CN114358612A - 汽车主观评价方法 - Google Patents
汽车主观评价方法 Download PDFInfo
- Publication number
- CN114358612A CN114358612A CN202210016472.0A CN202210016472A CN114358612A CN 114358612 A CN114358612 A CN 114358612A CN 202210016472 A CN202210016472 A CN 202210016472A CN 114358612 A CN114358612 A CN 114358612A
- Authority
- CN
- China
- Prior art keywords
- evaluation
- matrix
- automobile
- fuzzy
- level
- 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
Images
Landscapes
- Compositions Of Macromolecular Compounds (AREA)
Abstract
本发明公开了一种汽车主观评价方法,包括:利用层次分析法,对各层级的汽车主观评价项目进行权重分配;对汽车主观评价的模糊评语进行定量化处理;创建各层级的汽车主观评价项目的模糊评判的隶属矩阵;根据各层级的汽车主观评价项目的权重分配结果、模糊评判的隶属矩阵和模糊评语的定量化处理结果,得到不同层级的项目评价得分和整车评价得分。本发明的汽车主观评价方法,通过层次分析法确认评价项目权重,合理地分配各评价项目在整车或子系统中的重要度,减少个人主观分配权重的片面性;通过模糊评判,充分利用各行业人群的评价结果,使评价结果趋向于市场客户的实际驾乘感受、车辆开发的市场定位,减少因长期固定人员评价结果的主观性和片面性。
Description
技术领域
本发明涉及汽车评价技术领域,尤其涉及一种汽车主观评价方法。
背景技术
汽车主观评价在汽车行业内的地位很重要,评价结果也会促进汽车设计、制造等环节进行整改。它主要利用人的五感(视、听、味、嗅、触摸)和体感(深部感觉、平衡感觉、内脏感觉)对汽车做出评价。另外,评价结果还会受到车辆状况、评价环境的影响。即,人、车、环境,都会对某一次主观评价的结果产生影响。这三方面因素决定了汽车主观评价结果具有差异性、模糊性。如何减少差异性、模糊性,是提高汽车主观评价结果的可信度或减少汽车主观评价结果的片面性的研究方向。
因此,亟需一种汽车主观评价方法。
发明内容
本发明的目的是提供一种汽车主观评价方法,以解决上述现有技术中的问题,能够得到一个较为直观、片面性减小的汽车主观评价结果。
本发明提供了一种汽车主观评价方法,其中,包括:
利用层次分析法,对各层级的汽车主观评价项目进行权重分配;
对汽车主观评价的模糊评语进行定量化处理;
创建各层级的汽车主观评价项目的模糊评判的隶属矩阵;
根据各层级的汽车主观评价项目的权重分配结果、对应的模糊评判的隶属矩阵和模糊评语的定量化处理结果,得到不同层级的项目评价得分和整车评价得分。
如上所述的汽车主观评价方法,其中,优选的是,所述利用层次分析法,对各层级的汽车主观评价项目进行权重分配,具体包括:
将评价人员的主观判断结果转换为定量的对比矩阵;
根据所述对比矩阵,计算各层级的汽车主观评价项目的权重。
如上所述的汽车主观评价方法,其中,优选的是,所述将评价人员的主观判断结果转换为定量的对比矩阵,具体包括:
各评价人员分别对各层级的汽车主观评价项目进行两两对比,以分别创建各层级的对比矩阵An=(aij)n×n,其中,n表示各层级的评价项目数量,并且n≥3;
对各评价人员分别创建的对比矩阵A1、A2、…、Am,进行算术平均,得到最终的对比矩阵A=(aij)n×n,其中,m表示评价人员的人数。
如上所述的汽车主观评价方法,其中,优选的是,所述根据所述对比矩阵,计算各层级的汽车主观评价项目的权重,具体包括:
计算对比矩阵A的最大特征根λmax对应的特征向量作为评价项目权重向量w,或者,
利用和积法计算对比矩阵A的近似特征向量,具体包括:
将创建的各个层级的对比矩阵按照列向量进行归一化处理,得到一个新的对比矩阵A′=(aij)′n×n;
