改进灰关联(共7篇)
改进灰关联 篇1
引 言
表面缺陷是锂电池薄膜表面质量的重要因素,直接影响着产品的性能和质量。因此,基于机器视觉技术的薄膜表面质量自动检测已逐渐成为研究的重点。国内外对于锂电池薄膜在线机器视觉检测和识别研究的较少,从相关领域研究来看,文献[1,2]针对表面缺陷提出了固定阈值分割的方法实现缺陷的提取。但该方法需要大量的经验值分析,且对所识别材料的鲁棒性差。文献[3,4,5]则未考虑视觉图像中多个缺陷的处理,文献[6]采用聚类解决上述问题,但是该方法计算复杂,实时性差。文献[7,8,9]采用模板匹配中误差和相关性算法来识别缺陷,这些算法计算量大,且未能充分反映的异类特征数据之间的差异。文献[10]提出的灰关联识别缺陷识别算法虽然识别效率较高,但该算法仅强调了序列间的绝对位置差未考虑数据变化率差异。
针对上述问题,本文采用灰关联算法,并针对该算法仅侧重于序列间的绝对位置差的不足,对已有的灰关联算法改进,使该算法既能满足在线实时需求也能实现较高准确率的识别。综上,本文构建了基于线阵CCD散射光源实现明场照明方式的锂电池在线薄膜缺陷识别系统。该识别系统中采用otsu自适应算法解决人工阈值分割的缺点,采用缺陷面积排序法定位最大缺陷目标并提取缺陷中的几何形状和投影参数作为特征值,最后采用改进的灰关联识别算法实现对缺陷目标的识别分类。
对于CCD锂电池薄膜成像,由于镜头到薄膜距离有限,获得的图像一般中部偏亮、两侧偏暗。因此采用图像灰度补偿算法[6]和平滑滤波算法减少图像采集质量不稳定的影响。
1 锂电池薄膜缺陷类型
锂电池薄膜缺陷依据产生原因可划分为以下几种。由于设备因素引起的亮划痕、暗划痕;由工艺因素引起的漏箔、起泡;由环境因素引起的表面异物。图1为主要研究的缺陷目标。
2 Otsu算法实现图像分割和缺陷目标特征的提取
Otsu 法[10]适用于单阈值分割图像,其基本思路是:选取的最佳阈值应当使得用该阈值分割得到的两类间具有最好的分离性,即统计意义上的类间特性差最大或类内特性差最小。
经图像分割后,得到黑白二值化锂电池薄膜图像。该图像中可能存在组合了多种缺陷目标,通常缺陷目标呈现较大的面积特征,因此缺陷目标面积排序的方法可以定位最大缺陷目标。锂电池薄膜图像识别是一个多特征、多类别的识别问题,需要大量特征精确地描述缺陷。根据工业生产过程中薄膜缺陷图像的特点,本文提取了几何形状和投影特征。实际生产过程中,划痕特征通常保持同一方向,采取0o方向投影,将二维数据映射成一维数据可以有效区分缺陷目标。图2为不同缺陷目标的11个特征值的分布图,其中纵坐标为归一化幅值。这11个特征值分别为几何特征中的面积、长径和短径之比、周长、圆形度和离心率; 投影特征包括波形特征、 脉冲特征、峰值特征、裕度特征、歪度值和峭度值。
由图2可知,黑划痕和污物缺陷都呈现暗特征;而白划痕、漏箔以及起泡缺陷均呈现亮特征;黑划痕和亮划痕、污物和漏箔特征差异不明显;漏箔和白划痕相比投影特征近似,但几何特征中面积差异较大。起泡和漏箔、划痕特征相比,则投影特征差异明显。因此本文所提取的几何形状和投影特征是合理的。
3 改进灰关联识别算法
对于薄膜缺陷识别,需要从特征参数中提取关于目标类型的信息,对目标类型做出判决。而薄膜缺陷特征是属于信息不完全、关系不明确的信息系统。其分类是按缺几何形状和投影特征来分,这些缺陷目标与这些特征存在关联性的多少是未知的。因此,这些都使声目标识别成为一个非常困难的课题。回归分析、方差分析、主成份分析、主分量分析等分析方法需要大量数据、样本服从某个典型的概率分布、计算工作量大等不足[11,12]。
