CN114529136A - 基于主成分分析和Topsis的电子部组件评价方法和装置 - Google Patents

基于主成分分析和Topsis的电子部组件评价方法和装置 Download PDF

Info

Publication number
CN114529136A
CN114529136A CN202210013581.7A CN202210013581A CN114529136A CN 114529136 A CN114529136 A CN 114529136A CN 202210013581 A CN202210013581 A CN 202210013581A CN 114529136 A CN114529136 A CN 114529136A
Authority
CN
China
Prior art keywords
evaluation
ideal solution
evaluation object
preprocessing
distance
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
CN202210013581.7A
Other languages
English (en)
Inventor
高春雨
张蕊
吴志刚
孙明明
孙思琦
刘事成
蔡柳依婷
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.)
China Electronic Product Reliability and Environmental Testing Research Institute
Original Assignee
China Electronic Product Reliability and Environmental Testing Research Institute
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 China Electronic Product Reliability and Environmental Testing Research Institute filed Critical China Electronic Product Reliability and Environmental Testing Research Institute
Priority to CN202210013581.7A priority Critical patent/CN114529136A/zh
Publication of CN114529136A publication Critical patent/CN114529136A/zh
Pending legal-status Critical Current

Links

Images

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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
    • G06F18/2135—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on approximation criteria, e.g. principal component analysis
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/30—Computing systems specially adapted for manufacturing

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Mathematical Physics (AREA)
  • Pure & Applied Mathematics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • General Engineering & Computer Science (AREA)
  • Strategic Management (AREA)
  • Economics (AREA)
  • Computational Mathematics (AREA)
  • Educational Administration (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Development Economics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Algebra (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Game Theory and Decision Science (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Computing Systems (AREA)
  • Evolutionary Biology (AREA)
  • Software Systems (AREA)
  • Databases & Information Systems (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Marketing (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • General Factory Administration (AREA)

Abstract

本申请涉及一种基于主成分分析和Topsis的电子部组件评价方法、装置、计算机设备、存储介质和计算机程序产品。所述方法包括：获取评价对象的评价指标，对所述评价指标进行预处理获取预处理结果；所述预处理过程包括对原始数据的标准化处理和基于主成分分析的数据降维处理，基于Topsis法对所述预处理结果进行综合评价，获取所述评价对象与理想解的距离；所述理想解包括正理想解和负理想解，基于所述评价对象与理想解的距离，获取评价对象与理想解的相对接近程度，基于所述相对接近程度对所述评价对象进行评价。采用本方法能够提高评价结果的真实性和准确性。