如上所述的汽车主观评价方法,其中,优选的是,所述利用层次分析法,对各层级的汽车主观评价项目进行权重分配,还包括:
对各层级的汽车主观评价项目的权重计算结果进行一致性校验;
若一致性校验不合格,则对所述对比矩阵A进行调整,直到一致性校验合格;
根据调整后的对比矩阵,对各层级的汽车主观评价项目进行权重分配。
如上所述的汽车主观评价方法,其中,优选的是,所述对各层级的汽车主观评价项目的权重计算结果进行一致性校验,具体包括:
通过以下公式计算一致性指标:
其中,CI表示一致性指标,λ表示最大特征根λmax的近似值,通过和积法计算,n表示各层级的评价项目的数量;
通过以下公式计算一致性比率:
其中,CR表示一致性比率,RI表示随机性一致性指标,其数值可通过查表得到,n表示各层级的评价项目数量;
若CR<0.1,则权重分配较合理,若CR≥0.1,则权重分配不合理。
如上所述的汽车主观评价方法,其中,优选的是,在一致性校验不合格的情况下,所述对所述对比矩阵A进行调整,具体包括:
将对比矩阵A′中的任何一列数据,分别除以其它列的数据,得到一个新的矩阵A″;
根据矩阵A″中的元素数据,从最大值数据和最小值数据开始调整,具体包括:
若选择矩阵A″中元素数据的最大值数据,则对比矩阵A对应的元素数据需要调整变大,并按以下调整规则进行调整:若对比矩阵A中元素数据aij是整数,则将该元素数据调整为aij+1;若对比矩阵A中元素数据aij是小数,则将该元素数据调整为
若选择矩阵A″中元素数据的最小值数据,则对比矩阵A对应的元素数据需要调整变小,并按以下调整规则进行调整:若对比矩阵A中元素数据aij是整数,则将该元素数据调整为aij-1;若对比矩阵A中元素数据aij是小数,则将该元素数据调整为
若矩阵A″中元素数据的最大值数据或最小值数据是矩阵中i=j对应数据,则不对该数据进行调整,另外选择最大值数据或最小值数据进行调整。
如上所述的汽车主观评价方法,其中,优选的是,所述对汽车主观评价的模糊评语进行定量化处理,具体包括:
采用十分制,对汽车主观评价的各模糊评语进行定量化处理,得到模糊评语矩阵,具体包括:
将模糊评语“缺陷”赋值为1,将模糊评语“极差”赋值为2,将模糊评语“很差”赋值为3,将模糊评语“差”赋值为4,将模糊评语“较差”赋值为5,将模糊评语“一般”赋值为6,将模糊评语“较好”赋值为7,将模糊评语“好”赋值为8,将模糊评语“很好”赋值为9,将模糊评语“完美”赋值为10,模糊评语矩阵表示为Y=[1 2 3 4 5 6 7 8 9 10]。
如上所述的汽车主观评价方法,其中,优选的是,所述创建各层级的汽车主观评价项目的模糊评判的隶属矩阵,具体包括:
由评价人员对各母层级下属的子层级项目进行评价,最终分别统计各个评价项目对应不同评语的数量,组成模糊评判的隶属矩阵Vi.10(1≤i≤n)。对该矩阵的各个行向量数据进行归一化处理,构建一个新的子层级模糊评判的隶属矩阵Ri.10(1≤i≤n);
根据子层级评价项目的权重和子层级模糊评判的隶属矩阵Ri.10,创建各母层级的模糊评判的隶属矩阵,一层级的模糊评判结果为Bk.10=wk.i×Ri.10,其中,k表示母层级评价项目的数量,wk.i表示子层级评价项目的权重,由Bk.10组成母层级模糊评判的隶属矩阵B;
利用母层级评价项目的权重和母层级模糊评判的隶属矩阵B,得到整车的模糊评判矩阵为M=W×B,其中,W表示母层级评价项目的权重。
如上所述的汽车主观评价方法,其中,优选的是,所述根据各层级的汽车主观评价项目的权重分配结果、对应的模糊评判的隶属矩阵和模糊评语的定量化处理结果,得到不同层级的项目评价得分和整车评价得分,具体包括:
通过以下公式计算子层级项目的评价得分F2;
F2=Ri×YT
通过以下公式计算母层级项目的评价得分F1,
F1=Bk×YT或F1=F2×wi
其中,wi表示子层级项目权重;
通过以下公式计算整车评价得分F,
F=M×YT或F=F1×W
其中,W表示母层级项目权重。
本发明提供一种汽车主观评价方法,利用模糊数学的模糊评判以及运筹学中的层次分析法,把评价结果的差异性、评价项目的模糊性,由定性评价转化为定量评价,减少最终结果的片面性,提高评价结果的准确性,并通过对模糊评语定量化处理,最终得到一个较为直观、片面性减小的汽车主观评价结果;通过层次分析法确认评价项目权重,较合理地分配各个评价项目在整车或子系统中的重要度,减少了因个人主观因素分配权重的片面性;通过模糊评判,能充分利用各行业人群的评价结果,使评价结果更加趋向于市场客户的实际驾乘感受、以及车辆开发的市场定位,减少因长期固定人员评价结果的主观性和片面性。