灰色关联分析方法则可不受这些局限。其基本思路是:根据系统动态过程发展态势,即系统有关统计数据的几何关系及其相似程度,来判断其关联程度。由于灰关联分析仅需一些数据就可作多因素分析,且分析时也不需要典型的分布规律并且可以从不完全的信息中提炼主要因素。因此采用灰关联分析的方法,可为声目标的识别提供理论依据[13]。
现有的灰关联模型仅强调了序列间的绝对位置差。为克服现有灰关联模型整体性和规范性的缺陷,提出了综合绝对位置差和变化率差异的灰关联改进模型。该改进模型如下。
灰关联系数公式为:
δ(x0(k),xi(k))=
undefined
undefined
式中,λ1,λ2,…λk-1>0且λ1+λ2+…+λk-1=1, λ1为对绝对位置差异的权重,λ2,…λk-1为变化率差异的权重。ξ为绝对位置差异辨识系数,η1,…ηk-2分别为一阶到k-2阶变化率差异的辨识系数。
Δx0i(k)=x0(k)-xi(k)为序列X0和Xi在点k时的绝对位置差。Δx(1)0i (k)=xundefined(k)-xundefined(k)为一阶序列的变化率差,依次,Δx(k-2)0i (k)=xundefined(k)-xundefined(k)为k-2阶序列的变化率差。xundefined(k)=xi(k)-xi(k-1)为一阶序列的变化率,依次,xundefined(k)=xundefined(k)-xundefined(k-1)为k-2阶序列的变化率。i=0,1,2,…,n,k=2,3,…,m。
|Δx0i(k)|越小,说明两序列曲线在此刻的相近程度越大。|xundefined(k)-x(1)0 (k)|越小,说明两序列曲线在此刻的发展速度越趋于相同;而|xundefined(k)-xundefined(k)|越小,则说明它们的发展速度变化率越趋于相同。
灰关联度公式为undefined,则上述过程即为改进灰关联模型。
4 实验结果
图3为基于改进灰关联模型的锂电池薄膜缺陷目标识别系统的框图。
对于改进灰关联度模型,参数ξ,η1,…ηk-2取为0.5,λ3=λ4=…λk-1=0。表1-2给出了不同识别条件和识别算法的识别正确率。
由表1-2可知:
1.若仅考虑参数绝对位置差异的权重λ1和变化率差异的重权重λ2,当λ1由0.1增大到0.9,相应λ2由0.9减少到0.1时,识别准确率均有不同程度的提高。其中,当参数λ1=0.9和λ2=0.1时,IGCA识别性能优于GCA。
2.若考虑参数绝对位置差异的权重λ1和变化率差异的权重λ2、λ3,当λ1=0.9λ2=λ3=0.1时,IGCA识别性能相对于GCA无改善。
3.若仅考虑参数λ1、λ2,改变缺陷特征参数的提取方式,识别性能均有不同程度的改善。
4.由表2,对于改进灰关联模型采用几何和投影特征,与传统灰关联模型、模板匹配相关性算法比较,其识别提高率分别达到3.6%和2.6%。
5 结 论
基于目前实际工业生产需求,构建了基于线阵CCD散射光源实现明场照明方式的锂电池在线薄膜缺陷识别系统。采用灰关联识别算法,并针对该算法仅侧重于序列间的绝对位置差的不足,对已有的灰关联算法改进,使该算法既能满足在线实时需求也能实现较高准确率的识别。实验结果表明:改进灰关联识别算法优于传统灰关联算法和模板匹配算法,识别准确率达到91.2%。
摘要:提出基于改进灰关联算法实现锂电池薄膜缺陷在线快速识别系统。该识别系统中提取二值化图像中缺陷的几何形状和投影参数作为特征值,进行缺陷识别。将改进灰关联识别算法与传统灰关联算法、模版匹配相关性算法作比较,实验结果表明:该系统识别准确率达到91.2%。
关键词:锂电池,缺陷,改进灰关联,识别
