CN103761630A - 一种基于模糊逻辑处理的评估算法 - Google Patents

一种基于模糊逻辑处理的评估算法 Download PDF

Info

Publication number
CN103761630A
CN103761630A CN201410058507.2A CN201410058507A CN103761630A CN 103761630 A CN103761630 A CN 103761630A CN 201410058507 A CN201410058507 A CN 201410058507A CN 103761630 A CN103761630 A CN 103761630A
Authority
CN
China
Prior art keywords
assessment
factor
basic
degree
evaluation
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN201410058507.2A
Other languages
English (en)
Inventor
丁言功
楼月盛
张伟平
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
SHANGHAI FOISON CREDIT RATING Co Ltd
Original Assignee
SHANGHAI FOISON CREDIT RATING Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by SHANGHAI FOISON CREDIT RATING Co Ltd filed Critical SHANGHAI FOISON CREDIT RATING Co Ltd
Priority to CN201410058507.2A priority Critical patent/CN103761630A/zh
Publication of CN103761630A publication Critical patent/CN103761630A/zh
Pending legal-status Critical Current

Links

Images

Landscapes

  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明提供一种基于模糊逻辑处理的评估算法,用于对被评估对象的进行综合评估计算,包括如下步骤:a.生成评估因素集;b.针对所述评估因素集末端的各个基础评估因素确定评估函数;c.针对各被评估对象,确定所述评估因素集中基础评估因素的实际值;d.基于所述评估因素集以及所述每个基础评估因素的实际值生成基础隶属度矩阵;e.基于所述基础隶属度矩阵计算针对所述被评估对象的评估结果。根据本发明的另一个方面,还提供一种基于模糊逻辑处理的评估处理装置。通过本发明提供的评估算法以及评估处理装置,可以有效地处理各种评估工作,并可以结合专家库的设置来提高准确度以及效率。