Description

基于主成分分析和Topsis的电子部组件评价方法和装置
技术领域
本申请涉及环境效应数据综合评价技术领域，特别是涉及一种基于主成分分析和Topsis的电子部组件评价方法、装置、计算机设备、存储介质和计算机程序产品。
背景技术
在航空电子部组件投入使用之前，往往会通过开展外场环境试验来考核其环境适应性，在试验过程中会产生大量的电子部组件环境效应数据，并且包含多个性能参数，在评估这种电子部组件的性能水平的过程中，为了更全面、更准确地反映电子部组件的整体性能水平需要考虑以下两个方面的问题：一方面，需要考虑尽可能多的指标来避免对电子部组件整体性能水平评价的片面性；另一方面，需要考虑各性能参数之间的相关性而导致的各参数反映的信息在一定程度上有所重叠。
综合评价方法是一种数据分析方法的一种，用于对涵盖多个属性的事物进行评价，常用的综合评价方法包括层次分析法、主成分分析法和理想解法，并且已经在诸多领域得到广泛应用。但结合电子部组件的外场环境试验数据，开展基于电子部组件的环境效应数据综合评价方法研究还比较少，目前该领域内已有采用基于主成分分析的方法对电子部组件的环境效应数据进行综合评价的相关研究。
然而，电子部组件的一些性能参数之间存在较强的相关关系，现有的评价方法不能够消除指标的重叠信息，反而强化了指标之间的重叠信息，使评价结果与指标相关性的关系十分密切。因此，应用主成分分析法进行综合评价时，会使其评价结果存在较大偏差，影响评价结果的准确和真实性。
发明内容
基于此，有必要针对上述技术问题，提供一种能够提高评价结果准确性和真实性的基于主成分分析和Topsis的电子部组件评价方法、装置、计算机设备、计算机可读存储介质和计算机程序产品。
第一方面，本申请提供了一种基于主成分分析和Topsis的电子部组件评价方法。所述方法包括：
获取评价对象的评价指标，对所述评价指标进行预处理获取预处理结果；所述预处理过程包括对原始数据的标准化处理和基于主成分分析的数据降维处理；
基于Topsis法对所述预处理结果进行综合评价，获取所述评价对象与理想解的距离；所述理想解包括正理想解和负理想解；
基于所述评价对象与理想解的距离，获取评价对象与理想解的相对接近程度，基于所述相对接近程度对所述评价对象进行评价。
在其中一个实施例中，所述对所述评价指标进行预处理获取预处理结果包括：
对所述评价指标进行标准化处理，获取标准化处理后的数据；
基于所述标准化处理后的数据，进行多维性能参数降维处理，获取预处理结果。
在其中一个实施例中，所述进行多维性能参数降维处理，获取预处理结果包括：
计算所述评价指标的相关矩阵，并获取所述相关矩阵的特征值和特征向量；
计算主成分贡献率，基于主成分的累计贡献率确定主成分个数；
基于主成分数据集替换所述评价指标，获取所述预处理结果。
在其中一个实施例中，所述基于Topsis法对所述预处理结果进行综合评价，获取所述评价对象与理想解的距离包括：
基于所述预处理结果获取正理想解和负理想解；
通过迭代计算，获取各评价对象与所述正理想解的距离，并获取各评价对象与所述负理想解的距离。
在其中一个实施例中，所述基于所述评价对象与理想解的距离，获取评价对象与理想解的相对接近程度包括：
获取各评价对象的正理想解和负理想解的和；
计算各评价对象的负理想解与所述和的商，作为各评价对象与理想解的相对接近程度。
在其中一个实施例中，所述基于所述相对接近程度对所述评价对象进行评价包括：
将各评价对象与理想解的相对接近程度按照从大到小的顺序进行排列；
获取相对接近程度排序最靠前的评价对象，作为最优的评价方案。
第二方面，本申请还提供了一种基于主成分分析和Topsis的电子部组件评价装置。所述装置包括：
预处理模块，用于获取评价对象的评价指标，对所述评价指标进行预处理获取预处理结果；所述预处理过程包括对原始数据的标准化处理和基于主成分分析的数据降维处理；
距离获取模块，用于基于Topsis法对所述预处理结果进行综合评价，获取所述评价对象与理想解的距离；所述理想解包括正理想解和负理想解；
评价模块，用于基于所述评价对象与理想解的距离，获取评价对象与理想解的相对接近程度，基于所述相对接近程度对所述评价对象进行评价。
第三方面，本申请还提供了一种计算机设备。所述计算机设备包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现以下步骤：
获取评价对象的评价指标，对所述评价指标进行预处理获取预处理结果；所述预处理过程包括对原始数据的标准化处理和基于主成分分析的数据降维处理；
基于Topsis法对所述预处理结果进行综合评价，获取所述评价对象与理想解的距离；所述理想解包括正理想解和负理想解；
基于所述评价对象与理想解的距离，获取评价对象与理想解的相对接近程度，基于所述相对接近程度对所述评价对象进行评价。
第四方面，本申请还提供了一种计算机可读存储介质。所述计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现以下步骤：
获取评价对象的评价指标，对所述评价指标进行预处理获取预处理结果；所述预处理过程包括对原始数据的标准化处理和基于主成分分析的数据降维处理；
基于Topsis法对所述预处理结果进行综合评价，获取所述评价对象与理想解的距离；所述理想解包括正理想解和负理想解；
基于所述评价对象与理想解的距离，获取评价对象与理想解的相对接近程度，基于所述相对接近程度对所述评价对象进行评价。
第五方面，本申请还提供了一种计算机程序产品。所述计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现以下步骤：
获取评价对象的评价指标，对所述评价指标进行预处理获取预处理结果；所述预处理过程包括对原始数据的标准化处理和基于主成分分析的数据降维处理；
基于Topsis法对所述预处理结果进行综合评价，获取所述评价对象与理想解的距离；所述理想解包括正理想解和负理想解；
基于所述评价对象与理想解的距离，获取评价对象与理想解的相对接近程度，基于所述相对接近程度对所述评价对象进行评价。
上述基于主成分分析和Topsis的电子部组件评价方法、装置、计算机设备、存储介质和计算机程序产品，获取评价对象的评价指标，对评价指标进行预处理获取预处理结果，基于Topsis法对预处理结果进行综合评价，获取评价对象与理想解的距离，最后基于评价对象与理想解的距离，获取评价对象与理想解的相对接近程度，基于相对接近程度对评价对象进行评价，通过与正理想解和负理想解的距离来实现评价过程，将被评价对象中的最优、劣值引入评价模型中，使评价结果能够充分反映被评价对象的整体特征，使评价结果与实际结果更为接近，提高了评价结果的真实性和准确性。
