一种基于多决策指标的评价方法及系统

技术领域

本发明属于深度学习领域，更具体地，涉及一种基于多决策指标进行评价的方法。

背景技术

过去几年，大数据已广泛应用于各种科学和工程领域。通过多决策指标的收集，整理和分析可获得对评估对象的评价结果，使得个人或组织能够根据评价结果获取明智的决策并进行沟通。

现有对多决策指标进行评估的主要方法是通过模糊综合评价方法，该方法首先设计对象的评价指标集和排序集，根据各评价指标的权重因子和合隶属度向量建立模糊评价矩阵，确定因素权向量，从而建立综合评价模型。然后通过综合评价模型进行评分，来得到最终的评价结果。

然而，上述评价方法存在一些不可忽略的技术问题：多决策指标对于数据分布和内容没有严格限制，因此通常数据维度较高；数据的高维度使得可用数据变得稀疏。因此在数据处理的过程中，无法使用通用的数据处理方法；此外高纬度数据的复杂度随着维度的增加以指数倍增长，因此处理高纬度数据的计算成本也更高。此外，对于多指标决策问题，在统计数据无法表达犹豫的情况下，基于直觉模糊集的逼近理想解排序法(technique fororder preference by similarity to an ideal solution，简称TOPSIS)算法使得评估结果与专家评审非常不同，无法从专家知识中学习经验，使得最终排名造成偏差，导致模糊性和不确定性问题。

发明内容

针对现有技术的以上缺陷或改进需求，本发明设计了一种多决策指标的评价方法及系统，其目的在于解决现有多决策指标评价方法中由于决策指标维度较高引起的数据稀疏造成的无法使用通用的数据算法的问题，以及由于数据维度较高带来的计算成本指数级增加的问题，以及现有的基于直觉模糊集的TOPSIS方法造成的最终排名不准确的问题，以及因为最终排名不准确导致的模糊性和不确定性问题。

按照本发明的一个方面，提供了一种基于多决策指标的评价方法，包括以下步骤：

(1)根据使用场景获取相应的评价指标集合C＝{c

其中，m是指标的数量，d

(2)一级模糊综合评判：将指标集合C进行划分得到其划分C

其中，l是指标子集的数量，v

(3)二级综合模糊评判：对于步骤(2)获得的评估指标矩阵V的t个对象，采用深度学习分类算法分为r个类别；对于每一类别

所述深度学习分类算法以每一类别

优选地，所述基于多决策指标的评价方法，其包括步骤：

(4)三级综合模糊评判：将步骤(3)获得的以指标子集为单位对r个类别进行评估的评估指标矩阵

优选地，所述基于多决策指标的评价方法，其步骤(2)具体包括以下子步骤：

(2-1)划分：将指标集合C进行划分得到其划分C

(2-2)数据分块：按照指标集合C的划分C

(2-3)构造决策矩阵：确定子数据集D

(2-4)根据(2-3)获得子数据集D

(2-5)将步骤(2-4)获得的所有对象的t个对象的评估指标组合为指标子集C

优选地，所述基于多决策指标的评价方法，其步骤(2-1)card(C

优选地，所述基于多决策指标的评价方法，其步骤(2-2)具体为，使得：

其中

优选地，所述基于多决策指标的评价方法，其步骤(3)具体包括以下子步骤：

(3-1)分类：t个对象，采用深度学习分类算法分为r个类别，所述深度学习分类算法以每一类别

(3-2)数据分块：按照步骤(3-1)的对象分类，将步骤(2)获得的评估指标矩阵V划分为子评估指标矩阵V

(3-3)构造决策矩阵：将其对象去除异常点后评估分散性ρ

所述隶属度函数为：

第sub个指标的熵权重

其中，

其中μ

(3-4)评估指标矩阵C

优选地，所述基于多决策指标的评价方法，其步骤(3-1)对象i评价差异，可以是对象i评价值d

优选地，所述基于多决策指标的评价方法，其步骤(3-4)具体为：

(3-4-1)对于对象i，以其所在的加权决策矩阵

(3-4-2)对于指标子集C

并以隶属度和非隶属度的差值作为每个指标的得分

(3-4-3)将步骤(3-4-2)获得的所有r个类别的指标子集C

优选地，所述基于多决策指标的评价方法，其步骤(4)具体包括以下子步骤：

(4-1)构造决策矩阵：确定步骤(3)获得的以指标子集为单位对r个类别进行评估的评估指标矩阵

(4-3)对于(4-2)获得的加权决策矩阵

按照本发明的另一个方面，提供了一种基于多决策指标的评价系统，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现本发明提供基于多决策指标的评价方法的步骤。