Description

一种基于模糊逻辑处理的评估算法
技术领域
本发明涉及计算机处理系统,尤其是用于对事件或对象进行评估的评估处理系统,具体地,涉及到评估处理系统中的算法以及处理装置,尤其是基于模糊逻辑处理的评估算法以及处理装置。
背景技术
在现在的办公、项目管理中,都离不开计算机处理系统。而在办公中的评估系统起到了至关重要的作用,其被广泛地应用于评估行业以及政府机关、管理机构等。在出现计算机系统之前,通常都用人工的方式进行评估,但效率较低。为了节约人力物力及时间、减少计算失误率,需要开发一套系统来完成评估工作。通过分析每个评估项目的共性和不同,来定制功能,从而代替工作人员的大部分工作任务,从而起到节约成本、提高工作效率的作用。
但现有技术中所采用的评估系统都不够精确,而且灵活度不够,尤其是针对不同逻辑、不同定性定量参数的评估没有非常好的解决方案。有必要提出一种基于模糊逻辑处理的评估算法以及相应的处理装置。
发明内容
针对现有技术中没有非常好的基于模糊逻辑处理的评估算法,本发明的目的是提供一种适用范围广、基于模糊逻辑处理的评估算法以及相应的处理装置。
根据本发明的一个方面,提供一种基于模糊逻辑处理的评估算法,用于对被评估对象的进行综合评估计算,包括如下步骤:
a.生成评估因素集;
b.针对所述评估因素集末端的各个基础评估因素确定评估函数;
c.针对各被评估对象,确定所述评估因素集中基础评估因素的实际值;
d.基于所述评估因素集以及所述每个基础评估因素的实际值生成基础隶属度矩阵;
e.基于所述基础隶属度矩阵计算针对所述被评估对象的评估结果。
优选地,所述步骤e包括如下步骤:
e1.基于所述基础隶属度矩阵,利用各级评估因素的权重向量,逐级向上对矩阵进行模糊运算,从而获得一个隶属度向量,所述隶属度向量用于指示所述评估结果。
优选地,所述步骤e1还包括如下步骤:
e11.将所述基础评估因素相对应的权重向量与基础隶属度矩阵进行模糊运算,得出上一级评估因素的隶属度矩阵;
e12.针对所述隶属度矩阵,逐级向上进行模糊运算,直至生成一级评估因素的隶属度矩阵;
e13.将一级评估因素的权重向量与一级评估因素的隶属度矩阵进行模糊运算,获得与全部评估因素对应的隶属度向量。
优选地,所述步骤e还包括如下步骤:
e2.采用模糊决策算法对所述隶属度向量进行计算,从而获得所述评估结果。
优选地,在所述步骤e2中,若同时存在p个被评估对象,则将针对所述隶属度向量的所述计算过程重复p次,从而获得综合评估的排序结果。
优选地,所述步骤a中的所述评估因素集为树状结构的评估因素集。
优选地,所述步骤a包括如下步骤:
a1.获取与本次评估有关的特征信息;
a2.根据所述特征信息基于专家决策系统生成所述评估因素集。
优选地,所述特征信息至少包括如下信息中的任一种或任多种:评估业务;被评估对象;评估主题。
优选地,所述步骤a2包括如下步骤:
a21.基于因素集代码体系结构,逐级生成各级评估因素的因素代码及因素名称,直至最末端的所有基础评估因素;
a22.根据所述评估业务及评估主题的特征以及各级评估因素对所述评估主题的影响指数,确定各级评估因素的权重,形成各级评估因素的权重向量,直至最末端的基础评估因素;
a23.基于所述因素名称、因素代码及权重向量确定所述各级评估因素,从而生成所述评估因素集。
优选地,所述步骤b包括如下步骤:
b1.根据基础评估因素的特征,确定评估规则码;
b2.基于所述评估规则码确定与所述基础评估因素对应的所述评估函数。
优选地,所述步骤b1前还包括如下步骤:将所述基础评估因素对所述评估结果的效果划分成n个评估等级,并将所述n个评估等级作为n个模糊集合。
优选地,所述步骤b2之后还包括如下步骤:将各所述基础评估因素的评估规则码及相应参数,作为所述评估因素集的组成部分,且在对某个被评估对象进行评估计算前先确定各所述基础评估因素所使用的评估函数的相应参数。
优选地,所述评估函数包括如下类型函数中的任一种:直接计算数值的定量型函数;或者先确定基础评估指标的性质,再基于所述性质确定一个数值的定性型函数。
优选地,所述步骤d包括如下步骤:
d1.根据各所述基础评估因素对应的评估函数的相应参数计算出所述n个评估等级的隶属度值;
d2.生成m行n列的基础隶属度矩阵,所述m表示所述基础评估因素的个数。
优选地,在所述步骤d1中,进行正则化处理以获得所述n个评估等级的隶属度值,所述正则化处理具体包括如下步骤:
μF n ( x ) = y n / Σ i = 1 k y i , i = 1 ~ k .
根据本发明的另一个方面,还提供一种基于模糊逻辑处理的评估处理装置,用于对被评估对象的进行综合评估计算,包括:
第一生成装置,其用于生成评估因素集;
第一确定装置,其用于针对所述评估因素集末端的各个基础评估因素确定评估函数;
第二确定装置,其用于针对各被评估对象,确定所述评估因素集中基础评估因素的实际值;
第二生成装置,其用于基于所述评估因素集以及所述每个基础评估因素的实际值生成基础隶属度矩阵;以及
第一计算装置,其用于基于所述基础隶属度矩阵计算针对所述被评估对象的评估结果。
优选地,所述第一计算装置包括:
第二计算装置,其用于基于所述基础隶属度矩阵,利用各级评估因素的权重向量,逐级向上对矩阵进行模糊运算,从而获得一个隶属度向量,所述隶属度向量用于指示所述评估结果。
优选地,所述第二计算装置还包括:
第三计算装置,用于将所述基础评估因素相对应的权重向量与基础隶属度矩阵进行模糊运算,得出上一级评估因素的隶属度矩阵;
第四计算装置,用于对所述隶属度矩阵,逐级向上进行模糊运算,直至生成一级评估因素的隶属度矩阵;
第五计算装置,用于将一级评估因素的权重向量与一级评估因素的隶属度矩阵进行模糊运算,获得与全部评估因素对应的隶属度向量。
优选地,所述步骤第一计算装置还包括:
第六计算装置,用于采用模糊决策算法对所述隶属度向量进行计算,从而获得所述评估结果。
优选地,所述第一生成装置包括:
第一获取装置,用于获取与本次评估有关的特征信息;
第三生成装置,用于根据所述特征信息基于专家决策系统生成所述评估因素集。
优选地,所述第三生成装置包括:
第四生成装置,用于基于因素集代码体系结构,逐级生成各级评估因素的因素代码及因素名称,直至最末端的所有基础评估因素;
第三确定装置,用于根据所述评估业务及评估主题的特征以及各级评估因素对所述评估主题的影响指数,确定各级评估因素的权重,形成各级评估因素的权重向量,直至最末端的基础评估因素;
第四确定装置,用于基于所述因素名称、因素代码及权重向量确定所述各级评估因素,从而生成所述评估因素集。
优选地,所述第一确定装置包括:
第五确定装置,其用于根据基础评估因素的特征,确定评估规则码;
第六确定装置,用于基于所述评估规则码确定与所述基础评估因素对应的所述评估函数。