附图说明
图1为一个实施例中基于主成分分析和Topsis的电子部组件评价方法的应用环境图；
图2为一个实施例中基于主成分分析和Topsis的电子部组件评价方法的流程示意图；
图3为一个实施例中对电子部组件评价步骤的总体流程示意图；
图4为一个实施例中基于主成分分析和Topsis的电子部组件评价装置的结构框图；
图5为一个实施例中计算机设备的内部结构图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。
本申请实施例提供的基于主成分分析和Topsis的电子部组件评价方法，可以应用于如图1所示的应用环境中。其中，终端102通过网络与服务器104进行通信。数据存储系统可以存储服务器104需要处理的数据。数据存储系统可以集成在服务器104上，也可以放在云上或其他网络服务器上。
其中，终端102可以但不限于是各种个人计算机、笔记本电脑、智能手机、平板电脑、物联网设备和便携式可穿戴设备，物联网设备可为智能音箱、智能电视、智能空调、智能车载设备等。便携式可穿戴设备可为智能手表、智能手环、头戴设备等。服务器104可以用独立的服务器或者是多个服务器组成的服务器集群来实现。
本申请旨在针对电子部组件的环境效应数据进行综合评价的问题，结合电子部组件环境效应数据的特点，提出了一种将主成分分析与理想解法(Topsis法)相结合的综合评价模型。解决了单独采用主成分分析方法进行综合评价过程中由于电子部组件性能参数之间存在的相关性导致的综合评价结果的偏差，同时采用主成分分析方法对电子部组件的性能参数进行降维处理，去除属性之间的相关性，在此基础上基于Topsis方法对其进行综合评价，消除了属性之间的重叠信息对综合评价结果产生的影响，使评价结果更为客观准确，以更好得反映出电子部组件的综合性能水平。
在一个实施例中，如图2所示，提供了一种基于主成分分析和Topsis的电子部组件评价方法，以该方法应用于图1中的服务器为例进行说明，包括以下步骤：
步骤202，获取评价对象的评价指标，对所述评价指标进行预处理获取预处理结果；所述预处理过程包括对原始数据的标准化处理和基于主成分分析的数据降维处理。
具体地，评价对象的数目为不少于一个，每个评价对象的评价指标相同且评价指标的数量不少于一个，例如有n个评价对象，每个评价对象有s个评价指标。则原始的评价指标矩阵可表示为：
Figure BDA0003458803200000061
对评价指标进行预处理获取预处理结果的过程包括对原始数据的标准化处理和基于主成分分析的数据降维处理。由于不同评价指标表示样本的不同性质，不仅量纲不同，且数值之间也可能有很大差别，因此需对数据进行标准化处理，经过标准化处理后的评价指标各变量的均值为0，方差等于1。基于主成分分析的数据降维处理包括计算相关矩阵、计算相关矩阵的特征值和特征向量、计算主成分贡献率并确定主成分个数，通过基于主成分分析的数据降维处理，将原始的s个评价指标降维到m个主成分。
步骤204，基于Topsis法对所述预处理结果进行综合评价，获取所述评价对象与理想解的距离；所述理想解包括正理想解和负理想解。
其中，Topsis法首先必须确定各项指标的正理想解和负理想解；正理想解是其各个属性值都达到各候选方案中最优值，即设想所有候选方案中的一个最理想值(方案)；而负理想解是其各个属性值都接近甚至达到各候选方案中最劣值，即设想所有候选方案中的一个最劣值(方案)。随后计算出各个方案与理想解之间的加权距离，然后求出各方案与理想解的靠近水平(称之为贴近度)，借此来判定各方案是否较佳，倘若某方案最为靠近理想解而又离负理想解最远，则可以判定其为最优方案。
具体地，基于Topsis法对预处理结果进行综合评价，分别获取评价对象与正理想解的距离，以及获取评价对象与负理想解的距离；以使得能够根据评价对象与正理想解的距离以及评价对象与负理想解的距离获取对应的评价对象与理想解的相对接近程度。
步骤206，基于所述评价对象与理想解的距离，获取评价对象与理想解的相对接近程度，基于所述相对接近程度对所述评价对象进行评价。
具体地，根据评价对象与正理想解的距离以及评价对象与负理想解的距离获取对应的评价对象与理想解的相对接近程度，通过评价对象与理想解的相对接近程度判断评价效果。若评价对象与理想解的相对接近程度越高，则评价对象的评价结果越好；反之，若评价对象与理想解的相对接近程度越低，则评价对象的评价结果越差。
上述基于主成分分析和Topsis的电子部组件评价方法中，获取评价对象的评价指标，对评价指标进行预处理获取预处理结果，基于Topsis法对预处理结果进行综合评价，获取评价对象与理想解的距离，最后基于评价对象与理想解的距离，获取评价对象与理想解的相对接近程度，基于相对接近程度对评价对象进行评价，通过与正理想解和负理想解的距离来实现评价过程，将被评价对象中的最优、劣值引入评价模型中，使评价结果能够充分反映被评价对象的整体特征，使评价结果与实际结果更为接近，提高了评价结果的真实性和准确性。
在一个实施例中，所述对所述评价指标进行预处理获取预处理结果包括：
对所述评价指标进行标准化处理，获取标准化处理后的数据；
基于所述标准化处理后的数据，进行多维性能参数降维处理，获取预处理结果。
具体地，不同指标表示样本的不同性质，不仅量纲不同，且数值之间也可能有很大差别，因此需对数据进行标准化处理，对评价指标进行标准化处理，获取标准化处理后的数据的方法可参考如下公式：
Figure BDA0003458803200000081
Figure BDA0003458803200000082
Figure BDA0003458803200000083
其中，
Figure BDA0003458803200000084
为标准化后的数据；
Figure BDA0003458803200000085
为算术平均值；Sk为样本标准偏差。经标准化处理后，各变量的均值为0，方差等于1。
基于标准化处理后的数据，通过主成分分析进行多维性能参数降维处理，获取预处理结果，基于主成分分析的数据降维处理包括计算相关矩阵、计算相关矩阵的特征值和特征向量、计算主成分贡献率并确定主成分个数，通过基于主成分分析的数据降维处理，将原始的s个评价指标降维到m个主成分。
本实施例中，对评价指标进行标准化处理，获取标准化处理后的数据，基于标准化处理后的数据，进行多维性能参数降维处理，获取预处理结果，通过标准化处理和主成分分析降维处理，实现对评价指标的预处理，并获取预处理结果，实现了对各性能参数之间相关性的去除，消除了各性能参数反映的信息的重叠性。
