CN111626541A

CN111626541A - 一种基于d-s证据理论的博物馆参观效果评价方法及系统

Info

Publication number: CN111626541A
Application number: CN202010238300.9A
Authority: CN
Inventors: 夏飞; 张传林; 龚春阳
Original assignee: Shanghai Electric Power University
Current assignee: Shanghai University of Electric Power; Shanghai Electric Power University; University of Shanghai for Science and Technology
Priority date: 2020-03-30
Filing date: 2020-03-30
Publication date: 2020-09-04

Abstract

本发明公开了一种基于D‑S证据理论的博物馆参观效果评价方法及系统，包括，数据采集模块获取参观效果的评价指标和分值数据；利用数据处理模块构建参观评价指标矩阵、评价基本概率分配函数、融合辨识框架；所述分值数据输入所述数据处理模块经处理后输出评价指标矩阵的权向量、统计分数和分组评价结果数据；利用基本概率分配函数和融合公式构建评价模块；所述分组评价结果数据输入所述评价模块输出最终评价结果。本发明的有益效果：能够综合多方因素，兼顾评价的主观性与客观性对博物馆参观学习效果进行全面评价，既考虑到不同方面的因素对于参观者参观体验的影响，也避免了人的主观意识对于最终评分的影响，具有很好的实际应用性。

Description

一种基于D-S证据理论的博物馆参观效果评价方法及系统

技术领域

本发明涉及效果评价的技术领域，尤其涉及一种基于D-S证据理论的博物馆参观效果评价方法及系统。

背景技术

长期以来，博物馆作为具有公益性质和研究功能的场所,是为公众提供有科学性、历史性的文化遗产和知识的非正式教育机构,一直以来博物馆中的非正式教育和场馆学习的研究都是人们探讨的热点。博物馆作为人类文明的精粹汇聚，是不同知识体系汇集而成的庞大的知识资源系统，在不同方面为个体学习者提供着机会。从20世纪中期起，随着学习型社会的崛起，作为非正式学习典型代表的博物馆学习愈发受到研究者们的重视，但通过众多学者的调研发现，博物馆学习的效果并不理想。为了充分发挥博物馆教育功能、提升博物馆学习效果、更好的满足参观者的学习需求，促进博物馆学习的参观效果评价应运而生。

目前关于博物馆学习评价研究的相关文献和案例都较少，相关研究尚处于起步阶段，学者们对博物馆学习评价的方法尚未展开深入的探讨与研究，理论上也暂未形成系统理解。当前主要的评价方法为调查问卷的形式，即通过问卷调查的方法收集数据,对展览系统的学习效果进行检验。虽然通过每份问卷的填写，可以反映该参观者的参观效果。如何根据众多参观者填写的调查问卷得到对博物馆、展览馆等的整体参观或学习效果，最简单的一种方法就是将参观者调查问卷的分数求取平均分，即将参与调查的有效参观者问卷得分相加，再除以有效调查问卷的份数。这种方法虽然简单易行，但是不同参观者对于展览效果评价的主观因素比较强烈。因此通过这种方法虽然得到了一个评分，但是无法真实反映博物馆的参观效果。

发明内容

本部分的目的在于概述本发明的实施例的一些方面以及简要介绍一些较佳实施例。在本部分以及本申请的说明书摘要和发明名称中可能会做些简化或省略以避免使本部分、说明书摘要和发明名称的目的模糊，而这种简化或省略不能用于限制本发明的范围。

鉴于上述现有存在的问题，提出了本发明。

因此，本发明解决的一个技术问题是：提出一种基于D-S证据理论的博物馆参观效果评价方法，能够兼顾主观性与客观性对博物馆参观效果进行评价。

为解决上述技术问题，本发明提供如下技术方案：一种基于D-S证据理论的博物馆参观效果评价方法，包括，数据采集模块获取参观效果的评价指标和分值数据；利用数据处理模块构建参观评价指标矩阵、评价基本概率分配函数、融合辨识框架；所述分值数据输入所述数据处理模块经处理后输出评价指标矩阵的权向量、统计分数和分组评价结果数据；利用基本概率分配函数和融合公式构建评价模块；所述分组评价结果数据输入所述评价模块输出最终评价结果。

