案对象，进而在目标层中确定目标对象的最终接受对策。

[0078] 如图2所示，数据筛选步骤，具体为：

[0079] 在本实施例中，划分对象域步骤，具体包括以下步骤：

[0080] 设置一个空间(U，A)，式子中U是对象域，是一个有限非空的事件对象集，O是筛选条件集，D是决策方案集；

[0081] 为了进行域内的分类处理，等价划分： 其中 表示对象x在划分条件下的类；

[0082] 设置事件X，则X范围内的最大值和最小值表示如下：

[0083]

[0084]

[0085] 将U拆分为正、边界、负域三个域，分别对应以下公式：

[0086]

[0087]

[0088]

[0089] 其中，POS(X)、BND(X)、NEG(X)分别表示对象正域、对象边界域和对象负域；

[0090] 令条件概率公式P(X│[x])＝|X∩[x]|/|[x]|表示某个事件对象属于[x]内，但是同时又在X的条件下的概率，进而得到：

[0091] POS(X)＝{x∈U|P(X|[x])＝1}；

[0092] BND(X)＝{x∈U|0＜P(X|[x])＜1}；

[0093]

[0094] 引入一对边界阈值a和b，0≤a＜b≤1，其中a为最小边界阈值，b为最大阈值。基于边界阈值范围(a，b)对三个域进行区分：

[0095] POS(a,b)(X)＝{x∈U|P(X|[x])≥b}；

[0096] BND(a,b)(X)＝{x∈U|a＜P(X|[x])＜b}；

[0097] NEG(a,b)(X)＝{x∈U|P(X|[x])≤a}；

[0098] 即：当x属于X的可能性大于b时，那么x就在对象正域当中为：

[0099] {x∈U|P(X|[x])≥b}；

[0100] 当x属于X的可能性在a和b之间时，那么x就在对象边界域当中为：

[0101] {x∈U|a＜P(X|[x])＜b}；

[0102] 当x属于X的可能性小于a时，那么x就在对象负域当中为：

[0103] {x∈U|P(X|[x])≤a}。

[0104] 当接收到客观信息时，利用信息中的各个部分来对照预设标准，这个预设标准包括选择接受的标准、选择拒绝的标准以及选择观望的标准，即对客观信息进行直觉模糊的三支决策分析。

[0105] 令客观信息对象集合为U,令x为该集合里的任意一个对象，当接收到客观信息后，对于事件对象x的处理态度有两种情况，即判断x属于U或者不属于U。但是x∈U的关系是不变的，这两种处理态度视为事件对象x在某一种决策行为下的“隶属”与“不隶属”两个状态，POS(P)用于表示其隶属状态，NEG(N)用于表示其非隶属状态，与此同时，把集合U分为隶属‑状态集K和非隶属状态集K ，从而在无法立即决策时，也就是延迟决策时来进行更细致的分析，具体使用基于决策粗糙集三支决策模型的决策代价矩阵：

[0106] 表1两种状态下的决策代价矩阵表

[0107]

[0108] 如表1所示，wP代表将事件对象x属于到正域中，执行接受操作，这时x∈K；wN代表将‑事件对象x属于负域中，执行拒绝操作，这时x∈K ；wB代表将事件对象x属于边界域中，执行‑
延迟操作，这时事件对象x不确定属于K还是属于K。

[0109] 对于延迟决策事件时的对象x的状态，设置评价函数F(wx|x)，wx是对事件对象x的决策动作，当x∈K，函数的评估代价为在隶属状态γPP,γNP,γBP下进行三种决策动作时对‑应的评价，当x∈K，函数的评估代价为在非隶属状态γPN,γNN,γBN下进行三种决策动作时对应的评价，令δ(x)为事件对象x的隶属度，θ(x)表示为事件对象x的非隶属度。根据三支决策的决策模式，则有0≤γPP≤γBP≤γNP，0≤γBN≤γNN≤γPN，0≤δ(x)+θ(x)≤1，综上对于评价函数F(wx|x)有：

[0110] 接受事件对象x时付出的成本为：F(wP|x)＝γPP×δ(x)+γPN×θ(x)；

[0111] 拒绝事件对象x时付出的成本为：F(wN|x)＝γNP×δ(x)+γNN×θ(x)；

[0112] 延迟事件对象x时付出的成本为：F(wB|x)＝γBP×δ(x)+γBN×θ(x)；

[0113] 面对选择的正常情况，选择成本更小的选项，即：当F(wP|x)≤F(wN|x)且F(wP|x)≤F(wB|x)时，事件对象x在三支决策论域的正域里，表示作出接受决策行为；当F(wN|x)≤F(wP|x)且F(wN|x)≤F(wB|x)时，事件对象x在三支决策论域的负域里，表示作出拒绝决策行为；当F(wB|x)≤F(wP|x)且F(wB|x)≤F(wN|x)时，事件对象x在三支决策论域的边界域里，表示作出延迟决策行为。

