GB／T 41563-2022  消费品安全数据融合与集成通则

图1数据级融合与集成过程

特征级融合与集成属于中间层次的融合与集成，如图2所示该层次融合与集成过程分为三个步骤： 首先，对消费品安全数据进行特征提取，提取的特征信息应为原始数据信息的充分表示量或统计量；其 饮，按特征信息对多源数据进行分类、聚集和综合，产生特征矢量；最后，采用特定的方法或技术融合这 些特征矢量，做出相关决策。 通过消费品安全数据特征级融合与集成，可以对引发消费品伤害事件的物理危害、化学危害、生物 危害和环境危害等危害因素深人分析，如物理危害的机械、爆炸、噪声、电气辐射等，化学危害的有机毒 物、无机毒物危害等，生物危害的致病微生物、致病生物等，环境危害的温度、湿度、静电等。

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所示纺织标准，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，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

第4步：依据OWA算子权重向量和转换后的支持度对数据进行融合，并计算各决策的最终决 策值：

其中：b为(Si，S2，"",S"）中第i个最大元素 第5步：根据实际问题按决策值大小做出决策。

附录B （资料性） 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

某市场监管部门想对某公司品牌的电饭锅质量安全状况进行分析，现有5种型号的电饭煲，型号为 A1、A2、A、A4、As，可采集到的电饭锅安全相关数据包括产品市场销售情况、产品使用后的用户反馈、 监督抽查不合格率、产品使用历史状态、召回通报以及质量安全专家研判等数据信息。 针对各型号产品，从市场销售情况a1、监督抽查不合格率a2、最长无故障时间as（μ=12.28，= 2.53)、性价比a4、消费者评价as和质量安全专家研判as这6个方面进行比较。通过对数据进行整 理，得到各个指标数据信息如表B.1所示。

表B.1各产品支持度和数据源可信度

对表B.1中各数据描述类型分析知：a1和a4为程度型，按附录A中相应公式进行变换;a2和 a3为随机变量型，按附录A中相应公式进行变换；n取15as为二值型数据（表中数据为消费 者评价为好”的比例），按附录A中相应公式进行变换；α6为词汇空间描述型，按附录A中相 应公式进行变换。对表B.1中统一量化处理的结果如表B.2所示。

表B.2各产品支持度的统一量化结果

选择“大多数”作为模糊语义原则，模糊语义量化算子中的和分别为0.3和0.8，根据上述OWA 权重的计算方法可得到OWA权重向量：

享出权重向量后，根据乐观态度度量算子求得：c=0.373。 根据p：和s;结合A.4中第3步的计算方法对表B.2中的数据进行转换，转换结果如表B.3 所示。

表B.3数据变换后的结果

表B.3中的每列按第二个数据值从大到小排序，并根据A.4中第4步进行计算，结果如 表B.4所示，

表B.4最终决策结果

密封圈标准数据融合可采用表C.1所列的一种或多种方法。

GB/T 41563—2022

附录C （资料性） 消费品安全数据融合常用方法

表C.1消费品安全多源数据融合技术

GB/T41563—2022

酒店标准规范范本[1]GB/T35248—2017消费品安全供应商指南 [2]·（ GB/T35295一2017信息技术大数据术语 [3] GB/T36625.12018智慧城市数据融合第1部分：概念模型 [4]ISO26000:2010Guidanceonsocialresponsibility