作为本发明所述的基于D-S证据理论的博物馆参观效果评价方法的一种优选方案，其中：所述评价指标包括反应因素指标、层次因素指标和行为因素指标。

作为本发明所述的基于D-S证据理论的博物馆参观效果评价方法的一种优选方案，其中：所述对评价指标的打分包括五个程度级别，分别是好、较好、一般、较差和差。

作为本发明所述的基于D-S证据理论的博物馆参观效果评价方法的一种优选方案，其中：所述评价指标矩阵的构建还包括，对调查问卷中的评价指标两两比较，进行重要性判断；根据判断结果得到对应的标度值；由所有的标度值构成评价指标矩阵。

作为本发明所述的基于D-S证据理论的博物馆参观效果评价方法的一种优选方案，其中：所述权向量的获取还包括，输出每一个评价指标矩阵的最大特征根及其对应的特征向量；使用一致性指标、随机一致性指标和一致性比例进行一致性检验；若检验通过，则获取评价指标矩阵的特征值作为权向量，得到权向量矩阵；若检验不通过，则应重新构造所述评价指标矩阵。

作为本发明所述的基于D-S证据理论的博物馆参观效果评价方法的一种优选方案，其中：所述基本概率分配函数为对信息源S_j所给出的识别对象H 的精确信任，计算公式为，

m_j：2^Θ→[0，1]

其中，j∈[1,Q]，Q为信息源的数目，Θ为实体鉴别框架，其定义为，

Θ＝{H_n}

实体鉴别框架Θ包括的完备命题分别对应参观评价的五个程度级别。

作为本发明所述的基于D-S证据理论的博物馆参观效果评价方法的一种优选方案，其中：所述基本概率分配函数定义如下，

m_j(Φ)＝0

其中，m_j(Φ)表示空集的基本概率分配函数，

表示所有识别对象的概率分配值之和。

作为本发明所述的基于D-S证据理论的博物馆参观效果评价方法的一种优选方案，其中：所述融合公式定义如下，

其中，m(H)为融合后识别对象H的概率分配，k值代表证据冲突程度，系数1/(1-k)为归一化因子，k值的计算公式如下，

计算结果为不同评价指标得到的不同识别对象的概率乘积的和。

本发明解决的另一个技术问题是：提出一种基于D-S证据理论的博物馆参观效果评价系统，使上述方法能够基于该系统实现。

为解决上述技术问题，本发明提供如下技术方案：一种基于D-S证据理论的博物馆参观效果评价系统，包括，数据采集模块，所述数据采集模块获取评价指标，并采集评分数据信息；处理模块，所述处理模块能够进行矩阵和函数构建，并对数据采集模块采集到的数据进行处理；评价模块，所述评价模块根据处理模块的数据处理结果进行计算。

本发明的有益效果：本发明在调查问卷的基础上，提出了基于D-S证据理论的博物馆参观效果评价方法，能够同时兼顾评价的主观性与客观性对博物馆参观学习效果进行全面评价，既考虑到不同方面的因素对于参观者参观体验的影响，也避免了人的主观意识对于最终评分的影响，具有很好的实际应用性。

附图说明

为了更清楚地说明本发明实施例的技术方案，下面将对实施例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性的前提下，还可以根据这些附图获得其它的附图。其中：

图1为本发明第一种实施例所述基于D-S证据理论的博物馆参观效果评价方法的整体流程示意图；

图2为本发明第一种实施例所述基于D-S证据理论的博物馆参观效果评价方法中权向量的获取流程；

图3为本发明第二种实施例所述基于D-S证据理论的博物馆参观效果评价系统的整体结构示意图。

具体实施方式

为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合说明书附图对本发明的具体实施方式做详细的说明，显然所描述的实施例是本发明的一部分实施例，而不是全部实施例。基于本发明中的实施例，本领域普通人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本发明的保护的范围。

在下面的描述中阐述了很多具体细节以便于充分理解本发明，但是本发明还可以采用其他不同于在此描述的其它方式来实施，本领域技术人员可以在不违背本发明内涵的情况下做类似推广，因此本发明不受下面公开的具体实施例的限制。