[0114] 在本实施例中，当接受决策行为时，需满足接受决策行为条件，接受决策行为条件具体为：

[0115]

[0116] 通过联立得到三种决策方式的规则：

[0117] 当作出接受决策行为时，满足：

[0118]

[0119] 当作出拒绝决策行为时，满足：

[0120]

[0121] 当作出延迟决策行为时，满足：

[0122]

[0123] 令：

[0124]

[0125]

[0126]

[0127] 由上述延迟决策满足条件，可知α＞β，则：

[0128]

[0129] 即有 当δ(x)≥α时，事件对象x在三支决策论域的正域里，即作出接受决策行为；当δ(x)≤β时，事件对象x在三支决策论域的负域里，即作出拒绝决策行为；当β＜δ(x)＜α时，事件对象x在三支决策论域的边际域里，即作出延迟决策行为。最终可以得到结合直觉模糊的三支决策基础模型：

[0130]

[0131] 该模型选择决策动作与事件对象x的隶属度δ(x)和边界阈值范围(α，β)有关，并基于该相关参数进行三支决策的信息处理。

[0132] 而对于延迟决策的情况，无法立即确定作出接受或者拒绝决策行为，需将延迟决策要转化为接受或者拒绝决策，从而快速应对信息处理。

[0133] 令决策者的作出接受、拒绝、延迟的决策动作分别为fP、fN、fB，相应的的最终方案分别VP、VN、VB，令某一种决策动作被选中的概率为K，则选择接受的决策动作的概率为选择拒绝的决策动作的概率为 选择延迟决策的决策动作的概率为 可以得出：

[0134] 当VP＞VN＞VB或VP＞VB＞VN时，决策者会进行接受决策fP；

[0135] 当VN＞VB＞VP或VN＞VP＞VB时，决策者会进行接受决策fN；

[0136] 当VB＞VN＞VP或VB＞VP＞VN时，决策者会进行接受决策fB；

[0137] 为了可以得到延迟决策的下一步决策结果，令当决策者做出了延迟决策的动作后进一步选择了接受的决策的动作为VBP，令当决策者做出了延迟决策动作后进一步选择了拒绝的决策动作为VBN，而VB＝VBP+VBN。

[0138] 当VBP＞VBN时，延迟决策动作的下一个决策动作就是接受，当VBP＜VBN时，延迟决策动作的下一个决策动作就是拒绝，当VBP＝VBN时，延迟决策动作的下一个决策动作还是拒绝，此时需要进行新一轮运算。令δ(x)为事件对象x的隶属度，θ(x)表示为事件对象x的非隶属度。

[0139] δ(x)与θ(x)的差值的绝对值用于表示事件对象x属于集合的可能性，根据δ(x)与θ(x)的差值的绝对值界定VBP和VBN在VB的比例关系：

[0140] 当δ(x)＞θ(x)时设比例系数为ε，则 VBP＝VB×ε，VBN＝VB×(1‑ε)，当ε＞0.5时，表示决策者做出了延迟决策的动作后进一步选择了接受的决策动作fP；当ε＜0.5时，表示决策者做出了延迟决策的动作后进一步选择了拒绝的决策动作fN；当ε＝
0.5时，表示决策者做出了延迟决策的动作后仍无法立刻作出决策动作。

[0141] 当δ(x)＝θ(x)时比例系数恒为0，在这种隶属度下，决策者的决策趋向于无限延迟，此时做出延迟决策后进一步选择拒绝的决策动作。

[0142] 当δ(x)＜θ(x)时设比例系数为， 当ε～＞0.5时，表示决策者做～
出了延迟决策的动作后进一步选择了拒绝的决策动作fP；当ε＜0.5时，表示决策者做出了～
延迟决策的动作后进一步选择了接受的决策动作fN；当ε＝0.5时，表示决策者做出了延迟决策的动作后，仍无法立刻作出选择接受或者拒绝的决策动作。

