CN110555604A - 实验室综合评估系统 - Google Patents
实验室综合评估系统 Download PDFInfo
- Publication number
- CN110555604A CN110555604A CN201910764629.6A CN201910764629A CN110555604A CN 110555604 A CN110555604 A CN 110555604A CN 201910764629 A CN201910764629 A CN 201910764629A CN 110555604 A CN110555604 A CN 110555604A
- Authority
- CN
- China
- Prior art keywords
- data
- evaluation
- attribute
- laboratory
- algorithm
- 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
Links
- 238000011156 evaluation Methods 0.000 title claims abstract description 110
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 71
- 238000013441 quality evaluation Methods 0.000 claims abstract description 15
- 238000000034 method Methods 0.000 claims abstract description 11
- 238000004364 calculation method Methods 0.000 claims description 27
- 239000011159 matrix material Substances 0.000 claims description 14
- 238000012545 processing Methods 0.000 claims description 9
- 238000006243 chemical reaction Methods 0.000 claims description 7
- 238000012935 Averaging Methods 0.000 claims description 3
- 239000000284 extract Substances 0.000 claims description 3
- 238000007635 classification algorithm Methods 0.000 claims 1
- 238000011160 research Methods 0.000 description 6
- 238000001303 quality assessment method Methods 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 3
- 238000011161 development Methods 0.000 description 3
- 238000002474 experimental method Methods 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 238000012795 verification Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 2
- 239000000126 substance Substances 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000009472 formulation Methods 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000005855 radiation Effects 0.000 description 1
- 238000012163 sequencing technique Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/20—Education
- G06Q50/205—Education administration or guidance