其次，此处所称的“一个实施例”或“实施例”是指可包含于本发明至少一个实现方式中的特定特征、结构或特性。在本说明书中不同地方出现的“在一个实施例中”并非均指同一个实施例，也不是单独的或选择性的与其他实施例互相排斥的实施例。

本发明结合示意图进行详细描述，在详述本发明实施例时，为便于说明，表示器件结构的剖面图会不依一般比例作局部放大，而且所述示意图只是示例，其在此不应限制本发明保护的范围。此外，在实际制作中应包含长度、宽度及深度的三维空间尺寸。

同时在本发明的描述中，需要说明的是，术语中的“上、下、内和外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。此外，术语“第一、第二或第三”仅用于描述目的，而不能理解为指示或暗示相对重要性。

本发明中除非另有明确的规定和限定，术语“安装、相连、连接”应做广义理解，例如：可以是固定连接、可拆卸连接或一体式连接；同样可以是机械连接、电连接或直接连接，也可以通过中间媒介间接相连，也可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本发明中的具体含义。

实施例1

参照图1的示意，为本实施例提出的一种基于D-S证据理论的博物馆参观效果评价方法的整体流程示意图，该方法具体包括以下步骤，

S1：数据采集模块100获取参观效果的评价指标和分值数据；具体的，评价指标和分值数据可以通过收集各个博物馆的已有调查问卷进行获取，调查问卷中的包括各项指标作为参观效果的评价指标，评分作为分值数据。

博物馆学习因其学习方式的非正式性、学习对象的复杂性、学习内容的广泛性、博物馆本身种类的多样性等而难以制定统一的标准化评价体系。其中，评价指标包括反应因素指标、层次因素指标和行为因素指标。反应因素指标可以为参观满意度，层次因素指标可以为识记理解，行为因素指标可以为参观态度。确定评价指标后，可以制作出博物馆参观效果的调查问卷供参观者进行打分。

分值数据可以通过收集各个博物馆的已有调查问卷进行获取，通过调查问卷上的评分，得到各项指标对应的分值信息。具体的，可以对观众进行分组，并对问卷上的评价指标进行打分；为了对观众博物馆参观的各影响因素分析，通过观众对各影响因素打分确定确定其在各个指标上隶属于不同评语指标的高低。所述对评价指标的打分包括五个程度级别，分别是好、较好、一般、较差和差。在实际应用中，可以通过调查问卷的方式使观众进行打分，对应每一个指标，观众在评分时只能勾选一个程度的评语。

为了确保获取的分值数据的可靠性，在获取的调查问卷中，若问卷中存在对某一指标不勾选或勾选超过一个以上的评分时，该份问卷无效；且需要对获取到的有效问卷按一定数量进行分组，例如每组十份问卷。

S2：利用数据处理模块200构建参观评价指标矩阵、评价基本概率分配函数、融合辨识框架；具体的，在对博物馆或展览馆进行参观和学习效果评价时，需要从对多个方面来进行评价，为了综合这些指标的评价效果，首先需要构建评价指标矩阵。