优选地,所述第一确定装置还包括:第七确定装置,用于将所述基础评估因素对所述评估结果的效果划分成n个评估等级,并将所述n个评估等级作为n个模糊集合。
优选地,所述第一确定装置还包括:第八确定装置,用于将各所述基础评估因素的评估规则码及相应参数,作为所述评估因素集的组成部分,且在对某个被评估对象进行评估计算前先确定各所述基础评估因素所使用的评估函数的相应参数。
优选地,所述评估函数包括如下类型函数中的任一种:直接计算数值的定量型函数;或者先确定基础评估指标的性质,再基于所述性质确定一个数值的定性型函数。
优选地,所述第二确定装置包括:
第九计算装置,其用于根据各所述基础评估因素对应的评估函数的相应参数计算出所述n个评估等级的隶属度值;
第六生成装置,其用于生成m行n列的基础隶属度矩阵,所述m表示所述基础评估因素的个数。
本技术基于模糊逻辑处理方法,对各业务领域的评估主题(信用、资质、绩效等),设计评估因素集和评估规则。根据被评估主体相关评估因素的取值,由评估规则函数计算出各评价等级的隶属度(模糊化),形成隶属度矩阵,然后利用多级模糊综合变换及模糊决策算法(反模糊化)得出各评估主体的综合评估结果。
当前国民经济中存在大量的评估业务,例如企业的信用或资质评估、科技项目或政府资助资金项目的绩效评估、大生产企业中的设备状态评估、部门和员工的绩效评估等,目前大部分还是采用专家打分方式,容易掺入较多的人为因素,而且有时候标准也不容易完全统一。为了便于公正和快速的进行评估业务,特研发了本技术。
通过本发明提供的评估算法以及评估处理装置,可以有效地处理各种评估工作,并可以结合专家库的设置来提高准确度以及效率。简要地讲,本发明具有如下特性:
1.通用性。1)本技术适用于各经济领域中的综合评估业务,使用时,只要进行适量的二次开发,例如将评估指标体系转换成评估因素集,确定各评估因素的评估规则及参数。2)通过代码体系设计,使本技术对不同层级的评估指标体系均能使用。
2.通过设计的相应软件,使评估计算全自动化,从而大大提高了评估业务效率。
3.能把评估计算的人为因素减少到最低限度,使评估工作透明化、公正化,人的知识经验已融入到评估因素集设计及评估规则设计中。
4.可维护性。通过合理的系统架构设计,知识库及规则库均配有维护工具,可以方便地对评估因素集各类因素及评估规则进行追加、修改和删除。
附图说明
通过阅读参照以下附图对非限制性实施例所作的详细描述,本发明的其它特征、目的和优点将会变得更明显:
图1示出根据本发明的第一实施例的,基于模糊逻辑处理的评估算法的流程图;
图2示出根据本发明的第一实施例的,基于所述基础隶属度矩阵计算针对所述被评估对象的评估结果的步骤的具体流程图;
图3示出根据本发明的第一实施例的,基于模糊逻辑处理的评估算法中生成评估因素集的步骤的具体流程图;
图4根据本发明的第一实施例的,基于模糊逻辑处理的评估算法中针对所述评估因素集末端的各个基础评估因素确定评估函数的步骤的具体流程图;以及
图5根据本发明的第一实施例的,基于模糊逻辑处理的评估算法中基于所述评估因素集以及所述每个基础评估因素的实际值生成基础隶属度矩阵的步骤的具体流程图。
具体实施方式
图1示出根据本发明的第一实施例的,基于模糊逻辑处理的评估算法的流程图。本领域技术人员理解,在本实施例中,基于模糊逻辑处理的评估算法,以该智能评估技术所具有通用性的,使其适用于各经济领域中评估业务的智能评估模型及计算机软件架构,从而使评估业务自动化,并且公正和高效的开展评估业务。
具体地,首先执行步骤S210,生成评估因素集。本领域技术人员理解,所述评估因素集包含了多个评估因素,所述评估因素用于评估所述被评估对象。具体地,在后续实施例中对如何生成所述评估因素集予以详细阐述,在此不予赘述。
接下来执行步骤S211,针对所述评估因素集末端的各个基础评估因素确定评估函数。进一步地,本领域技术人员理解,在本实施例中,所述评估因素集包含了多层或者说多级评估因素,即每个评估因素所在的层级是不同的,整个评估因素集呈树状结构。例如,根据上述每个评估因素的行业规范或者行业均值等参考值,来设计每个因素对应的评估等级值,从而将所述基础评估因素集分为1到n个评估等级。优选地,通常可以将评估因素设定为三级,即第一级评估因素、第二级评估因素、第三级评估因素,其中,第一级评估因素的个数最少,例如五个第一级评估因素,而针对每个第一级评估因素都会存在J个第二级评估因素,所以第二级评估因素的个数为5J个,以此类推,对应每一个第二级评估因素都会存在K个第三级评估因素,故而第三级评估因素为5JK个。
然后进入步骤S212,针对各被评估对象,确定所述评估因素集中基础评估因素的实际值。本领域技术人员理解,在本实施例中,优选地,用于运行本发明提供的评估算法的计算机系统或者评估装置向一个数据库发出请求所述基础评估因素的实际值的查询请求,并根据相应的查询结果来确定所述基础评估因素的实际值。而在其他变化例中,也可以通过与所述评估装置或计算机系统外部的数据采集装置进行实时交互来获取所述基础评估因素的实际值。优选地,若数据采集装置为被评估对象的PC客户端,可以通过在此客户端上运行上述评估算法,来提供基础评估因素的实际值,这并不影响本发明的技术内容,在此不予赘述。
接下来执行步骤S213,基于所述评估因素集以及所述每个基础评估因素的实际值生成基础隶属度矩阵。本领域技术人员理解,在本实施例中,根据所述评估因素和被评估主体相关评估因素的取值,利用评估规则及相应的评估函数,经过多级模糊运算处理,计算出各评价等级的隶属度,形成隶属度矩阵。
最后执行步骤S214,基于所述基础隶属度矩阵计算针对所述被评估对象的评估结果。进一步地,本领域技术人员理解,评估因素集中的每个因素根据重要性来分别设置权重,每个因素所占的权重只针对自己的上级因素来设定。将由此得出的权重向量与基础隶属度矩阵进行模糊运算。具体地,在后续实施例中对如何生成所述被评估对象的评估结果以详细阐述,在此不予赘述。
进一步地,本领域技术人员理解,优选地,一个评估结果对应一个被评估对象;一个评估主题对应一个或多个评估因素集;一个评估因素集对应一个或多个被评估对象。
图3具体示出图1中模糊逻辑处理的评估算法流程S210的具体步骤,即评估因素集的生成方法。本领域技术人员理解,所述的评估因素集为树状结构的评估因素集。评估因素集的生成方法具体为:图3流程图所示步骤S231示出要获取与本次评估有关的特征信息,优选地,在本实施例中,所述特征信息至少包括一下三种信息中的任一种或任意多种:一是评估业务,即对评估内容进行分析估算的具体操作,例如对企业的信用指标作评估,则优选地,针对所述信用指标设定的评估业务优选地可以包括:1)该企业的资质指标,即是否拥有某些特定的资质,以及所拥有资质的等级值;2)该企业获得科技项目或政府资助资金项目的数量值;3)该企业所拥有的生产设备数量、生产设备的目前状态值等等。二是被评估对象,例如,上述企业信用指标评估中的一个或多个企业则为被评估对象,这些企业可以通过编号的方式进行表示,以便本发明提供的评估算法可以分别识别这些企业。三是评估主题,即评估任务的具体指向对象。本领域技术人员理解,根据不同的评估需求,可以确定不同的评估主题,例如上述的信用评估,而在其他实施例中,还可以是资质评估、绩效评估或是设备状态评估等,这并不影响发明的技术内容。
