云模型综合评价

云模型综合评价（精选12篇）

云模型综合评价 篇1

0引言

弹药库房是一个由多种因素构成的多层次、多变量的爆炸危险场所,当弹药发生火灾爆炸事故后,周边设施在热辐射、冲击波、碎片冲击等物理效应作用下极易引发二次事故,形成多米诺效应[1]。2014年湖南省衡阳市的某军械仓库发生一起爆炸事故, 造成正在进行弹药入库堆垛作业的17名官兵遇难, 给国家财产造成了损失。舰艇作为海上移动的作战单元,贮存了各种类型的弹药,如一般的水面舰艇贮存了诸如反舰导弹、防空导弹、炮弹、深水炸弹、鱼雷、水雷、干扰弹、轻武器弹药等[2]。而随着我军航母的服役,其上储存的弹药还包含不同种类的航空雷弹[3]。这些弹药储存的安全直接关系到舰艇的作战能力以及舰员生命安全。进行舰艇弹药库房综合安全评价,具有极为重要的意义。

目前,已有相关学者开展了一些研究,如孟令勇[4]、姜欣明[5]、项浩[2]等,运用模糊数学法、多级物元分析法、证据理论分析等理论进行弹药库房安全评价。这些方法只能给出一个综合评估结果,不能彻底的解决评价过程中定量与定性概念的转换过程的不确定性,亦即转换过程的中模糊性与随机性。

由李德毅院士提出的云模型,是在概率论和模糊数学理论的基础上,利用相关的算法,研究了定量描述与定性概念转换过程的模糊性和随机性的关联,并建立转换模型[6]。能够利用云滴的形式将弹药库房各因素的评价等级直观的显示出来,是研究弹药库房安全评价的一个有效的方法。

1云模型理论介绍

1.1云模型的定义

假设一个用精确数值表示的定量论域U,其上的定性概念C,若定量数值x ∈ U是定性概念C的一次随机实现,x对C的确定度 μ( x) ∈[0,1]是一个随机数,具有稳定倾向。即 μ: U →[0,1],x ∈ U ,x → μ( x) 。则在论域U上x的分布成为云,记为C( x) 。称每一个x为一个云滴。

云模型由云滴组成,云滴是对定性概念的一种定量描述,它的产生过程表示定性概念和定量值的不确定性映射,每个云滴的确定度反映了模糊性,且云滴本身也是一个随机值,云滴越多,越能反映该定性概念的整体特征。云模型用期望Ex、熵En、超熵He这三个数字特征来确定,记作C( Ex,En,He) 。

期望Ex是云滴在论域上分布的期望,是概念量化的最典型样本点,或者说是在数域空间中最能够表示该定性概念的点。熵En衡量的是定性概念随机性,反映了定性概念在论域上能被接受的数值范围,由概念的模糊性与随机性共同确定。He是熵的不确定度量,是熵的随机性与模糊性的反映[6]。

1.2云模型的计算

云模型通过正向云发生器或逆向云发生器生成具体算法。图1所示的正向云发生器FCG,由云模型的数字特征C( Ex,En,He) 产生定量数值。

输入数字特征C( Ex,En,He) 以及云滴个数N, 输出N个云滴 ( xi,yi) ,其中i = 1,2,…,N。

正向云发生器算法步骤:

1) 以En为期望,He2为方差,生成正态随机数Ri;

2) 以Ex为期望,Ri2为方差,生成正态随机数xi;

3) 以Ri、xi为变量,带入计算公式,μi= exp( ( xi- Ex)2/2( En'i)2) ,产生云滴 ( xi,yi) ;

4) 重复上述1 ~ 3步骤,直至产生N个云滴为止,通过云滴绘制云模型。

2舰艇弹药库房云模型评价

2.1建立评价指标体系

根据文献[2]的评价方法,建立舰艇弹药库房评价指标,记一级评价因素属性集: U = { u1,u2, …,u5} = { 人为因素、技术因素、物质因素、管理因素、作业及设备因素} ,每个一级评价因素下又有若干个二级评价因素,具体如图2所示。

2.2评价指标权重

对舰艇弹药库房安全评价指标体系各因素采用层次分析法进行权重计算[2],每一级因素对上一级因素权重的具体结果见表1。

2.3评价云模型建立

基于艇弹药库房评价指标,部分影响因素可以给出定性评价结果,并用模糊的定性词语集进行表示。另一部分的影响因素可以给出对应的数值评价结果,如温湿度控制U23,可以参照弹药库房温湿度控制的“三七线”( 即温度不能超过30℃ ,湿度不超过70% )[7],得到具体量测的温度、湿度数值,但是此类影响因素涉及到舰艇弹药管理的具体方法、参数,不便予以公开,此外部分影响因素难以进行具体的指标量化。因此,仅以身体状况U11,业务素质U12按定量评价进行处理,其余各影响因素用专家打分进行评定。

各二级因素的评语集具体分类如下: 指标U13, U23,U24,U32,U41,U42,U43,U53的评语集为{ 很好,好, 一般,差,很差} ,指标U31,U33的评语集为{ 很低, 低,一般,高,很高} ,指标U21,U22,U51,U52的评语集为{ 很符合,符合,一般,不太符合,不符合} 。根据以上评语描述,统一建立相应的评语打分标准,其相应的区间如下[8]: E1[7,10]: “很好”、“很低”、“很符合”; E2[5. 5,7) : “好”、“低”、“符合”; E3[4. 5, 5. 5) : “一般 ”; E4[3,4. 5) : “差”、“高”、“不太符合”; E5[0,3) : “很差”、“很高”、“不符合”。将评分语言转换为标准评语云模型的数字特征为: E1( 10, 1,0. 05 ) ,E2( 6. 25,0. 25,0. 02 ) ,E3( 5,0. 167, 0. 02) ,E4( 3. 75,0. 25,0. 02) ,E5( 0,1,0. 05) 。

为对不同的安全评价标语进行评判,需建立统一的安全评价标准,参照上述的标准,将其划为“很好”、“好”“一般”、“差”、“很差”五个评语等级,并确定同样的数字特征。

对专家的打分结果用一维逆向正太云发生器进行处理,实现打分结果的定量数值到定性概念的变换。假设p位专家进行评语打分,xk为第k( 1,2, ……,p) 个专家对某个因素的打分,利用以下计算公式[9],可以求出某个因素的数字特征:

根据式( 1) 得出,p位专家对第i个因素的综合评语Ci( Exi,Eni,Hei) ,通过式( 2) 将各二级因素评语云( 子云) 综合为五个一级因素评语综合云( 父云) ,最后将五个一级因素的评语综合云生成弹药库房安全评价的综合云[10]。

在生成综合云滴图后,与标准评语云进行相似度确定。按照相似度计算公式( 3) 计算出最终的综合评语云与标准评语云的相似度 ξj,根据最大隶属度原则,综合评语结果就是相似度最大的 ξj对应的标准评语云所处评语区间。

U11的描述以舰艇弹药部门管理人员的体能进行衡定,用军人体能测试中的5km长跑成绩为衡量值。U12以舰艇弹药部门管理人员的业务考试成绩为衡量值,两项因素对应的标准评语见表2。

根据上述标准评语集确定云模型的数字特征, 设因素i对应评价语言j的在区间上的约束范围 ( yjimax,yjimin) ,则在这一评语上的相关数字特征用式 ( 4) 确定,参数Heji= k ( k为常数,根据变量的稳定性进行调整) 。评语集中的“很好”、“很差”两个评语云为半降、半升云[8]。

由式( 4) 得到U11和U12两个因素的标准评语所对应的云模型矩阵A:

3舰艇弹药库房实例分析

3.1舰艇弹药库房评价语

对某舰艇弹药库房进行安全评价,弹药管理部门的人员5km体能考核的平均成绩为21. 75min,业务考试平均成绩为89分。得出U11、U12的评价云分别为C'11= ( 21. 75,0. 333,0. 1) ,C'12= ( 89. 00, 1. 667,0. 2) 。这两个因素的评价与安全评价体系中的其他因素指标有不同的单位,需要进行归一化处理,使各因素在统一标准下进行综合比较[11]。

其余各因素由五位专家打分,打分结果见表3。

3.2云模型数字特征计算

U11、U12两个因素,经归一化处理后,确定的评价云模型数字特征C11= ( 4. 9,0. 333,0. 2 ) ,C12= ( 6. 1,0. 333,0. 2) 。其余各因素根据专家打分结果,使用逆向云发生器计算公式( 1) ,求得各评价因素的云模型数字特征。

根据公式( 2) 的计算方法,求得一级因素的综合评语 云数字特 征为: C1= ( 6. 0644,0. 3896, 0. 1798 ) ,C2= ( 6. 0831,0. 9820,0. 2117 ) ,C3= ( 6. 8470,1. 1104,0. 7458) ,C4= ( 6. 8100,0. 6489, 0. 4396) ,C5= ( 6. 6157,0. 6317,0. 2523 ) 。以C4进行分析,子云C41、C42、C43与父云C4的位置关系如图3所示。从图3可以看出管理因素处于“好”的位置,且更偏向于“很好”,同时,“操作安全”、“规章制度”的云滴均在“管理因素”云滴的左边位置,说明这两项是导致整体安全偏差的原因。规则制度引起的不安全因素虽然是间接不安全因素,却直接影响到人、设备和环境的不安全行为和状态[12]。因此,需要对这两个因素进行重点整改的。分析云滴图可以看出,“安全组织”的云滴较为分散,它反映了专家的心理素质,亦即专家对“安全组织”因素的打分认可一致度较差,打分分差较大。同理也可以得出其它二级因素与对应的一级因素的位置关系以及五个一级因素评价云与综合评价云的位置关系图。

3.3舰艇弹药库房综合安全评价结果

将五个一级因素评价进行计算后,得到舰艇弹药库房综合评价云C0( 5. 608,0. 8544,0. 4450) ,生成综合评价云与标准评语云的比较图( 图4) 。

从云滴图可以看出综合评价云滴大部分位于 “好”的区间内,亦即更偏向于评语“好”的期望值, 其余则主要落入“一般”区间内。根据公式( 3) 计算相似度: ξ1= 0 ,ξ2= 0. 037 ,ξ3= 0. 0013,ξ4= 0, ξ5= 0 ,按照最大隶属度原则[13],ξ2相似度最大,即综合评语云与“好”这一评价语言最吻合。因此,将云滴图与相似度计算结果相结合,可以给出的恰当结论是该舰艇弹药库房安全综合评价结果为“好”, 且更偏向“一般”,即舰艇弹药库房综合安全为“好偏一般”。

4结论

1) 确定舰艇弹药库房影响因素的评语标准,并将其转换成标准评语云模型数字特征,用云滴图分析二级因素对一级因素的影响,更好的表达了评价过程中模糊性与随机性,评价过程更科学。

2) 基于云模型的评价方法既可以对各型舰艇的弹药库进行综合安全性分析,找出影响舰艇弹药库房安全的薄弱环节,又能进行舰艇弹药库房相互间的综合安全评价结果的直观对比,对弹药库房的下一步工作具有指导意义。

3) 基于云模型的某舰艇弹药库房综合安全评价的结果为“好偏一般”,云滴图直观的评价结果与相似度计算结果一致。本文结果与文献[2]的结果进行比较更为直观、精确,表明该方法的有效性。

云模型综合评价 篇2

农业资源可持续利用综合评价模型

农业资源可持续利用是农业经济可持续发展的基础,以“农业可持续发展理论”和“生态-经济-社会复合系统理论”为指导,建立农业资源可持续利用的.指标体系及其系统评价的模糊数学模型和数据包络分析模型,力图为农业资源可持续利用极其评价提供可借鉴的理论方法与应用模型,促进农业资源的可持续利用与农业经济持续发展.