[0143] 实际应用时，ε的值根据δ(x)和θ(x)的变化而变化的，更丰富了三支决策中对延迟决策转化的处理分析。

[0144] 如图3所示，当获取产品自身的数据后，设置产品属性集以及产品结果集(实例中这个产品结果集是产地，也就是说这些属性代表了这各产地产品的品质)，之后建立产品属性集与产地集的模糊关系，通过设置权重得到直觉模糊集。模型建立过程中已经阐述隶属度与边界阈值的关系，那么就直接可以对部分产品进行接受或者拒绝的决策，而部分产品进入了延迟决策。在延迟决策中进一步分析通过选择隶属度的相关比例系数并与比例系数阈值比较，直接可以得到延迟决策的转换结果，此过程显著简化了延迟决策转化过程的计算步骤。

[0145] 本实施例还提供了一种验证延迟决策转换结果的方法进行验证：

[0146] 令影响污染水平的污染物集为Z，Z＝{X1,X2,X3,…,Xn}，令Xi为第i种污染物，i＝2，采样点集为L，L＝{m1,m2,m3,…,mn}，其中mj为第j个产地的产品，j＝7；

[0147] 污染物集与采样点集的模糊关系为：R(Z→L)＝(δR(Xi,mi),θR(Xi,mi))，其中δR(Xi,mi)为隶属程度，θR(Xi,mi)为非隶属程度，则有：

[0148]

[0149] 以第一组数据进行说明，0.5代表第一个采样点样本对第一种污染物的隶属度，0.2代表第一个采样点样本对第一种污染物的非隶属度。

[0150] 设置2个指标的权重向量集为A＝((0.1,0.25),(0.5,0.3))，权重向量集的元素个数与污染物集的元素个数相同，以第一组数据进行说明，0.1代表第一种污染物的隶属度相对其他污染物的隶属度，0.25代表第一种污染物的非隶属度相对其他污染物的非隶属度，而后构建直觉模糊集，计算其中一个采样点的水样品m1：

[0151] δR(A，Y1)＝∨((0.5，0.1)∧(0.6,0.5))＝∨((0.1)∧(0.5))＝0.5；

[0152] θR(A，Y1)＝∨((0.2，0.25)∧(0.3，0.3))＝∨((0.2)∧(0.3))＝0.3；

[0153] 同理计算m2，m3，m4，m5，m6,m7，可以得到直觉模糊集：

[0154] B＝((0.5,0.3),(0.5,0.2),(0.3,0.3),(0.5,0.1),(0.5，0.2),(0.4,0.3),(0.5,0.3))；

[0155] 为了更好的在边界阈值范围内比较，令δ(xi)+θ(xi)＝1得到相对集：

[0156] B～＝((0.63,0.37),(0.71,0.29),(0.5,0.5),(0.83,0.17),(71,0.29)，(0.57,0.43),(0.63,0.37))

[0157] 设置评估代价函数：

[0158] 表2评估代价函数

[0159]

[0160] 如表2所示，为本实施例采用的评估代价函数，基于评估代价函数计算边界阈值：

[0161]

[0162]

[0163] 利用相对集中的相对隶属度可根据上述提到δ(x)≥α或β＜δ(x)＜α或δ(x)≤β三种情况进行判断：采样点水样品m1，m2,m4,m5,m7为被污染的水样品，其采样点水质需要治理，但是m3和m6为是否为被污染的水样品需要进一步分析：

[0164]

[0165] m6：δ(x)‑θ(x)＝0；

[0166] 即m3和m6为未被污染的水样品。

[0167] 如果在引入犹豫度的模型中，基于模糊集得到对应的犹豫度：

[0168] BS＝(0.2，0.3，0.4，0.4，0.3，0.3，0.2)；

[0169] 根据犹豫度公式计算对应的两个犹豫度阈值：

[0170] αS＝(0.479，0.419，0.359，0.359，0.419，0.419，0.479)；

[0171] βS＝(0.232，0.203，0.174，0.203，0.203，0.232)；

[0172] 通过隶属度与犹豫度阈值相比较，则采样点水样品m1,m2,m4,m5,m7为被污染的水样品，其采样点水质需要治理，而剩余两个水样品均为延迟决策的情况，通过基于直觉模糊的三支决策动态模型可以得出m3和m6为未被污染的水样品。

[0173] 因此，本实施例改进的三支决策模型在决策方案上具有科学性和准确性，而且对于延迟决策转化方面，本实施例通过两种比例系数下进行判断，使得本实施例的方案相对比基于直觉模糊的三支决策动态模型更加简洁方便，在面对延迟决策时，减少了犹豫度引入的同时达到准确的预测。