附图说明
为使本发明的目的、技术方案和优点更加清楚,下面将结合附图对本发明作进一步描述,其中:
图1为本发明提供的汽车主观评价方法的实施例的流程图。
具体实施方式
现在将参照附图来详细描述本公开的各种示例性实施例。对示例性实施例的描述仅仅是说明性的,决不作为对本公开及其应用或使用的任何限制。本公开可以以许多不同的形式实现,不限于这里所述的实施例。提供这些实施例是为了使本公开透彻且完整,并且向本领域技术人员充分表达本公开的范围。应注意到:除非另外具体说明,否则在这些实施例中阐述的部件和步骤的相对布置、材料的组分、数字表达式和数值应被解释为仅仅是示例性的,而不是作为限制。
本公开中使用的“第一”、“第二”:以及类似的词语并不表示任何顺序、数量或者重要性,而只是用来区分不同的部分。“包括”或者“包含”等类似的词语意指在该词前的要素涵盖在该词后列举的要素,并不排除也涵盖其他要素的可能。“上”、“下”等仅用于表示相对位置关系,当被描述对象的绝对位置改变后,则该相对位置关系也可能相应地改变。
在本公开中,当描述到特定部件位于第一部件和第二部件之间时,在该特定部件与第一部件或第二部件之间可以存在居间部件,也可以不存在居间部件。当描述到特定部件连接其它部件时,该特定部件可以与所述其它部件直接连接而不具有居间部件,也可以不与所述其它部件直接连接而具有居间部件。
本公开使用的所有术语(包括技术术语或者科学术语)与本公开所属领域的普通技术人员理解的含义相同,除非另外特别定义。还应当理解,在诸如通用字典中定义的术语应当被解释为具有与它们在相关技术的上下文中的含义相一致的含义,而不应用理想化或极度形式化的意义来解释,除非这里明确地这样定义。
对于相关领域普通技术人员已知的技术、方法和设备可能不作详细讨论,但在适当情况下,技术、方法和设备应当被视为说明书的一部分。
目前,汽车主观评价有两种形式,一种是非专业评价人员参与主观评价,对汽车做出主观评价,对各项评价内容进行打分,其结果未进行有效处理,这种评价形式的缺陷在于,非专业评价人员对评价分数未有深刻认知,导致打分结果差异化较大,不利于有效的发现问题,并能得到整改;另一种是由专业评价人员参与主观评价,对各项评价内容进行打分,再通过小组讨论的方式明确最终评价结果,这种评价形式的缺陷在于专业评价人员通过小组讨论方式确认评价打分,但这过程很容易将个人的评价结果影响了组员评价结果,导致评价结果更加主观化。
如图1所示,本实施例提供的汽车主观评价方法在实际执行过程中,具体包括如下步骤:
步骤S1、利用层次分析法,对各层级的汽车主观评价项目进行权重分配。
本发明的汽车主观评价方法是基于汽车试验场地进行的汽车主观评价,参与评价人员数量至少10人。
在本发明的汽车主观评价方法的一种实施方式中,所述步骤S1具体可以包括:
步骤S11、将评价人员的主观判断结果转换为定量的对比矩阵。
在本发明的汽车主观评价方法的一种实施方式中,所述步骤S11具体可以包括:
步骤S111、各评价人员分别对各层级的汽车主观评价项目进行两两对比,以分别创建各层级的对比矩阵An=(aij)n×n,其中,n表示各层级的评价项目数量,并且n≥3。
因汽车主观评价项目具有多层级属性,一层级项目、二层级项目或多层级项目等。仅对一层级项目评价,不能较好的反应汽车真实品质。所以,评价时需对多层级项目进行评价,且每一层级项目至少有3项。本发明的实施例以两层级(一层级、二层级)的评价项目为例进行说明,其他层级的评价项目与此相类似。
主观判断结果的定量标度值见表1。
表1层次分析法的比较定量标度
步骤S112、对各评价人员分别创建的对比矩阵A1、A2、…、Am,进行算术平均,得到最终的对比矩阵A=(aij)n×n,其中,m表示评价人员的人数。
步骤S12、根据所述对比矩阵,计算各层级的汽车主观评价项目的权重。
在本发明的汽车主观评价方法的一种实施方式中,计算对比矩阵A的最大特征根λmax对应的特征向量作为评价项目权重向量w;在本发明的汽车主观评价方法的另一种实施方式中,利用和积法计算对比矩阵A的近似特征向量。其中,利用和积法计算对比矩阵A的近似特征向量,具体可以包括:
步骤S121、将创建的各个层级的对比矩阵按照列向量进行归一化处理,得到一个新的对比矩阵A′=(aij)′n×n。