作 者：程叶青 作者单位：中国科学院东北地理与农业生态研究所,吉林,长春,130012刊 名：辽宁农业科学 ISTIC英文刊名：LIAONING AGRICULTURAL SCIENCES年，卷(期)：“”(2)分类号：F323.21关键词：农业资源可持续利用 指标体系 模糊数学模型 数据包络分析

云模型综合评价 篇3

关键词：“云”概念；中学生；综合素质；评价体系

中图分类号：G633 文献标识码：A 文章编号：1992-7711（2016）12-007-2

一、当前教育背景分析

近年来，据有关数据表明，大学生中的违规、违纪现象时有发生，并呈现上升趋势，甚至违法犯罪的极端事例也不是个例。出现这种现象的原因是多方面的，作为生源输出地的中学甚至小学不仅要把好生源的质量关，更重要的是如何综合评价和正确引导每个学生，让他们有“天生我才必有用”的意识，学会反思自我、激励自我和欣赏自我。因此建立和完善中学生综合素质评价体系更突显了它的重要性和紧迫性。中学阶段是学生个性形成的关键阶段，学生个性差异越来越明显，这主要体现在他们的学习成绩、行为习惯以及他们的人生观和价值观等方面，如何引导和教育学生充分认识自我并形成一整套行之有效的评价体系，当前有很多学校都在进行这方面的探索，本文将就基于云策略优化和完善这种评价体系的做法进行了深入的探究。

二、中学生综合素质评价体系构建的意义

中学生综合素质评价体系是质性评价与量化界定相结合的便于操作和行之有效的主要方法。它通过记录学生的行为表现、学习过程与测试成绩，采集与之相关的各方面反馈信息，录入评价模型并生成量化等次，从而客观有效地反映学生学习、生活、思想方面的进步过程、努力程度、反省能力及其最终发展水平，使学生在成功的体验中树立信心，在不断的回顾和反思中求得发展，提高了教育管理的实效性。

著名教育家叶圣陶认为：“中小学的根本任务就是培养学生的习惯”，现代教育心理学也认为：“只有发挥学生主体的积极性、能动性，把外界的要求化为自身的需要，外在的教育才能真正起作用”。培养学生良好的习惯和调动他们积极性的重要前提是教育的精确导向性，特别是对学生评价的全面性。中学阶段的《基础教育课程改革纲要（试行）》指出：“建立促进学生素质全面发展的评价体系。评价不仅要关注学生的学业成绩，而且要发现和发展学生多方面的潜能，了解学生发展中的要求，帮助学生认识自我，建立自信。发挥评价的教育功能，促进学生在原有水平上得到发展”。基于以上分析，中学生综合评价体系的构建要兼顾以下两个方面。

1.充分考虑到个体的差异性

由于每个学生所处的家庭背景、文化环境和生活习惯的不同，他们的认知水平和价值观、人生观也会有较大差异；另外，当前部分学校可能存在一定的教学偏差，过度追求“升学率”将导致学生缺乏生活的热情和成长动力。这就要求教育工作者要改变传统的以成绩为导向的评价模式，在评价学生前要建立多元化的指标，指标要充分体现出学生的“天才”，给每个学生提供创造、表现和欣赏成功的机会。因此，中学生综合素质评价体系中既要关注学习成绩评价，也要体现学生的成长过程评价和实践能力评价。

2.拓展中学生健康成长的评价环境

中学生综合评价是一种创新的评价方法，打破了传统评价方式的场所，它不再局限于学校内部的评价，而且延伸到家庭、社区和社会中。通过学生的自评、互评、家长评和社区评等方式相结合的方法，对学生的学习、态度、行为和情感等进行全方位的综合评价，从而可以客观、全面地反映学生的成长过程，是一项系统的教育工程。借助现代网络技术，有助于学校、家长和学生三方“联动”模式的顺利进行，建立这种基于因人而异的个性化的评价体系的联动模式，有利于各方的实时互动，便于信息共享，能够及时纠正学生的不良言行和思想态度，每个学生也可重新认识自我，反思自我和欣赏自我，从而营造出健康的成长环境。

三、中学生综合素质评价体系的构建策略

中学生综合素质评价体系的构建主要由“模型构建”、“信息采集”和“自动生成量化评价”三方面的内容组成：

1.模型构建（如图1）

为了更好地体现量化指标的均衡性和导向性，在综合评价体系中共设计有四个模块、多项指标来全面促进中学生的均衡发展和个性成长。

（1）模块一指标的打分主要由以下具体内容作为参考：①道德品质：如尊敬师长、团结同学、遵纪守法、尊重公德、正直守信、关心集体、热爱劳动等方面。②公民素质：如社会责任感、自信、主动完成各种任务、自我接纳、自省和自律的意识与能力、常反省自己、环保意识等方面。③交流合作：如团队精神、沟通与分享等方面。④审美与表现：如审美情趣、艺术活动与表现等方面。

（2）模块二指标的打分主要涉及每学期的期初考试、两次质量检测、期中和期末考试等成绩。多次打分的目的是尽量减少学生的某次考试的偶然失误，也给他们多次提高成绩的机会，同时也激发了他们的学习积极性。

（3）模块三指标的打分主要由以下具体内容作为参考：①各种创作：如撰写科技论文、文学艺术创作、积极参与学校组织的创新活动等。②制作发明：如科技发明、科技制作、工艺制作、电脑制作等。③实践活动：如积极参与学校组织的社会实践活动、实践活动设计、积极参与航模海模车模制作与比赛活动等。

（4）模块四指标的打分主要是各种主观性的打分：①自我评价：每位学生通过分析自己的评价体系和生活实践后，自我总结，再进行打分。②教师评价：班主任和任课教师通过对学生的了解和感受进行印象打分。③学生互评：通过同班同学的打分可以从不同的视角审视自己，也利于增强同学之间的团结互助。④其它备注：主要由家长和社区等相关人员针对学生的学习和生活等方面的表现进行打分。

除了以上主要内容外，只要有利于学生健康成长的方面都可以作为鼓励，将其量化打分到相应的备注栏里。

2.信息采集

中学生综合素质评价体系的数据主要来自于各方信息的采集和反馈，涉及到学生、教师和家长等，作息采集的频率可分为日采集和周采集两种主要方式。

（1）信息日采集表格

本模块指标重在考核学生的基本素质，而良好的素质是由良好习惯塑造的，所以要每日进行打分，培养每个学生养成良好习惯的意识。小组每日对图2相应的栏目进行打分，记录者以本组同学为主，也可以参考教师或同班其他同学的观察记录，班主任每周进行考评。

（2）信息周采集表格

图3中相应栏目内数据的采集主要以班主任、任课教师和学生家长为主，每周对数据进行必要的采集与更新，通过纸质和电子稿相结合的方式及时将有关信息推送到学生及家长面前，通过网络云盘（如360云盘）的功能和家长进行“联动”，从而进一步了解每个同学的各自个性特点并采取相应的引导和教育，为真正精准地进行因材施教提供数据保障。

3.生成评价

通过以上的作息采集与数据录入后则会自动生成相应的评价等级，本评价体系共设有两种评价结果。

（1）单项等级评价

每周量化考核总表显示了班级每个同学的各项评价等级（共设有四个等级：分数大于等于90分的为A级，分数介于75至89分的为B级，分数介于60至74分的为C级，分数低于60分为D级）。

（2）个人成长折线评价

图4中的图表为自动生成，它可以单独跟踪每个同学的成长足迹。其中折线图中的大圆表示班级平均成长折线，小黑色菱形表示个体的各项均分成长折线，横坐标表示每周进行一次统计。如果想要增加其他单项数据折线，只要右击大圆单击数据源增加系列即可。

因为考核指标充分体现学生的个体差异、及时反映进步与不足，每周的评价学生又能全程参与，这样能使学生在评价中自我反思、自我教育，增强他们的主动性。

四、基于“云”策略的中学生综合素质评价体系

互联网的发展和“云”概念的应用推广，为教师、家长和学生提供了一条及时沟通交流的便捷之路，也为中学生综合评价体系的实时共享提供了可能，这一新型的交流方式也体现了它独特的成效。

1.增加了中学生综合素质评价的新途径

基于网络的中学生综合素质评价使教师、学生和家长能够及时有效地参与到评价中来，改变了过去只注重结果，不注重过程的单方面甚至只注重考试成绩的片面评价。基于网络的中学生综合素质评价全面及时地记录了学生的个性发展、成长足迹，为学生和家长提供了可以随时浏览了解学生成长足迹并可参与到评价中的平台，也架起了一座能有效进行家校沟通的“桥梁”。

2.激发了学生的积极主动性

中学生综合素质评价通过多维度、全方位的评价方式，让学生能够发现自己的优点，发现自己每天都有一点点进步或者每周都有一点点进步，进一步激发了学生的学习兴趣和成长的喜悦，建立自信，促进学生的个性发展。

3.重新树立了教师、学生与家长的评价观念

通过基于网络的中学生综合素质评价共享，教师、学生和家长可以把过去单纯关注学生的考试成绩转向学生的成长足迹和个性发展上来。一方面有利于家长能够关注学生各方面的发展，而不是只强调学生的学习成绩，从而能够更好地关注学生各方面的顺利成长和个性发展。另一方面也有助于学生认识自我，找到自己的闪光点，从而树立积极进取之心。

（本文系江苏省重点资助课题《基于云策略的高中地理CAIS开发与应用研究》（Ba/2015/02/066）阶段性成果）

[参考文献]

[1]潘城.基于网络的区域性学生电子档案袋评价的实践探索[J].教育信息技术，2013（1、2）.

[2]胡月.谈“中学生成长档案”的构建[J].神州，2012（09）.

[3]乐爱国.教师口才[M].北京：海潮出版社，2003（01）.

云模型综合评价 篇4

随着云计算的迅速发展和崛起, 给企业特别是中小型企业带来了可观的经济回报。不过, 云计算模式也存在着许多需要解决的问题, 比如安全性, 资源利用率, 性能瓶颈等问题。其中, 如何提高系统的资源利用率和性能已成为此领域研究的重要问题, 负载均衡策略就是提高系统利用率和系统性能重要方法之一。

那么, 如何设计高效的负载均衡策略, 首要的是科学合理地评价云平台中服务节点的负载状态, 这样才能有助于中央服务器全面正确地把握系统的负载状况, 更高效的实施负载均衡策略。本文在研究大量文献的基础上, 引入AHP层次分析法, 提出一个基于AHP—3Q的多层次的评价模型。

2 评价模型

设计一个评价模型, 首先需要考虑的是选取哪些因素作为评价模型的输入集。有些论文考虑了CPU, 内存, I/o等因素, 有些论文加入平均响应时间, 成本等因素。这么多因素都可以影响对一个节点的评价, 不过存在不少的问题。主要有以下的一些问题,

(1) 仅仅从节点的某个或者某些方面的指标进行评价;

(2) 不能有层次地去分析这些因素, 或者层次划分不清晰, 各个因素的权值即重要程度设置过于主观。

本文并没有将考虑的各个要素作为研究的重点, 因为在不同应用的云系统中, 其主要因素有时候相差较大, 因此本论文更多考虑各个要素的划分。

Qo S (quality of service, 服务质量) 是一组非功能属性的集合, 其中, 每个Qo S属性表示了某种服务某一方面的质量信息, 具有一个属性值。例如吞吐率、响应时间, 抖动以及无故障时间等等。服务质量更多地技术角度出发, 客观地考量某种服务的质量。