更为具体地,本领域技术人员理解,在图3所示实施例的变化例中,所述特征信息的内容可以发生变化,例如可以只采用上述的被评估对象、评估主题,也可以采用上述评估业务、被评估对象、评估主题,同时也采用之外的其他内容,这并不影响本发明的技术内容,在此不予赘述。
接下来,进入图3所示实施例中的步骤S232,根据所述特征信息基于专家决策系统生成所述评估因素集。本领域技术人员理解,在确定了特征信息之后,需要基于这些特征信息生成一个评估因素集。所述评估因素集包含了用于评估的所有因素,并最终根据各评估因素的实际值来确定评估结果。优选地,在本实施例中,基于一个或多个专家决策系统来生成所述评估因素集。本领域技术人员理解,优选地,所述专家决策系统是基于人工智能的系统,其可以根据一个或多个特征信息确定针对一个评估因素的评估规则,从而将所述评估因素与所述评估规则作为一个整体生成所述评估因素集中的一个因素。更为具体地,在本实施例中,优选地,所述专家决策系统首先基于评估系统的代码体系设计技术——这种设计技术将评估系统的因素集、评估规则、评估主体进行编码——形成一个标准的评估指标体系,然后系统通过客户端依据具体的被评估对象(比如某个企业)的特征信息,有针对性的将评估指标体系转化为评估因素集。在所述的专家决策系统中,人为因素已经减少到最低限度,人的知识经验已融入到评估因素集设计及评估规则设计中,从而使评估工作透明化、公正化,同时保证了评估系统的通用性。
进一步地,结合图3所示,本领域技术人员理解,在本步骤中,首先如图3流程S2310所示基于因素集代码体系结构,逐级生成各级评估因素的因素代码及因素名称,直至最末端的所有基础评估因素,然后如图3流程S2311所示根据所述评估业务及评估主题的特征以及各级评估因素对所述评估主题的影响指数,确定各级评估因素的权重,形成各级评估因素的权重向量,直至最末端的基础评估因素,最后如图3流程S2312所示基于所述因素名称、因素代码及权重向量确定所述各级评估因素,从而生成所述评估因素集。此时的评估因素集,就是针对所需评估的特征信息而生成的特定的评估因素集。
图4具体示出图1中流程S211的具体步骤,针对所述评估因素集末端的各个基础评估因素确定评估函数。本领域技术人员理解,针对各个基础评估因素确定的评估函数被用于针对每个基础评估因素进行计算,并在本发明所确定的隶属度矩阵中生成某一个层级的评估结果,例如最低一层的评估结果。换句话说,本实施例的目的实际就是确定对每个评估因素评估分析所适用的评估规则。所述评估函数可以是直接计算数值的定量型函数或者可以是先确定基础评估指标的性质,再基于所述性质确定一个数值的定性型函数。
对该评估函数具体的确认方法是,首先如图4流程S241所示将所述基础评估因素对所述评估结果的效果划分成n个评估等级,并将所述n个评估等级作为n个模糊集合。设定评估等级的时候,会遇到无法用绝对衡量的标准来划分的,这种客观存在的现象,即模糊现象。运用模糊集合理论,把模糊的概念定量化处理,即可解决诸如此类的问题。即针对因素的实际应用来设计评估等级。本领域技术人员理解,在本实施例中,优选地,将上述基础评估因素对所述评估结果的效果划分成5个评估等级,若所确定的评估函数为定量型函数可以将评估等级设定为1、2、3、4、5级,若所确定的评估函数为定性型函数,则枚举个数即为评估等级个数及内容。
然后依图4流程S242所示根据基础评估因素的特征,确定评估规则码。本领域技术人员理解,优选地,所述评估规则码用于唯一标识一个基础评估因素的一个评估函数。具体地,在存在一个较大容量数据库的情况下,可以通过该数据库内存在的基础评估因素对应的评估规则码确定本步骤中基础评估因素所对应的评估函数。而在一个变化例中,也可以采用随机算法来确定一个评估函数,并从数据库中索引到对应的评估规则码。
随后如图4流程S243所示基于所述评估规则码确定与所述基础评估因素对应的所述评估函数。在本实施例中,优选地,所述评估规则码与所述评估函数存在一一对应关系,从而基于所述唯一的评估规则码可以确定一个唯一的评估函数。而在一个变化例中,通过读取所述评估规则码中的某些字节或者其他特征信息,可以获得所述评估规则码所对应的一类评估函数,进一步地可以从所述一类评估函数中确定一个合适的评估函数,例如从L个评估函数中选择使用频率高最高的评估函数作为所述评估函数,在此不予赘述。
最后依图4流程S244所示将各所述基础评估因素的评估规则码及相应参数,作为所述评估因素集的组成部分,且在对某个被评估对象进行评估计算前先确定各所述基础评估因素所使用的评估函数的相应参数。优选地,所述基础评估因素X,依照该因素的特征,确定其评估规则码Y,并由此评估规则码Y确定出基础评估因素X的所述评估函数。基础评估因素X在进行评估计算前都会有相应的评估函数Z和与之对应的参数b。即针对因素的实际应用来设计评估等级,根据因素的重要性来设计其所占的权重,从而确定评估函数。
图5具体示出图1中流程S213的具体步骤,基于所述评估因素集以及所述每个基础评估因素的实际值生成基础隶属度矩阵。本领域技术人员理解,首先如图5中流程S251所示根据各所述基础评估因素对应的评估函数的相应参数计算出所述n个评估等级的隶属度值。本领域技术人员理解,针对一个隶属度矩阵,其存在m行n列元素,针对不同行的每个元素,可以通过该元素对应的评估函数来计算该元素的隶属度值,从而实现针对该层级的评估结果进行计算的准备工作。
然后依照图5中流程S252所示生成m行n列的基础隶属度矩阵,所述m表示所述基础评估因素的个数。基于上述步骤S251,可以对每一行的基础评估因素进行上述步骤S251的计算,从而获得m*n个基础元素的隶属度值,进而生成了m行n列的基础隶属度矩阵
更为具体地,本领域技术人员理解,在本实施例的一个具体实施例中,所述步骤S251中的计算过程通过正则化进行处理,所述正则化的具体步骤如下:
μF n ( x ) = y n / Σ i = 1 k y i , i = 1 ~ k .
参考上述图1至图5,本领域技术人员理解,图2具体示出图1中模糊逻辑处理的评估算法流程S214的具体步骤,即基于所述基础隶属度矩阵计算针对所述被评估对象的评估结果的步骤。本领域技术人员理解,图2流程S221示出基于所述基础隶属度矩阵,利用各级评估因素的权重向量,逐级向上对矩阵进行模糊运算,从而获得一个隶属度向量,所述隶属度向量用于指示所述评估结果。