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Educational Administration (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- Entrepreneurship & Innovation (AREA)
- Development Economics (AREA)
- Educational Technology (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Primary Health Care (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明智能教育技术领域,具体涉及一种实验室综合评估系统,本发明的设备信息获取模块获取实验室设备数据信息并将获取后的信息传送至数据处理中心,实验环境获取系统将实验室环境数据信息传送至所述数据处理中心,区间估分算法通过加权法对所述数据处理中心的数据进行区间估值并分类得到指标体系为树状结构的数据,数据处理中心的数据由多处理器评估算法计算每个处理器上所有实时任务的处理器利用率并参考上限指标来评估当前处理器在该多任务负载环境下是否可满足实时性要求,最终通过所述数据质量评估算法得出评估结果。本发明通过各种算法优化了传统实验室的评估,使得实验室综合评估的效率更高,评估的结果更准确,具有很强的创造性。
Description
技术领域
本发明智能教育技术领域,具体涉及一种实验室综合评估系统。
背景技术
实验室(Laboratory/Lab)即进行试验的场所。实验室是科学的摇篮,是科学研究的基地,科技发展的源泉,对科技发展起着非常重要的作用。实验室按归属可分为三类:第一类是从属于大学或者是由大学代管的实验室;第二类实验室属于国家机构,有的甚至是国际机构;第三类实验室直接归属于工业企业部门,为工业技术的开发与研究服务。
目前,物理、化学、生物、医学、机械、人因工程等试验的试验现场都存在用电、化学危险品、辐射源、电磁干扰、高压容器、锅炉等各种各样的潜在危险。
因此研究新的实验室评估系统来实现安全,合理的实验室以应对这些挑战将至关重要。实验室评估作为近几年教育领域开展研究的几个重要问题之一,已经得到了政府、学术界、工业界的广泛重视,越来越多的评估项目得到资助用以进行实验室的研究、实验、部署以及评估。
因此对于如何提供一种实验室综合评估系统,用于研究、实验、部署以及评估实验室变得尤为重要。
发明内容
针对现有技术的不足,本发明公开了一种实验室综合评估系统,用于研究、实验、部署以及评估实验室,通过各种算法优化了传统实验室的评估,使得实验室综合评估的效率更高,评估的结果更准确。本发明通过以下技术方案予以实现:
一种实验室综合评估系统,其特征在于,包括设备信息获取模块、实验环境获取系统、区间估分算法、数据质量评估算法和多处理器评估算法,评估时,所述设备信息获取模块获取实验室设备数据信息并将获取后的信息传送至数据处理中心,所述实验环境获取系统将实验室环境数据信息传送至所述数据处理中心,所述区间估分算法通过加权法对所述数据处理中心的数据进行区间估值并分类得到指标体系为树状结构的数据,所述数据处理中心的数据由多处理器评估算法计算每个处理器上所有实时任务的处理器利用率并参考上限指标来评估当前处理器在该多任务负载环境下是否可满足实时性要求,最终通过所述数据质量评估算法得出评估结果。
优选的,区间估分算法包括以下步骤:
S1建立树状结构的ATR系统评估指标体系;
S2根据决策者的主观偏好确立每个属性的价值函数和权重;
S3对决策矩阵中的指标值进行价值转换;
S4确立具体的混合加权计算式,计算时遵循区间数运算法则;
S5根据每个ATR系统的区间评分值找出优势系统并进行排序。
优选的,所述区间估分算法的决策矩阵的元素为区间数,利用价值函数Vj对其进行价值转换,得到同样为区间数形式的规范化决策矩阵其中表示ATR系统i的属性只对决策者的区间Pi评分值。
优选的,所述ATR系统的指标体系,采用如下混合加权计算式:
其中,为规范后的区间属性性价评分值,+和×遵循区间数运算法则。
优选的,所述多处理器评估算法中使用衡量周期调度算法,假设有n个任务,每个任务都有一个固定的周期C和执行时间T,其满足:
每个处理器使用率的总和不能超过1,1对应于处理器的总使用率,上提供了关于任务数目的一个界限,使得正确的调度算法能够成功的调度,对RMS则满足下面的不等式:
