L’ indice generico può essere suddiviso in diversi indicatori generici, in base ai criteri di valutazione e alla loro influenza. L 'indice specifico, invece rappresenta gli indici di valutazione specifici relativi alle prestazioni ambientali.
In generale, questi indici possono essere classificati come indicatori quantitativi e indicatori qualitativi in base al metodo di assegnazione. I valori degli indicatori quantitativi sono precisi e provengono dai dati di misurazione o dati di progetto, mentre gli indicatori qualitativi sono generati da punteggi di esperti su una scala di 10 punti basata su normative specifiche \cite{2005}.
Inoltre, gli indici in figura 11 hanno la seguente caratteristica: minore è il valore assegnato, minore è l'impatto ambientale. L'obiettivo di questo approccio è ottenere il valore atteso del campione di “training”.
Algoritmo di clustering Fuzzy Kernel
I passaggi di questo metodo sono i seguenti:
Innanzitutto, definiamo una funzione criterio, C, e un centro di raggruppamento iniziale, successivamente in base ai campioni e alla distanza dal centro di raggruppamento, questi ultimi vengono suddivisi in classi. Inoltre viene calcolato il centro del cluster e il grado di appartenenza fuzzy di ciascuna classe per tutti i campioni. Questo processo viene ripetuto fino a ridurre al minimo la funzione del criterio \cite{Lucieer_2009}. Quando si risolvono problemi complessi, non lineari e ad alta dimensione, l'algoritmo FCM (KFCM) del kernel presenta molti vantaggi \cite{WANG_2017}.
I nuovi vettori di funzionalità vengono costruiti tramite la funzione kernel, pertanto, lo spazio di input viene mappato sullo spazio delle caratteristiche ad alta dimensione in modo che i campioni linearmente inseparabili nello spazio di input diventino separabili linearmente. Infine, il raggruppamento viene eseguito nello spazio delle caratteristiche ad alta dimensione \cite{Zhang_2004} .
Il clustering KFCM partiziona un insieme di n oggetti X = { x 1 , x 2 ,…, x n } nello spazio dimensionale R p in cluster fuzzy C. Quindi, tutti i campioni vengono mappati sullo spazio delle caratteristiche ad alta dimensione Q con la funzione Φ per ottenere l'insieme funzionale Φ ( x 1 ), Φ ( x 2 )…, Φ ( x n ). Il clustering è completato nello spazio Q .
Secondo la definizione della funzione kernel, la funzione K ( x , y ) nello spazio delle caratteristiche ad alta dimensione può essere rappresentata dal prodotto scalare dello spazio originale, K ( x , y ) = Φ ( x ) T Φ ( y ) e soddisfano i criteri di disuguaglianza e simmetria di Cauchy-Schwarz. La funzione di destinazione dell'algoritmo di clustering KFCM può essere espressa come segue (figura 12):