具体计算过程可以参照上述的计算公式,本实施例中,二层级评价项目权重表示为wi,一层级评价项目权重表示为W。
在本发明的汽车主观评价方法的一种实施方式中,所述步骤S1还可以包括:
步骤S13、对各层级的汽车主观评价项目的权重计算结果进行一致性校验。
通过对对比矩阵A进行一致性校验,可以校验权重分配是否合理。为避免出现甲比乙重要,乙比丙重要,丙又比甲重要的不合理现象,必须进行一致性校验。如果对比矩阵A的一致性较好,则权重分配较合理。通过一致性指标CI与一致性比率CR这两个评价指标来检验对比矩阵A的一致性情况。只有这两个指标同时满足要求时,对比矩阵A才具有较好的一致性。
在本发明的汽车主观评价方法的一种实施方式中,所述步骤S13具体可以包括:
步骤S131、通过以下公式计算一致性指标:
其中,CI表示一致性指标,λ表示最大特征根λmax的近似值,通过和积法计算,n表示各层级的评价项目的数量。
若CI=0,代表有完全的一致性;CI值越接近0,代表有较满意的一致性,即权重分配较合理。否则,CI越远离0,权重分配越不合理。需要说明的是,本发明在具体实现中,在计算该数值要精准到小数点后3位。
其中,通过和积法计算λ的计算过程为:
将对比矩阵A的行向量aij与权重向量wi进行加权计算,得到一组列向量的新数据;
将该新数据分别与对应的权重向量wi相除,权重向量数据作为除数,得一组列向量数据;
对该列向量数据求和,得一和数据;
将该和数据与评价项目数量n相除,即得λ:
其中,i,j=1,2,3……n。
步骤S132、通过以下公式计算一致性比率:
其中,CR表示一致性比率,RI表示随机性一致性指标,其数值可通过查表2得到,n表示各层级的评价项目数量。
表2随机一致性指标RI
表2中的n即为某一层级的评价项目数量,根据汽车主观评价项目具有的多层级属性,表2中的n数值足够使用。
步骤S133、若CR<0.1,则权重分配较合理,若CR≥0.1,则权重分配不合理。
步骤S14、若一致性校验不合格,则对所述对比矩阵A进行调整,直到一致性校验合格。
若校验对比矩阵A已具有较好的一致性,则不进行步骤S14。
在一致性校验不合格的情况下,在本发明的汽车主观评价方法的一种实施方式中,所述步骤S14具体可以包括:
步骤S141、将对比矩阵A′中的任何一列数据,分别除以其它列的数据,得到一个新的矩阵A″。
如果该矩阵中所有数据都是1,则代表对比矩阵A具有完全一致性,权重分配完全合理。此时,CR=0。
步骤S142、根据矩阵A″中的元素数据,从最大值数据和最小值数据开始调整。
在本发明的汽车主观评价方法的一种实施方式中,所述步骤S142具体可以包括:
步骤S1421、若选择矩阵A″中元素数据的最大值数据,则对比矩阵A对应的元素数据需要调整变大,并按以下调整规则进行调整:若对比矩阵A中元素数据aij是整数,则将该元素数据调整为aij+1;若对比矩阵A中元素数据aij是小数(即分数),则将该元素数据调整为
步骤S1422、若选择矩阵A″中元素数据的最小值数据,则对比矩阵A对应的元素数据需要调整变小,并按以下调整规则进行调整:若对比矩阵A中元素数据aij是整数,则将该元素数据调整为aij-1;若对比矩阵A中元素数据aij是小数(即分数),则将该元素数据调整为
步骤S1423、若矩阵A″中元素数据的最大值数据或最小值数据是矩阵中i=j对应数据,则不对该数据进行调整,另外选择最大值数据或最小值数据进行调整。
步骤S15、根据调整后的对比矩阵,对各层级的汽车主观评价项目进行权重分配。
步骤S2、对汽车主观评价的模糊评语进行定量化处理。
在本发明中,采用十分制,对汽车主观评价的各模糊评语进行定量化处理,得到模糊评语矩阵。
具体而言,将模糊评语“缺陷”赋值为1,将模糊评语“极差”赋值为2,将模糊评语“很差”赋值为3,将模糊评语“差”赋值为4,将模糊评语“较差”赋值为5,将模糊评语“一般(合格)”赋值为6,将模糊评语“较好”赋值为7,将模糊评语“好”赋值为8,将模糊评语“很好(非常好)”赋值为9,将模糊评语“完美”赋值为10,模糊评语矩阵表示为Y=[1 2 3 4 5 6 78 9 10],模糊评语定量化数值及含义见表3。
表3模糊评语的定量化数值及含义
步骤S3、创建各层级的汽车主观评价项目的模糊评判的隶属矩阵。
在本发明的汽车主观评价方法的一种实施方式中,所述步骤S3具体可以包括:
步骤S31、由评价人员对各母层级下属的子层级项目进行评价,最终分别统计各个评价项目对应不同评语的数量,组成模糊评判的隶属矩阵Vi.10(1≤i≤n)。对该矩阵的各个行向量数据进行归一化处理,构建一个新的子层级模糊评判的隶属矩阵Ri.10(1≤i≤n),具体计算过程可参照下式。
步骤S32、根据子层级评价项目的权重和子层级模糊评判的隶属矩阵Ri.10,创建各母层级的模糊评判的隶属矩阵,一层级的模糊评判结果为Bk.10=wk.i×Ri.10,其中,k表示母层级评价项目的数量,wk.i表示子层级评价项目的权重,由Bk.10组成母层级模糊评判的隶属矩阵B。
步骤S33、利用母层级评价项目的权重和母层级模糊评判的隶属矩阵B,得到整车的模糊评判矩阵为M=W×B,其中,W表示母层级评价项目的权重。
步骤S4、根据各层级的汽车主观评价项目的权重分配结果、对应的模糊评判的隶属矩阵和模糊评语的定量化处理结果,得到不同层级的项目评价得分和整车评价得分。
在本发明的汽车主观评价方法的一种实施方式中,所述步骤S4具体可以包括:
步骤S41、通过以下公式计算子层级项目的评价得分F2;
F2=Ri×YT。
步骤S42、通过以下公式计算母层级项目的评价得分F1,
F1=Bk×YT或F1=F2×wi
其中,wi表示子层级项目权重。
步骤S43、通过以下公式计算整车评价得分F,
F=M×YT或F=F1×W
其中,W表示母层级项目权重。
上述母层级项目的评价得分及整车评价得分,既可通过对应的模糊评判的隶属矩阵与模糊评语矩阵的转置矩阵加权计算,也可通过子层级的模糊评判定量化后的结果,与各个项目的权重加权计算,以上两种计算方法的最终结果是一致的。
需要说明的是,本发明在一些实施方式中,以汽车整车为对象进行主观评价。本发明在另一些实施方式中,也可对汽车各个系统及各零部件进行主观评价,均能合理有效地利用参与主观评价人员的评价结果,并最终得出一个较为合理的评价结果。
本发明实施例提供的汽车主观评价方法,利用模糊数学的模糊评判以及运筹学中的层次分析法,把评价结果的差异性、评价项目的模糊性,由定性评价转化为定量评价,减少最终结果的片面性,提高评价结果的准确性,并通过对模糊评语定量化处理,最终得到一个较为直观、片面性减小的汽车主观评价结果;通过层次分析法确认评价项目权重,较合理地分配各个评价项目在整车或子系统中的重要度,减少了因个人主观因素分配权重的片面性;通过模糊评判,能充分利用各行业人群的评价结果,使评价结果更加趋向于市场客户的实际驾乘感受、以及车辆开发的市场定位,减少因长期固定人员评价结果的主观性和片面性。
至此,已经详细描述了本公开的各实施例。为了避免遮蔽本公开的构思,没有描述本领域所公知的一些细节。本领域技术人员根据上面的描述,完全可以明白如何实施这里公开的技术方案。
虽然已经通过示例对本公开的一些特定实施例进行了详细说明,但是本领域的技术人员应该理解,以上示例仅是为了进行说明,而不是为了限制本公开的范围。本领域的技术人员应该理解,可在不脱离本公开的范围和精神的情况下,对以上实施例进行修改或者对部分技术特征进行等同替换。本公开的范围由所附权利要求来限定。
Claims (10)
1.一种汽车主观评价方法,其特征在于,包括:
利用层次分析法,对各层级的汽车主观评价项目进行权重分配;
对汽车主观评价的模糊评语进行定量化处理;
创建各层级的汽车主观评价项目的模糊评判的隶属矩阵;
根据各层级的汽车主观评价项目的权重分配结果、对应的模糊评判的隶属矩阵和模糊评语的定量化处理结果,得到不同层级的项目评价得分和整车评价得分。
2.根据权利要求1所述的汽车主观评价方法,其特征在于,所述利用层次分析法,对各层级的汽车主观评价项目进行权重分配,具体包括:
将评价人员的主观判断结果转换为定量的对比矩阵;
根据所述对比矩阵,计算各层级的汽车主观评价项目的权重。
3.根据权利要求2所述的汽车主观评价方法,其特征在于,所述将评价人员的主观判断结果转换为定量的对比矩阵,具体包括:
各评价人员分别对各层级的汽车主观评价项目进行两两对比,以分别创建各层级的对比矩阵An=(aij)n×n,其中,n表示各层级的评价项目数量,并且n≥3;
对各评价人员分别创建的对比矩阵A1、A2、…、Am,进行算术平均,得到最终的对比矩阵A=(aij)n×n,其中,m表示评价人员的人数。