计算每个处理器上所有实时任务的处理器利用率并参考上限指标来评估当前处理器在该多任务负载环境下是否可满足实时性要求;如果评估的结果不是满足,调度策略根据多处理器的全局应用情况进行调整。
优选的,所述多处理器评估算法中指控系统内的任务循环多次运行,收集关于任务执行时间的统计值来预计任务的下次处理时间其计算方法为:
式中:Ti为该任务的第i个实例的处理器执行时间;Si为第i个实例的预测值;
若基于过去值的时间序列预测将来值其指数平均算法为:
Sn+1=βTn+(1-β)βTn-1+......+(1-β)iβTn-i+......+(1+β)n Si
其中为β实一个常数加权因子满足0<β<1,通过使用一个与过去的观测数据量无关的常数值β,考虑了过去所有的值,观测值越远,具有的权值越小。
优选的,所述数据质量评估算法包括数据质量评估维度确定、维度下数据质量约束定义、评估算法确定、质量评估和质量问题检查。
优选的,所述维度下数据质量约束定义的一致性包括:
T1数据表中外键属性列的属性值与之相关联的数据表主键属性列属性值相一致;
T2数据表代码属性列的属性值与之相关联代码表某代码属性值相一致;
T3数据表中属性列属性值与表内一个或多个属性列的属性值在通过函数或计算公式计算得出的结果相一致,为表内不同属性列之间的运算关系的约束;
T4数据表中属性列的属性值与表内一个或多个属性列的属性值存在某种逻辑关系,为表内不同属性列之间的逻辑关系的约束;
T5数据表中属性列的属性值与其他一个或多个数据表中的一个或多个属性列的属性值通过函数或计算公式计算确定的结果相一致,为表与表之间的不同属性列之间的运算关系的约束;
T6数据表属性列的属性值与其他一个或多个数据表中的一个或多个属性列的属性值存在某种逻辑关系,为表间不同属性列之间的逻辑关系的约束。
T7数据表属性列的属性值或条件与其他一个或多个数据表中的一个属性列的属性值相一致。
优选的,所述质量评估的指标为:
M1评估的数据集中存在质量问题的数据个数;
M2评估的数据集中存在质量问题的记录个数;
M3评估的数据集的记录总数;
M4评估的数据集中存在质量问题的记录中空数据个数;
M5数据集中存在质量问题数据的评估比率,数值越小数据质量越高,反之数据质量越低。
优选的,评估数据集数据记录总数为Gim,数据集属性列总数为Gcc,主键约束问题数据个数为Gi1,联合主键约束问题数据个数为Gi2,唯一约束问题数据个数为Gi3,非空约束问题数据个数为Gi4,候选码约束问题数据个数为Gi5,问题记录中空数据个数为Gid,问题记录数为Gir,数据完整性问题发生率Q的评估算法为:
优选的,所述系统,还包括显示设备,用于将所获取的评估结果向实验室的管理人员显示;
所述显示设备将所述评估结果向实验室的管理人员显示之前,对管理人员的身份进行验证;
所述显示设备,包括控制器、指纹采集器和显示器;所述控制器通过所述显示器向管理人员显示提醒输入指纹的图像界面;所述指纹采集器,用于采集管理人员输入的指纹信息,并将所述指纹信息向所述控制器传输;所述控制器,用于提取所述指纹信息中的生命特征信息,并将提取的所述指纹信息中的所述生命特征信息与所述控制器内预设的生命特征信息库中的生命特征信息进行比对,当比对一致时,所述控制器将所述评估结果通过所述显示器向管理人员显示;当比对不一致时,所述控制器通过所述显示器向管理人员显示再次输入指纹的图像界面,所述指纹采集器将接收到管理人员输入的指纹信息向所述控制器传输,所述控制器提取所述指纹信息中的生命特征信息,并将提取的所述指纹信息中的所述生命特征信息与所述控制器内预设的生命特征信息库中的生命特征信息进行再次比对,当比对一致时,所述控制器将所述评估结果通过所述显示器向管理人员显示;当比对不一致时,所述控制器通过所述显示器向管理人员显示预设时间周期之后重新输入指纹的图像界面;
所述控制器,还用于记录当所述指纹信息中的生命特征信息与所述控制器内预设的生命特征信息库中的生命特征信息比对不一致时的所述指纹信息,当所述控制器接收到与所述控制器内记录的指纹信息相同的所述指纹信息的次数超过预设次数时,将所述指纹信息加入禁止访问名单;并且当与所述禁止访问名单中的所述指纹信息相同的所述指纹信息通过所述指纹采集器向所述控制器传输时,控制器通过所述显示器向管理人员显示禁止访问的图像界面;
所述预设的生命特征信息库中存储有所有实验室的管理人员的指纹信息对应的生命特征信息,所述管理人员与所述生命特征信息一一对应。
本发明的有益效果为:
1、按照评估分值模型的分类,提出并建立了采用基数评分值的区间加权分值模型和采用序数评分值的区间距离分值模型,并给出了相应评估算法流程。使得区间分值的评估准确性更高,并优于传统的方法。