改进灰关联 篇2
随着埋地管道服役年限的增加,土壤腐蚀已成为制约油气管道安全高效运行的关键因素[1,2]。在土壤腐蚀环境下,埋地钢质管道的表层形成各种腐蚀电池,极易造成管道的腐蚀破坏、穿孔泄漏,严重威胁着人民的生命财产安全[3,4,5,6]。因此,对土壤腐蚀性进行科学评价和预测,能够为制定针对性防腐技术措施,保障管道系统安全可靠运行提供理论支持,具有重要的科学意义和理论价值。
近年来,国内外学者对土壤腐蚀性进行了深入的研究,提出了很多的评价方法,可归纳为两大类: 单指标评价法和多指标综合评价法。单指标评价法常用的指标有土壤电阻率、含水量、含盐量、氧化还原电位等[4,5,6,7,8]。多指标评价法主要有多项指标打分法、神经网络法、主成分分析法、模糊综合评价法等[5,6,7,8,9]。这些方法各有优点,但也存在着一些不足[4,5,6,7,8,9]。例如,主成分分析法要求有多个非线性相关的指标样本; 多项指标打分法的指标过多,且受人为主观因素的影响,实用性较差[8,9]; 模糊综合评价法对于隶属函数的选择带有较强的主观性[8,9]。而灰关联分析法能克服评价中人为主观性强的缺点,且不限制样本数量的多少,不要求典型的分布规律,计算量较小,方便可靠,在工程实际中应用较为广泛[10,11,12]。鉴于此,针对土壤腐蚀性评价标准的区间形式,应用改进灰关联分析法[11]计算评价指标关于腐蚀等级的灰关联度,利用熵权法计算各指标权重,根据最大关联度原则判定土壤腐蚀性等级。
1 改进灰关联分析法
灰关联分析法主要用于比较参考数列与比较数列的关联程度[10,11,12]。它的基本原理是根据序列曲线几何形状的相似程度来判断其联系是否紧密,曲线越接近,其关联程度就越大,反之就越小。但传统灰关联分析法,将比较序列定义为具体数值,没有考虑比较序列的区间形式,在实际应用中具有明显的局限性[10,11,12]。本文根据评价标准的区间形式,对传统灰关联分析法进行改进,有效地拓展了其应用范围。改进灰关联分析法[11]计算步骤如下。
1. 1 确定参考序列和比较序列
土壤腐蚀性受多种因素影响,即土壤电阻率、氧化还原电位、p H值、含水量、含盐量、管地自然电位等因素。评价土壤腐蚀性,首先要确定评价标准,作为比较数列xi; 将影响土壤腐蚀性的各因素实测值作为参考数列x0,。设m为土壤腐蚀性等级分类,n为影响土壤腐蚀性的因素个数。
1. 2 确定关联度系数
参考数列x0与比较数列xi的关联系数为:
式中: ρ ∈ ( 0,1) 为分辨系数,通常取0. 5,以提高关联系数之间差异的显著性;为两级最小差;为两级最大差。
定义: x0( k) 为参考数列,即待评价数列;,为第k个指标x0与xi的绝对差;xi( k) 为比较数列,即评价标准数列,其为区间形式,故定义xi( k) =[ai( k) ,bi( k)],i = 1,2,…m ,则有:
式中: ai( k) ,bi( k) 分别为第k个指标的第i个评价等级的最小值和最大值。
1. 3 求x0与xi的灰关联度
灰关联度ri,即待评价土壤与腐蚀性等级的关联度。
式中: wk为影响土壤腐蚀性的各指标的权重,且。在此,应用熵权法确定各指标权重。
1. 4 土壤腐蚀性等级判定
根据最大关联度原则,得:
由此可得待评土壤Dj的腐蚀性等级。
2 熵权法确定权重
熵权法根据指标反映信息的可靠程度确定权重,避免了人为主观因素影响,且能反映不同条件下指标权重的差异[13]。
1) 设土壤腐蚀性等级分为m级,每个等级的评价指标有n个,构造判断矩阵R,即1. 2 节所确定的关联系数矩阵:
2) 对R进行规一化处理
3) 根据信息熵理论定义各指标的熵