具体地,在本实施例中,首先执行图2所示步骤S2210,将所述基础评估因素相对应的权重向量与基础隶属度矩阵进行模糊运算,得出上一级评估因素的隶属度矩阵。本领域技术人员理解,本发明提供的评估算法在一个基础隶属度矩阵的基础上进行多层级的运算最终获得一个特征向量,该特征向量即表示本次评估的最终评估结果。而所述多层级的运算逐层地完成,即本步骤所示的基于下一次级的隶属度矩阵生成上一层级的隶属度矩阵,例如步骤S2210即为从基础隶属度矩阵生成上一层隶属度矩阵。例如当基础隶属度矩阵为第四层级的矩阵,则通过本步骤的运算实际上生成第三层级的隶属度矩阵,在此不予赘述。
然后如图2流程S2211所示针对所述隶属度矩阵,逐级向上进行模糊运算,直至生成一级评估因素的隶属度矩阵。进一步地,本领域技术人员理解,通过上述步骤S2210的计算过程,可以逐层地生成上一级隶属度矩阵,在最上面一个层级,即为一级评估因素的隶属度矩阵。
最后如图2流程S2212所示将一级评估因素的权重向量与一级评估因素的隶属度矩阵进行模糊运算,获得与全部评估因素对应的隶属度向量。如上所述,针对每一级评估因素均存在一个对应的权重向量,因此针对一级评估因素,将所述对应的权重向量与所述一级评估因素的隶属度矩阵进行模糊运算,从而获得与全部评估因素对应的隶属度向量。
图2流程S222示出采用模糊决策算法对所述隶属度向量进行计算,从而获得所述评估结果。在进行此步操作时,要注意,若同时存在p个被评估对象,则将针对所述隶属度向量的所述计算过程重复p次,从而获得综合评估的排序结果。
进一步地,本领域技术人员理解,根据不同的实施需要,可以确定不同的评估因素集。例如,在一个优选的实施例中,通过如下元素确定评估因素集中的每一个评估因素:
评估指标体系元素+评估规则码+权重
即每个评估因素至少包含上述三个元素。
更为具体地,所述评估指标体系优选地以树形结构表示,且其分为多个层级。例如:
一级因素包括:A.知识产权数量
              B.技术先进性
              C.直接经济效益
              D.间接经济效益
相应地,每个一级因素又包括多个二级因素,相类推地,每个二级因素又包括多个三级因素。具体地,上述一级因素中的知识产权数量又包括如下二级因素:
A1.专利
A2.软件著作权
A3.实用新型
上述二级因素中的专利又包括如下三级因素:
A11.是否拥有专利
A12.专利数量
以此类推。
更进一步地,本领域技术人员理解,所述评估结构码可以通过多种方式实现,例如优选地,针对上述评估因素集,所述对应的评估结构码可以表示为:
一级因素:01、02、03、04,其中所述01对应所述A.知识产权数量;所述02对应所述B.技术先进性;所述03对应所述C.直接经济效益;所述04对应所述D.间接经济效益。
相应地,针对01评估结构码下属的二级因素,则其评估结构码可以设定为:0101、0102......,而针对二级因素下属的三级因素,其评估结构码可以设定为:010101、010102等,在此不予赘述。
更进一步地,本领域技术人员理解,所述评估规则码由三位十进制数组成。
第一位作用:为1表示定量型因素,为2表示定性型因素。
第二位作用:如果评估函数为定量型,为1代表三角型,6代表正态型;如果评估函数为定性型,则表示枚举个数。
第三位作用:表示评估函数的顺序号。
更进一步地,本领域技术人员理解,针对上述定性运算,可以是从多个选项中选择一个选项,例如该选项可以被设计为“是否发生过重大人身事故”,对应的选项就是“有”,表示零分,或者“没有”,表示满分。
进一步地,本领域技术人员理解,针对上述三级因素“是否拥有专利”,其优选地被归为定性运算,而针对三级因素“专利数量”,其优选地被归为定量运算等,在此不予赘述。
更进一步地,本领域技术人员理解,如下表述了一个定性运算的例子:
第一档分值:国际领先  5分;
第二档分值:国际先进  4分;
第三档分值:国内领先  3分;
第四档分值:国内先进  2分;
第五档分值:其他      1分;
在此不予赘述。
进一步地,下述描述了一个隶属度矩阵的模型:
Figure BDA0000467897010000151
Figure BDA0000467897010000161
优选地,上述“X”表示基础评估因素的各个评估等级,其中并没有明确标明该基础评估因素的内容,但本领域技术人员可以理解其表示的含义,在此不予赘述。
以下是一种越大越好型的定量型算法,我们以5个评估参数为例,分别计算出y的值,最终得出评估目标值:
“高” y 1 = 1 x &le; x 1 1 - ( x - x 1 ) / ( x 2 - x 1 ) x 1 < x &le; x 2 0 x 2 < x
“较高” y 2 = 0 x &le; x 1 ( x - x 1 ) / ( x 2 - x 1 ) x 1 < x &le; x 2 1 - ( x - x 2 ) / ( x 3 - x 2 ) x 2 < x &le; x 3 0 x 3 < x
“一般” y 3 = 0 x &le; x 2 ( x - x 2 ) / ( x 3 - x 2 ) x 2 < x &le; x 3 1 - ( x - x 3 ) / ( x 4 - x 3 ) x 3 < x &le; x 4 0 x 4 < x
“较低” y 4 = 0 x &le; x 3 ( x - x 3 ) / ( x 4 - x 3 ) x 3 < x &le; x 4 1 - ( x - x 4 ) / ( x 5 - x 4 ) x 4 < x &le; x 5 0 x 5 < x
“低” y 5 = 0 x &le; x 4 ( x - x 4 ) / ( x 5 - x 4 ) x 4 < x &le; x 5 1 x 5 < x
&mu;F i ( x ) = y i / &Sigma; j = 1 5 y i , i = 1 ~ 5
比如一个因素集其中的一个一级因素为“合规性”,权重为0.4;该一级因素下的一个二级因素为“网站安全性”,权重为0.2;该二级因素下的一个三级因素为“网站安全等级”,权重为0.6,该三级因素的评估等级设为“安全性高、安全性中、安全性低、无安全性”。根据四选择型的算法以及因素设计者的意见,确定它的评估参数“
Figure BDA0000467897010000168
Figure BDA0000467897010000171
”,即“p=1、q=0、r=0.2、s=0”。
如果该网站安全等级为高,则实际值就为1;安全等级为中,则实际值为2;安全等级为低,则实际值为3;无安全性,则实际值为4。
设定实际值为x,则:
实际值等于1:
y1=p;
y2=1-p;
y3=0;
y4=0;
y5=0;
实际值等于2:
y1=0;
y2=q;
y3=1-q;
y4=0;
y5=0;