2、可针对不同的系统环境和具体应用目标进行适应性更改。
3、对数据的数据质量的进行有效的评估,并加以清洗,得到数据质量较高的数据;使得综合决策分析所得的结果更正确、更有意义。
4、通过各种算法优化了传统实验室的评估,使得实验室综合评估的效率更高,评估的结果更准确。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1是本发明的区间估分算法流程图;
图2是本发明的ATR系统的评估指标体系图;
图3是本发明的多处理器评估算法原理图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
实施例1
本实施例公开一种实验室综合评估系统,包括设备信息获取模块、实验环境获取系统、区间估分算法、数据质量评估算法和多处理器评估算法。
评估时,所述设备信息获取模块获取实验室设备数据信息并将获取后的信息传送至数据处理中心,所述实验环境获取系统将实验室环境数据信息传送至所述数据处理中心,所述区间估分算法通过加权法对所述数据处理中心的数据进行区间估值并分类得到指标体系为树状结构的数据,所述数据处理中心的数据由多处理器评估算法计算每个处理器上所有实时任务的处理器利用率并参考上限指标来评估当前处理器在该多任务负载环境下是否可满足实时性要求,最终通过所述数据质量评估算法得出评估结果。
如图1所示的区间估分算法包括以下步骤:
S1建立树状结构的ATR系统评估指标体系;
S2根据决策者的主观偏好确立每个属性的价值函数和权重;
S3对决策矩阵中的指标值进行价值转换;
S4确立具体的混合加权计算式,计算时遵循区间数运算法则;
S5根据每个ATR系统的区间评分值找出优势系统并进行排序。
区间估分算法的决策矩阵的元素为区间数,利用价值函数Vj对其进行价值转换,得到同样为区间数形式的规范化决策矩阵其中表示ATR系统i的属性只对决策者的区间Pi评分值。
ATR系统的指标体系,采用如下混合加权计算式:
其中,为规范后的区间属性性价评分值,+和×遵循区间数运算法则。
本实施例通过各种算法优化了传统实验室的评估,使得实验室综合评估的效率更高,评估的结果更准确。
实施例2
如图2所示ATR系统的评估指标体系。ROSS将“性能”和“代价”作为ATR评估中相互制约的两个方面,分别采用性能指标和代价指标分别进行度量。许多研究工作都基本遵循这种思想来建立具有树状结构的指标体系。总的来说,树状结构指标体系的要求在ATR系统评估中可以得到满足。
其次,ATR系统每个属性的边际价值为线性的假设一般是不成立的。因此对于ATR系统评估,应该用属性的价值函数先对决策矩阵进行规范化处理,而不能直接采用属性值本身。
最后,属性间的完全可补偿性这一假设在ATR系统评估中一般只能得到部分满足。本实施例采用加权和与加权积的混合加权方法来计算其综合评分值。
具体的基数区间分值评估算法如下:
步骤1建立树状结构的ATR系统评估指标体系;
步骤2根据决策者的主观偏好确立每个属性的价值函数和权重;
步骤3对决策矩阵中的指标值进行价值转换;
步骤4确立具体的混合加权计算式,计算时遵循区间数运算法则;
步骤5根据每个ATR系统的区间评分值找出优势系统并进行排序。
本实施例按照评估分值模型的分类,提出并建立了采用基数评分值的区间加权分值模型和采用序数评分值的区间距离分值模型,并给出了相应评估算法流程。使得区间分值的评估准确性更高,并优于传统的方法。
实施例3
本实施例中公开一种多处理器评估算法中使用衡量周期调度算法(参见图3),假设有n个任务,每个任务都有一个固定的周期C和执行时间T,其满足:
每个处理器使用率的总和不能超过1,1对应于处理器的总使用率,上提供了关于任务数目的一个界限,使得正确的调度算法能够成功的调度,对RMS则满足下面的不等式:
计算每个处理器上所有实时任务的处理器利用率并参考上限指标来评估当前处理器在该多任务负载环境下是否可满足实时性要求;如果评估的结果不是满足,调度策略根据多处理器的全局应用情况进行调整。
多处理器评估算法中指控系统内的任务循环多次运行,收集关于任务执行时间的统计值来预计任务的下次处理时间其计算方法为:
式中:Ti为该任务的第i个实例的处理器执行时间;Si为第i个实例的预测值;
若基于过去值的时间序列预测将来值其指数平均算法为:
Sn+1=βTn+(1-β)βTn-1+......+(1-β)iβTn-i+......+(1+β)n Si
其中为β实一个常数加权因子满足0<β<1,通过使用一个与过去的观测数据量无关的常数值β,考虑了过去所有的值,观测值越远,具有的权值越小。