在一个实施例中，所述进行多维性能参数降维处理，获取预处理结果包括：
计算所述评价指标的相关矩阵，并获取所述相关矩阵的特征值和特征向量；
计算主成分贡献率，基于主成分的累计贡献率确定主成分个数；
基于主成分数据集替换所述评价指标，获取所述预处理结果。
具体地，计算评价指标的相关矩阵，并获取相关矩阵的特征值和特征向量，相关矩阵R为：
Figure BDA0003458803200000091
其中，
Figure BDA0003458803200000092
获取相关矩阵特征向量，求得相关矩阵R的p个非负特征值，依大小顺序排列为λ1≥λ2≥λ3≥…≥λp＞0，其相应的特征向量为：
Figure BDA0003458803200000093
计算主成分贡献率，基于主成分的累计贡献率确定主成分个数，根据特征向量，获取前m个主成分的线性组合为：
Y1＝u11X1+u12X2+…+u1pXp
Y2＝u21X1+u22X2+…+u2pXp
Ym＝um1X1+um2X2+…+umpXp
之后，计算主成分贡献率，确定主成分个数，ak为第k个主成分Yk的方差贡献率；
Figure BDA0003458803200000094
Figure BDA0003458803200000095
为主成分Y1,Y2,…,Ym的累积贡献率。主成分的选取根据主成分的贡献率来定，通常选取主成分个数使得累积贡献率达到85％以上，即当
Figure BDA0003458803200000101
通过主成分分析的降维实现过程，将原始的可能存在相关性的参数集转换成不存在相关关系的主成分集；本实施例中，将原始的s个电子部组件性能参数降维到m个主成分，获取预处理的结果。经过两部分的预处理过程得到原始数据集经过预处理的最终结果为：
Figure BDA0003458803200000102
本实施例中，计算评价指标的相关矩阵，并获取相关矩阵的特征值和特征向量，计算主成分贡献率，基于主成分的累计贡献率确定主成分个数，基于主成分数据集替换所述评价指标，获取预处理结果，实现了对于评价指标的预处理，并获取预处理结果，实现了对各性能参数之间相关性的去除，消除了各性能参数反映的信息的重叠性。
在一个实施例中，所述基于Topsis法对所述预处理结果进行综合评价，获取所述评价对象与理想解的距离包括：
基于所述预处理结果获取正理想解和负理想解；
通过迭代计算，获取各评价对象与所述正理想解的距离，并获取各评价对象与所述负理想解的距离。
具体地，基于预处理结果获取正理想解和负理想解，正理想解和负理想解可表示为：
Z+＝(Zmax1,Zmax2,...,Zmaxn),Z-＝(Zmin1,Zmin2,...,Zminn)
其中，Z+为正理想解；Z-为负理想解。
通过迭代计算，获取各评价对象与正理想解的距离，并获取各评价对象与负理想解的距离，第i个评价对象与正理想解的距离以及第i个评价对象与负理想解的距离可以表示为：
Figure BDA0003458803200000111
其中，Si +为i个评价对象与正理想解的距离；Si -为第i个评价对象与负理想解的距离。
本实施例中，基于预处理结果获取正理想解和负理想解，通过迭代计算，获取各评价对象与正理想解的距离，并获取各评价对象与负理想解的距离，并能够进一步获取评价对象与理想解的接近程度，根据评价对象与理想解的接近程度不仅能对评价对象进行合理排序，还能充分反映各评价方案之间的差距，定量显示不同评价对象的优劣程度，使电子部组件的综合性能评价结果更加真实、直观和可靠。
在一个实施例中，所述基于所述评价对象与理想解的距离，获取评价对象与理想解的相对接近程度包括：
获取各评价对象的正理想解和负理想解的和；
计算各评价对象的负理想解与所述和的商，作为各评价对象与理想解的相对接近程度。
具体地，获取各评价对象与理想解的相对接近程度的方法可参考如下公式：
Ci＝Si -/(Si ++Si -),i＝1,2,...,n
其中，Ci是第i各评价对象与理想解的相对接近程度，评价对象与理想解的相对接近程度能够表明评价单元与理想状态的接近程度，评价对象与理想解的相对接近程度越高则评价结果越好。
本实施例中，获取各评价对象的正理想解和负理想解的和，计算各评价对象的负理想解与所述和的商，作为各评价对象与理想解的相对接近程度，通过获取各评价对象与理想解的相对接近程度实现对评价对象的评价效果的判断，提高了评价结果的真实性和准确性。
在一个实施例中，所述基于所述相对接近程度对所述评价对象进行评价包括：
将各评价对象与理想解的相对接近程度按照从大到小的顺序进行排列；
获取相对接近程度排序最靠前的评价对象，作为最优的评价方案。
具体地，将各评价对象与理想解的相对接近程度按照从大到小的顺序进行排列，排序越靠前的评价对象，评价效果越好。获取相对接近程度排序最靠前的评价对象，作为最优的评价方案，实现最优评价。
本实施例中，通过将各评价对象与理想解的相对接近程度按照从大到小的顺序进行排列，获取相对接近程度排序最靠前的评价对象，作为最优的评价方案，不仅能够对评价对象进行合理排序，还能充分反映各评价方案之间的差距，定量显示不同评价对象的优劣程度，使电子部组件的综合性能评价结果更加真实、直观、可靠。
图3为一个实施例中对电子部组件评价步骤的总体流程示意图，如图3所示，本实施例中，首先采用主成分分析的方法对电子部组件各性能参数组成的参数集合进行降维处理，其目的在于去除各性能参数之间的相关性，以消除各性能参数反映的信息的重叠性。在此基础上，采用Topsis模型对电子部组件的环境效应数据进行综合评价。相比单纯的基于Topsis的综合评价方法，本申请加入了对电子部组件各性能参数之间的相关性的处理过程，消除了一些指标参数的对评价结果的重复影响，同时简化了基于Topsis的综合评价模型的计算过程。在环境适应性的相关研究中，也有人提出了基于主成分分析的电子设备的性能综合评价方法，相比这种方法，本申请将主成分分析法和基于Topsis的方法相结合使评价结果具有更强的可解释性。
此外，本申请中运用贴近度能够准确度量电子部组件总体性能的优劣，不仅能对评价对象进行合理排序，还能充分反映各评价方案之间的差距，定量显示不同评价对象的优劣程度，使电子部组件的综合性能评价结果更加真实、直观、可靠。
应该理解的是，虽然如上所述的各实施例所涉及的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，如上所述的各实施例所涉及的流程图中的至少一部分步骤可以包括多个步骤或者多个阶段，这些步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤中的步骤或者阶段的至少一部分轮流或者交替地执行。