总体而言，通过本发明所构思的以上技术对象与现有技术相比，能够取得下列有益效果：

(1)本发明通过多次综合评价大大降低了数据维度，增加了数据密度，使其可使用通用数据算法，因此数据来源可以没有严格限制，可以适用于不同场景，降低了计算成本。

(3)由于本发明采取了步骤(2)和(4)，我们将模糊熵应用于多指标决策问题，以表达数值评级的犹豫程度，以克服最终排名中的偏差导致的模糊性和不确定性问题，因为它可以使结果更具有数学理论基础，更符合客观实际情况。

(4)由于本发明采用了步骤(3)，使用深度学习对数据进行DL分类器，以使分类结果与专家意见尽可能一致，解决了TOPSIS算法中评估结果与专家评审非常不同，无法从专家知识中学习经验的问题。

为了增强DL分类，并基于CE的高维数据分析中应用的各种评估指标实现最佳评估精度和鲁棒性，我们提出了一种将DL分类器与模糊综合评价集成用于高维数据分类和分析的新框架，以克服高维数据过于复杂和不稳定而不可行的问题。然后，为了解决降维问题，我们提出了一种基于专家知识的低维层次结构的FCTE来表示高维数据，该结构涉及现实中的指标子集。此外，为了解决各种评估指标导致的优缺点程度难以评估的问题，我们引入了IFE-TOPSIS，以准确反映各种数据情况之间的优缺点和差距，对数据的分布和内容没有严格限制，且数据易于处理。此外，我们将IFE应用于MCDM问题，以表达数值评级的犹豫程度，以克服最终排名中的偏差导致的模糊性和不确定性问题，因为它可以使结果更具有数学理论基础，更符合客观实际情况。在绍兴文理学院学生成绩数据集上获得的各种实验结果表明，对于五组卷积层，我们的算法取得了比CNN更好的性能，并且比CNN更鲁棒。

附图说明

图1是模糊综合三级评价评价方法流程图；

图2是本发明实施例提供的测试数据一级模糊综合评价效果。

具体实施方式

为了使本发明的目的、技术对象及优点更加清楚明白，以下结合实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。此外，下面所描述的本发明各个实施方式中所涉及到的技术特征只要彼此之间未构成冲突就可以相互组合。

本发明提出了一种基于多决策指标的评价方法，该方法将深度学习(DeepLearning，简称DL)和模糊综合评价相结合，并提出基于专家知识的低维层结构的模糊综合三级评价(FussyComprehensiveThree-levelEvaluations，简称FCTE)代替原有多决策指标组成的高纬度数据。

本发明提供的基于多决策指标的评价方法，包括以下步骤：

(1)根据使用场景获取相应的评价指标集合C＝{c

其中，m是指标的数量，d

(2)一级模糊综合评判：将指标集合C进行划分得到其划分C

其中，l是指标子集的数量，v

一级模糊综合评判，将原本以每个指标为单位对每个对象进行评价的数据集D抽象为：以每个指标子集为单位评价每个对象，从而实现评价指标降维，具体包括以下子步骤：

(2-1)划分：将指标集合C进行划分得到其划分C

(2-2)数据分块：按照指标集合C的划分C

其中

(2-3)构造决策矩阵：确定子数据集D

(2-4)根据(2-3)获得子数据集D

(2-5)将步骤(2-4)获得的所有对象的t个对象的评估指标组合为指标子集C

(3)二级综合模糊评判：对于步骤(2)获得的评估指标矩阵V的t个对象，采用深度学习分类算法分为r个类别；对于每一类别

所述深度学习分类算法以每一类别

二级模糊综合评判，将原本以每个指标子集为单位评价每个对象的评估指标矩阵V抽象为：以指标集合综合评价每个对象，从而实现评价指标降维，或以每个指标子集为单位评价每个类别，从而实现评价对象降维，具体包括以下子步骤：