4) 计算各评价指标的熵权
3 工程实例
本文以文献[14]中某油田长输油管线的土壤测点( D1,D2) 为例,说明改进灰关联分析法在埋地管道土壤腐蚀性评价中的应用。某调查组将该输油管线以1 000m为一个测点进行检测评价。并通过现场测试、实验室分析等途径对各测点土壤的理化性能参数进行测量,包括土壤电阻率、氧化还原电位、p H值、含水量、含盐量等。
3. 1 土壤腐蚀性评价指标和分级标准
1) 评价指标的选取
埋地管道土壤腐蚀性受多种因素影响,然而这些因素的作用有轻重主次之分。根据我国目前的土壤腐蚀性检测水平及相关法规标准,参考国内外研究成果和相关文献资料[5,14,15,16],考虑各因素的相对重要程度,并综合文献[14]的测试结果,选取6 个指标作为土壤腐蚀性的综合指标,见表1。D1,D2测点的各参数实测值,见表2。
2) 评价标准的划分
土壤腐蚀性评价指标的分级标准见表1,它参考了现有的土壤腐蚀性研究成果和相关文献[5,14 - 16]。
3. 2 各指标量纲的规格化
为消除量纲的差异,使评价指标具有可比性,必须对表1 中的数据进行归一化处理。处理方法[13]如下:
式中: Vik表示第i个腐蚀等级对于第k个指标的评价标准值;为无量纲化的评价标准值; Vikmin、Vikmax为评价标准的最小值和最大值。
根据式( 9) 对表1 和表2 中的数据进行无量纲化处理,结果见表3 和表4。
3. 3 计算关联系数
根据式( 1) 和( 2) 计算D1,D2测点各指标关于各腐蚀性等级的关联系数 ξi( k) ,见表5。
3. 4 熵权法计算权重
根据熵权法确定各土壤腐蚀性评价各指标权重。由表5 计算的灰关联系数可得判断矩阵R,再根据式( 6) ~ 式( 8) 即可得各指标的熵权,见表6。
3. 5 土壤腐蚀性等级判定
根据3. 3 节确定的关联系数及3. 4 节计算的指标权重,由式( 3) 可得D1和D2测点关于4 个腐蚀性等级的灰关联度,结果见表7。
由式( 4 ) 最大关联度原则,有: maxri( D1)=r3( D1) ,maxri( D2) = r3( D2) ,则土壤测点D1和D2的腐蚀性等级均为III,即为中等腐蚀性。
3. 6 结果分析
由最大关联度原则可知,土壤测点D1、D2的腐蚀性等级均为III级,即中等腐蚀性。其判定结果与模糊综合评价[14]一致,且与实际检测结果吻合[14],说明本文提出的改进灰关联分析法是科学可行的。
4 结论
1) 将改进灰关联分析法应用于埋地管道土壤腐蚀性评价,充分考虑了评价标准的区间形式,克服了传统评价方法主观随意性强的缺点,且不限制样本数量的多少,不要求典型的分布规律,为土壤腐蚀性评价提供了新的思路。
2) 利用熵权法确定各指标权重,有效地避免了权重确定中人为主观因素的影响,使权重计算结果更加客观、可靠。
科研单位管理的灰关联分析 篇3
我国已进入必须依靠科技进步和创新推动经济社会发展的历史阶段。科研单位应该在科技进步和创新中充当“领头羊”,如何提高科研水平,增强竞争能力成为重中之重。加强综合评价科研单位的科研竞争力成为科技管理研究的重要内容,寻求多目标综合评价方法成为科技行政部门共同探讨的课题。
近年来,国内外学者推出诸如:模糊综合评价法、层次分析法、熵值法等评价方法,但各有优缺点。本文在传统灰色关联分析方法基础上,采用比较数列和参数数列进行比较后计算关联数,避免无量纲化处理对指标作用大小产生影响,简化了计算程序。
一、原始数据与基本原理
(一)原始数据