Qo E (用户体验质量, 下文简称体验质量) 是刚刚兴起的一个概念, 已经成为学术界研究的重要课题之一, 而且也成为工业界关键的服务评价指标之一。目前对Qo E的定义和因素尚没有统一的定义。国际电信联盟对Qo E的理解和定义:用户对应用或者服务整体的主观可接受程度。

本文将引入Qo S, Qo E两个概念, 并且自定义Qo P ( 节点质量) 。具体描述如下:

(1) Qo P (节点质量) :本文定义节点质量, 来描述服务节点自身具有的性能。本文的Qop评价指标包括CPU利用率, 内存利用率, 可用空间, I/o平均吞吐量等等。

(2) Qo S (服务质量) :服务质量是目前评价模型方法使用较多的度量标准。Qos评价指标更多的从技术角度得到的客观的数据, 本文选取平均响应时间, 平均无故障时间, 链接成功率等三个指标作为研究的指标。

(3) Qo E (体验质量) :从用户角度出发, 体现了用户主观地对该服务的理解和认识。文献[6, 7] 详细说明的Qo E的影响因素, 由此, 本文定义与本文研究的相关的Qo E指标, 选取性价比, 新旧程度, 地理位置等三个因素作为Qo E指标。

本文将根据以上提出的三个质量定义, 引入AHP来进行科学评价, 从而构建层次分析法 (Analytic Hierarchy Process, AHP) 3Q结构模型。如图1 所示。

3 层次分析方法

按照以下的步骤进行分析和计算:

3.1 判断矩阵

根据服务节点状态层次构造图, 我们就可以基于AHP的评价基准和原理进行计算和评价, 对于节点质量 (Qo P) , 其包含四个子要素, 分别是存储空间, I/o平均吞吐量, CPU利用率, 内存利用率。本文根据Saaty提出的基于9 级比例标尺成对比较法, 对节点质量的四个子要素进行两两比较。为了避免个人判断的主观性和偏向性, 因此采用多位专家和行业内人士评判的方法, 进行综合平均得到节点质量的评价矩阵PD,

同理, 可以得到服务质量的判断矩阵SD, 体验质量的评价矩阵ED。

以及综合状态评价矩阵AD, 通过两两比较得:

3.2 权值计算

通过以上的分析, 我们依次得到三个评价矩阵, 对评价矩阵的处理, 就可以得到子元素对其父元素重要程度。由于评价矩阵是一个正互反矩阵, 根据Perron – Frobenius定理可知, 该矩阵只有一个特征根为非零, 所以这一个非零特征根为最大特征根 λmax, 然后求其对应的特征向量 ω, 最后经过归一法处理就可以得到权重向量, 这一种求权重的方法称为特征根法。通过这一种方法得到的特征向量是精确的特征向量。不过, 在实际工程应用中, 并不需要精确的特征向量计算, 并且这样的计算需要消耗大量的内存和时间, 结合系统本身的特性和模糊评价的特点, 可以采用近似的算法去求解权向量。常用的近似求解算法有算术平均法, 几何平均法, 最小二乘法, 幂法等等。本文采用算术平均法来求判断矩阵A的特征向量和最大特征值。具体的方法如下:

3.3 一致性检验

在层次分析法应用中, 由于客观事物的复杂性与人们认识的主观性, 片面性和多样性, 要求判断矩阵满足完全一致性常常是很难实现的。因此, 判断矩阵的偏离一致性应该有一定的范围, 只有在范围之内, 都是可以接受的。因此, 在层次分析法引入了一些概念的定义, 来表明判断矩阵的一致性程度和满意程度。

定义n阶的判断矩阵A的一致性指标为CI= (λmax-n) / (n-1) , 其中 λmax为矩阵A的最大特征值。

Satty引入CR来表示判断矩阵一致性的指标CI与随机一致性RI的比值, 即CR=CI/RI。 若一致性比率CR (A) <0.1, 则称判断矩阵A为满意一致性矩阵。 若CR (A) =0, 称A为完全一致性矩阵。若CR (A) >0.1, A不具有一致性, 需要进行一致性修正。根据以上的分析, 计算PD的特征向量, 最大特征值和CR。PD的特征向量WPD= (0.569, 0.237, 0.128, 0.066) T, 最大特征根λmax=4.011, CIPD=0.037, 查表可得RI=0.89, 那么CRPD=0.037/0.89=0.042<0.1, 因此PD矩阵满足一致性。 同理, 可以得到其他三个矩阵的特征向量, 最大特征值以及CR均满足一致性。

4 综合评价

通过以上的讨论和计算, 依次得到了PD, SD, ED三个判断矩阵, 也就是各个因素的权重。在多属性评价和决策有很多方法来计算, 最简单和最常用的是加权和法以及加权积法, 本文根据负载计算的特点和使用平台, 决定采用加权和法来计算节点评价值。具体步骤如下。

(1) 对决策矩阵进行标准化处理, 得到标准化矩阵B。决策矩阵是存储节点状态信息的矩阵, 标准化方法在不同的方面处理方法不一样, 本文不作详述, 具体方法可参考文献[9]。

(2) 分别计算节点评价三个方面的评价值, 用P, S, E来表示节点质量, 服务质量和体验质量的评价值。计算公式如下:

其中pi表示节点质量第i个因素, wpi是其对应的权重。si表示服务质量第i个因素, Ssi是其对应的权重。Ei表示体验质量第i个因素, WEi是其对应的权重。

(3) 用Q来表示该节点的综合评价。即:

Wp为节点质量对应的权重, Ws为服务质量对应的权重, WE为体验质量对应的权重。根据得到的每个节点的Q值, 就可以进行排序选择分配等。

5 总结和展望

本文在现有的文献研究基础上, 考虑到影响节点的基础因素和主客观因素, 将状态分成节点质量 (Qo P) , 服务质量 (Qo S) , 体验质量 (Qo E) 三方面考虑, 提出一个基于三个质量的综合模型, 并且利用AHP分析法对节点状态进行综合计算和评价, 并且给出了具体的计算方法。下一步将研究因素之间的相互影响, 从而获得更合理的权向量。

参考文献

[1]Ran S.A model for Web services discovery with QoS.ACM Sigecom Exchanges, 2003, 4 (1) :110.doi:10.1145/844357.844360.

[2]林闯, 胡杰, 孔祥震等.用户体验质量 (QoE) 的模型与评价方法综述[J].计算机学报, 2012, 35 (1) :1-15.DOI:10.3724/SP.J.1016.2012.00001.

[3]ITU-T."Definitionof QualityofExPer ienee (QoE) ", International Telecommu nication Union, Liaison Statement, Ref.TD, Jan2007.

[4]Ries M, Froehlich P, Schatz R.QoE evaluation of high-defi-nition IPTV services.Proceedings of the Radio elektronika.2011:1-5.

[5]Barakovic"S, Barakovic"J, Bajric"H.QoE dimensions and QoE measurement of NGN services.Proceedings of the Telecommunications Forum (TELFOR2010) .2010:15-18.

[6]Saaty, T.L.A scaling method for Priorities in hierarehieal structures[J].Journal of mathematieal Psychology, 1977, 15 (3) :234-281.

[7]Noutsos, D., Varga, R.S..On the PerronFrobenius theory for complex matrices[J].Linear Algebra and its Applications, 2012, 437 (4) :1071-1088.

[8]张炳江.层次分析法及其应用案例[M].北京:电子工业出版社, 2014.

[9]付晓东, 邹平.Qos感知的Web服务选择[M].北京:科学出版社, 2014.

云模型综合评价 篇5

本文在对比分析了各种企业财务危机预警方法的`基础上,提出基于模糊综合评价方法的企业财务风险预警模型,并作了实证分析.

作 者：高艳青 栾甫贵  作者单位：北京工业大学经济与管理学院,北京,100022 刊 名：经济问题探索  PKU CSSCI英文刊名：INQUIRY INTO ECONOMIC PROBLEMS 年，卷(期)： “”(1) 分类号： 关键词：模糊综合评价法   层次分析法   财务危机预警  

云模型综合评价 篇6

一、问题的提出

政府绩效审计是由独立的政府审计机构和审计人员，依照我国相关法律、法规的规定，采用先进技术方法，取得证据，依照选定的标准，对政府及其各隶属部门及其他使用公共资金的单位的经济活动的经济性、效率性、效果性进行审核检查，并做出独立、客观、系统的评价，用以向有关利害关系人提供经济责任履行情况的信息，促进改善经营管理，提高经济效益，加强宏观调控的一种独立性的经济监督活动。

从政府绩效审计的涵义可以看出，政府绩效审计的核心问题是绩效评价，它是政府绩效审计结果的体现。但如何进行政府绩效测评，长期以来一直是困扰审计实务界的一个难题，也成为审计理论界探讨的一个热点问题。到目前为止，还没有一个为业界认可的很好的政府绩效审计评价方法，这使得政府绩效审计工作在我国的开展陷入了困境。为了使政府绩效审计评价结果更加客观、准确和全面，笔者尝试引入数学中的计量方法——模糊综合评价法，建立政府绩效审计模糊综合评价模型。该模型通过对审计对象的综合评价，得出科学、直观的评价结果，从而为政府绩效评价提供有效的方法。

二、政府绩效的模糊综合评价

1965年，美国控制论专家查德（L. A. Zadel）首先提出用模糊集合表示模糊事物（现象）的数学模型，建立了以模糊现象为研究对象的模糊数学，在模糊与精确之间架起了一座桥梁。所谓模糊综合评价法，是指针对评价对象的复杂性和评价指标的模糊性，采用模糊数学的理论与技术，对受多种因素影响的评价对象进行模糊综合评价，从而得到评价结果的方法。由于它能汇总各类评价人员的评价意见，较全面地反映出评价对象的优劣程度，从而使评价结果具有较强的客观性，因而在质量评价中得到了广泛的应用。笔者这里尝试把该方法引用到政府绩效测评中，以期使政府绩效审计的评价结果更加客观、准确和全面。

（一）政府绩效审计评价指标体系的建立

政府绩效审计评价指标体系是对绩效评价内容的一般性概括，是进行政府绩效模糊综合评价的必然前提。同时，建立一套科学合理的审计评价指标体系，对于客观、公正地评价政府绩效，防范审计风险，实现审计目标也具有重要的理论意义和现实意义。政府绩效评价由于受众多因素的影响而成为一个动态的过程，建立统一规范的审计评价指标体系是比较困难的。在实际建立评价指标体系的过程中，笔者在考虑评价指标设计原则的基础上，充分征询了专家们的意见，经过反复调研、论证，同时考虑政府绩效评价的特殊性，将定量评价与定性评价相结合，一方面将可以量化的影响绩效的因素通过设置指标的方式进行量化，以便于分析比较；另一方面对无法量化的影响绩效的因素，则借鉴美国的做法，建立“优先实践”原则作为衡量标准。建立政府绩效评价指标体系结构模型，如图1所示。

云模型综合评价 篇7

关键词：私有云,适宜性,关键资源点,综合评分法

当前, 云计算已经成为信息领域最炙手可热的IT技术。越来越多的企业也开始接受云计算的理念, 着手调研云计算技术在企业实施的可行性。国外的微软、IBM、亚马逊、Google以及国内的中国移动、中国电信都在大力开展企业云的建设。自2009年以来, 国内云计算服务市场正处于飞速增长的时期。

一、公有云、私有云与混合云

根据企业对云计算项目的部署方式, 可以分为公有云、私有云和混合云三类。公有云是指为外部客户提供服务的云项目。公有云的最大优点是其所应用的程序、服务及相关数据都存放在公有云的提供处, 使用者无需做相应的投资和建设。但是这也带来了一定的安全风险, 同时, 由于公有云的可用性不受使用者控制, 也带来了一定的不确定性。