(3-1)分类：t个对象，采用深度学习分类算法分为r个类别，所述深度学习分类算法以每一类别

(3-2)数据分块：按照步骤(3-1)的对象分类，将步骤(2)获得的评估指标矩阵V划分为子评估指标矩阵V

(3-3)构造决策矩阵：将其对象去除异常点后评估分散性ρ

所述隶属度函数为：

第sub个指标的熵权重

其中，

其中μ

(3-4)评估指标矩阵C

(3-4-1)对于对象i，以其所在的加权决策矩阵

(3-4-2)对于指标子集C

并以隶属度和非隶属度的差值作为每个指标的得分

(3-4-3)将步骤(3-4-2)获得的所有r个类别的指标子集C

(4)三级综合模糊评判：将步骤(3)获得的以指标子集为单位对r个类别进行评估的评估指标矩阵

三级模糊评价，将原本以每个指标子集为单位评价每个类别，抽象为以指标集合综合评价每个类别，再次实现评价指标降维。具体包括以下子步骤：

(4-1)构造决策矩阵：确定步骤(3)获得的以指标子集为单位对r个类别进行评估的评估指标矩阵

(4-3)对于(4-2)获得的加权决策矩阵

以下为实施例：

如图1所示，本发明提供的基于多决策指标的评价方法，包括以下步骤：

(1)根据使用场景获取相应的评价指标集合C＝{c

其中，m是指标的数量，d

由于本评价方法对数据的分布和数据的内容没有严格限制，因此适用于不同场景。

对于所有不同的指标本实施例通过统计调查获取其评价值，设L为所有评价值的集合，定义为

(2)一级模糊综合评判：将指标集合C进行划分得到其划分C

其中，l是指标子集的数量，v

一级模糊综合评判，将原本以每个指标为单位对每个对象进行评价的数据集D抽象为：以每个指标子集为单位评价每个对象，从而实现评价指标降维，具体包括以下子步骤：

(2-1)划分：将指标集合C进行划分得到其划分C

(2-2)数据分块：按照指标集合C的划分C

其中

(2-3)构造决策矩阵：确定子数据集D

通过最大指标前向方法实现指标前向处理，如下所示：

其中s

然后，通过本步骤获得标准化决策矩阵

其中

本步骤使用AHP方法计算

其中b

然后计算比较元素从

归一化向量ω′得的标准化决策矩阵a

(2-4)根据(2-3)获得子数据集D

本步骤计算获得R中每个对象的最大值

然后使用欧式距离来计算各种指标下每个对象其与最佳情况的距离

然后通过如下公式计算对象i的评估指标v

(2-5)将步骤(2-4)获得的所有对象的t个对象的评估指标组合为指标子集C

本步骤使用TOPSIS算法来构造决策矩阵(实际上是D的子集)，以获得正向矩阵，然后进行标准化以消除每个指标维度的影响。此外，本步骤通过AHP算法获得各因素之间的权重向量，并构造新的加权决策矩阵。此外，本步骤在所有数据中找到最佳和最差对象，计算每个评估对象相对于最佳和最坏对象的欧式距离，最终获得每个评估对象与最佳对象之间的相对接近度，作为评估的依据。

(3)二级综合模糊评判：对于步骤(2)获得的评估指标矩阵V的t个对象，采用深度学习分类算法分为r个类别；对于每一类别

所述深度学习分类算法以每一类别

二级模糊综合评判，将原本以每个指标子集为单位评价每个对象的评估指标矩阵V抽象为：以指标集合综合评价每个对象，从而实现评价指标降维，或以每个指标子集为单位评价每个类别，从而实现评价对象降维，具体包括以下子步骤：

(3-1)分类：t个对象，采用深度学习分类算法分为r个类别，所述深度学习分类算法以每一类别

我们需要根据DL算法的分类结果

本实施例采用的评价差异为直觉模糊集的精确函数值。

由于第二级模糊综合评价与深度学习(DL)分类器相结合，为了更好地分析不同DL分类器的评估性能并阐明我们的目标，我们提出了我们的优化问题，即如何通过不同DL分类器实现

