TOPSIS驱动的复杂图像模糊方法用于语音匹配和体育训练功能识别
Walid Emam1, Munazza Amin2, Raiha Imran2
1Department of Statistics and Operations Research, Faculty of Science, King Saud University, P.O. Box 2455, 11451, Riyadh, Saudi Arabia.
Scientific reports
|October 1, 2025
概括
本研究引入了一种新的决策模型,使用复杂的图像模糊信息措施 (CPF-IM) 来提高语音和体育科学的准确性. 加强的框架有效地处理不确定性和复杂的数据,以便更好地进行专家评估.
科学领域:
- 人工智能的人工智能
- 运动科学 运动科学 运动科学
- 决策科学 决策科学 决策科学
背景情况:
- 语音匹配和体育训练识别是关键的人工智能和体育科学领域.
- 现有的多标准决策 (MCDM) 方法与不确定性,犹和周期性行为作斗争.
- 对数据交互的不充分处理限制了当前的决策框架.
研究的目的:
- 通过复杂的图片模糊信息措施 (CPF-IM) 提出一个增强的决策框架.
- 提高语音和体育科学应用中的决策准确性和可靠性.
- 解决处理不确定性,犹和数据中的相互依存关系方面的局限性.
主要方法:
- 为复杂图像模糊集 (CPFS) 开发新的相似度 (SMs) 和距离度 (DMs).
- 将CPF-IM纳入TOPSIS (通过类似理想解决方案的优先顺序技术) 决策方法.
- 使用现实世界的场景进行评估,对多个标准的演讲者个人资料进行专家评分.
主要成果:
- 拟议的CPF-TOPSIS模型显示了一致的替代排名.
- 该模型成功地检测到声学和生物力学参数之间的相互依赖关系.
- 对比研究证实了CPF-TOPSIS方法比其他技术更高的精度和可靠性.
结论:
- 已经建立了一个新的语音和体育科学决策框架.
- 该框架通过准确管理不确定的数据,周期性模式和犹来增强专家评估.
- 这项研究为专业科学领域的复杂决策提供了更强大的方法.