基于同样的发明构思，本申请实施例还提供了一种用于实现上述所涉及的基于主成分分析和Topsis的电子部组件评价方法的基于主成分分析和Topsis的电子部组件评价装置。该装置所提供的解决问题的实现方案与上述方法中所记载的实现方案相似，故下面所提供的一个或多个基于主成分分析和Topsis的电子部组件评价装置实施例中的具体限定可以参见上文中对于基于主成分分析和Topsis的电子部组件评价方法的限定，在此不再赘述。
在一个实施例中，如图4所示，提供了一种基于主成分分析和Topsis的电子部组件评价装置，包括：预处理模块401、距离获取模块402和评价模块403，其中：
预处理模块401，用于获取评价对象的评价指标，对所述评价指标进行预处理获取预处理结果；所述预处理过程包括对原始数据的标准化处理和基于主成分分析的数据降维处理；
距离获取模块402，用于基于Topsis法对所述预处理结果进行综合评价，获取所述评价对象与理想解的距离；所述理想解包括正理想解和负理想解；
评价模块403，用于基于所述评价对象与理想解的距离，获取评价对象与理想解的相对接近程度，基于所述相对接近程度对所述评价对象进行评价。
在一个实施例中，所述预处理模块401具体用于：对所述评价指标进行标准化处理，获取标准化处理后的数据；基于所述标准化处理后的数据，进行多维性能参数降维处理，获取预处理结果。
在一个实施例中，所述预处理模块401还用于：计算所述评价指标的相关矩阵，并获取所述相关矩阵的特征值和特征向量；计算主成分贡献率，基于主成分的累计贡献率确定主成分个数；基于主成分数据集替换所述评价指标，获取所述预处理结果。
在一个实施例中，所述距离获取模块402具体用于：基于所述预处理结果获取正理想解和负理想解；通过迭代计算，获取各评价对象与所述正理想解的距离，并获取各评价对象与所述负理想解的距离。
在一个实施例中，所述评价模块403具体用于：获取各评价对象的正理想解和负理想解的和；计算各评价对象的负理想解与所述和的商，作为各评价对象与理想解的相对接近程度。
在一个实施例中，所述评价模块403还用于：将各评价对象与理想解的相对接近程度按照从大到小的顺序进行排列；获取相对接近程度排序最靠前的评价对象，作为最优的评价方案。
上述基于主成分分析和Topsis的电子部组件评价装置，获取评价对象的评价指标，对评价指标进行预处理获取预处理结果，基于Topsis法对预处理结果进行综合评价，获取评价对象与理想解的距离，最后基于评价对象与理想解的距离，获取评价对象与理想解的相对接近程度，基于相对接近程度对评价对象进行评价，通过与正理想解和负理想解的距离来实现评价过程，将被评价对象中的最优、劣值引入评价模型中，使评价结果能够充分反映被评价对象的整体特征，使评价结果与实际结果更为接近，提高了评价结果的真实性和准确性。
上述基于主成分分析和Topsis的电子部组件评价装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中，提供了一种计算机设备，该计算机设备可以是服务器，其内部结构图可以如图5所示。该计算机设备包括通过系统总线连接的处理器、存储器和网络接口。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质和内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种基于主成分分析和Topsis的电子部组件评价方法。
本领域技术人员可以理解，图5中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
在一个实施例中，提供了一种计算机设备，包括存储器和处理器，存储器中存储有计算机程序，该处理器执行计算机程序时实现以下步骤：
获取评价对象的评价指标，对所述评价指标进行预处理获取预处理结果；所述预处理过程包括对原始数据的标准化处理和基于主成分分析的数据降维处理；
基于Topsis法对所述预处理结果进行综合评价，获取所述评价对象与理想解的距离；所述理想解包括正理想解和负理想解；
基于所述评价对象与理想解的距离，获取评价对象与理想解的相对接近程度，基于所述相对接近程度对所述评价对象进行评价。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：对所述评价指标进行标准化处理，获取标准化处理后的数据；基于所述标准化处理后的数据，进行多维性能参数降维处理，获取预处理结果。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：计算所述评价指标的相关矩阵，并获取所述相关矩阵的特征值和特征向量；计算主成分贡献率，基于主成分的累计贡献率确定主成分个数；基于主成分数据集替换所述评价指标，获取所述预处理结果。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：基于所述预处理结果获取正理想解和负理想解；通过迭代计算，获取各评价对象与所述正理想解的距离，并获取各评价对象与所述负理想解的距离。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：获取各评价对象的正理想解和负理想解的和；计算各评价对象的负理想解与所述和的商，作为各评价对象与理想解的相对接近程度。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：将各评价对象与理想解的相对接近程度按照从大到小的顺序进行排列；获取相对接近程度排序最靠前的评价对象，作为最优的评价方案。
上述计算机设备，获取评价对象的评价指标，对评价指标进行预处理获取预处理结果，基于Topsis法对预处理结果进行综合评价，获取评价对象与理想解的距离，最后基于评价对象与理想解的距离，获取评价对象与理想解的相对接近程度，基于相对接近程度对评价对象进行评价，通过与正理想解和负理想解的距离来实现评价过程，将被评价对象中的最优、劣值引入评价模型中，使评价结果能够充分反映被评价对象的整体特征，使评价结果与实际结果更为接近，提高了评价结果的真实性和准确性。
在一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现以下步骤：
获取评价对象的评价指标，对所述评价指标进行预处理获取预处理结果；所述预处理过程包括对原始数据的标准化处理和基于主成分分析的数据降维处理；
基于Topsis法对所述预处理结果进行综合评价，获取所述评价对象与理想解的距离；所述理想解包括正理想解和负理想解；
