通过复杂球面模糊爱因斯坦聚合算子优化生物识别系统选择

为何更聪明的安全决策至关重要

银行越来越依赖生物识别系统——指纹、人脸扫描、虹膜识别——来保护账户并遏制欺诈。但选择“最佳”设备远非易事。现实条件如光照变化、传感器故障、网点繁忙或客户使用习惯变化，会使系统性能高度不确定且随时间波动。本文提出了一种新的数学决策框架，旨在帮助银行在这种混乱且变化的条件下挑选仍能保持可靠性的生物识别系统，力求在反映真实的人为与技术不确定性的同时减少财务风险。

以三重视角看待不确定性

传统决策工具常假定我们可以给每个选项赋一个清晰的单一分值：好、坏或介于两者之间。现实要复杂得多。早期的模糊逻辑通过允许部分隶属来捕捉这种情况，后续又引入了非隶属和中立性。然而，这些方法通常依赖于简单的一维数值。作者基于一种更具表达力的概念——复杂球面模糊集，来同时跟踪三种要素：支持、反对和中立犹豫，并将每一项不仅编码为幅值，还赋予相位，即一种时间或周期行为。这允许模型精确且灵活地表示诸如“该设备大部分时间表现很好，但在晚高峰时段会出问题”这样的模式。

合并多方噪声意见的新方法

在银行实践中，生物识别的选择取决于许多标准：易用性、数据备份、电池寿命、定位跟踪等，各项由可能存在分歧或不确定的专家加以评判。将这些分散、偶有极端的意见合并为一个平衡的判断并不容易。线性平均可能会让某个异常高或异常低的分数主导结果，并且可能模糊准则之间的重要交互。为此，作者在复杂球面模糊环境下引入了两种新的“爱因斯坦”聚合算子。这些算子采用非线性数学规则，鼓励准则之间相互支持，同时防止单一高分完全弥补其他方面的弱点。结果是合成评估更平滑、保持在现实范围内，并且对离群值或不可靠输入不那么敏感。

无并列的排序方法

即便拥有用于不确定性的复杂表达和智能聚合，决策者仍需一个清晰的备选项排序。以往针对复杂球面模糊数据的评分公式有时会把不同选项视为等同，导致无法判断哪个生物识别系统真正更好。本文提出了一种改进的评分函数，更细致地权衡支持、中立与反对及其相位行为。该精化度量拉宽了数值范围并减少并列，使得在不同时段或条件下表现不同的两个系统不太可能得到相同的总体分数。由此为管理者提供了明确的候选排序。

在银行中的实际应用

为展示该方法的实践表现，作者研究了一家怀疑存在高欺诈风险并希望升级生物识别访问的银行。比较了四种商业系统在四个关键准则上的表现：用户友好性、数据备份措施、电池备份以及通过位置服务进行的员工追踪。专家对每个设备—准则对的判断被编码为复杂球面模糊数，既捕捉了各项需求满足的强度，也反映了性能在不同情境下的变化。新的爱因斯坦聚合算子随后将这些评估合成为每个设备的总体得分。两种算子版本在首选项上达成一致：一种被称为“CP plus”的系统，一旦全面考虑了不确定性和准则间的相互依赖，就始终优于其他系统。

对银行及更广领域的意义

从通俗角度看，该研究的主要信息是：选择安全技术不应仅依赖简单平均或实验室测得的分数。通过对专家所知——以及所未知——的系统行为随时间的变化进行建模，并以受控的非线性方式融合这些意见，所提出的框架能给出更稳定、更透明且更贴合现实风险的排名。尽管案例研究聚焦于银行中的生物识别系统，但同样的方法可用于环境政策、医疗技术或网络防御等领域的复杂选择，凡是在深度不确定和不断变化的条件下需要做出决策之处均适用。

引用: Kanwal, S., Shuaib, U., Alhamzi, G. et al. Optimizing biometric system selection via complex spherical fuzzy einstein aggregation operators. Sci Rep 16, 13183 (2026). https://doi.org/10.1038/s41598-026-39908-3

关键词: 生物识别安全, 模糊逻辑, 多准则决策, 银行防欺诈, 不确定性建模