[0174] 实施例2

[0175] 本实施例以苹果上游供应链为例，其中对苹果农产品进行采集数据并分析。此外，本实施例在此对数据来源不做限定。

[0176] 在本实施例中，影响产品质量的产品属性集为Z， 令Xi为第i种产品属性，i<＝n1，n1为产品属性集的元素数量。

[0177] 实际应用时，根据实际情况选择产品属性n1的数量，此处设置n1为5，X1、X2、X3、X4、X5分别表示品种、甜度、果型、硬度和农药残留量的产品属性，令产地集合为L，令Yj为第j个产地的产品，j≤n2，n2＝4。通过专家打分和德尔菲法，可以得到产品属性集与产地集的模糊关系：

[0178] R(Z→L)＝(δR(Xi,Yi),θR(Xi,Yi))；

[0179] 式中δR(Xi,Yi)为隶属程度，θR(Xi,Yi)为非隶属程度；

[0180] 得到产品属性集与产地集的模糊关系为：

[0181]

[0182] 实际应用时，不同实际情况得到的产品属性集与产地集的模糊关系的具体数值不同。以第一组数据进行说明，0.833代表第一个产地的产品对第一种产品属性的隶属度，0.083代表第一个产地的产品对第一种产品属性的非隶属度。

[0183] 设置5个指标的权重向量集为：

[0184] A＝((0.4,0.1),(0.15,0.65),(0.1,0.35),(0.15,0.45),(0.2,0.6))；

[0185] 以第一组数据进行说明，0.4代表第一种产品属性的隶属度相对其他产品属性的隶属度，0.1代表第一种产品属性的非隶属度相对其他产品属性的非隶属度，权重向量集的指标数量与产品属性元素个数相同，而后构建直觉模糊集；

[0186] 计算其中一个产地的产品Y1：

[0187] δR(A,Y1)＝∨((0.2,0.4)∧(0.4,0.15)∧(0.8,0.1)∧(0.9,0.15)∧(1,0.2))[0188] ＝∨((0.4)∧(0.15)∧(0.1)∧(0.15)∧(0.2))＝0.4

[0189] θR(A,Y1)＝∨((0.1,0.1)∧(0.4,0.7)∧(0.2,0.4)∧(0.1,0.5)∧(0.1,0.6))[0190] ＝∨((0.1)∧(0.4)∧(0.2)∧(0.1)∧(0.1))＝0.4

[0191] 同理推算Y2,Y3,Y4，可以得到直觉模糊集：

[0192] B＝((0.4,0.4),(0.3,0.5),(0.4,0.3),(0.3,0.5))

[0193] 为了更好的在阈值范围内比较，可令δ(xi)+θ(xi)＝1得到相对集：

[0194] B～＝((0.5,0.5),(0.4,0.6)，(0.6,0.4),(0.4,0.6))

[0195] 设置评估代价函数：

[0196] 表3评估代价函数

[0197]

[0198] 如表3所示，基于评估代价函数计算边界阈值；

[0199]

[0200]

[0201] 根据B～＝((0.3,0.6),(0.4,0.6),(0.6,0.4),(0.4,0.6))中的相对隶属度可根据上述δ(x)≥α或β＜δ(x)＜α或δ(x)≤β三种情况进行判断：Y3产地的苹果品质较好，Y1、Y2和Y4产地的苹果品质一般。

[0202] 当只考虑品质因素来进行购买的情况下，Y3产地的苹果可以买进；

[0203] 但是Y1、Y2和Y4产地的苹果选择买或不买的决策行为需要进一步分析，即面临延迟决策情况，两个产地δ(x)和θ(x)值都相同，根据隶属度、非隶属度计算隶属度与非隶属度相关比例系数，设置比例系数阈值，对延迟决策情况快速预测：

[0204]

[0205] Y1:δ(x)‑θ(x)＝0；

[0206] 即选择购买Y2和Y4产地的苹果，拒绝购买Y1产地的苹果。

[0207] 实施例3

[0208] 本实施例以农产品小麦为例，基于农产品分类三支决策模型对其采集数据进行决策分析。此外本领域技术人员可根据实际采集数据作为源数据，本实施例在此不做限定。

[0209] 在本实施例中，影响产品质量的产品属性集为Z， 令Xi为第i种产品属性，i≤n3，本实施例设置产品属性集的元素数量n3＝3，分别选取颗粒重量、麦穗长度、谷粒大小作为产品属性元素。此外本领域技术人员可根据实际情况选择目标农产品的产品属性元素以及其产品属性的数量，在此不做限定。