基于所述评价对象与理想解的距离，获取评价对象与理想解的相对接近程度，基于所述相对接近程度对所述评价对象进行评价。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：对所述评价指标进行标准化处理，获取标准化处理后的数据；基于所述标准化处理后的数据，进行多维性能参数降维处理，获取预处理结果。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：计算所述评价指标的相关矩阵，并获取所述相关矩阵的特征值和特征向量；计算主成分贡献率，基于主成分的累计贡献率确定主成分个数；基于主成分数据集替换所述评价指标，获取所述预处理结果。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：基于所述预处理结果获取正理想解和负理想解；通过迭代计算，获取各评价对象与所述正理想解的距离，并获取各评价对象与所述负理想解的距离。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：获取各评价对象的正理想解和负理想解的和；计算各评价对象的负理想解与所述和的商，作为各评价对象与理想解的相对接近程度。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：将各评价对象与理想解的相对接近程度按照从大到小的顺序进行排列；获取相对接近程度排序最靠前的评价对象，作为最优的评价方案。
上述存储介质，获取评价对象的评价指标，对评价指标进行预处理获取预处理结果，基于Topsis法对预处理结果进行综合评价，获取评价对象与理想解的距离，最后基于评价对象与理想解的距离，获取评价对象与理想解的相对接近程度，基于相对接近程度对评价对象进行评价，通过与正理想解和负理想解的距离来实现评价过程，将被评价对象中的最优、劣值引入评价模型中，使评价结果能够充分反映被评价对象的整体特征，使评价结果与实际结果更为接近，提高了评价结果的真实性和准确性。
在一个实施例中，提供了一种计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现以下步骤：
获取评价对象的评价指标，对所述评价指标进行预处理获取预处理结果；所述预处理过程包括对原始数据的标准化处理和基于主成分分析的数据降维处理；
基于Topsis法对所述预处理结果进行综合评价，获取所述评价对象与理想解的距离；所述理想解包括正理想解和负理想解；
基于所述评价对象与理想解的距离，获取评价对象与理想解的相对接近程度，基于所述相对接近程度对所述评价对象进行评价。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：对所述评价指标进行标准化处理，获取标准化处理后的数据；基于所述标准化处理后的数据，进行多维性能参数降维处理，获取预处理结果。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：计算所述评价指标的相关矩阵，并获取所述相关矩阵的特征值和特征向量；计算主成分贡献率，基于主成分的累计贡献率确定主成分个数；基于主成分数据集替换所述评价指标，获取所述预处理结果。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：基于所述预处理结果获取正理想解和负理想解；通过迭代计算，获取各评价对象与所述正理想解的距离，并获取各评价对象与所述负理想解的距离。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：获取各评价对象的正理想解和负理想解的和；计算各评价对象的负理想解与所述和的商，作为各评价对象与理想解的相对接近程度。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：将各评价对象与理想解的相对接近程度按照从大到小的顺序进行排列；获取相对接近程度排序最靠前的评价对象，作为最优的评价方案。
上述计算机程序产品，获取评价对象的评价指标，对评价指标进行预处理获取预处理结果，基于Topsis法对预处理结果进行综合评价，获取评价对象与理想解的距离，最后基于评价对象与理想解的距离，获取评价对象与理想解的相对接近程度，基于相对接近程度对评价对象进行评价，通过与正理想解和负理想解的距离来实现评价过程，将被评价对象中的最优、劣值引入评价模型中，使评价结果能够充分反映被评价对象的整体特征，使评价结果与实际结果更为接近，提高了评价结果的真实性和准确性。
需要说明的是，本申请所涉及的用户信息(包括但不限于用户设备信息、用户个人信息等)和数据(包括但不限于用于分析的数据、存储的数据、展示的数据等)，均为经用户授权或者经过各方充分授权的信息和数据。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、数据库或其它介质的任何引用，均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器(Read-OnlyMemory，ROM)、磁带、软盘、闪存、光存储器、高密度嵌入式非易失性存储器、阻变存储器(ReRAM)、磁变存储器(Magnetoresistive Random Access Memory，MRAM)、铁电存储器(Ferroelectric Random Access Memory，FRAM)、相变存储器(Phase Change Memory，PCM)、石墨烯存储器等。易失性存储器可包括随机存取存储器(Random Access Memory，RAM)或外部高速缓冲存储器等。作为说明而非局限，RAM可以是多种形式，比如静态随机存取存储器(Static Random Access Memory，SRAM)或动态随机存取存储器(Dynamic RandomAccess Memory，DRAM)等。本申请所提供的各实施例中所涉及的数据库可包括关系型数据库和非关系型数据库中至少一种。非关系型数据库可包括基于区块链的分布式数据库等，不限于此。本申请所提供的各实施例中所涉及的处理器可为通用处理器、中央处理器、图形处理器、数字信号处理器、可编程逻辑器、基于量子计算的数据处理逻辑器等，不限于此。
以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对本申请专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请的保护范围应以所附权利要求为准。