在每一周期的处理过程中,首先判定当前多TBM目标数据中是否存在新目标。如果存在新目标则通过预测算法依据过往目标首次出现时的计算处理量预估该新目标的数据处理量。预测算法中的β值可依据本次作战任务的特性来调整,该值也可根据以往作战经验及作战计划的制定情况来修正。
对于上一周期已经存在的目标,由于前一周期已保存了该目标数据处理量的信息,因此在本周期可较精确的确定它们的数据处理量。通过加和,可得到对于TBM目标数据处理任务总的预测数据处理量。然后,基于此信息,调度策略可得出初始的各个处理器的大致任务分配情况。这种分配是否合理则需要评估算法的检验。
本实施例为调度的初始算法来分配任务负载。该算法在保证有效性的前提下本身不应过于复杂,以避免增加额外的系统负担。同时,该算法还应该是可调整的,可针对不同的系统环境和具体应用目标进行适应性更改。
实施例4
本实施例讨论数据质量评估算法,其包括数据质量评估维度确定、维度下数据质量约束定义、评估算法确定、质量评估和质量问题检查。
维度下数据质量约束定义的一致性包括:
T1数据表中外键属性列的属性值与之相关联的数据表主键属性列属性值相一致;
T2数据表代码属性列的属性值与之相关联代码表某代码属性值相一致;
T3数据表中属性列属性值与表内一个或多个属性列的属性值在通过函数或计算公式计算得出的结果相一致,为表内不同属性列之间的运算关系的约束;
T4数据表中属性列的属性值与表内一个或多个属性列的属性值存在某种逻辑关系,为表内不同属性列之间的逻辑关系的约束;
T5数据表中属性列的属性值与其他一个或多个数据表中的一个或多个属性列的属性值通过函数或计算公式计算确定的结果相一致,为表与表之间的不同属性列之间的运算关系的约束;
T6数据表属性列的属性值与其他一个或多个数据表中的一个或多个属性列的属性值存在某种逻辑关系,为表间不同属性列之间的逻辑关系的约束。
T7数据表属性列的属性值或条件与其他一个或多个数据表中的一个属性列的属性值相一致。
质量评估的指标为:
M1评估的数据集中存在质量问题的数据个数;
M2评估的数据集中存在质量问题的记录个数;
M3评估的数据集的记录总数;
M4评估的数据集中存在质量问题的记录中空数据个数;
M5数据集中存在质量问题数据的评估比率,数值越小数据质量越高,反之数据质量越低。
评估数据集数据记录总数为Gim,数据集属性列总数为Gcc,主键约束问题数据个数为Gi1,联合主键约束问题数据个数为Gi2,唯一约束问题数据个数为Gi3,非空约束问题数据个数为Gi4,候选码约束问题数据个数为Gi5,问题记录中空数据个数为Gid,问题记录数为Gir,数据完整性问题发生率Q的评估算法为:
本实施例数据一致性描述的是关系表中的不同属性之间的语义的冲突。这种冲突主要表现在关系表的内部的约束和关系表之间的约束。关系表内部的约束是指单个数据表内部属性列之间存在的一致性关系,数据表之间的约束是指一个关系表中的属性列与其他关系表的一个或多个属性列之间存在的一致性关系。数据一致性包括外键约束、代码约束、等值一致性约束、存在一致性约束、逻辑一致性约束、等值依赖约束和逻辑依赖约束等约束。
本实施例支持决策分析需要,对数据的数据质量的进行有效的评估,并加以清洗,得到数据质量较高的数据;使得决策分析所得的结果更正确、更有意义。
在一个具体实施例中,系统,还包括显示设备,用于将所获取的评估结果向实验室的管理人员显示;
显示设备将评估结果向实验室的管理人员显示之前,对管理人员的身份进行验证;
显示设备,包括控制器、指纹采集器和显示器;控制器通过显示器向管理人员显示提醒输入指纹的图像界面;指纹采集器,用于采集管理人员输入的指纹信息,并将指纹信息向控制器传输;控制器,用于提取指纹信息中的生命特征信息,并将提取的指纹信息中的生命特征信息与控制器内预设的生命特征信息库中的生命特征信息进行比对,当比对一致时,控制器将评估结果通过显示器向管理人员显示;当比对不一致时,控制器通过显示器向管理人员显示再次输入指纹的图像界面,指纹采集器将接收到管理人员输入的指纹信息向控制器传输,控制器提取指纹信息中的生命特征信息,并将提取的指纹信息中的生命特征信息与控制器内预设的生命特征信息库中的生命特征信息进行再次比对,当比对一致时,控制器将评估结果通过显示器向管理人员显示;当比对不一致时,控制器通过显示器向管理人员显示预设时间周期之后重新输入指纹的图像界面;
控制器,还用于记录当指纹信息中的生命特征信息与控制器内预设的生命特征信息库中的生命特征信息比对不一致时的指纹信息,当控制器接收到与控制器内记录的指纹信息相同的指纹信息的次数超过预设次数时,将指纹信息加入禁止访问名单;并且当与禁止访问名单中的指纹信息相同的指纹信息通过指纹采集器向控制器传输时,控制器通过显示器向管理人员显示禁止访问的图像界面;