私有云则是企业自身单独建设的云项目, 所有的服务不对外提供, 只为企业内部人员或分支机构使用, 因而可以提供对数据、安全性和服务质量的最有效控制。私有云的部署比较适合于有众多分支机构的大型企业或者政府部门。由于私有云部署在企业内部, 因此其数据安全性, 系统可用性都可以由企业自身加以控制。

混合云, 则介于公有云和私有云之间, 指提供自身和客户共同使用的云, 所提供的服务既可以供别人使用, 也可以用于自身的需要。一般而言, 混合云的部署方式对云服务的提供者要求很高。

二、私有云的优势

随着越来越多的企业对信息技术服务的依赖, 大型公司的数据逐步集中化, 这使得时下私有云已经成为众多企业部署IT系统的主要模式, 和公有云相比, 私有云具体有着以下几点优势:

2.1 对数据、安全性提供有效控制

私有云是为一个客户单独使用而构建的, 因此可提供对数据、安全性和服务质量的最有效控制。尤其是大型企业而言, 业务数据是其中的核心。这也决定了大型企业不会将关键性的应用放置在公有云上运行。而私有云则既可部署在企业数据中心的防火墙内, 也可部署在一个安全的主机托管场所, 从而在安全性上能得到相当大的保障。

2.2 提供更高的服务质量

因为私有云一般在防火墙内, 所以当企业内部员工访问服务应用时, 访问速度会非常稳定, 不会受到外部网络不稳定的影响, 但公有云则会出现这种情况, 如一旦亚马逊提供的服务断网以后, 将会有几万名客户直接受到影响。

2.3 有助于发挥自身特色

因为公有云针对的客户群非常广泛, 具有一定的通用性, 从而对于具体某个企业而言, 其特有的业务往往得不到好的支持, 而构建自身私用云则能够利用企业现有的硬件资源和软件资源, 充分发挥出企业自身的特色。

2.4 不影响现有IT管理流程

对企业而言, 流程是管理的核心, IT管理流程也同样如此, 当前几乎所有企业或多或少依赖于企业的IT技术服务, 因此IT管理流程就显得非常重要了。在这点上, 如果使用公有云的话, 由于这些信息服务都位于企业外部的云提供商处, 会对IT部门的流程有很大的冲击。而使用私有云则不存在这个问题, 因为私有云是由企业自身构建的, 一般都会位于防火墙内, 安全性很高, 所以对IT管理部门流程不会有太多影响。

2.5 部署方式灵活

私有云部署方式灵活可以从两个方面来体现:一方面是公司拥有基础设施, 可以控制在此基础设施上部署应用程序的方式;另一方面, 私有云既可由公司自己的IT机构来进行构建, 也可由云提供商为企业进行构建。

从以上五点可以看出, 私有云在安全性、服务质量, 管理流程和应用灵活性方面较之公有云都具有很大优势, 这也是为什么现在越来越多的企业愿意投身到私有云的建设的缘故。然而, 在企业建设私有云的现实过程中, 却常常发现并不是那么一帆风顺的, 很多企业都或多或少碰到了一些棘手的问题。

三、建设私有云所面临的问题

不同企业在建设私有云的过程中遇到的问题都不太一样, 但在查阅资料进行分析之后, 综合起来主要分为以下几点:

3.1 投资成本过高

对于一个企业来说, 重新开始投资一个新的项目所耗费的成本是很高的, 既有添置新设备的费用, 也有因为转移新设备而放弃原有固定资产所浪费的部分资源所带来的隐性成本。

3.2 规模效应难以实现

私有云项目只为企业自身服务构建, 因而规模一般较小, 通常并不具备大型公有云项目所带来的规模化经济效益, 维护和运营成本上也难以通过规模化来实现降低。

3.3 需要高度的变化适应能力

技术变化的复杂性和变化速度对于任何IT组织来说都很难把握, 尤其是对规模较小的组织而言, 企业现有的IT团队也可能并不熟悉私有云项目, 因此需要不断进行学习。另外企业还可能需要创建一些新的运营流程, 并对某些旧有的流程进行修改, 来适应新技术带来的冲击。

由上可见, 企业建设私有云项目固然能给企业带来很大的改进, 如提高企业的工作效率, 改善流程, 巩固安全性, 提供更好的服务水平, 但在建设私有云项目中同样面临着众多问题。那么究竟什么样的企业比较适宜进行私有云项目的建设?在通过研究后发现, 企业自身的资源情况对于是否适合建设私有云项目起着重要的影响作用。

四、企业建设私有云项目的适宜性分析

4.1 企业关键资源点分析

在评估建设私有云项目前, 对企业现有资源进行分析, 是私有云建设项目可行性研究的重要依据。一般而言, 企业的关键资源包括:企业IT资源的规模, 资源的利用情况, 对数据安全的敏感度, 企业的业务峰值, 企业的人力资源等。

4.1.1 企业IT资源

企业已有IT资源的规模大小对私有云建设成本有着非常重要的影响作用。资源规模越大, 经营这些资源的人均费用就越低。由于规模经济效应, 这会使得企业在长期运行中, 所耗费的成本会越来越低, 决定一个企业IT资源的大小需要考虑几点因素:企业数据中心拥有的服务器的数量;企业的客户群规模;企业IT方面的年收入。

4.1.2 IT资源的利用情况

资源规模的大小并不能完全判定一家公司是否适用于云计算。私有云建设效益还取决于现有IT资源的使用量, 若闲置过多的服务器资源将会造成大量的浪费, IT资源的使用情况一般考虑一下几点因素:平均使用率;高峰利用率;处理和交易数据的大小。

4.1.3 数据安全的敏感度

数据的安全性关系到一个企业的生存发展, 对于大型企业更是如此, 使用云服务能否保护企业的数据安全现在越来越受到公司的关注。

4.1.4 企业的核心业务

每个企业的核心业务都有所不同, 有些对于IT资源要求较高, 比如互联网, 电子商务行业, 而有些传统企业则要求较低, 但核心业务一般都要求IT资源的可用性和安全性能得到充分保障。

4.1.5 企业的人力资源

企业人力资状况直接关系到在建设云计算项目中或者迁移到云服务过程中的成功率, 毕竟云计算是一种最新的技术, 能否适应这种变化最主要的还是看企业人员的适应变化能力。

综合上述可以看出, 对于建设私有云项目来说, 企业的IT资源是最核心的要素, 其它的要素都与之有着密切的关系, 分析这些要素之间的关系, 可以帮助我们运用综合评分法的方法来对企业资源进行很好的评估。

4.2 综合评分法

主要的关键性资源点被确定后, 根据他们各自在企业中的重要性赋予一定的权重。同时对每个关键性资源点按照建设云项目的适宜性从高到低赋予一定的分数。 (由于每个企业的具体情况不一, 权重和分数的赋予也因企业的不同而不同) 以上述所列资源点为例, 可得综合评分表 (见表1)

注:以上评分说明和权重比为通过对一些IT公司的资源数据进行综合调查分析提出, 仅供参考。

计算方式说明:

企业IT资源规模得分

企业IT资源利用率得分

企业对数据的敏感度得分

企业核心业务对IT资源要求度得分

企业转向云计算的人力资源情况得分

总分=TR+TL+IS+WR+HR

(Wq表示拥有服务器数量该项资源的权重, Sq表示该项的评分值, 其它同。)

通过对一些IT企业的分数进行测算后分析得出, 0-450分, 一般不宜进行企业私有云项目建设, 450-650, 可以考虑进行私有云项目的建设, 超过650分则可看做是比较适宜进行企业私有云项目建设的。

以某企业为例, 通过测评, 得出各项分数分别为SQ=3分, SC=4分, Sr=3分, Sp=1分, Sa=3分, Sqs=3分, Sis=3分, Swr=3分, Shr=2分。

那么可以根据上述计算公式可以求出总分为736分, 很适宜进行企业本身的私有云项目建设。

结束语

本文通过提出分析企业关键资源点的方法, 试图从经济角度对投资建设私有云进行评估, 以初步判断企业是否适宜进行私有云项目的建设, 给那些希望进行私有云建设项目的企业提供一个初步的参考。

参考文献

[1]郭平.虚拟化是私有云建设的关键[N].计算机世界, 2010 (06) .

云模型综合评价 篇8

随着我国城市化的推进,地铁工程的建设也迅速发展。地铁作为重要的公共交通工具,其运营安全管理的重要性不可忽视。目前,对地铁运营安全研究主要集中在火灾灾害[1]、运营事故致因分析[2]、系统风险管理[3]等方面,对运营期地铁隧道的安全评价研究较少。然而,由于地铁隧道自身结构复杂,运营中受到如工程地质、水文条件等影响,随着地铁运营的负荷量增大,隧道结构健康问题日益突出。实行地铁运营隧道的结构健康安全评价,对提高其安全管理水平愈显重要。

运营隧道的结构健康状态是多因素作用的结果,因此安全评价方法也是综合评价方法。目前用于隧道结构健康安全评价方法有层次分析法[4]、模糊综合评价法[5]、BP神经网络法[6]等。然而,在运营隧道结构健康安全评价过程中,常会出现各类监测指标值具有随机性和模糊性的特征等问题,而上述几种方法在评价过程中对指标的主观性和随机性考虑不全,不能很好解决这种不确定性问题。

云模型是我国李德毅院士提出的,它主要反映自然语言概念中的不确定性,即模糊性和随机性,并通过特定的语言把两者结合起来,构成定性和定量的映射,实现定性表达和定量计算的互相转化,能够有效表达知识概念的模糊不确定性和随机不确定性[7]。本文借鉴云模型相关理论,将云模型运用到地铁运营隧道结构健康安全评价中,利用云变换算法对风险因子连续型数据属性离散化,并利用云模型数字特征处理运营隧道结构健康安全状态等级划分和表征风险评价因子的不确定性,计算各因子相应于不同安全评价等级的隶属度,根据隶属度判别营隧道结构健康安全状态,并以武汉市轨道交通隧道区间进行实例分析,得到相应运营隧道结构健康安全等级,并进行敏感性分析,从而为运营隧道结构健康安全评价及运营安全管理提供合理的决策依据和参考。

1 云模型理论

1.1 云模型其及数字特征

设U是一个用精确数值表示的定量论域,XU,T是U上的定性概念,若对于元素x(x∈X),都存在一个具有稳定倾向的随机数,CT(x)∈[0,1],则称为x对T的隶属度,即:

概念T从论域U到区间[0,1]的映射在数域空间的分布,称为云,每一个x称为一个云滴。

云模型所表达概念的整体特性可以用云的数字特征反映,即用期望Ex、熵En、超熵He三个数字特征表示,记作(Ex,En,He)。期望Ex表示云滴在论域空间分布的期望,是最能够代表定性概念的点,代表了论域空间的中心值;熵En代表定性概念的可度量粒度,反映了定性概念模糊性和随机性的综合度量;He是熵的不确定性度量,即熵的熵,反映了论域空间中云滴的凝聚程度,He越大,云滴的厚度就越大。对于具有双边界限的定量指标变量,如x∈(a,b)云模型的数字特征计算公式如下所示:

式中:i为常数,可以根据指标变量本身的模糊阈度调整。利用公式(4)计算运营隧道风险评价因子监测第i实测值隶属于第j安全等级的隶属度μij。x为风险评价因子的实测值,Ex、En、s分别为对应等级云模型的三个参数。