S2-1：所述评价指标矩阵的构建还包括，

S2-2：对调查问卷中的评价指标两两比较，进行重要性判断；

S2-3：根据判断结果得到对应的标度值；具体的，该标度值根据评价效果的实际需求，对参观效果各项指标进行比较得到。

S2-4：由所有的标度值构成评价指标矩阵。具体的，评价指标矩阵构造依据如下表1所示，

S3：所述分值数据输入所述数据处理模块200经处理后输出评价指标矩阵的权向量、统计分数和分组评价结果数据；

具体的，参照图2的示意，所述权向量的获取还包括，

S3-1：输出每一个评价指标矩阵的最大特征根及其对应的特征向量；特征向量的近似值一般采用求和法求得。

S3-2：使用一致性指标、随机一致性指标和一致性比例进行一致性检验；具体的，检验可以按照如下步骤进行，

计算参观评价指标矩阵的最大特征根λ_max，本实施例中的最大特征根λ_max通过Matlab软件的函数进行求解。

根据λ_max计算一致性指标CI，计算公式为：

其中，n为评价指标矩阵的行数或列，若CI为0，则评价指标矩阵具有完全一致性；若CI不等于0，则需要根据一致性比例CR进行判断。

通过查表法查找相应的平均随机一致性指标RI，RI值和n的对应关系如下表2所示，

表2：RI值和n的对应关系

n	1	2	3	4	5	6	7	8	9
										RI	0	0	0.52	0.89	1.12	1.24	1.36	1.41	1.45

一致性比例CR的计算公式如下，

当CR<0.10时，认为评价指标矩阵的一致性是可以接受的，即通过检验。

S3-3：若检验通过，则获取评价指标矩阵的特征值作为权向量，，得到权向量矩阵；其中，特征向量可以采用求和法进行计算，本领域技术人员可以在实际操作中使用Matlab软件，该软件提供计算特征值的函数。

S3-4：若检验不通过，则应重新构造所述评价指标矩阵。

在每组评分中，根据收集到的有效调查问卷，进行归一化处理后，即可得到该组观众的参观评价分数矩阵。其中，归一化处理是指将每一因素中各评语的得分总数除以评分的总人数。

将权向量矩阵乘以参观评价分数矩阵，得到参观效果的分组评价结果。

S4：利用基本概率分配函数和融合公式构建评价模块300；

所述基本概率分配函数为对信息源S_j所给出的识别对象H的精确信任，计算公式为，

m_j：2^Θ→[0，1]

其中，j∈[1,Q]，Q为信息源的数目，Θ为实体鉴别框架，实体鉴别框架是由某个域中所有不相容的命题可能值所组成，其定义为，

Θ＝{H_n}

基本概率分配函数具有如下性质，

m_j(Φ)＝0

其中，m_j(Φ)表示空集的基本概率分配函数，

表示所有识别对象的概率分配值之和。

根据D-S证据理论，首先需要建立融合辨识框架，本实施例中的融合辨识框架为参观效果的因素，包括好，较好，一般，较差，差五个程度级别。进一步，在本实施例中对应于评价的不同因素，在步骤S4得到的分组参观效果评价结果满足以上公式给出的基本概率分配函数的定义和性质，因此采用每一组参观效果评价结果作为评价基本概率分配函数。

S5：所述分组评价结果数据输入所述评价模块300输出最终评价结果。

在通过步骤S4得到不同组别观众评价结果的基本概率分配函数后，即可采用D-S证据理论的方法进行融合评价。所述融合公式为，

其中，k值代表证据冲突程度，系数1/(1-k)为归一化因子，k值的计算公式如下，

其计算结果为不同评价指标得到的不同识别对象的概率乘积的和。

场景一：

为了验证本实施例提出的基于D-S证据理论的博物馆参观效果评价方法在实际应用中的效果，进行如下的实验：

本实验种选择的博物馆为上海博物馆，向观众发放问卷并回收统计出有效问卷，对有效问卷进行分组，每组由十位观众组成，得到以下表3和表4两组评分表，

表3：博物馆观众评分表1

G1	好	较好	一般	较差	差
						参观满意度	4	4	2	0	0
识记理解	4	5	1	0	0
						参观态度	9	1	0	0	0

表4：博物馆观众评分表2

根据获取的观众评分表，由调查问卷制定的专家通过指标两两比较，可以建立参观评价判断矩阵，如下表5所示，

表5：参观评价指标矩阵G

G	参观满意度	识记理解	参观态度
				参观满意度	1	1	1/2
识记理解	1	1	1
				参观态度	2	1	1

进行一致性检验，首先计算3阶矩阵G的最大特征根λ_max，此时n＝3，

得到λ_max＝3.054，根据一致性指标CI的计算公式，CI＝0.027，由于CI的值不等于0，需要进一步计算一致性比例CR的值，通过查表法查找相应的平均随机一致性指标RI，此时n＝3，所以由表1可得RI值为0.52，此时 CR＝0.027/0.52＝0.052，由于当CR<0.10时，认为评价指标矩阵的一致性可以接受，因此此处可以认为建立的评价指标矩阵是合适的。