我们搜集了八家性质相近的科研院所进行定量考核,考核内容有:申报专利(项)、科技投入(万元)、新产品开发(项)、成果基金项目收入(万元)、产业经营收入(万元)、利润(万元)、职工人均年收入(元)、培养引进硕士以上人才(名)、人才培养引进投入(万元)、固定资产投入(万元)、鉴定省级以上课题(项)、论文(省级以上)篇)、科研经费(纵、横)(万元),由于单位个体差异,其中考核内容略有差异。
考察八个单位代码记A、B、C、D、E、F、G、H,考核内容分别标注为1、2、3、4、5、6、7、8、9、10、11、12、13,数据如表1
(二)基本原理:
1)取参考序列和比较序列
2)求差△=(△i (j)) n×p
其中最大绝对差和最小绝对差记为:max△i (k)和min△i (k)
3)求关联系数、关联度并排序
关联系数
取分辨系数ζ=0.5,
关联度:
按照的大小依次排序,得到关联许。
二、数据处理
1)分别把八家科研单位的考核指标作为比较序列,各个指标的最优值作为参考列,计算绝对差,并列出最大(最小)绝对值,如表2
2)计算关联系数(如表3)、关联、排序(表4),
三、结论
灰关联分析法是通过随机序列资料进行处理,明确内部各因素对系统的关联程度,从不完全的信息中找出影响系统的主要因素,进而对有关因素加以发展或限制。把回关联系统分析方法引入科研单位管理,进行综合评价,具有原理简单、易于掌握、计算方便,并对数据分布类型和样本含量无特殊要求。因此,灰关联分析法无疑为全面评价科研单位、提高科研管理质量开辟了一条新的途径。
摘要:将灰色系统理论中灰关联分析方法应用到科研单位考评中, 并对科研单位科研竞争能力进行综合评价, 具有方法简便、计算量小等优点。
关键词:科研管理,灰关联分析,综合评价,竞争力
参考文献
[1]邓聚龙.灰理论基础[M].武汉:华中科技大学出版社, 2002.
[2]刘思峰, 郭天榜等.灰色系统理论及其应用[M].北京:科学出版社, 1999.
湛江市住宅需求的灰关联分析 篇4
住宅产业作为房地产的重要组成部分, 在城市经济建设和社会发展中发挥着举足轻重的作用。过去的几年间, 湛江市住宅投资总额持续增长, 从2004年的7.04亿元上升至2008年末的17.67亿元, 年平均增速2.7个百分点。而2009年湛江的住宅销售总额更有突飞猛进的增速, 前三个季度房价环比涨幅位居全国第二。可见, 住宅投资和住宅消费的不断增长, 已成为推动湛江市国民经济快速发展的重要动力, 湛江市住宅市场的现状及前景已成为社会各界关注的焦点。
1 湛江市住宅需求的定性分析
住宅需求是指在一定时期、一定区域范围内, 在某一价格水平下, 人们对住宅愿意并有能力购买的数量。形成住宅需求必须同时具备两个条件:其一是消费者的有效需求即购买能力;其二是消费者购买意愿。凡是影响上述两个条件形成的因素都是住宅需求的影响因素。一般地, 将影响住宅需求的因素分为经济性因素和社会性因素两大类[1,2,3]。
1.1 经济性因素
1.1.1 居民收入水平
住宅购买力是影响居民住宅需求最主要的因素, 通常购买力与居民收入水平直接相关, 居民收入水平与住宅需求基本上呈正向变动关系。目前湛江市普通工薪阶层购房需求很大, 但相对购买能力较小, 这与工薪阶层收入水平相对低下不无关系。
1.1.2 居民储蓄总额
居民储蓄总额可以间接的反映利率的高低。利率变化对住宅需求的影响主要体现在短期:当利率降低时, 居民存款利率也降低, 人们会减少储蓄, 转向其他投资, 从而考虑增加住宅消费或者进行住宅投资, 在短期内增加对住宅的需求;反之, 当利率升高时, 居民的短期住宅需求减少。而利率对住宅需求中长期的影响, 一般认为较微弱。
1.1.3 居民的住宅消费倾向