1.2 云变换算法

云变换是从一个论域的实际数据分布当中恢复其概念描述的过程。一般随机变量的概率分布都可以近似地用正态分布加以描述,根据云模型理论,采用式(6)所示的规则,将任意不规则的数据分布进行数据变换,使该数据分布函数近似为若干个大小不等云模型的叠加,从而从数据分布中提取东西概念的描述,实现对连续数据的软化分。

式中:g(x)是数据的分布函数;fj(x)是云的概率密度期望函数,;cj为系数;m为叠加云的个数;ε为允许的最小误差。

通过反复试验,找到恰当的Ex和En。

蒋嵘等[8]依据如下两个启发性原理:①论域中的元素对定性概念的隶属程度是一统计属性,具有随机性;②高频率元素对定性概念的贡献大于低频率元素对定性概念的贡献,给出了基于峰值法云变换的概念划分算法。

该算法在寻找合适的Enj时,是通过计算云模型的期望曲线,在Exj-5Enj到Exj+5Enj的范围内与数据分布函数进行拟合,当拟合后的误差小于允许的误差范围ε后,即认为找到了合适的Enj。李兴生等[9]提出了改进的峰值云变换算法:在迭代的第j步中,确定了Exj后,根据实际情况在Exj周围选取若干个代表点,利用这些代表点通过逆向云算法获得Enj的估计值,再通过拟合后的误差对Enj进行调整,直到拟合后的误差小于允许的误差范围ε,这样就得到了改进峰值云变换算法。

2 研究方法

Step 1:运用层次分析法原理,将运营隧道结构健康安全评价体系,自下而上地分解为若干个层次,从而合理有效地确定各层次的评价项目,识别影响运营隧道结构健康安全的风险评价因子。

Step 2:通过整合地铁数据资源和养护规范、标准及文献,通过云模型处理连续数据属性离散化,确定安全风险评价因子的分级。

Step 3:利用主观与客观赋权相结合的方法,确定健康安全评价体系中各指标的融合权重,使健康安全评价结果更为可靠、客观与真实。

Step 4:根据确定的影响运营隧道结构健康安全风险评价因子,利用云模型的数字特征,构建等级云模型。

Step 5:利用风险评价因子实测值,计算各个因子相应于不同安全评价等级的隶属度,从而根据隶属度判别运营隧道结构健康安全状态。

Step 6:通过敏感性分析,得到各评价指标对运营隧道结构健康安全状况的影响程度,从而识别出地铁运营维护和管理过程中的关键控制因素。

3 模型构建

3.1 运营隧道结构健康安全风险评价因子的确定

根据大量工程实践经验及相关文献[10-11],运用层次分析法原理,首先将运营隧道常见总病害成因归纳为外荷载作用、隧道结构应力变形、材质劣化以及渗漏水四个二级子系统病害,然后对每个二级子系统构建了各自的三级病害指标,从工程应用的角度出发,从中选取了19个可定量化的指标因素作为评价指标,运营隧道结构健康安全评价体系如图1所示。

3.2 运营隧道结构健康安全状态等级划分的确定

由于现阶段缺乏统一的运营隧道结构健康安全等级划分标准,本研究从相关工程规范和标准入手,参考如GB 50157-2013《地铁设计规范》及《城市轨道交通地下工程建设风险管理规范》,并结合现行应用较多的分级办法,将运营隧道健康安全状况划分为5个等级Ⅰ~Ⅴ,运营隧道结构病害的严重等级依次递增,如表1所示。

3.3 基于云模型的连续型影响因素属性离散化

云模型是基于定性概念的,因此在进行安全评价前,先将连续型数据影响因素属性离散化,转换成定性概念。数据挖掘中常用的连续型数据离散化方法有等距离区间法和等频率区间法,但以上方法是依凭主观划分的且未考虑划分边界模糊性,基于云模型的概念划分[12]可实现数据软划分,考虑了定性概念边界数据模糊性。

限于篇幅,本文仅介绍风险因子环向接缝宽度(S11)离散化处理过程。首先计算每个属性值的频数,得到其分布函数g(x),如图2所示。

寻找g(x)的波峰所在位置,并将该属性值定义为云的期望Exj,在各个期望值附近选取若干样本点,利用逆向云发生器计算云模型的熵,得到云模型的分布函数gj(x)。初步选定m为6,经过改进峰值变换后,得到6个云模型,用来模拟原始数据的分布函数。尽管通过换能很好地合原始数据分布,但由于没有考虑云模型之的关系,得到的云模型较为糙,有些云模型间的距离过近,所表达的定性概念非常近似。因此合并初始云中云间距最小的云可解决该问题。合并后的云模型划分最终结果如图3所示。

同理,对其他连续型属性数据进行离散化,将属性值划分为五个安全状态区间,对应A、B、C、D、E五个等级,如表2所示。

3.4 运营隧道健康安全评价指标融合权重的确定

本文为更好地确定指标因素的权重,既兼顾决策者的丰富经验,又充分获取客观数据的有效信息,采用主观与客观赋权法相结合的融合权重法,计算融合权重wi(i=1,2,…,n),可用简单线性加权组合方法进行确定,具体如式(8)所示:

式中:u为主观偏好系数,(1-u)为客观偏好系数,w1i当为主观权重,w2i为客观权重。

当u<0.5时,即客观权重在融合权重中所占的比例相对较大,那么主观权重就会较小,反之客观权重所占比例较小而主观权重则会较大,由此认为以上两种赋权方法具有同等的重要性。健康安全评价指标因素的融合权重如式(9)所示:

本文采用层次分析法确定风险评价因子主观权重,采用熵权法计算其客观权重,最后根据公式(8)和(9)最终得到三级评价指标因素的融合权重。

3.5 运营隧道结构健康风险云模型的构建

本文选取19项评价指标,根据式(2)~式(4),运营隧道结构健康安全评价因子云模型数字特征如表3所示。

4 实证分析

4.1 工程概况

本文选取武汉轨道交通几条线的四个隧道区间,M1和M2为2号线上的隧道区间,M3和M4为4号线上的隧道区间,通过对四个运营隧道现场进行勘查,采集现场监测数据,得出各区间的监测数据,如表4所示。

4.2 结果分析

依据云模型的算法,由公式(5)计算风险评价因子数据隶属于安全评价等级的确定度。例如,区间1累积沉降值通过正向云发生器的计算可得到隶属于各个运营隧道结构健康安全评价等级的确定uA=0.309 8,uB=0.000 2,uC=0.000 1,uD=uE=0,根据最大确定度原则,那么该风险评价因子隶属于A级风险。

而根据运营隧道风险评价因子分级表,区间1累积沉降值为45.32 mm属于结构无破损Ⅰ级风险区域,与计算的隶属度所属安全评价等级保持一致,这反映了云模型能够在定性语言和定量数值间能进行相互不确定性转换的适用性。同理可确定其他风险评价因子与安全评价等级相应的确定度。

根据风险评价因子的融合权重,结合式(10)计算确定每个安全等级的综合确定度,根据最大确定度原则,判断样本的结构健康安全等级。

式中:ui为第i个评价因子隶属度,wi为该因子相应权重,样本运营隧道结构健康安全等级结果见表5。

由计算结果可知,M1隧道结构健康安全评价等级为Ⅱ级,结构存在轻微破损,应保持正常检测并准备采取措施;M2和M3隧道结构健康安全评价等级为Ⅰ级,健康状态良好,结构无破损,保持正常检测即可;M4隧道结构健康安全评价等级为Ⅲ级,结构已经存在破损,相关部门应及时采取措施修复。

4.3 风险评价指标的敏感性分析

对各评价指标进行敏感性分析,得各风险因素对运营隧道结构健康安全的影响程度,从而识别地铁运营维护和管理过程中的关键控制因素,进而有针对性地加强对这些因素的监测和控制,保障隧道安全运营和合理使用寿命。各因素敏感性对比分析如图4所示。

图4表明环向错台、裂缝宽度、径向错台、单点浸湿面积、渗漏水量及累计沉降值是运营隧道结构健康安全的敏感性因素。根据相关规范和文献,宽度大于0.05mm的裂缝则称为可见裂缝。裂缝测量较为简便,因而成为目前分析衬砌裂缝最常用指标之一,这与本文敏感性分析得出的环向错台、纵缝错齿以及裂缝宽度是运营隧道结构健康安全关键因素相符合。综上所述,为有效保障运营隧道结构健康安全,必须加强对敏感性因素的监测、分析及控制,在运营中保证这些因素状态始终处于可预计和控制的范围内,必要时采取有效的措施,降低运营隧道的风险。

5 结论

1)本文根据运营隧道工程所处环境的关键参数,分别从外荷载作用、隧道结构应力、变形材质劣化、渗漏水这四个方面,建立了运营隧道结构健康安全评价体系,并基于云模型的连续数据离散化确立了运营隧道结构健康安全等级划分和指标权重。

2)基于云模型在解决不确定性方面的优势,将云模型引入运营隧道结构健康安全评价体系,通过云模型数字特征实现评价等级的定性表达与定量数值转化,有效解决分级边界的不确定性。

3)通过工程实例验证,基于云模型的运营隧道结果健康安全评价具有较好的可行性性,并根据敏感性分析找出敏感性指标,为轨道交通的运营管理者对隧道建成之后续的运营工作提供参考依据,对提高运营的隧道安全管理水平具有一定的实用价值。

摘要：为了实现运营隧道结构健康安全评价,选取19个指标因素作为评价指标,并基于大量工程实践和专家经验,进行云模型连续型影响因素属性离散化,得到运营隧道风险评价因子云模型分级标准。根据风险因子的不确定性,建立运营隧道结构健康安全评价云模型,并通过实例进行验证。结果表明,基于云模型的运营隧道结构健康安全等级具有较好可行性与适用性。同时,通过敏感性分析得到影响运营隧道结构健康安全的敏感性因素,为运营隧道结构健康安全控制提供支持。

云模型综合评价 篇9

目前, 在高校课堂教学质量评价方面普遍采用的AHP、模糊聚类分析等评价方法往往存在忽略或者部分忽略评价中的不确定性因素的情况, 即没有综合考虑其随机性和模糊性, 而导致评价指标权重主观性强、指标量化缺乏依据、信息损失等一系列问题。云模型是当前处理不确定、多属性问题比较好的工具之一, 是在传统模糊数学和概率统计的基础上提出的定性定量互换模型, 它可以将模糊性和随机性有综合在一起, 实现定性语言值与定量数值之间的自然转换;信息熵是获取不确定性的度量的有效工具, 利用熵权法获取指标的权重能有效克服主观因素的不利影响, 与其他方法相比, 具有更高的可信度且有较强的数学理论依据。本文将云模型和熵权有机结合, 建立评价模型, 并将其应用于教师课堂质量评价的实例中, 以使其结果更加客观、有效。

一、评价指标体系的构建

要对高校课堂教学质量进行合理有效的评价, 首先应建立科学的评价指标体系。建立评价指标体系一般要考虑其系统性、科学性、实用性、数据可获取性等原则。在综合考虑影响课堂教学质量的各个因素的基础上, 笔者构建了包含教学态度、教学内容、教学方式、教学效果四个因子共10个指标的指标体系 (见表1) 。

二、数据获取及等级划分标准

本文所采用的2000组样本数据来源于2011年岳阳市某职业院校在迎接省教育厅教育评价中进行的课堂教学质量问卷调查, 其中, 每一项评价指标值使用百分制形式来衡量。具体数据如表2所示 (篇幅所限, 仅显示部分数据) 。

通过参阅相关文献并相咨询相关专家意见, 本文采用如表3所示的评价等级划分标准:

三、评价模型的建立

(一) 云模型

云模型是自然语言表示的能够实现定性概念与定量数值之间的不确定性转换的模型, 其具有三个数字特征 (Ex, En, He) , 其中:Ex为期望, 代表在数域空间中最能够代表这个定性概念的点;En称为熵, 常被用来衡量定性概念的模糊度与概率, 反映定性概念的不确定性;He为超熵, 它是熵的不确定性的度量, 即熵的熵, 反映了数域空间中代表该语言值的所有点的不确定度的凝聚度。

云发生器有两种:正向云发生器能实现定性向定量的转化, 输入云模型的三个数字特征和欲产生云滴数N, 输出N个云滴的定量值及由这些云滴构成的云图;相反, 逆向云发生器则实现由定量向定性的转化, 输入服从正态分布的一组云滴, 输出定性概念的云数字特征值。而这里仅采用前者, 即正向云发生器。

(二) 熵权

信息熵是由香农 (Shannon) 于1948年将热力学熵引入信息论而提出的, 它常被用于不确定性度量的获取。利用信息熵可以计算指标的权重:

设对象集{x1, x2, x3, …xn}包含n个待评价的对象, 指标集{I1, I2, I3, …Im}包含m个评价指标。于是评价的初始数据矩阵为A= (aij) n×m, 其中aij表示第i个评价对象的第j项评价指标的值。则指标权重可由如下步骤获得:

Step1对初始数据进行标准化处理, 得到A*= (a*ij) n×m。

Step2计算各项指标的信息熵值s及信息效用值σ。第j项指标的信息熵值的计算公式如下:

评价指标Ij的信息效用价值σj取决于1与该指标的信息熵sj之间的差值:σj=1-sj。

(三) 评价模型的建立

基于云和熵权的评价模型具体包含以下5步:

Step1利用熵权法计算评价指标的权向量:ω={ω1, ω2, …ωm}。

Step2指标Ij对应的等级CI这一定性概念可用云模型表示, 其云特征值为 (Exjl, Enjl, Hejl) , 其中:

显然, 最能代表指标Ij对应等级Cl这个定性概念的值应是该等级区间的中心值, 即:Exjl=|z1jl|-|z2jl|/2, 其中:z1jl和z2jl分别为指标Ij对应评价等级Cl的临界值。

临界值作为一个等级到一个等级的过渡, 应当是一个模糊边界, 同时属于上下两个等级, 并且对两等级的隶属度相等, 故有:

超熵Hejl则可以根据Enjl的大小, 由经验和重复试验获得, 该值越大, 云层越厚, 反之亦然。

Step3根据已获取的云数字特征值和实际指标数据, 利用X-条件云发生器, 获取各单一指标对每个等级的隶属度, 构成隶属度矩阵:U=[uij]m×k。根据X-条件云发生器的算法, 某指标数据a0隶属于某云的隶属程度为:其中En'是以En为期望, He为标准差的正态随机数, 即:En'=Normrnd (En, He) 。

Step4将指标权重与隶属度矩阵进行模糊变换, 得到评语集C上的模糊子集:R=W茚U。R= (r1, r2, …rk) 中每个元素rl表示待评价对象隶属于等级Cl的程度。选择隶属较大的等级作为该评价对象的等级评语。

Step 5综合所用样本的评价等级, 即得到该高校整体课堂教学质量评价等级。公式如下:

四、实例分析

本文算法均采用MATLAB 7.0编程实现。根据前面表2所示的课堂讲学质量评价指标数据, 利用熵权法获取各评价指标的权重为:

根据表3所示的课堂教学质量评价等级划分标准, 利用正向云发生器算法, 将每个指标对应的等级用相应的云模型表示, 其云数字特征值为:

优: (94.00005.09551.0000) ;良: (84.00003.39701.0000) ;中: (75.00004.24631.0000) ;较差: (65.00004.2463 1.0000) ;差: (52.5000 6.3694 1.0000)

指标I1对应各评价等级的云图如图1所示:

根据实际指标数据, 利用评价模型第3步中的X-条件云发生器算法产生每个评价指标对应各等级的隶属度, 并构造隶属度矩阵, 然后将已获取的指标权重与隶属度矩阵进行内积运算, 就得到了每个样本对各评价等级的隶属度, 选择隶属度最大的等级即是该对象所对应的课堂教学质量评价等级。其具体评价结果见下表:

综合2000组样本的评价等级, 最终确定该院校课堂教学质量等级为第2等级, 反映出该高职院校的整体课堂教学水平良好, 但尚存在进一步的提升空间。

五、结语

本文针对当前在高校课堂教学质量评价方面普遍存在的评价指标权重主观性强、指标量化缺乏依据、信息损失等缺陷, 建立了基于云模型与熵权的课堂教学质量评价模型, 从教学态度、教学内容、教学手段、教学方法等四个方面对教师的课堂教学质量进行了评价, 为进一步提高其课堂教学水平提供了一定的依据。评价结果表明, 本文所采用的评价方法能有效避免主观因素影响、信息损失等问题, 与其他方法相比, 显示了该方法的科学性、优越性。

摘要：课堂教学质量评价是检验教学的一种有效的方法。对课堂教学质量进行客观合理的评价, 有助于引导教师开展教学改革, 提高课堂教学质量。针对当前在高校课堂教学质量评价方面普遍存在的指标权重主观性强、指标量化缺乏依据、信息损失等一系列问题, 文章将云模型和熵权有机结合, 建立评价模型, 并将其应用于高校课堂教学质量评价的实例中, 充分考虑了评价中的随机性和模糊性因素, 使评价结果更加客观、有效。

关键词：课堂教学质量,云模型,熵权,评价

参考文献

[1].丁家玲, 叶金华.层次分析法和模糊综合评判在教师课堂教学质量评价中的应用[J].武汉大学学报 (社会科学版) , 2003 (2)

[2].黎会.高校课堂教学质量评价的层次分析模型[J].茂名学院学报, 2010 (4)

[3].冯梅.基于模糊聚类分析的教师课堂教学质量评价[J].数学的实践与认识, 2008 (2)

[4].张丽.高等院校课堂教学质量评价体系的构建[J].山东师范大学硕士学位论文, 2009

[5].周迎春.矿区社会发展的熵权模糊评价[J].辽宁工程技术大学学报 (社会科学版) , 2009 (2)

[6].李德毅.不确定性人工智能[M].北京:国防工业出版社, 2005

[7].曹玉升, 陈晓楠, 张伟等.云综合评判模型在区域水资源承载力评价中的应用[J].华北水利水电学院学报, 2010 (4)

云模型综合评价 篇10

内河航运是我国综合运输体系和水资源综合利用的重要组成部分, 长期以来, 为促进腹地经济发展、推动社会进步发挥了重要作用。内河航运与其它运输方式相比, 具有建设维护成本小、占地少、运量大、节能环保等优势。

以长江黄金水道为例, 航道等设施建设每投资1 亿元所产生的运力是公路的17 倍、铁路的3 倍;吨公里能耗为公路的1/14、铁路的1/2;污染物单位排放量是公路的1/15、铁路的1/1.2;单位GDP能耗, 水运是铁路的1/6、公路的1/20。随着中国特色生态文明建设, 作为被公认最可持续发展的绿色低碳运输方式, 内河航运将迎来新一轮发展机遇。

航道为内河航运提供运输通道, 开展绿色生态航道建设, 采用新工艺、新技术、设备优化和信息化手段, 提高航道建设和运营各个环节的能源利用效率, 集约利用土地和岸线资源, 降低其能源消耗, 减少二氧化碳和污染物的排放, 实现航道的可持续发展, 对于提升交通运输行业的绿色发展、生态发展具有重要意义。

目前国内在航道建设和运营阶段采用高能耗和高排放的生产作业方式的现象仍十分普遍, 对航道的生态绿色及可持续发展提出了严峻的挑战。为积极推进绿色生态航道建设, 建立适宜的评价指标体系, 并准确地对绿色生态航道水平进行评价已经成为绿色生态航道建设的前提和依据。针对行业内目前缺乏绿色生态航道评价指标体系及方法的不足, 本文根据绿色生态航道内涵, 提出绿色生态航道建设期和运营期的2套评价指标体系。

评价指标体系建立后, 需要进行评价方法的研究。目前国内各专家学者研究并积累了多种评价方法。其中, 各评价指标的权重对评价结果影响很大。因此, 如何合理地确定评价指标的权重是绿色生态航道评价研究的重要组成部分。

目前, 权重确定方法主要包括两大类:一类是客观赋权法, 如主成分分析、熵值法等[1,2], 该方法所获取的权重具有较强的数学依据, 但是未考虑决策者的意向;另一类是主观赋权法, 如德尔菲法、层次分析法等[3,4], 虽然反映了专家的意志, 但评价结果往往主观随意性很大。

本文针对以上各方法存在的不足, 研究并提出绿色生态航道评价的云模型—熵权综合评价方法, 利用熵权法确定各指标权重以减少传统权重确定方法的主观偏差, 综合考虑评价过程中存在的模糊性与随机性的特点;利用云模型构成定性与定量之间的映射, 从而解决绿色生态航道评价中存在的模糊性和随机性问题, 为绿色生态航道评价提供一个科学可行的新思路与新方法。

1航道绿色生态发展评价指标体系

绿色生态航道是指将保护环境、循环发展和节能减排的理念, 贯穿于航道建设与运营的全生命周期中, 优化规划、设计、施工和运营方案, 是以高能效、低能耗为根本特征的新型航道发展与建设模式。

本文从基于建设期和运营期两方面建立绿色生态航道评价指标体系, 如图1和图2所示。

2云模型-熵权评价模型

2.1 云模型

云模型[5] (Cloud model) 是李德毅院士提出的一种定性概念与其定量表示之间的不确定性转换模型, 反映客观世界中概念的模糊性和随机性, 并把二者集成在一起, 构成定性和定量之间的映射。云模型用一组参数 (Ex, En, He) 表达评价概念的数字特征, 以反映评价概念的不确定性。

期望Ex :期望表示云滴在论域空间分布的期望, 是概念在论域空间的中心值, 是最能够代表定性概念的点, 或者说这个概念量化最典型的样本。

熵En :熵是定性概念不确定性的度量, 是由定性概念的随机性和模糊性共同决定的。熵还表示在富营养化论域中可被接受的取值范围, 即模糊度, 是绿色概念模糊性的度量。

超熵He :超熵是熵的不确定性的度量, 即熵的熵, 反映了在论域空间代表该语言值的所有点的不确定度的凝聚性, 它的大小间接地反映了云滴的厚度, 由熵的随机性和模糊性共同决定。

绿色生态航道评价中的定性定量转换通过云发生器算法实现[6], 过程如下:

(1) 生成以En为期望、 He为方差的正态随机数En' ;

(2) 生成以Ex为期望、 Ex' 为方差的正态随机数xi;

(4) Drop (xi, yi) 成为论域中的一个云滴;

(5) 重复步骤 (1) ~ (4) 直至产生N个云滴为止。

对于云模型参数 (Ex, En, He) 的选取, 文献[7]给出了一种形如[Bmin, Bmax]双边约束下的参数计算公式。

式中, Bmin、 Bmax为描述某一个性概念定量区间的上、下界;k为常数, 本文取0.01, 可根据变量本身的模糊阈度来具体调整。

2.2熵权法

云模型构成了评价模型主体, 而对于多指标权重的确定和评价结果的处理, 需要引入信息熵理论进行研究, 即建立熵-云耦合评价模型。

Shannon把熵作为信息量的度量, 奠定了现代信息论的理论基础, 本文将熵权引入到绿色生态航道评价的研究。

(1) 在绿色生态航道评价中, 文献[8]给出了熵函数:

式中, ej是第j个指标的熵值; Pi, j是第j个评价指标在第i个评价对象中的比重。其中, 当Pi, j= 0 时, 令Pi, jln Pi, j= 0 。

(2) 鉴于指标j的信息量与其熵值成反比关系, 则第j个指标的信息量为dj= 1 - ej, 其中, dj是第j个指标的信息量, dj值越大, 第j个指标权重越大;反之, dj值越小, 第j个指标权重越小。则第j评价指标的权重:

权系数 ωj体现了指标的信息量, 熵权值越大表示该指标对绿色生态航道评价中的作用越大, 直观有效地反映了指标间的差异程度。

2.3 评价模型

基于云模型—熵权的评价模型具体包含以下5步[9,10,11]:

步骤1:利用熵权法计算评价指标的权向量:ω={ω1, ω2, …ωn}。

步骤2:确定云模型参数。根据云模型参数计算准则, 由绿色生态航道等级标准确定云模型参数 (Ex, En, He) 。

步骤3:确定度计算根据已获取的云数字特征值和实际指标数据, 利用条件云发生器, 获取各单一指标xi, j对每个等级的隶属度, 构成确定度矩阵:U=[xi, j]m*n。

步骤4:将评价对象各指标x代入各指标的云模型, 得到各指标下隶属于各绿色生态航道等级的确定度U 。

步骤5:评价结果。由于超熵He的存在, 对应的 (x, U) 是在一定范围内随机产生的云滴。将各指标下的Mean (U) 按混合熵权计算, 得到x隶属于各个绿色生态航道等级的确定度向量U , 以确定度最值对应的等级作为模型评价等级。

2.4评价因子云模型的生成

据历史数据和专家经验, 将绿色生态航道划分为4 个等级, 建立评价标准矩阵B ={B1, B2, B3, B4}, 令B1={I级, 绿色等级高}, B2={II级, 绿色等级良}, B3={III级, 绿色等级中}, B4={IV级, 绿色等级低}。

根据图1 和图2 分别建立的建设期和运营期绿色生态航道分级标准, 见表1 和表2, 其中C7{好, 良, 中, 无}的对应值为{3, 2, 1, 0}。

根据式 (1) 计算得到的云模型参数, 和, 运用云发生器分别对绿色生态航道建设期 (运营期略) 各指标生成相对应的综合云模型, 如图3, 各指标的4朵云分别代表该指标的4个等级。

2.5权重计算

用2.2 节的熵权法计算得到绿色生态航道建设期和运营期评价指标体系各指标权重，见表3。

3实例验证

3.1绿色生态航道评价

评价对象选择浙江省正在的实施3 条绿色生态航道工程 (建设期为2015 年-2018 年) , 各条航道的基本情况见表4所示。

3.2评价结果

通过计算和专家打分法得到各条航道建设期和运营期绿色水平各指标的评价结果, 结果见表5 和表6所示。

由云模型 (图3) 得到该评价因子隶属于各绿色生态航道级别的确定度, 并结合各评价指标的权重，最大确定度所在的级别即为绿色生态航道评价等级。

根据评价结果可知:建设期杭平申线绿色生态航道等级最高;运营期京杭运河 (湖州段) 绿色生态航道等级最高, 结果见表7 和表8 所示。利用云模型—熵权方法进行绿色生态航道评价, 不仅可以对航道建设期和运营期进行分级, 也可进行各条航道之间的比较。

4结语

本文针对绿色生态航道评价不可避免的模糊性和随机性特点, 采用云模型-熵权方法进行评价, 并进行了实例验证。

结果表明, 云模型-熵权作为绿色生态航道评价过程中定性定量不确定性转换模型, 能够较好的反映绿色生态航道中各指标的不确定性, 将云模型-熵权方法应用于绿色生态航道评价中不仅可行, 而且具有较好的评价效果, 对于未来绿色生态航道评价工作提供了新方法与新思路。内河航运要实现绿色生态可持续发展, 相关企业要提高低碳经济效益, 不仅要从航道基础设施建设、航运服务功能提升等方面加大力度, 而且需要积极采用生态环保施工及运营技术, 从多角度全方位提高内河航运的绿色发展水平。

参考文献

[1]聂宏展, 聂耸, 乔怡, 等.基于主成分分析法的输电网规划方案综合决策[J].电网技术, 2010, 34 (6) :134-138.

[2]李国良, 付强, 孙勇.基于熵权的灰色关联分析模型及其应用[J].水资源与水工程学报, 2006, 17 (6) :15-18.

[3]余劲, 张玮.航道网规划多级模糊综合评价[J].交通运输工程学报, 2005, 5 (4) :96-100.

[4]瞿群臻, 刘帅.绿色低碳港口评价研究[J].工业技术经济, 2013, 12:51-57.

[5]李德毅, 孟海军.隶属云和隶属云发生器[J].计算机研究与发展, 1995, 32 (6) :15-20.

[6]丁昊, 王栋.基于云模型的水体富营养化程度评价方法[J].环境科学学报, 2013, 33 (1) :251-257.

[7]刘登峰, 王栋, 丁昊等.水体富营养化评价的熵-云耦合模型[J].水利学报, 2014, 45 (10) :1214-1222.

[8]罗毅, 李昱龙.基于熵权法和灰色关联分析法的输电网规划方案综合决策[J].电网技术, 2013, 73 (1) :77-81.

[9]王明舒, 朱明.利用云模型评价开发区的土地集约利用状况[J].农业工程学报, 2012, 28 (10) :247-252.

[10]曹德胜, 吕靖, 艾云飞, 等.基于云模型的我国VTS绩效评价研究[J].水运工程, 2014 (10) :18-33.

云模型综合评价 篇11

关键词:核主成分分析;综合素质;评价

中图分类号:G647 文献标识码:A 文章编号:1000-8136(2009)27-0005-02

教师综合素质评价是教育管理部门对教师进行全面公正客观考核的有效手段,在各级各类教育单位已经广为实施。为了加强学校教学工作管理,促进教师评价改革,适应新时代学校教育教学管理工作的需要,实现学校教育教学工作的规范化和科学化,提高教育教学质量,激励先进,鞭策后进,促进教师队伍素质的全面提高,使教育教学工作又好又快发展,建立一个比较公正客观的评价模型是非常必要的。目前用来进行教师综合素质评价的数学模型主要有:层次分析法[1]、模糊综合评判法[2]、主成分分析法[3]等。本文建立了教师综合素质评价的核主成分分析(Kernel Principal Component Analysis,简称KPCA)模型,为教师综合素质评价提供了一种新的方法。

1核主成分分析

核主成分分析是在确保系统原有数据信息量丢失最小的原则下,在各个变量相关关系研究的基础上,将多个变量的信息压缩为几个能反映原问题特征的综合变量指标,并据此特征信息指标对系统进行综合分析,可以有效地来处理变量间的非线性关系,为解决多指标的综合评价提供了一种很好的手段。[4]其基本思想是:通过一个非线性映射,将输入数据映射到一个特征空间,再在特征空间上进行线性主成分分析。

设有l为变量x1,x2,…,xl的n组观测数据:(xil,xi2,…,xil),i=1,2,…n,核主成分分析通过一个非线性函数φ(•)将样本x1,x2,…,xl映射到特征空间中。不妨假设特征空间中的样本Ф(x1),Ф(x2),…,Ф(xl)已标准化。为了在特征

空间中做主成分分析,计算协方差矩阵 ,求

出C的特征值λ≥0及相应的特征向量V∈F{0｝,满足λV=CV。由于特征值对应的非零特征向量都位于数据Ф(x1),Ф(x2),…,Ф(xl)的张集上,即V∈span{Ф(x1),…,Ф(xl)｝,所以存在一组系数α1,α 2,…,α l使得:

(1)

因此λV=CV等价于λ(Ф(xk)•V)=(Ф(xk)•CV),k=1,2,…,l。

由此得到:

,

k=1,2,…,l(2)

通过定义一个l×l的核矩阵 ,(2)式可写为Ka=lλa(3)

所以确定特征向量V而求取系数αi(i=1,…,M)的问题就仅依赖于特征值分解核矩阵K。

在F中归一化特征向量V,等价于λk(αk•αk)=1;而为

了放宽 的假设,这只需将核矩阵替换成 =K-IM K

-KIM+IM KIM,其中 。

最后提取主成分,采用下式计算Ф(x)在特征向量Vk上的投影

(4)

常用的核函数主要有径向基核函数K(x,y)=exp(-||x-y||2/2σ2)、多项式核函数K(x,y)=(x•y)d、Sigmoid核函数K(x,y)=tanh(γ(x•y)+θ)等,其中σ、d、γ、θ均为核参数。

核主成分分析的综合评价函数[5]为:

(5)

其中,r为提取的核主成分个数,ωk为第k个核主成分的贡献率。

核主成分分析的基本步骤[4]是:

step 1 将原始数据X标准化,记为X*;

step 2 将标准化后的数据矩阵X*进行核变换,记变换后的核矩阵为K;

step 3 按下式求矩阵K*:

K*=K-AK-KA+AKA

step 4 求矩阵K*/l的特征值λi和特征向量vi,i=1,2,…,l;

step 5 求出累计贡献率超过85 %的前n个主成分;

step 6 利用n个主成分对每个样本求出评价函数,进行综合评价。

2基于核主成分分析的教学质量评价

2.1样本数据

要对20名教师的业务素质进行综合评价。各位教师的综合素质评价指标值[3]如表1所示,其中,教学计划与备课X1,课堂讲授X2,考试成绩X3,辅导答疑教学改革X4,论文论著X5,科研项目X6,教书育人X7,获奖情况X8。

2.2多重共线性诊断

度量多重共线性严重程度的一个重要指标是方阵XTX的条

件数,即: 。

资助项目:湖北省教育厅科研项目(编号:Q20091809);武汉工业学院校项目(编号:08Y30)。

其中λmax(XTX),λmin(XTX)表示方阵XTX的最大、最小特征值。一般地,若k<100,则认为多重共线性程度很小;若100≤k≤1 000,则认为存在中等程度或较强的多重共线性;若k>1 000,则认为存在严重的多重共线性。

经计算,本问题的矩阵条件数k=11 063>1 000,可认为变量x1,x2,…,x8之间存在严重的多重共线性,可以利用核主成分对数据降维。

表1教师综合素质评价指标

教师

编号 教学情况 科研学术 工作态度

X1X2X3X4X5X6X7X8

11 3942 505758 14417128436

22 8491 258804 83915151 2348

31 0921 250754 72117166973

48321 387904 134181741910

52 7932 397804 91116141 8407

62 0142 334864 14516141 2404

72 4625 343879 28019131 6423

85 1551 925755 94321172 0266

93 5242 249766 61916139162

102 1602 320805 85715144334

115 0021 527905 14517142 2075

123 0021 034784 34416151 3677

135 3812 699768 25018161 3961

141 6061 314805 10518165542

153641 815855 3401311646

16630942744 47516143242

171 2061 261855 14918187165

181 0001 208724 39619176001

191651 445865 76314121059

208341 469705 34819174281

2.3利用核主成分分析提取变量的主成分

对样本数据进行核主成分分析,为便于比较,同时进行主成分分析。核主成分分析的核函数选择多项式核函数,即核函数为K(x,y)=(x•y)d。经试验,相应的核参数d=4。

表2KPCA和PCA前4个特征值及贡献率(%)

No特征值贡献率 / %累计贡献率 / %

PCAKPCAPCAKPCAPCAKPCA

12.6 8772.56e+3233.5 95880.03433.5 95880.034

22.1 9095.47e+3127.3 85917.0 76360.9 81697.1 102

31.5 2516.95e+3019.0 6432.170080.0 45999.2 802

40.7 9511.97e+309.9 3890.613589.9 84899.8 937

从表2可以看出,采用PCA的前4个主成分累积贡献率为89.9848 %,而采用KPCA方法前2个主成分累积贡献率就已经达到97.1102 %,因此KPCA获得了比PCA更好的降维效果。