Claims (10)

1.一种基于主成分分析和Topsis的电子部组件评价方法，其特征在于，所述方法包括：
获取评价对象的评价指标，对所述评价指标进行预处理获取预处理结果；所述预处理过程包括对原始数据的标准化处理和基于主成分分析的数据降维处理；
基于Topsis法对所述预处理结果进行综合评价，获取所述评价对象与理想解的距离；所述理想解包括正理想解和负理想解；
基于所述评价对象与理想解的距离，获取评价对象与理想解的相对接近程度，基于所述相对接近程度对所述评价对象进行评价。
2.根据权利要求1所述的方法，其特征在于，所述对所述评价指标进行预处理获取预处理结果包括：
对所述评价指标进行标准化处理，获取标准化处理后的数据；
基于所述标准化处理后的数据，进行多维性能参数降维处理，获取预处理结果。
3.根据权利要求2所述的方法，其特征在于，所述进行多维性能参数降维处理，获取预处理结果包括：
计算所述评价指标的相关矩阵，并获取所述相关矩阵的特征值和特征向量；
计算主成分贡献率，基于主成分的累计贡献率确定主成分个数；
基于主成分数据集替换所述评价指标，获取所述预处理结果。
4.根据权利要求1所述的方法，其特征在于，所述基于Topsis法对所述预处理结果进行综合评价，获取所述评价对象与理想解的距离包括：
基于所述预处理结果获取正理想解和负理想解；
通过迭代计算，获取各评价对象与所述正理想解的距离，并获取各评价对象与所述负理想解的距离。
5.根据权利要求1所述的方法，其特征在于，所述基于所述评价对象与理想解的距离，获取评价对象与理想解的相对接近程度包括：
获取各评价对象的正理想解和负理想解的和；
计算各评价对象的负理想解与所述和的商，作为各评价对象与理想解的相对接近程度。
6.根据权利要求1所述的方法，其特征在于，所述基于所述相对接近程度对所述评价对象进行评价包括：
将各评价对象与理想解的相对接近程度按照从大到小的顺序进行排列；
获取相对接近程度排序最靠前的评价对象，作为最优的评价方案。
7.一种基于主成分分析和Topsis的电子部组件评价装置，其特征在于，所述装置包括：
预处理模块，用于获取评价对象的评价指标，对所述评价指标进行预处理获取预处理结果；所述预处理过程包括对原始数据的标准化处理和基于主成分分析的数据降维处理；
距离获取模块，用于基于Topsis法对所述预处理结果进行综合评价，获取所述评价对象与理想解的距离；所述理想解包括正理想解和负理想解；
评价模块，用于基于所述评价对象与理想解的距离，获取评价对象与理想解的相对接近程度，基于所述相对接近程度对所述评价对象进行评价。
8.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至6中任一项所述的方法的步骤。
9.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至6中任一项所述的方法的步骤。
10.一种计算机程序产品，包括计算机程序，其特征在于，该计算机程序被处理器执行时实现权利要求1至6中任一项所述的方法的步骤。
CN202210013581.7A 2022-01-06 2022-01-06 基于主成分分析和Topsis的电子部组件评价方法和装置 Pending CN114529136A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210013581.7A CN114529136A (zh) 2022-01-06 2022-01-06 基于主成分分析和Topsis的电子部组件评价方法和装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210013581.7A CN114529136A (zh) 2022-01-06 2022-01-06 基于主成分分析和Topsis的电子部组件评价方法和装置