5.根据权利要求4所述的汽车主观评价方法,其特征在于,所述利用层次分析法,对各层级的汽车主观评价项目进行权重分配,还包括:
对各层级的汽车主观评价项目的权重计算结果进行一致性校验;
若一致性校验不合格,则对所述对比矩阵A进行调整,直到一致性校验合格;
根据调整后的对比矩阵,对各层级的汽车主观评价项目进行权重分配。
7.根据权利要求6所述的汽车主观评价方法,其特征在于,在一致性校验不合格的情况下,所述对所述对比矩阵A进行调整,具体包括:
将对比矩阵A′中的任何一列数据,分别除以其它列的数据,得到一个新的矩阵A″;
根据矩阵A″中的元素数据,从最大值数据和最小值数据开始调整,具体包括:
若选择矩阵A″中元素数据的最大值数据,则对比矩阵A对应的元素数据需要调整变大,并按以下调整规则进行调整:若对比矩阵A中元素数据aij是整数,则将该元素数据调整为aij+1;若对比矩阵A中元素数据aij是小数,则将该元素数据调整为
若选择矩阵A″中元素数据的最小值数据,则对比矩阵A对应的元素数据需要调整变小,并按以下调整规则进行调整:若对比矩阵A中元素数据aij是整数,则将该元素数据调整为aij-1;若对比矩阵A中元素数据aij是小数,则将该元素数据调整为
若矩阵A″中元素数据的最大值数据或最小值数据是矩阵中i=j对应数据,则不对该数据进行调整,另外选择最大值数据或最小值数据进行调整。
8.根据权利要求5所述的汽车主观评价方法,其特征在于,所述对汽车主观评价的模糊评语进行定量化处理,具体包括:
采用十分制,对汽车主观评价的各模糊评语进行定量化处理,得到模糊评语矩阵,具体包括:
将模糊评语“缺陷”赋值为1,将模糊评语“极差”赋值为2,将模糊评语“很差”赋值为3,将模糊评语“差”赋值为4,将模糊评语“较差”赋值为5,将模糊评语“一般”赋值为6,将模糊评语“较好”赋值为7,将模糊评语“好”赋值为8,将模糊评语“很好”赋值为9,将模糊评语“完美”赋值为10,模糊评语矩阵表示为Y=[1 2 3 4 5 6 7 8 9 10]。
9.根据权利要求8所述的汽车主观评价方法,其特征在于,所述创建各层级的汽车主观评价项目的模糊评判的隶属矩阵,具体包括:
由评价人员对各母层级下属的子层级项目进行评价,最终分别统计各个评价项目对应不同评语的数量,组成模糊评判的隶属矩阵Vi.10(1≤i≤n)。对该矩阵的各个行向量数据进行归一化处理,构建一个新的子层级模糊评判的隶属矩阵Ri.10(1≤i≤n);
根据子层级评价项目的权重和子层级模糊评判的隶属矩阵Ri.10,创建各母层级的模糊评判的隶属矩阵,一层级的模糊评判结果为Bk.10=wk.i×Ri.10,其中,k表示母层级评价项目的数量,wk.i表示子层级评价项目的权重,由Bk.10组成母层级模糊评判的隶属矩阵B;
利用母层级评价项目的权重和母层级模糊评判的隶属矩阵B,得到整车的模糊评判矩阵为M=W×B,其中,W表示母层级评价项目的权重。
10.根据权利要求9所述的汽车主观评价方法,其特征在于,所述根据各层级的汽车主观评价项目的权重分配结果、对应的模糊评判的隶属矩阵和模糊评语的定量化处理结果,得到不同层级的项目评价得分和整车评价得分,具体包括:
通过以下公式计算子层级项目的评价得分F2;
F2=Ri×YT
通过以下公式计算母层级项目的评价得分F1,
F1=Bk×YT或F1=F2×wi
其中,wi表示子层级项目权重;
通过以下公式计算整车评价得分F,
F=M×YT或F=F1×W
其中,W表示母层级项目权重。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210016472.0A CN114358612A (zh) | 2022-01-07 | 2022-01-07 | 汽车主观评价方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210016472.0A CN114358612A (zh) | 2022-01-07 | 2022-01-07 | 汽车主观评价方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114358612A true CN114358612A (zh) | 2022-04-15 |
Family
ID=81106392