实际值等于3:
y1=0;
y2=0;
y3=r;
y4=1-r;
y5=0;
实际值等于4:
y1=0;
y2=0;
y3=0;
y4=s;
y5=1-s;
相应地:
f1=y1/(y1+y2+y3+y4+y5);
f2=y2/(y1+y2+y3+y4+y5);
f3=y3/(y1+y2+y3+y4+y5);
f4=y4/(y1+y2+y3+y4+y5);
f5=y5/(y1+y2+y3+y4+y5);
最终的结果值就为“25*(4*f1+3*f2+2*f3+f4)”,即:网站安全性高,则为100分;网站安全性中,则为75分;网站安全性低,则为30分;网站没有安全性,则为0分。
该得分为百分制,需要乘以对应的本身的权重0.6、以及对应的二级因素的权重0.2、以及对应的一级因素的权重0.4,则为该因素的评估目标值,即分别为4.8分、3.6分、1.44分、0分。
评估因素集以树状结构一对多构成。因素集中的每个因素根据重要性来分别设置权重,每个因素所占的权重只针对自己的上级因素来设定。每个因素根据行业规范或者行业均值等参考值,来设计每个因素对应的评估等级值。定量型算法有5个区间作为评估等级;定性型的枚举个数即为评估等级个数及内容。
定性型的得分占比分为5个区间:[1,0.75]、[0.75,0.5]、[0.5,0.25]、[0.25,0]。根据枚举值的得分占比找到对应区间,并计算得出评估参数值。在不同的区间,对应的f值是不同的,并且f值的和都为1。假设评估参数为p,则在不同区间,f值分别为:
Figure BDA0000467897010000181
设定F1到F5分别对应得分占比1、0.75、0.5、0.25、0。假设得分占比在[1,0.75],则该因素评估目标值为1*f1+0.75*f2+0.5*f3+0.25*f4+0*f5=(4f1+3f2+2f3+f4)/4,即对应上面的区间表,(4*p+3*(1-p)+2*0+0)/4=得分占比值,如果得分占比为1,则(p+3)/4=1  p=1。
同理得出:
[1,0.75]:(p+3)/4=得分占比
[0.75,0.5]:(p+2)/4=得分占比
[0.5,0.25]:(p+1)/4=得分占比
[0.25,0]:p/4=得分占比
假设一个三级因素为定性型的3枚举型因素,三个选项的得分占比分别为1、0.7、0,那么根据算法和得分占比区间得出评估参数分别为1、0.8、0。那么对应隶属度值为:
选项1:(1 0 0 0 0)
选项2:(0 0.8 0.2 0 0)
选项3:(0 0 0 0 1)
该三级因素根据实际值生成一组隶属度值,该隶属度值成为基础隶属度矩阵其中的一组元素。所有的基础评估因素所生成的隶属度值,组成一个完整的基础隶属度矩阵。
由论域X到Y的点映射f:X→Y出发,通过扩张原理,可以扩展(诱导)出一个从F(X)到F(Y)的映射f:F(X)→F(Y),使得X上的每一个模糊集合A都有一个Y上的模糊集合B与之对应;也可以扩展(诱导)出一个从F(Y)到F(X)的映射f:F(Y)→F(X),使得Y上的每一个模糊集合B都有一个X上的模糊集合A与之对应。实际上,我们还可以一般性地讨论从一个论域的模糊幂集到另一个论域的模糊幂集上的映射,即所谓的模糊变换。
在现实生活中,人们常常需要对某一事物或现象进行总体评价,而作为被评价对象的事物或现象又往往是一个由相互关联、相互制约的众多因素构成的复杂系统。因此,评价过程中必须综合考虑各个因素的影响,以提高最终评价结果的科学性和准确性。这种对多因素复杂系统进行的总体评价,称为多变量综合评价或多变量综合评判,简称为综合评价或综合评判。
将每个评估因素对评估主题的影响分成5个评估等级,每个评估等级都看成为一个模糊集,设F1、F2、F3、F4、F5为该评估因素的影响隶属于五个模糊集的隶属度值。根据各评估因素的实际值,利用相应的评估规则函数,计算出F1、F2、F3、F4、F5,所有评估因素的F1、F2、F3、F4、F5形成了隶属度矩阵。对每个因素的影响,根据它的重要程度,设置不同的权值,通过逐级模糊变换运算可以得出反映所有评估因素的综合影响的5个隶属度值,然后通过模糊决策计算,可以得到最终的评估结果。
各评估等级的隶属函数库,可以根据实际需要灵活追加、替换和删除。利用评估规则类型码可以将评估因素集与隶属函数库相勾连,并在程序中方便地索引和调用。
现评估函数主要分为定量型、定性型和不可比型。定量型分为越大越好、越小越好、单峰;定性型分为二选择、三选择、四选择、五选择、六选择,每个选择型其下还有不同计算函数。
各级评估因素对评估目标的影响一般最多设定为五个等级,即“高”、“较高”、“一般”、“较低”、“低”;特殊情况可能会多于五个等级。
每个函数都有属于自己的类型码,类型码由三位十进制数组成。第一位为1表示定量型因素,第一位为2表示定性型因素,第一位为3表示不可比型因素。类型码第二位作用:定量型表示隶属函数类型(1代表三角型,6代表正态型);定性型表示枚举个数,不可比型无定义。类型码第三位为顺序号。
定量型评估因素有关的评估等级隶属度值由实际值按相应的隶属函数算出。
定性型评估因素有关的评估等级隶属度值由程序按评估规则类型码及实际值直接生成,也可由实际值按相应的隶属函数算出。
不可比型评估因素有关的评估等级隶属度值由程序按评估规则类型码及实际值直接生成。
应用函数库的评估模型以行业归类,利用相关业务的专家知识和经验,构筑树状结构的多级评估因素集,以企业、公司或机构为对象评估其诚信度。评估因素集通过因素集结构码进行管理。
由于评估问题本身具有模糊性,评估结果具有相对性,所以将各级评估因素对评估目标(如诚信度)的影响程度分成多个评估等级,并将它们作为评估因素实际值定义域上的模糊集,利用业务领域的专家知识及数学工具设计其隶属函数,隶属函数的类型用评估规则类型码加以识别和管理。此外,作为评估因素集的组成部分之一,按各级评估因素对评估目标影响的重要性,分别确定各级评估因素的权重。
当采集了各个评估因素的实际值之后,可以利用各自的隶属函数计算出各评价等级的隶属度值,形成基本隶属度矩阵。然后,根据评估因素集的结构和各级评估因素的权重,采用模糊综合变换和模糊判决方法得出该被评估对象的评估目标值(如诚信度)。
如果一次计算了某行业的多个评估对象,就可以在统一的评估标准下,对它们的评估结果(如诚信度)进行排序比较和分析。模型计算的结果可以起到决策参考作用。
以上图1至图5对本发明的具体实施例进行了描述。该发明对经济领域中的综合评估业务都具有很好的通用性,通过计算自动化处理,可以大大提高评估业务效率,并将评估过程中不利的人为因素降至最低,同时,通过合理的系统架构设计,对整个系统的信息维护也十分方便。需要理解的是,本发明并不局限于上述特定实施方式,本领域技术人员可以在权利要求的范围内做出各种变形或修改,这并不影响本发明的实质内容。

