标准规范下载简介
GB／T 41563-2022 消费品安全数据融合与集成通则.pdf简介：
GB／T 41563-2022 消费品安全数据融合与集成通则.pdf部分内容预览：
消费品安全数据融合与集成通则
下列文件中的内容通过文中的规范性引用而构成本文件必不可少的条款。其中，注日期的弓 牛，仅该日期对应的版本适用于本文件；不注日期的引用文件，其最新版本（包括所有的修改单）适 本文件。 GB/T30135消费品质量安全风险信息描述规范 GB/T30136消费品质量安全风险信息采集和处理指南
应建立涉及个人或者组织信息的受控管理制度，保证信息在可控范围内流转和使用
应建立涉及个人或者组织信息的受控管理制度GB／T 39003.1-2020 工业自动化系统工程用工程数据交换格式 自动化标识语言 第1部分：架构和通用要求.pdf，保证信息在可控范围内流转和使用
消费品安全信息的采集应力求全面、 行取舍、分割、随意修改或删除，消
消费品安全数据融合与集成的对象包括消费品相关的定性和定量数
消费品安全的定性数据指对消费 、性能等进行描述或评价的信息：一股由数字、文本、图像 视频等构成，如网络奥情、消费者评价等信息
消费品安全的定量数据指对消费 性能等进行检测、抽查、召回的信息，一般由数字、文本等 构成，如监督抽查、风险监测、召回通报等信息
消费品安全数据融合与集成级别分为三类：数据级融合与集成、特征级融合与集成和决策级融合
数据级融合与集成也称像素级融合与集成，是最低层次的融合与集成。数据级融合与集成过程如 图1所示，其直接在采集的消费品安全原始数据层上进行融合与集成，在多源数据未经预处理前进行数 据关联和分析，融合与集成之后进行特征提取，能够最大程度地保留原始数据的特征，也能够提供较多 的细节信息。 通过数据级融合与集成可按照产品名称、生产厂商名称等，对纺织品、儿童用品、家用电器及电器附 件、家具等消费品的使用者、危害因素和伤害类型等内容进行统计与分析。
图1数据级融合与集成过程
图2特征级融合与集成过程
特征级融合与集成优点是在融合与集成过程中保留了重要特征信息，并且对信息进行了压缩，便于 数据实时处理。 特征级融合与集成方法包括：概率论统计、逻辑推理、神经网络、基于特征抽取的融合方法、基于搜 索的融合方法、基于三角模糊数与加权平均算子方法等，其中基于三角模糊数与加权平均算子方法见附 录A，基于三角模糊数与加权平均算子的数据融合方法应用示例见附录B
决策级融合与集成是一种高层次的融合与集成，该层次融合与集成过程如图3所示，从消费品安全 具体决策间题需求出发，充分利用特征级融合所提取的各类特征信息，进一步进行分析、推理、识别和翔 等的融合过程，融合结果为决策与管理提供依据。对包括伤害类型、伤害结果、伤害性质、伤害严重程 度等信息进行分析、推理、识别
图3决策级融合与集成过程
通过决策级融合与集成，将消费品类型、可能的危害类型、可能的伤害类型同伤害发生的可能性与 风险等级建立了关联，决策者可以进一步发现某类消费品存在的风险隐患。如通过贝叶斯估计方法，将 玩具产品中的易脱落小部件与使用者的年龄和使用环境建立模型，可以分析导致伤害发生的可能性 大小。 决策级融合与集成优点是融合与集成实时性好，有一定的容错能力；缺点是预处理代价较高，原始 信息的损失较多。 决策级融合与集成方法包括：模糊集、贝叶斯估计、专家系统等
7.2.1HIS 变换
神经网络具有很强的容错性以及自学习、自组织及自适应能力，能够模拟复杂的非线性映射。在消 费品安全多源信息中，各信息源提供的环境信息都具有一定程度的不确定性，可以采用神经网络特定的 学习算法来获取知识，得到不确定性推理机制。
贝叶斯估计是融合静态环境中多传感器高层信息的常用方法。它使传感器信息依据概率原则 且合，测量不确定性以条件概率表示，当传感器组的观测坐标一致时，可以直接对传感器的数据进 ，但大多数情况下，传感器测量数据要以间接方式采用贝叶斯估计进行数据融合。
7.3.1模式/本体对剂
利用属性名、类型 斤需关键技术包括演化模型、
自动找到关联数据中的路径模式和自然语言中的关系词汇之间的对应关系，可分为实体间直 系推理、实体间间接关系推理和关系演化度量。
GB/T41563—2022
A.1数据类型及其特点
基于三角模糊数与加权平均算子的数据融合方法
根据数据描述方式的不同，本样例将数据分为定性和定量两类，主要有随机变量、二值型、表示程度 和词汇术语等类型，如表A.1所示
表A.1数据描述方式
二值型数据用于描述对事实的肯定或否定，取值空间天多为《1，o)或(True，False）。 表示程度的数据一般采用汉语程度副词来表示，如很好、非常差等，程度等级大多采用7或9个 标准。 词汇术语的数据采用词汇空间中规定的词汇或术语给出事物定性的描述，词汇个数视具体情况 而定。
A.2基于三角模糊数的支持度计算
考虑到多源数据描述中存在着模糊性，可采用三角模糊数计算数据对决策的支持度值， a）随机性数据的转换
若随机变量的取值越大，其对决策的支持度也越大。将区间Lμ一3a，μ十3a]进行n等分，则随机 支持度的转换可定义为：
二值型数据采用1或0进行描述，若数据源中取1和0的个数分别为n和m，且支持度以取值1 则数据源对决策的支持度定义为：s（）=（n/n十m，n/n十m，n/n十m）
c）程度类数据的转换 描述对象好坏程度一般可采用7等级或9等级标准，本样例采用7等级标准。程度副词的表示分 正比型（效率越高越好)和反比型（费用越高越差），则各等级对决策的支持度可量化如表A.2所示的 数据。
表A.2程度类型数据的支持度
A.3OWA的权重向量计算
设：FR"→R，有一个与F相关联的n维加权向量w=（w1，w2，，w.），w;E[01]，1
其中：b：是a；中第i个最大的元素JGJ224-2010 预制预应力混凝土装配整体式框架结构技术规程.pdf，则F称为n维OWA算子 OWA权向量w=(w1,w2,"",w,)由下式确定：
中：i=1,2，，n，f为模糊语义量化算子，定义
WA算子还定义了反映决策者乐观态度的度量算
U b
设有n个决策：A=（A1，A2，""，A,），m个数据源：S=（S1，S2，"，Sm），各数据源的可信度（或重 要度）为力：，数据融合算法描述如下： 第1步：计算数据源对决策的支持度； 从数据仓库中提取数据，根据数据的不同类型，按第二部分将其转换为对决策的支持度：
S,=aj,biC）
GB/T415632022
aij
定义：当c≤0.5 当c>0.5 时