采用求和法求得矩阵G的特征值，得到的特征值矩阵如下所示，

此时该特征值矩阵即为评价指标矩阵的权向量。

根据表3和表4的观众评分表进行归一化处理，得到归一化后的参观分数矩阵如下表6和表7所示，

表6：G1组观众归一化后的博物馆参观分数矩阵

G1	好	较好	一般	较差	差
						参观满意度	0.4	0.4	0.2	0	0
识记理解	0.4	0.5	0.1	0	0
						参观态度	0.9	0.1	0	0	0

表7：G2组观众归一化后的博物馆参观分数矩阵

G2	好	较好	一般	较差	差
						参观满意度	0.6	0.4	0	0	0
识记理解	0.5	0.4	0.1	0	0
						参观态度	0.9	0.1	0	0	0

将特征值矩阵乘以归一化后的博物馆参观分数矩阵，得到观众的参观效果评价结果，如下表8所示，

表8：分组观众参观效果评价结果

	好	较好	一般	较差	差
						观众评价G1	0.6065	0.3088	0.0847	0	0
观众评价G2	0.6912	0.2761	0.0327	0	0

根据表7可以看出，当不同组观众打分时，对参观效果评价存在较大差异。如采用第一组观众评分时，有60.65％的观众认为参观效果好。而第二组观众评分时，有69.12％的观众认为参观效果优秀。由此可见，此时得到的评价结果依旧具有较强的主观性，不同组观众对参观效果的评价不够客观，存在一定的人为主观影响。

本实验中实体鉴别框架Θ包括5个完备命题H₁、H₂、H₃、H₄和H₅，分别对应好，较好，一般，较差和差的5种参观评价指标，实验种选取两组不同观众对相应的指标进行打分，记为证据E₁和E₂，其基本概率分配函数为m₁和m₂，满足如下条件：

m(Φ)＝0

其中，k＝1，2，k代表参观评价的观众组编号，i表示参观评价指标的好，较好，一般，较差，差。将表7所示的分组参观效果评价结果作为评价基本概率分配函数，本实验中，计算得出不同观众组评价结果的基本概率分配函数如下表9所示，

表9：两组观众评价结果的基本概率分配函数

得到不同组别观众评价结果的基本概率分配函数后，采用D-S证据理论的方法进行融合评价。根据融合公式计算融合后的结果，其中，

k＝m₁(H₁)*m₂(H₂)+m₁(H₁)*m₂(H₃)+m₁(H₁)*m₂(H₄)+m₁(H₁)*m₂(H₅)+m₂ (H₁)*m₁(H₂)+m₂(H₁)*m₁(H₃)+m₂(H₁)*m₁(H₄)+m₂(H₁)*m₁(H₅)+m₁(H₂)*m₂(H₃)+ m₁(H₂)*m₂(H₄)+m₁(H₂)*m₂(H₅)+m₂(H₂)*m₁(H₃)+m₂(H₂)*m₁(H₄)+m₂(H₂)*m₁ (H₅)+m₁(H₃)*m₂(H₄)+m₁(H₃)*m₂(H5)+m₂(H₃)*m₁(H₄)+m₂(H₃)*m₁(H₅)+m₁ (H₄)*m₂(H₅)+m₂(H₄)*m₁(H₅)＝0.4928

因此，m(H₁)＝m₁(H₁)*m₁(H₁)/(1-k)＝0.8265，同理计算m(H₂)、m(H₃)、m(H₄) 和m(H₅)，得到的结果如下表10所示，

表10：融合后的观众参观效果评价结果

	H<sub>1</sub>	H<sub>2</sub>	H<sub>3</sub>	H<sub>4</sub>	H<sub>5</sub>
						m	0.8265	0.1681	0.0055	0.0000	0.0000

根据表10的融合后评价结果可以看出，综合了两组观众的评价，使得对博物馆参观评价更加客观，得到的认为参观效果好的结果为82.65％。

作为对比，如果我们采用传统的方法直接对20位观众的评分结果进行统计，得到的结果即为下表11，表11为综合表3和表4得到的结果，

表11：全部观众的评分结果表

G	好	较好	一般	较差	差
						参观满意度	10	8	2	0	0
识记理解	9	9	2	0	0
						参观态度	18	2	0	0	0

传统方法中，存在采用这种直接统计观众评分并求取平均值作为参观效果的方法，这样做没有综合考虑多方因素，并且面对多个评价因素时得到的效果评分也有多个，让人难以把握，如果不使用多个评价因素，则观众打分时又会过于笼统，不够细致，而本实施例提出的基于D-S证据理论的博物馆参观效果评价方法则更加客观准确。