Claims (16)

1.一种基于模糊逻辑处理的评估算法,用于对被评估对象的进行综合评估计算,包括如下步骤:
a.生成评估因素集;
b.针对所述评估因素集末端的各个基础评估因素确定评估函数;
c.针对各被评估对象,确定所述评估因素集中基础评估因素的实际值;
d.基于所述评估因素集以及所述每个基础评估因素的实际值生成基础隶属度矩阵;
e.基于所述基础隶属度矩阵计算针对所述被评估对象的评估结果。
2.根据权利要求1所述的评估算法,其特征在于,所述步骤e包括如下步骤:
e1.基于所述基础隶属度矩阵,利用各级评估因素的权重向量,逐级向上对矩阵进行模糊运算,从而获得一个隶属度向量,所述隶属度向量用于指示所述评估结果。
3.根据权利要求2所述的评估算法,其特征在于,所述步骤e1还包括如下步骤:
e11.将所述基础评估因素相对应的权重向量与基础隶属度矩阵进行模糊运算,得出上一级评估因素的隶属度矩阵;
e12.针对所述隶属度矩阵,逐级向上进行模糊运算,直至生成一级评估因素的隶属度矩阵;
e13.将一级评估因素的权重向量与一级评估因素的隶属度矩阵进行模糊运算,获得与全部评估因素对应的隶属度向量。
4.根据权利要求2或3所述的评估算法,其特征在于,所述步骤e还包括如下步骤:
e2.采用模糊决策算法对所述隶属度向量进行计算,从而获得所述评估结果。
5.根据权利要求4所述的评估算法,其特征在于,在所述步骤e2中,若同时存在p个被评估对象,则将针对所述隶属度向量的所述计算过程重复p次,从而获得综合评估的排序结果。
6.根据权利要求1至5中任一项所述的评估算法,其特征在于,所述步骤a中的所述评估因素集为树状结构的评估因素集。
7.根据权利要求1至6中任一项所述的评估算法,其特征在于,所述步骤a包括如下步骤:
a1.获取与本次评估有关的特征信息;
a2.根据所述特征信息基于专家决策系统生成所述评估因素集。
8.根据权利要求7所述的评估算法,其特征在于,所述特征信息至少包括如下信息中的任一种或任多种:
-评估业务;
-被评估对象;
-评估主题。
9.根据权利要求7或8所述的评估算法,其特征在于,所述步骤a2包括如下步骤:
a21.基于因素集代码体系结构,逐级生成各级评估因素的因素代码及因素名称,直至最末端的所有基础评估因素;
a22.根据所述评估业务及评估主题的特征以及各级评估因素对所述评估主题的影响指数,确定各级评估因素的权重,形成各级评估因素的权重向量,直至最末端的基础评估因素;
a23.基于所述因素名称、因素代码及权重向量确定所述各级评估因素,从而生成所述评估因素集。
10.根据权利要求1至9中任一项所述的评估算法,其特征在于,所述步骤b包括如下步骤:
b1.根据基础评估因素的特征,确定评估规则码;
b2.基于所述评估规则码确定与所述基础评估因素对应的所述评估函数。
11.根据权利要求10所述的评估算法,其特征在于,所述步骤b1前还包括如下步骤:
-将所述基础评估因素对所述评估结果的效果划分成n个评估等级,并将所述n个评估等级作为n个模糊集合。
12.根据权利要求10或11所述的评估算法,其特征在于,所述步骤b2之后还包括如下步骤:
-将各所述基础评估因素的评估规则码及相应参数,作为所述评估因素集的组成部分,且在对某个被评估对象进行评估计算前先确定各所述基础评估因素所使用的评估函数的相应参数。
13.根据权利要求1至12中任一项所述的评估算法,其特征在于,所述评估函数包括如下类型函数中的任一种:
-直接计算数值的定量型函数;或者
-先确定基础评估指标的性质,再基于所述性质确定一个数值的定性型函数。
14.根据权利要求1至13中任一项所述的评估算法,其特征在于,所述步骤d包括如下步骤:
d1.根据各所述基础评估因素对应的评估函数的相应参数计算出所述n个评估等级的隶属度值;
d2.生成m行n列的基础隶属度矩阵,所述m表示所述基础评估因素的个数。
15.根据权利要求14所述的评估算法,其特征在于,在所述步骤d1中,进行正则化处理以获得所述n个评估等级的隶属度值,所述正则化处理具体包括如下步骤:
&mu;F n ( x ) = y n / &Sigma; i = 1 k y i , i = 1 ~ k .
16.一种基于模糊逻辑处理的评估处理装置,用于对被评估对象的进行综合评估计算,包括:
第一生成装置,其用于生成评估因素集;
第一确定装置,其用于针对所述评估因素集末端的各个基础评估因素确定评估函数;
第二确定装置,其用于针对各被评估对象,确定所述评估因素集中基础评估因素的实际值;
第二生成装置,其用于基于所述评估因素集以及所述每个基础评估因素的实际值生成基础隶属度矩阵;以及
第一计算装置,其用于基于所述基础隶属度矩阵计算针对所述被评估对象的评估结果。
CN201410058507.2A 2014-02-20 2014-02-20 一种基于模糊逻辑处理的评估算法 Pending CN103761630A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201410058507.2A CN103761630A (zh) 2014-02-20 2014-02-20 一种基于模糊逻辑处理的评估算法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201410058507.2A CN103761630A (zh) 2014-02-20 2014-02-20 一种基于模糊逻辑处理的评估算法