预设的生命特征信息库中存储有所有实验室的管理人员的指纹信息对应的生命特征信息,管理人员与生命特征信息一一对应。上述技术方案中通过显示设备,实现了将所获取的评估结果向实验室的管理人员的传输显示;并且在显示设备将评估结果向管理人员传输显示之前,对管理人员的身份进行验证;验证过程为:通过显示模块显示醒输入指纹的图像界面,以提醒管理人员输入指纹信息;指纹采集器接收管理人员传输的指纹信息并向控制器传输;通过控制器,实现了对指纹信息中的生命特征信息的获取,并且将所获取的生命特征信息与预设的生命特征信息库中的生命特征信息的比对,从而实现了对管理人员的身份验证,当比对一致时,说明对管理人员的身份验证通过,并将评估结果通过显示器向管理人员显示;当比对不一致时,说明对管理人员的身份验证不通过,通过显示器显示再次输入指纹的图像界面,以提醒管理人员再次输入指纹信息,重复上述步骤,对管理人员进行第二次身份验证,当第二次验证通过时,将评估结果通过显示器向管理人员显示;当第二次验证不通过时,通过显示器向管理人员显示预设时间周期之后重新输入指纹的图像界面,提醒管理人员在预设时间周期(例如:预设时间周期为30秒)之后再次进行身份验证;并且当控制器多次接收到与控制器内预设的生命特征信息库中的生命特征信息比对不一致时的指纹信息时,将指纹信息加入禁止访问名单,并且当与禁止访问名单中的指纹信息相同的指纹信息通过指纹采集器向控制器传输时,控制器通过显示器向管理人员显示禁止访问的图像界面;通过上述技术方案中不仅实现了将获取的评估结果向实验室的管理人员的传输显示,并且在显示设备将评估结果向管理人员传输显示之前,实现了对管理人员的身份进行验证,并且当控制器接收到多次与预设的生命特征信息库中的生命特征信息比对不一致时的指纹信息时,将指纹信息加入禁止访问名单;进一步地提高了系统对评估结果显示的安全性。
以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (10)
1.一种实验室综合评估系统,其特征在于,包括设备信息获取模块、实验环境获取系统、区间估分算法、数据质量评估算法和多处理器评估算法,评估时,所述设备信息获取模块获取实验室设备数据信息并将获取后的信息传送至数据处理中心,所述实验环境获取系统将实验室环境数据信息传送至所述数据处理中心,所述区间估分算法通过加权法对所述数据处理中心的数据进行区间估值并分类得到指标体系为树状结构的数据,所述数据处理中心的数据由多处理器评估算法计算每个处理器上所有实时任务的处理器利用率并参考上限指标来评估当前处理器在该多任务负载环境下是否可满足实时性要求,最终通过所述数据质量评估算法得出评估结果。
2.根据权利要求1所述的实验室综合评估系统,其特征在于,所述区间估分算法包括以下步骤:
S1建立树状结构的ATR系统评估指标体系;
S2根据决策者的主观偏好确立每个属性的价值函数和权重;
S3对决策矩阵中的指标值进行价值转换;
S4确立具体的混合加权计算式,计算时遵循区间数运算法则;
S5根据每个ATR系统的区间评分值找出优势系统并进行排序。
3.根据权利要求1所述的实验室综合评估系统,其特征在于,所述区间估分算法的决策矩阵的元素为区间数,利用价值函数Vj对其进行价值转换,得到同样为区间数形式的规范化决策矩阵其中y=[Z- y,Z+ y]表示ATR系统i的属性只对决策者的区间Pi评分值;
所述ATR系统的指标体系,采用如下混合加权计算式:
其中,为规范后的区间属性性价评分值,+和×遵循区间数运算法则。
4.根据权利要求1所述的实验室综合评估系统,其特征在于,所述多处理器评估算法中使用衡量周期调度算法,假设有n个任务,每个任务都有一个固定的周期C和执行时间T,其满足:
每个处理器使用率的总和不能超过1,1对应于处理器的总使用率,上提供了关于任务数目的一个界限,使得正确的调度算法能够成功的调度,对RMS则满足下面的不等式:
计算每个处理器上所有实时任务的处理器利用率并参考上限指标来评估当前处理器在该多任务负载环境下是否可满足实时性要求;如果评估的结果不是满足,调度策略根据多处理器的全局应用情况进行调整。
5.根据权利要求1所述的实验室综合评估系统,其特征在于,所述多处理器评估算法中指控系统内的任务循环多次运行,收集关于任务执行时间的统计值来预计任务的下次处理时间,其计算方法为:
式中:Ti为该任务的第i个实例的处理器执行时间;Si为第i个实例的预测值;
若基于过去值的时间序列预测将来值,其指数平均算法为:
Sn+1=βTn+(1-β)βTn-1+......