实施例2

参照图3的示意，示意为本实施例提出的基于D-S证据理论的博物馆参观效果评价系统的整体结构示意图，该系统包括数据采集模块100、处理模块200 和评价模块300。具体的，数据采集模块100用于获取评价指标，并采集评分数据信息；处理模块200能够进行矩阵和函数构建，并对数据采集模块100采集到的数据进行处理；评价模块300根据处理模块200的数据处理结果进行计算。

数据采集模块100通过调查问卷得到数据，数据包括评价指标的构建和观众及专家的评分两个部分，先获取问卷中的评价指标，然后根据问卷中参观后的分组观众打分的数据，并且需要选出有效的评分数据信息进行进一步的处理；

处理模块200接收数据采集模块100采集到的有效评分数据信息，在本实施例中，处理模块200包括构建评价指标矩阵和评价基本概率分配函数，处理模块200能够将构建的矩阵和函数输入至评价模块300，并由评价模块300进行进一步的计算；

评价模块300接收数据采集模块100和处理模块200的数据及构建的矩阵和函数，并由评价模块300进行计算，得到最终的评价结果。本领域专业人员应当理解的是，处理模块200和评价模块300依托于计算机实现，计算机可以提供软件的运行平台。

该系统的评价流程如下：

步骤一：数据采集模块100获取博物馆的调查问卷，通过问卷中的数据构建参观效果的评价指标和的评价数据；

步骤二：处理模块200构建参观评价指标矩阵；

步骤三：评价模块300计算评价指标矩阵的权向量，统计分数并计算分组评价结果；

步骤四：评价基本概率分配函数和融合公式构建评价模块300；

步骤五：基于融合公式计算最终评价结果。

应当认识到，本发明的实施例可以由计算机硬件、硬件和软件的组合、或者通过存储在非暂时性计算机可读存储器中的计算机指令来实现或实施。所述方法可以使用标准编程技术-包括配置有计算机程序的非暂时性计算机可读存储介质在计算机程序中实现，其中如此配置的存储介质使得计算机以特定和预定义的方式操作——根据在具体实施例中描述的方法和附图。每个程序可以以高级过程或面向对象的编程语言来实现以与计算机系统通信。然而，若需要，该程序可以以汇编或机器语言实现。在任何情况下，该语言可以是编译或解释的语言。此外，为此目的该程序能够在编程的专用集成电路上运行。

此外，可按任何合适的顺序来执行本文描述的过程的操作，除非本文另外指示或以其他方式明显地与上下文矛盾。本文描述的过程(或变型和/或其组合) 可在配置有可执行指令的一个或多个计算机系统的控制下执行，并且可作为共同地在一个或多个处理器上执行的代码(例如，可执行指令、一个或多个计算机程序或一个或多个应用)、由硬件或其组合来实现。所述计算机程序包括可由一个或多个处理器执行的多个指令。

进一步，所述方法可以在可操作地连接至合适的任何类型的计算平台中实现，包括但不限于个人电脑、迷你计算机、主框架、工作站、网络或分布式计算环境、单独的或集成的计算机平台、或者与带电粒子工具或其它成像装置通信等等。本发明的各方面可以以存储在非暂时性存储介质或设备上的机器可读代码来实现，无论是可移动的还是集成至计算平台，如硬盘、光学读取和/或写入存储介质、RAM、ROM等，使得其可由可编程计算机读取，当存储介质或设备由计算机读取时可用于配置和操作计算机以执行在此所描述的过程。此外，机器可读代码，或其部分可以通过有线或无线网络传输。当此类媒体包括结合微处理器或其他数据处理器实现上文所述步骤的指令或程序时，本文所述的发明包括这些和其他不同类型的非暂时性计算机可读存储介质。当根据本发明所述的方法和技术编程时，本发明还包括计算机本身。计算机程序能够应用于输入数据以执行本文所述的功能，从而转换输入数据以生成存储至非易失性存储器的输出数据。输出信息还可以应用于一个或多个输出设备如显示器。在本发明优选的实施例中，转换的数据表示物理和有形的对象，包括显示器上产生的物理和有形对象的特定视觉描绘。