Publications (1)

Publication Number Publication Date
CN114529136A true CN114529136A (zh) 2022-05-24

Family

ID=81620591

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210013581.7A Pending CN114529136A (zh) 2022-01-06 2022-01-06 基于主成分分析和Topsis的电子部组件评价方法和装置

Country Status (1)

Country Link
CN (1) CN114529136A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115389882A (zh) * 2022-08-26 2022-11-25 中国南方电网有限责任公司超高压输电公司广州局 电晕放电状态评估方法、装置、计算机设备和存储介质

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115389882A (zh) * 2022-08-26 2022-11-25 中国南方电网有限责任公司超高压输电公司广州局 电晕放电状态评估方法、装置、计算机设备和存储介质
CN115389882B (zh) * 2022-08-26 2024-05-28 中国南方电网有限责任公司超高压输电公司广州局 电晕放电状态评估方法、装置、计算机设备和存储介质

Similar Documents

Publication Publication Date Title
US6735589B2 (en) Method of reducing dimensionality of a set of attributes used to characterize a sparse data set
CN111242319A (zh) 模型预测结果的解释方法和装置
CN116629435A (zh) 风险预测方法、装置、计算机设备和存储介质
CN114529136A (zh) 基于主成分分析和Topsis的电子部组件评价方法和装置
CN113946983A (zh) 产品可靠性薄弱环节评估方法、装置和计算机设备
CN112818068A (zh) 基于大数据和多维特征的数据溯源方法及系统
CN114881761A (zh) 相似样本的确定方法与授信额度的确定方法
CN115034400B (zh) 一种业务数据处理方法、装置、电子设备及存储介质
CN117076977A (zh) 对象分类方法、装置、计算机设备和存储介质
CN117459576A (zh) 基于边缘计算的数据推送方法、装置和计算机设备
CN118096342A (zh) 账户对象数据处理方法、装置、计算机设备、存储介质
CN115545214A (zh) 用户筛选方法、装置、计算机设备、存储介质和程序产品
CN118094273A (zh) 聚类方法、装置、计算机设备和存储介质
CN114780392A (zh) 断言信息生成方法、装置、计算机设备和存储介质
CN118228993A (zh) 需求优先级的确定方法、装置、计算机设备和存储介质
CN116910604A (zh) 用户分类方法、装置、计算机设备、存储介质和程序产品
CN118132091A (zh) 业务模型的处理方法、装置、计算机设备和存储介质
CN117312892A (zh) 用户聚类方法、装置、计算机设备和存储介质
CN115081541A (zh) 用户相似度的确定方法、装置、计算机设备和存储介质
CN114066618A (zh) 对象属性信息处理方法、装置、计算机设备、存储介质
CN117314556A (zh) 虚拟资源推荐方法、装置、计算机设备和存储介质
CN118245764A (zh) 模型检验方法、装置、计算机设备和存储介质
CN118094215A (zh) 样本数据的平衡、模型训练、分类方法、装置与设备
CN116468531A (zh) 账户信息处理方法、装置、计算机设备和存储介质
CN117076962A (zh) 应用于人工智能领域的数据分析方法、装置及设备

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