《Journal of Natural Fibers》：Application of a MEREC-CRITIC-CODAS Based Cubic Q-Rung Orthopair Fuzzy Multi-Attribute Decision-Making Method for Infrared Band Optimization in Waste Textile
编辑推荐：
本文创新性地将立方q阶正交模糊集（Cq-ROFS）、混合权重确定方法（MEREC-CRITIC）和组合距离评估（CODAS）决策模型相结合，构建了一个新颖的多属性群决策（MAGDM）框架，并将其应用于废旧纺织品近红外光谱检测的波段优化。该研究通过开发新型聚合算子（Cq-ROFPMSM）有效融合了不确定的光谱信息，克服了传统波段选择方法评价指标单一、结果不稳定的局限。应用该模型识别出的最优波段范围（1800~2600 nm）显著提升了废旧纺织品检测的图像质量（35%）和分类准确率（25%），为解决纺织品回收中的关键技术难题提供了兼具理论鲁棒性与工程应用价值的决策支持。
废旧纺织品的有效回收是实现循环经济和低碳发展的重要途径，然而其复杂的成分和结构使得自动、准确的分类成为技术瓶颈。在现有的识别技术中，近红外（NIR）光谱技术凭借其无损、快速和高灵敏度的优势，成为实现智能识别的关键工具。然而，高光谱数据的高维度、波段间的冗余信息、噪声和相关性问题，使得直接使用全波段信息不仅影响模型性能，也增加了计算复杂度。尽管已有多种波段选择方法，但它们往往评价指标单一，结果缺乏稳定性，并且难以有效处理光谱信息中固有的不确定性、模糊性和多属性交互问题。
为了解决上述挑战，本研究提出了一种基于立方q阶正交模糊集（Cubic q-rung orthopair fuzzy set, Cq-ROFS）的多属性群决策框架，专门用于优化废旧纺织品的近红外光谱波段。Cq-ROFS是模糊集理论的一个重要扩展，它通过结合q阶正交模糊集（q-ROFS）和区间值q阶正交模糊集（IVq-ROFS），形成了一个立方结构，从而能够更全面地刻画高维、复杂的不确定性信息，其信息表达能力远超传统的模糊集（FS）、直觉模糊集（IFS）和毕达哥拉斯模糊集（PyFS）。
本研究的核心贡献之一是开发了两种新型的聚合算子：立方q阶正交模糊幂Maclaurin对称均值算子（Cq-ROFPMSM）及其加权形式（Cq-ROFWPMSM）。该算子通过整合幂平均（PA）算子和Maclaurin对称均值（MSM）算子的优势，不仅能够捕获光谱属性之间的复杂关联性，还能自适应地降低极端值对决策结果的影响，从而实现对不确定光谱信息更有效的融合。为了客观、全面地确定评价属性的权重，研究提出了一种新颖的混合加权方法，整合了基于准则移除效应的方法（MEREC）和基于准则间相关性的重要性（CRITIC）。该方法能够同时反映属性内部的差异对比度以及属性对整体决策结果的贡献度，克服了单一权重方法的局限性。
在决策模型方面，研究采用了组合距离评估（CODAS）方法对不同的波段划分方案进行排序。CODAS方法以欧氏距离和汉明距离为主要比较指标，具有良好的判别能力和实用性。将其与本文提出的Cq-ROFWPMSM算子相结合，显著提升了整个决策框架的处理能力和稳健性。
具体应用中，研究选取了五种典型的废旧纺织品作为决策对象，并选取波段的信息量、可分离性和相关性作为三个核心评价属性。通过所构建的Cq-ROFS-MEREC-CRITIC-CODAS完整决策框架，对五种预设的波段划分方案进行了评估和排序。结果表明，该模型确定的最优红外波段范围为1800~2600 nm。与K-近邻（KNN）、决策树（DT）和卷积神经网络（CNN）等基线方法相比，采用该优化波段进行废旧纺织品检测，能够将图像质量提升35%，同时将分类准确率提高25%。这验证了所提框架在提升检测性能方面的显著效果。
研究还对所提方法的参数敏感性、与其他方法的对比以及实际应用效果进行了深入分析，进一步证明了该模型的优越性和可靠性。本文建立的MAGDM框架不仅充分利用Cq-ROFWPMSM算子扩展了不确定信息的表达能力，还通过MEREC-CRITIC方法实现了更客观全面的属性权重计算，并借助CODAS方法提高了决策精度。该工作首次将此类先进的模糊决策理论系统应用于废旧纺织品的光谱波段优化问题，为可持续纺织品回收中的光谱技术应用提供了一个理论上稳健、实践中可行的创新决策方案。