如在本申请所使用的，术语“组件”、“模块”、“系统”等等旨在指代计算机相关实体，该计算机相关实体可以是硬件、固件、硬件和软件的结合、软件或者运行中的软件。例如，组件可以是，但不限于是：在处理器上运行的处理、处理器、对象、可执行文件、执行中的线程、程序和/或计算机。作为示例，在计算设备上运行的应用和该计算设备都可以是组件。一个或多个组件可以存在于执行中的过程和/或线程中，并且组件可以位于一个计算机中以及/或者分布在两个或更多个计算机之间。此外，这些组件能够从在其上具有各种数据结构的各种计算机可读介质中执行。这些组件可以通过诸如根据具有一个或多个数据分组(例如，来自一个组件的数据，该组件与本地系统、分布式系统中的另一个组件进行交互和/或以信号的方式通过诸如互联网之类的网络与其它系统进行交互)的信号，以本地和/或远程过程的方式进行通信。

应说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或者等同替换，而不脱离本发明技术方案的精神和范围，其均应涵盖在本发明的权利要求范围当中。

Claims

1.一种基于D-S证据理论的博物馆参观效果评价方法，其特征在于：包括，

数据采集模块(100)获取参观效果的评价指标和分值数据；

利用数据处理模块(200)构建参观评价指标矩阵、评价基本概率分配函数、融合辨识框架；

所述分值数据输入所述数据处理模块(200)经处理后输出评价指标矩阵的权向量、统计分数和分组评价结果数据；

利用基本概率分配函数和融合公式构建评价模块(300)；

所述分组评价结果数据输入所述评价模块(300)输出最终评价结果。

2.如权利要求1所述的基于D-S证据理论的博物馆参观效果评价方法，其特征在于：所述评价指标包括反应因素指标、层次因素指标和行为因素指标。

3.如权利要求1或2所述的基于D-S证据理论的博物馆参观效果评价方法，其特征在于：所述对评价指标的打分包括五个程度级别，分别是好、较好、一般、较差和差。

4.如权利要求3所述的基于D-S证据理论的博物馆参观效果评价方法，其特征在于：所述评价指标矩阵的构建还包括，

对调查问卷中的评价指标两两比较，进行重要性判断；

根据判断结果得到对应的标度值；

由所有的标度值构成评价指标矩阵。

5.如权利要求1、2或4任一所述的基于D-S证据理论的博物馆参观效果评价方法，其特征在于：所述权向量的获取还包括，

输出每一个评价指标矩阵的最大特征根及其对应的特征向量；

使用一致性指标、随机一致性指标和一致性比例进行一致性检验；

若检验通过，则获取评价指标矩阵的特征值作为权向量，得到权向量矩阵；

若检验不通过，则应重新构造所述评价指标矩阵。

6.如权利要求5所述的基于D-S证据理论的博物馆参观效果评价方法，其特征在于：所述基本概率分配函数为对信息源S_j所给出的识别对象H的精确信任，定义为，

m_j：2^Θ→[0，1]

Θ＝{H_n}

7.如权利要求6所述的基于D-S证据理论的博物馆参观效果评价方法，其特征在于：所述基本概率分配函数定义如下，

m_j(Φ)＝0

其中，m_j(Φ)表示空集的基本概率分配函数，

表示所有识别对象的概率分配值之和。

8.如权利要求6或7所述的基于D-S证据理论的博物馆参观效果评价方法，其特征在于：所述融合公式定义如下，

9.一种基于D-S证据理论的博物馆参观效果评价系统，其特征在于：包括，

数据采集模块(100)，所述数据采集模块(100)获取评价指标，并采集评分数据信息；

处理模块(200)，所述处理模块(200)能够进行矩阵和函数构建，并对数据采集模块(100)采集到的数据进行处理；

评价模块(300)，所述评价模块(300)根据评价模块(200)的数据处理结果进行计算。