从属于μ

(3-2)数据分块：按照步骤(3-1)的对象分类，将步骤(2)获得的评估指标矩阵V划分为子评估指标矩阵V

对于任何C

(3-3)构造决策矩阵：将其对象去除异常点后评估分散性ρ

所述隶属度函数为：

第sub个指标的熵权重

其中，

其中μ

为了反映

其中，

(3-4)评估指标矩阵C

(3-4-1)对于对象i，以其所在的加权决策矩阵

直觉模糊集为

直觉模糊集为

(3-4-2)对于指标子集C

并以隶属度和非隶属度的差值作为每个指标的得分

对于获得的评价值做精化精确函数计算，得到

直觉模糊集为

(3-4-3)将步骤(3-4-2)获得的所有r个类别的指标子集C

本步骤的工作重点是保留专家知识的评估意见，并将DL分类器和高维数据的二级FCE集成，以使分类结果尽可能与专家意见一致。虽然我们可以基于TOPSIS算法找到最佳和最差样本，但该算法与评分专家对指标的主观偏好以及他们对专业知识的理解有很大关系，这将导致过于主观的决策结果。为了克服上述算法的主观缺陷，使决策结果更加客观和实用，我们采用直觉模糊值的熵(IFE)来确定指标的权重，这克服了上述方法的主观缺陷并使决策结果更客观和实用。同时，直觉模糊集的一些犹豫度倾向于支持，一些倾向于反对，一些倾向弃权，这使得决策结果更加准确，决策模型更加实用。此外，我们的工作重点是保留专家知识的评估意见，并将深度学习分类器和高维数据的二级模糊评判集成，以使分类结果尽可能与专家意见一致。

(4)三级综合模糊评判：将步骤(3)获得的以指标子集为单位对r个类别进行评估的评估指标矩阵

三级模糊评价，将原本以每个指标子集为单位评价每个类别，抽象为以指标集合综合评价每个类别，再次实现评价指标降维。

(4-1)构造决策矩阵：确定步骤(3)获得的以指标子集为单位对r个类别进行评估的评估指标矩阵

(4-3)对于(4-2)获得的加权决策矩阵

基于AHP方法，当判断矩阵的偏差一致性过大时，该近似算法的可靠性受到质疑。从这个角度来看，检验判断矩阵的一致性是非常必要的。假设

证明如下：计算一致性指数(CI)。因为通过

因此，λ

找到相应的平均随机一致性指数(RI)。如果r>2，则RI>0。

计算一致性比率(CR)。如果r>2，则CR如下：

算例演示：

在这里，我们提出了我们提出的框架的CE。实验在绍兴文理学院的学生数据集上进行，包括两个学期700多名学生的分数。

框架参数和数据集：

首先，使用MATLAB R2021a和PyCharm 2021.3与PyTorch 1.10.0进行实验。计算机的操作系统为Windows 10 64位，CPU为AMD Ryzen 9 5900HX，Radeon Graphics 3.30GHz和8核，RAM为64GB 1600MHz。

其次，该框架参数如表1所示。为了实现我们框架的高性能，我们将卷积层的核大小设置为3，将MaxPooling的核大小γ设为1,2,3,11。然后，在训练阶段，我们将epoch、batch大小和学习率设为4000、64和1.0×10

表1框架参数

第三，第一学期学生成绩数据集的数据D：学生总数为746人，每个子图对应于指标c

一级模糊综合评价：

我们对两个学期的学生成绩数据集进行一级FCE分析。在这一阶段，DL分类器没有参与，低维层次结构中指标子集C

因此，图2显示了第一学期测试数据集中每个子集C

二级模糊综合评价：

接下来，我们分析第二级评估的实验数据。由于该等级评估方法使用了我们的1D_VGGNet，我们分别采用了

三级模糊综合评价：

我们分析了第三级评估的实验数据。由于该级别评估也适用于我们的1D_VGGNet的分类结果，我们还比较和分析了四种不同分类器的三级评估数据。

首先，基于两个学期数据集的相同权重的框架的第三级评估分析，相同权重意味着两层结构指标的权重{C

本领域的技术人员容易理解，以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。