由KPCA求出每位教师的综合得分以及排序如表3所示。为便于对比,表3同时给出了PCA综合得分和PCA综合排名。

表3教师综合素质评价排名

教师

编号核主成分F1核主成分F2PCA

综合

得分PCA

综合排名KPCA

综合

得分KPCA

综合

排名

分值排

序分值排

序

1-1.7 44818-0.3 7039-0.0 90911-1.4 59718

21.1 30912-0.3 05970.6 70940.8 52912

31.5 3054-0.7 72514-0.2 205131.0934

41.7 0331-0.8 348170.6 76131.2 2061

50.7 70913-0.1 82360.3 70970.5 85913

61.3 9095-0.6 197110.4 09961.0 0746

7-8.6 978201.0 7274-0.8 70217-6.77820

8-1.0 866171.9 5642-0.9 77518-0.5 35516

9-0.862160.6 7975-0.2 41714-0.5 73817

100.5 19614-0.3 997100.2 33190.3 47614

11-0.0 032151.1 93330.3 46880.2 01215

121.3 4358-0.3 69580.4 43751.0 1215

13-6.0 358194.6 1161-1.1 70220-4.0 43219

141.3 14210-0.6 59512-0.3 587150.9 3929

151.3 7976-0.8 983191.2 88120.9 5088

161.6 9592-0.8 466180.0 703101.2 1272

171.3 6577-0.7 27713-0.1 165120.9 6877

181.6393-0.8 02716-0.8 223161.1 7473

191.3 10711-0.9 215201.35410.8 91611

201.3 3569-0.8 02615-0.9 952190.9 31910

3结束语

对教师综合素质评价的原始数据,运用矩阵条件数对各个变量进行了多重共线性诊断。用核主成分分析法建立了教师综合素质评价模型,消除了测评指标间相互关系的影响,提高了降维效果。与线性主成分的结果对比表明,核主成分分析不仅能够反应指标间的非线性关系,而且能够用更少的成分更多地反映原始指标的信息,从而减少了指标选择的工作量。

参考文献

1 刘 平.高校教师综合素质评价研究[J].管理工程学报,2002.16(10):115～118

2 唐晓静、张圣梅、徐小君.教师综合素质评价模型的研究[J].长春理工大学学报,2004.27(1):113～115

3 谢爱荣、田 盈.加权主成分分析法在教师素质考评中的应用[J].中国教育导刊,2007.6:49～51

4 李冬琴、王丽铮.核主成分分析方法在船型方案综合评价中的应用[J].船海工程,2007.36(2):1～3

5 Bernhard Scholkopf, Alexander Smola, Klaus-Robert Muller. Nonlinear component analysis as a kernel eigenvalue problem[J]. Neural Computation, 1998.10(5):1299～1319

Evaluation Model for Teachers’ Comprehensive Qualities

Based on Kernel Principal Component Analysis

Chen Gaobo

Abstract:In this paper, the matrix condition number is used to diagnosis the multi-collinearity among the index for evaluating Teachers’ Comprehensive Qualities, and a kernel principal component analysis(KPCA)evaluation model is build. Compared with principal component analysis(PCA), the results from KPCA show that KPCA can extract less components which reflect the original index information.

云模型综合评价 篇12

1云模型的基本理论

云模型是李德毅院士提出的1种定性概念与其定量表示之间的不确定性转换模型。设U是1个用精确数值表示的定量论域,C是U上的定性概念,若定量值x∈U,且x是定性概念C的一次随机实现,x对C的确定度μ( x) ∈[0,1]是有稳定倾向的随机数,如有映射:

则x在论域U上的分布称为云,每1个x称为1个云滴。云的数字特征用期望Ex、熵En和超熵He 3个数值表示。其中,期望Ex为定性概念量化的最典型样本,是概念论域的中心。熵En为定性概念不确定度的度量,反映了论域空间中可被概念接受的云滴的取值范围,超熵He是熵的不确定度量,反映了云滴的离散度,超熵越大,云分布越分散[4]。

1. 1单条件单规则发生器

该规则可形式化表示为:

If A then B

其中,A、B分别对应于论域U1、U2上的定性概念C1、C2,A为规则前件,B为规则后件。通过前件云发生器和后件云发生器以条件规则组合而成的规则发生器确保了推理过程中不确定性传递。在对油气长输管道进行安全评价时,对导致管道失效影响因素进行打分的过程,是一个综合了油气管道运行现状和安全专家经验的过程。管道运行现状的不确定性和专家知识经验的模糊性和随机性的特征,可以用云规则很好地描述这一过程,即在一个新的确定输入条件下,就可以激活相应的规则,通过推理机制,产生不确定性输出。记概念A、B的正态云分别为CA( ExA,EnAHeA) ,CB( ExB,EnB,HeB) ,则单条件单规则发生器的算法如下:

1. 2逆向云发生器

逆向云发生器是实现从定量值到定性概念的转换模型[5]。逆向云发生器的算法是基于统计原理,它可以将一定数量的精确数据转换为以数字特征表示的定性概念,利用确定度信息逆向云发生器的算法如下:

1. 3浮动云

设在论域中有N朵基云C1( Ex1,En1,He1) ,C2( Ex2,En2,He2) ,…,Cn( Exn,Enn,Hen) 可生成浮动云[6],它表示2朵基云表达的定性概念中间的空白语言值。当浮动云从第1朵云向第2朵云移动时,受第1朵云的影响逐渐减少,受第2朵云的影响逐渐增大。针对油气长输管道安全评价结果受到不同因素的综合影响,采用浮动云算法能够使得评价结果更加符合管道运行的实际情况。生成浮动云C( Ex,En,He) 的算法为:

其中,ω1,ω2,…,ωn为指标权重值。

2基于云模型的油气长输管道安全评价

长输管道一般埋设于地下,穿越地区广,地区复杂,服役条件恶劣,且输送介质大多具有易燃、易爆和有毒的特性,输送介质工作压力高,潜在危险很大。日常检测比较困难。为了实现对管道进行有效科学的管理,针对管道安全评价过程中危险因素存在的不确定性和专家评分的主观性,采用云模型对评价过程中各项因素定性定量的不确定性转换能够更加客观、真实地反映出管道运行的安全情况。

2. 1评价单元划分

在开始进行安全评价前,需要对管道进行分段,1个管段为1个安全评价单元,根据各管段的评价结果进行排序,最后确定需要重点维护的管段。管道分段采用动态分段方式,根据管道几个重要属性的变化,将管道分为多个管段。由于管道所有属性值都可能随着管道的里程而变化,所以按照有1个属性变化,即划分为1个新管段的原则,可以将管道划分为多个管段,从而保证相邻管段的属性值不同,方便计算风险值。分段的原理示意如图1所示。

2. 2评价集合

基于云模型的油气长输管道安全评价主要有4个集合: 危险因素集U = { U1,U2,…,Un} ,安全贡献得分集V1= { A1,A2,…,An} ,安全等级集V2= { B1,B2,…,Bn} ,属性权重集W = { W1,W2,…,Wn} 。

根据文献 [7] 的相关分析,选取U = { U1,U2,U3} 作为安全评价的一级指标,其中第三方破坏指标U1= { u11,u12,u13} ,u11表示最小埋深,u12表示周边环境,u13表示巡线频率; 腐蚀指标U2= { u21,u22} ,u21表示内腐蚀,u22表示外腐蚀;缺陷指标U3= { u31,u32,u33,u34} ,u31表示设计,u32表示施工,u33表示操作,u34表示维护。安全贡献得分集V1= { A1,A2,A3,A4,A5} ,表示各级评价指标对管道运行安全性能贡献度量化值的等级,对应高、较高、一般、低、很低5个等级,则对应的安全等级集V2= { B1,B2,B3,B4,B5} ,分别代表安全、较安全、一般、危险、较危险5个等级。本文根据专家相关经验采用云理论中的黄金分割法[3],得到安全贡献得分集和安全等级集所对应的云模型参数,如表1所示。则其评价标准云,如图2所示。

2. 3云模型综合评价

采用不确定性控制的方法,建立危险因素指标量化值与安全等级得分的规则发生器。输入管道某评价单元风险因素二级指标的数值,反复利用云模型的规则发生器生成该因素的安全等级得分云滴,将这些云滴样本代入逆向云发生器得到其对应安全等级得分的虚拟云。

根据得到的二级指标虚拟云,采用浮动云算法综合运算得到一级指标得分云,继续一级指标的综合运算得到各评价单元的综合得分云。根据各评价单元的综合得分云,了解管道各评价单元的安全状况,以此指导管道的维护工作,降低管道事故的危险性。

3实例应用

3. 1选取安全评价对象

对某在役长输管道进行安全评价,根据评价单元划分原则,管道共分6个单元。这些评价单元的风险因素指标: 第三方破坏指标、腐蚀指标、缺陷指标是属于趋上优指标,该类指标越大越好。根据有关管道设计标准及专家行业经验对该管道运行现状危险因素指标打分,其结果如表2所示。

3. 2危险因素二级指标评价

利用云定性控制方法解决管道安全评价过程中不确定性问题。危险因素二级指标得分越高,则对管道安全性的贡献越大。以最小埋深u11为例,通过如下云控制规则发生器进行推理过程的不确定性传递。

If最小埋深得分高,then安全等级为安全;if最小埋深得分较高,then安全等级为较安全; if最小埋深得分一般,then安全等级为一般; if最小埋深得分较低,then安全等级为较危险; if最小埋深得分低,then安全等级为危险。

在1号评价单元中,最小埋深的指标数据xij= 6( xij表示i号评价单元j指标的数值) ,分别计算它对规则前件5个定性概念的确定度ukij( 表示xij属于第k条规则前件的确定度) ,取得最大确定度输入umij到对应k = 2的规则后件发生器中,得到其安全等级得分yij= 6. 20 ,即得到xij的安全等级得分云滴( yij,umij) 。重复以上过程生成多个云滴,本文所取云滴数目为1 000,将得到的云滴样本利用逆向云发生器即可求得该指标的安全等级得分虚拟云。

采用上述方法,输入管道各评价单元的基础数据,即可得到5个评价单元全部危险因素二级指标的安全等级得分云,如表3所示。

3. 3油气长输管道安全评价结果

通过上述危险因素评价二级指标安全等级得分云,采用浮动云合成算法得到一级指标安全等级得分云,继续对一级指标进行合成运算。本文指标权重值用文献 [7] 的关联度分析方法所得,结果如表4所示,最终得到某管道评价单元的综合安全等级得分云,如表5所示。则其对应的云滴分布,如图3所示。

根据以上分析结果,从图3中可以看出评价单元2的综合安全得分云处于较危险和一般之间,是属于运行比较危险的管段,应该对该管段评分较低部分进行重点检测,并将该管段作为主要维护对象,提高管道运行的安全性。评价单元6综合安全得分云主要处于较安全区,运行现状还是比较安全的,但对该评价管道的薄弱部分,即其周边环境进行改善,加强对附近居民的教育,提高其安全意识,并且做好该地区地质灾害的防护工作,从多方面提高管道的安全性。从评价单元的综合得分云可以看出该管线运行的安全性,评价单元6 > 评价单元3 > 评价单元4 > 评价单元1> 评价单元5 > 评价单元2,评价单元1、3、4、5都处于一般和较安全之间,而评价单元5更偏向于一般,评价单元3偏向于较安全。

4结论