[0210] 令产地集合为L， 其中Yj为第j个产地的产品，j≤n4，本实施例设置产地集的元素数量n4＝4。

[0211] 根据专家打分和德尔菲法得到产品自身属性集与产地集的模糊关系R(Z→L)＝(δR(Xi,Yi),θR(Xi,Yi))，式中δR(Xi,Yi)为隶属程度，θR(Xi,Yi)为非隶属程度，则有：

[0212]

[0213] 以第一组数据进行说明，0.57代表第一个产地的产品对第一种产品属性的隶属度，即第一个产地的小麦对颗粒重量的隶属度，0.40代表第一个产地的产品对第一种产品属性的非隶属度，即第一个产地的小麦对颗粒重量的非隶属度。

[0214] 设置产品属性指标的权重向量集为：

[0215] A＝((0.67,0.10),(0.28,0.25),(0.05,0.65))；

[0216] 其中该权重的个数基于产品属性集的元素数量设置，以第一组数据进行说明，0.67表第一种产品属性的隶属度相对其他产品属性的隶属度，0.1代表第一种产品属性的非隶属度相对其他产品属性的非隶属度，而后构建直觉模糊集，计算其中一个产地的产品Y1：

[0217] δR(A,Y1)＝∨((0.57,0.67)∧(0.64,0.28)∧(0.65,0.05))

[0218] ＝∨((0.57)∧(0.28)∧(0.05))＝0.57

[0219] θR(A,Y1)＝∨((0.40,0.10)∧(0.28,0.25)∧(0.23,0.65))

[0220] ＝∨((0.10)∧(0.25)∧(0.23))＝0.28

[0221] 同理推算Y2,Y3,Y4，可以得到直觉模糊集：

[0222] B＝((0.6,0.3),(0.7,0.3),(0.6,0.3),(0.7,0.2))

[0223] 此时为了更好的在阈值范围内比较，令δ(xi)+θ(xi)＝1得到相对集：

[0224] B～＝((0.67,0.33),(0.70,0.30),(0.67,0.33),(0.78,0.22))

[0225] 根据相关专家建议，设置评估代价函数：

[0226] 表4评估代价函数

[0227]

[0228] 如表4所示，根据评估代价函数计算两个边界阈值：

[0229]

[0230]

[0231] 根据相对集B～＝((0.67,0.33),(0.70,0.30),(0.67,0.33),(0.78,0.22))，其中的相对隶属度可根据δ(x)≥α或β＜δ(x)＜α或δ(x)≤β三种情况进行判断：Y2和Y4产地的小麦品质较好，Y1和Y3产地的小麦品质一般。

[0232] 在只考虑品质因素来进行购买的情况下，选择买进Y2和Y4产地的小麦的决策行为；

[0233] 但是对于Y1和Y3产地的小麦选择买或不买的决策行为需要进一步分析，即面临延迟决策情况，两个产地δ(x)和θ(x)值都相同，根据隶属度、非隶属度计算隶属度与非隶属度相关比例系数，设置比例系数阈值，对延迟决策情况快速预测：

[0234]

[0235] 即Y1和Y3产地的小麦品质也较高。

[0236] 根据产地的小麦品质判断该产地的小麦生产条件，本实施例基于改进的三支决策模型对这些只有位次而无法度量的小麦品质做出较好的预测，得出了更加准确的结果，面对延迟决策的情况下，能快速对小麦的产品信息进行分类。

[0237] 实施例4

[0238] 本实施例提供了一种基于三支决策模型的农产品信息分类处理系统，该系统包括数据采集模块、三支决策模型分析模块和农产品信息分类模块；

[0239] 数据采集模块用于根据预设产品属性元素、产地元素采集得到农产品属性集、农产品产地集；其中农产品属性集设有多个产品属性元素，农产品产地集设有多个产地元素。

[0240] 三支决策模型分析模块用于输入农产品属性集、农产品产地集，根据农产品分类三支决策模型进行预测得到各产地的农产品质量，当遇到延迟决策时，根据隶属度与非隶属度相关比例系数将三支处理转化为拟合二支处理；

[0241] 农产品信息分类模块用于根据各产地的农产品质量进行排序分类农产品信息。

[0242] 上述实施例为本发明较佳的实施方式，但本发明的实施方式并不受上述实施例的限制，其他的任何未背离本发明的精神实质与原理下所作的改变、修饰、替代、组合、简化，均应为等效的置换方式，都包含在本发明的保护范围之内。