+(1-β)iβTn-i+......+(1+β)nSi
其中为β实一个常数加权因子满足0<β<1,通过使用一个与过去的观测数据量无关的常数值β,包括过去所有的值,其观测值越远,具有的权值越小。
6.根据权利要求1所述的实验室综合评估系统,其特征在于,所述数据质量评估算法包括数据质量评估维度确定、维度下数据质量约束定义、评估算法确定、质量评估和质量问题检查。
7.根据权利要求6所述的实验室综合评估系统,其特征在于,所述维度下数据质量约束定义的一致性包括:
T1数据表中外键属性列的属性值与之相关联的数据表主键属性列属性值相一致;
T2数据表代码属性列的属性值与之相关联代码表某代码属性值相一致;
T3数据表中属性列属性值与表内一个或多个属性列的属性值在通过函数或计算公式计算得出的结果相一致,为表内不同属性列之间的运算关系的约束;
T4数据表中属性列的属性值与表内一个或多个属性列的属性值存在某种逻辑关系,为表内不同属性列之间的逻辑关系的约束;
T5数据表中属性列的属性值与其他一个或多个数据表中的一个或多个属性列的属性值通过函数或计算公式计算确定的结果相一致,为表与表之间的不同属性列之间的运算关系的约束;
T6数据表属性列的属性值与其他一个或多个数据表中的一个或多个属性列的属性值存在某种逻辑关系,为表间不同属性列之间的逻辑关系的约束;
T7数据表属性列的属性值或条件与其他一个或多个数据表中的一个属性列的属性值相一致。
8.根据权利要求6所述的实验室综合评估系统,其特征在于,所述质量评估的指标为:
M1评估的数据集中存在质量问题的数据个数;
M2评估的数据集中存在质量问题的记录个数;
M3评估的数据集的记录总数;
M4评估的数据集中存在质量问题的记录中空数据个数;
M5数据集中存在质量问题数据的评估比率,数值越小数据质量越高,反之数据质量越低。
9.根据权利要求6所述的实验室综合评估系统,其特征在于,评估数据集数据记录总数为Gim,数据集属性列总数为Gcc,主键约束问题数据个数为Gi1,联合主键约束问题数据个数为Gi2,唯一约束问题数据个数为Gi3,非空约束问题数据个数为Gi4,候选码约束问题数据个数为Gi5,问题记录中空数据个数为Gid,问题记录数为Gir,数据完整性问题发生率Q的评估算法为:
10.根据权利要求1所述的实验室综合评估系统,其特征在于,所述系统,还包括显示设备,用于将所获取的评估结果向实验室的管理人员显示;
所述显示设备将所述评估结果向实验室的管理人员显示之前,对管理人员的身份进行验证;
所述显示设备,包括控制器、指纹采集器和显示器;所述控制器通过所述显示器向管理人员显示提醒输入指纹的图像界面;所述指纹采集器,用于采集管理人员输入的指纹信息,并将所述指纹信息向所述控制器传输;所述控制器,用于提取所述指纹信息中的生命特征信息,并将提取的所述指纹信息中的所述生命特征信息与所述控制器内预设的生命特征信息库中的生命特征信息进行比对,当比对一致时,所述控制器将所述评估结果通过所述显示器向管理人员显示;当比对不一致时,所述控制器通过所述显示器向管理人员显示再次输入指纹的图像界面,所述指纹采集器将接收到管理人员输入的指纹信息向所述控制器传输,所述控制器提取所述指纹信息中的生命特征信息,并将提取的所述指纹信息中的所述生命特征信息与所述控制器内预设的生命特征信息库中的生命特征信息进行再次比对,当比对一致时,所述控制器将所述评估结果通过所述显示器向管理人员显示;当比对不一致时,所述控制器通过所述显示器向管理人员显示预设时间周期之后重新输入指纹的图像界面;
所述控制器,还用于记录当所述指纹信息中的生命特征信息与所述控制器内预设的生命特征信息库中的生命特征信息比对不一致时的所述指纹信息,当所述控制器接收到与所述控制器内记录的指纹信息相同的所述指纹信息的次数超过预设次数时,将所述指纹信息加入禁止访问名单;并且当与所述禁止访问名单中的所述指纹信息相同的所述指纹信息通过所述指纹采集器向所述控制器传输时,控制器通过所述显示器向管理人员显示禁止访问的图像界面;
所述预设的生命特征信息库中存储有所有实验室的管理人员的指纹信息对应的生命特征信息,所述管理人员与所述生命特征信息一一对应。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910764629.6A CN110555604A (zh) | 2019-08-19 | 2019-08-19 | 实验室综合评估系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910764629.6A CN110555604A (zh) | 2019-08-19 | 2019-08-19 | 实验室综合评估系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110555604A true CN110555604A (zh) | 2019-12-10 |
Family
ID=68737599
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910764629.6A Pending CN110555604A (zh) | 2019-08-19 | 2019-08-19 | 实验室综合评估系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110555604A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112596900A (zh) * | 2020-12-21 | 2021-04-02 | 江苏省未来网络创新研究院 | 用于sdn网络数据存储的计算评估系统 |
CN112700851A (zh) * | 2020-12-31 | 2021-04-23 | 医渡云(北京)技术有限公司 | 医疗基地确定方法、装置、电子设备及存储介质 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108153213A (zh) * | 2017-12-26 | 2018-06-12 | 北京蜻虹科技有限公司 | 一种实验室管理系统及管理方法 |
CN108226751A (zh) * | 2017-12-14 | 2018-06-29 | 芯海科技(深圳)股份有限公司 | 一种多处理器协同芯片性能评估系统及方法 |
CN109426206A (zh) * | 2017-08-22 | 2019-03-05 | 洛阳华清天木生物科技有限公司 | 一种实验室环境管理系统、设备和方法 |
-
2019
- 2019-08-19 CN CN201910764629.6A patent/CN110555604A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109426206A (zh) * | 2017-08-22 | 2019-03-05 | 洛阳华清天木生物科技有限公司 | 一种实验室环境管理系统、设备和方法 |
CN108226751A (zh) * | 2017-12-14 | 2018-06-29 | 芯海科技(深圳)股份有限公司 | 一种多处理器协同芯片性能评估系统及方法 |