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210016472.0A Pending CN114358612A (zh) | 2022-01-07 | 2022-01-07 | 汽车主观评价方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114358612A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114912781A (zh) * | 2022-04-29 | 2022-08-16 | 中国第一汽车股份有限公司 | 一种基于计权分析的车门声品质主观评价方法、装置及设备 |
-
2022
- 2022-01-07 CN CN202210016472.0A patent/CN114358612A/zh active Pending
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114912781A (zh) * | 2022-04-29 | 2022-08-16 | 中国第一汽车股份有限公司 | 一种基于计权分析的车门声品质主观评价方法、装置及设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Roszkowska | Rank ordering criteria weighting methods–a comparative overview | |
US20090198611A1 (en) | Methods and systems for score consistency | |
CN113688458B (zh) | 一种基于层次分析法的地基基础方案优选方法 | |
CN112989621A (zh) | 一种模型性能评价方法、装置、设备及存储介质 | |
CN113807612A (zh) | 一种基于心理量表数据的预测方法和装置 | |
CN111861238A (zh) | 高速公路桥梁工程风险评估方法、装置及计算机设备 | |
CN114358612A (zh) | 汽车主观评价方法 | |
CN111523768A (zh) | 一种基于熵权-topsis的广义需求侧资源品质评价方法 | |
CN110929224A (zh) | 基于公交行车安全的安全指标体系创建方法 | |
CN112950008A (zh) | 一种飞行器的航迹规划评价方法 | |
CN110705856A (zh) | 基于层次分析法的核电设备锻件材料制造质量评估方法 | |
CN111337956B (zh) | 导航接收机性能综合评价方法及装置 | |
CN113094971A (zh) | 基于熵权-灰色层次分析的建模仿真即服务可信度评估方法及系统 | |
CN116485021A (zh) | 一种煤炭企业技术技能人才人岗匹配预测方法与系统 | |
CN110991517A (zh) | 一种面向脑卒中非平衡数据集的分类方法及系统 | |
CN114880217A (zh) | 一种应用软件的构件质量评估方法 | |
CN114021905A (zh) | 一种中小企业信用风险评价方法 | |
CN115115212A (zh) | 一种适用于相似方案的自主优选排序方法 | |
CN113536415A (zh) | 一种基于典型环境差异的综合指标体系桥梁比选方法 | |
CN112001606A (zh) | 环保工作评价方法及系统 | |
CN112907058A (zh) | 一种基于直觉模糊网络层次分析的决策评估方法 | |
Pryimak et al. | Fuzzy technologies modeling the level of welfare of the population in the system of effective management | |
CN111062548A (zh) | 一种企业决策辅助实时数据采集及评价方法 | |
CN110852536A (zh) | 一种储罐维修决策确定方法及装置 | |
CN113221332B (zh) | 一种基于云模型理论的海岸侵蚀脆弱性评估方法 |
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 |