Publications (1)

Publication Number Publication Date
CN103761630A true CN103761630A (zh) 2014-04-30

Family

ID=50528864

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201410058507.2A Pending CN103761630A (zh) 2014-02-20 2014-02-20 一种基于模糊逻辑处理的评估算法

Country Status (1)

Country Link
CN (1) CN103761630A (zh)

Cited By (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104574110A (zh) * 2014-12-29 2015-04-29 张伟平 一种信用数字认证方法
CN107886042A (zh) * 2017-03-23 2018-04-06 比亚迪股份有限公司 列车车厢的拥挤度判定方法和装置
CN108596509A (zh) * 2018-05-07 2018-09-28 北京创源微致软件有限公司 一种基于kpi和神经网络的作业车间绩效评价方法
CN110430036A (zh) * 2019-07-05 2019-11-08 云南大学 一种基于倒差混沌映射的rgb彩色图像加密方法
CN113042923A (zh) * 2021-04-14 2021-06-29 江苏科技大学 一种超厚板与薄板焊接变形控制方法及控制装置
CN113159619A (zh) * 2021-05-11 2021-07-23 中电福富信息科技有限公司 一种视频分析算法的自动化评估系统及方法
CN113256274A (zh) * 2021-07-14 2021-08-13 支付宝(杭州)信息技术有限公司 基于专家系统的业务处理方法及装置
WO2023201476A1 (zh) * 2022-04-18 2023-10-26 常州市工业互联网研究院有限公司 一种基于设备数据获取企业信用数据的方法和装置
WO2023202067A1 (zh) * 2022-04-19 2023-10-26 中国电信股份有限公司 对象评估方法、装置、存储介质及电子设备

Cited By (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104574110A (zh) * 2014-12-29 2015-04-29 张伟平 一种信用数字认证方法
CN104574110B (zh) * 2014-12-29 2018-04-27 上海正信方晟资信评估有限公司 一种信用数字认证方法
CN107886042A (zh) * 2017-03-23 2018-04-06 比亚迪股份有限公司 列车车厢的拥挤度判定方法和装置
CN107886042B (zh) * 2017-03-23 2019-06-07 比亚迪股份有限公司 列车车厢的拥挤度判定方法和装置
CN108596509A (zh) * 2018-05-07 2018-09-28 北京创源微致软件有限公司 一种基于kpi和神经网络的作业车间绩效评价方法
CN110430036A (zh) * 2019-07-05 2019-11-08 云南大学 一种基于倒差混沌映射的rgb彩色图像加密方法
CN113042923A (zh) * 2021-04-14 2021-06-29 江苏科技大学 一种超厚板与薄板焊接变形控制方法及控制装置
CN113159619A (zh) * 2021-05-11 2021-07-23 中电福富信息科技有限公司 一种视频分析算法的自动化评估系统及方法
CN113256274A (zh) * 2021-07-14 2021-08-13 支付宝(杭州)信息技术有限公司 基于专家系统的业务处理方法及装置
CN113256274B (zh) * 2021-07-14 2022-02-25 支付宝(杭州)信息技术有限公司 基于专家系统的业务处理方法及装置
WO2023201476A1 (zh) * 2022-04-18 2023-10-26 常州市工业互联网研究院有限公司 一种基于设备数据获取企业信用数据的方法和装置
WO2023202067A1 (zh) * 2022-04-19 2023-10-26 中国电信股份有限公司 对象评估方法、装置、存储介质及电子设备

Similar Documents

Publication Publication Date Title
CN103761630A (zh) 一种基于模糊逻辑处理的评估算法
WO2021129509A1 (zh) 一种大中型企业技术标准体系化实施效益评价方法
Chen et al. Review fuzzy multi-criteria decision-making in construction management using a network approach
CN107515898A (zh) 基于数据多样性和任务多样性的轮胎企业销售预测方法
CN111967721A (zh) 一种综合能源系统绿色化水平评价方法及系统
CN108846691A (zh) 区域性粮油市场价格监测分析预测系统及监测方法
CN107918639A (zh) 基于电力大数据主变高峰负荷预测方法及数据仓库系统
Niu et al. Optimization of support vector machine power load forecasting model based on data mining and Lyapunov exponents
Xu et al. DEA evaluation method based on interval intuitionistic Bayesian network and its application in enterprise logistics
Bakanach et al. Statistic analysis of industrial potential in the Russian Federation: a regional aspect
CN112966946B (zh) 一种物料平衡指标体系框架的生成方法及装置
Zhang et al. Implicit contradictions identification and solution process model for complex technical systems
CN115689201A (zh) 面向企业资源供需调配的多准则智能决策优化方法及系统
Mukhtar et al. Forecasting Covid-19 time series data using the long short-term memory (LSTM)
Bitter et al. Approach to sustainability assessment of renewable energy technologies combining fuzzy logic with the integrative sustainability triangle
CN113780724A (zh) 产品质量批次稳定性量化评估判据计算方法
CN114205355A (zh) 一种变电网关附属设备性能测试方法及系统
Herwanto et al. Development of workplace design framework for manufacturing small and medium-sized enterprises in Indonesia
Elgazzar et al. A SW application system for measuring supply chain operations' performance using SCOR FAHP technique
Guo et al. Evaluation model and algorithm of intelligent manufacturing system based on pattern recognition and big data
Ma et al. Comprehensive evaluation of renewable energy for power projects based on CA-DEA model
Ying et al. Research on the Influence of Regional Industrial Cluster and Regional Economy Based on ANN-RBF Algorithm-Take Shanghai, China as an example
Yu Research and prediction of ecological footprint using machine learning: A case study of China
Wang et al. Data analysis and evaluation system for resource and environmental attributes in the manufacturing process
Weng et al. Performance Evaluation of High-tech Innovation Enterprises Based on Grey Chaotic Neural Network

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
C10 Entry into substantive examination
SE01 Entry into force of request for substantive examination
WD01 Invention patent application deemed withdrawn after publication
WD01 Invention patent application deemed withdrawn after publication

Application publication date: 20140430