CN108153213A (zh) * | 2017-12-26 | 2018-06-12 | 北京蜻虹科技有限公司 | 一种实验室管理系统及管理方法 |
Non-Patent Citations (4)
Title |
---|
何峻等: "自动目标识别系统的区间评估分值模型及算法", 《信号处理》 * |
时小虎等: "多处理器实时操作系统预计与评估算法研究", 《现代防御技术》 * |
梁吉胜等: "基于约束的数据质量评估算法研究", 《科学技术与工程》 * |
马理睿: "科学探究性实验室评估系统设计与实现", 《中国优秀博硕士学位论文全文数据库(硕士)社会科学II辑》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112596900A (zh) * | 2020-12-21 | 2021-04-02 | 江苏省未来网络创新研究院 | 用于sdn网络数据存储的计算评估系统 |
CN112700851A (zh) * | 2020-12-31 | 2021-04-23 | 医渡云(北京)技术有限公司 | 医疗基地确定方法、装置、电子设备及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Gül | Fermatean fuzzy set extensions of SAW, ARAS, and VIKOR with applications in COVID‐19 testing laboratory selection problem | |
Kou et al. | An integrated expert system for fast disaster assessment | |
Ragab et al. | HRSPCA: Hybrid recommender system for predicting college admission | |
Speiser et al. | Random forest classification of etiologies for an orphan disease | |
CN105512465B (zh) | 基于改进vikor法的云平台安全性量化评估方法 | |
Trivedi et al. | The Impact of Artificial Intelligence Integration on Minimizing Patient Wait Time in Hospitals | |
Zeng et al. | A hierarchical decision-making framework for the assessment of the prediction capability of prognostic methods | |
CN110555604A (zh) | 实验室综合评估系统 | |
CN111160717A (zh) | 一种企业创新潜力评估方法和装置 | |
CN111582394B (zh) | 一种群体评估方法、装置、设备及介质 | |
Kuutila et al. | Daily questionnaire to assess self-reported well-being during a software development project | |
Ranjan et al. | The impact of estimation: A new method for clustering and trajectory estimation in patient flow modeling | |
Chen et al. | Product reliability–oriented optimization design of time-between-events control chart system for high-quality manufacturing processes | |
Wirawan et al. | Application of data mining to prediction of timeliness graduation of students (a case study) | |
Dioputra et al. | Academic Information System Management to Improve Service Quality to Students During the Covid-19 Pandemic at Universities in Jambi Province | |
Slabchenko et al. | Development of models for imputation of data from social networks on the basis of an extended matrix of attributes | |
KR101292312B1 (ko) | 목표 및 제약사항을 고려한 요구사항 척도 산출장치 및 방법 | |
Choppala et al. | Reduction of Healthcare Resources by Classifying Patient's Data | |
Cavalcante et al. | Data-driven analytical tools for characterization of productivity and service quality issues in IT service factories | |
Shino et al. | Implementation of Data Mining with Naive Bayes Algorithm for Eligibility Classification of Basic Food Aid Recipients | |
Bae et al. | INTEGRATED RISK MANAGEMENT PROCESS TO ADDRESS THE PROBLEM OF ASSIGNING PILOT MISSIONS TO KOREAN ARMY HELICOPTER UNITS. | |
Avdeeva et al. | Improvement of the procurement process using the integrated tender recommendation system | |
CN114297911B (zh) | 一种事故分析模型训练方法、装置及设备 | |
CN113035299B (zh) | 分中心推荐方法、装置、计算机设备和存储介质 | |
Cimpean et al. | Towards Fairness In Reinforcement Learning |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20191210 |