居民的住宅消费水平也是影响住宅需求的关键因素, 居民消费中用于住宅支出的比例, 是反映居民购房能力和购房水平的重要指标。一般来说, 城市居民对住宅的需求与居民收入成正比例。
1.1.4 住宅价格
住宅商品与其他商品一样, 价格的高低对于住宅的需求有着一定的反作用影响。但与普通商品的影响程度不一样, 住宅需求的价格弹性是比较缺乏的, 这是因为住宅商品的自身特殊性, 住宅既是高价值不动产, 又是城镇居民的基本必需品, 无论住宅价格如何变化, 人们总需要居住, 不可能在住宅总体价格上升时纷纷退出住宅消费领域, 或在住宅总体价格下降时大量增加住宅消费。住宅价格对需求的影响又是复杂多变的。例如, 在投机性需求占主导地位时, 住宅需求与住宅价格往往呈现出一种正向变动的关系, 人们像投资股票一样, 对住宅的需求买涨不买跌, 住宅价格越上升, 对住宅的需求反而越大。
1.1.5 住宅竣工面积
住宅竣工面积反映一个地区住宅的市场供应量。当供小于求时, 市场需求不能满足将引发房价上升, 受高利润的吸引房地产投资商将加大投资力度, 从而供应量上升, 市场需求得到充分满足。若房价上升到一个消费者无法承受的不合理的价位则会导致住宅滞销。当供过于求时, 市场无法消化掉多余房源, 引发房屋空置率上升, 导致市场混乱。
1.1.6 社会经济发展水平
社会经济发展水平是决定住宅需求的最主要、最基本的影响因素。只有经济发展, 国民收入水平提高, 才能使一国或地区的经济步入良性循环, 从而不断提高对住宅的生产性需求和消费性需求。住宅需求与社会经济发展水平呈正相关关系, 一个国家或地区的经济发展迅速, 则房地产需求水平就高, 反之则低。经济发展水平对住宅的影响是通过住宅的价格水平和居民的收入等因素体现出来的。
1.2 社会性因素
1.2.1 人口数量和人口结构因素
宏观上, 住宅需求量最终都与人口的数量、年龄结构、分布以及人口增长率等因素有着相当大的关系。家庭结构也会影响住宅需求的结构, 如家庭逐渐小型化、结婚年龄降低或离婚率提高等原因造成家庭户数增加时, 必将增加住宅的需求量。但2008年湛江市区总人口增速同比上年降低了0.4个百分点, 城市人口的增长速度的减缓势必对住宅需求量有所影响。
1.2.2 人均建筑面积
随着人们生活水平的提高、居民购买能力的增强, 人们对居住条件开始提出更高的要求。根据发达国家的经验:在人均住宅建筑面积达到35m2 (户均100m2) 之前, 会保持较旺盛的住宅需求;湛江市2008年人均住宅建筑面积28.08m2, 还不到饱和值, 湛江市的住宅需求还有较大的空间。
1.2.3 消费者预期
一般而言, 对非收益性物业如住宅的消费性需求或投资性需求, 主要取决于消费者对未来住宅价格走势的预测。如果预测未来住宅价格升高, 对住宅的现实需求就会增加, 反之则会减少。当住宅作为一种投资品特别是投机对象时, 对未来住宅价格的预期成为决定当前住宅需求的最主要因素。在住宅市场常常出现这样的情况, 在住宅价格下跌时, 即使跌幅很大, 如果消费者预期还会跌, 则他们会持币待购, 迟迟不买;当住宅价格上涨时, 如果消费者预期还会涨时, 即使价格偏高, 也可能形成现实的住宅需求。
1.2.4 政府的住宅政策
政府的住宅政策对住宅需求有着重大而复杂的影响。一般说来, 当政府采取比较宽松的住宅政策, 即推动居民扩大居住消费、有利于居民得到住宅时, 对住宅的需求就会上升;当政府采取紧缩的住宅政策时, 即由于土地资源的紧缺等原因, 不利于居民得到住宅时, 对住宅的需求就会下降。但政府的政策对住宅需求的影响是不能量化的。
1.2.5 城市化水平
城市化水平对房地产需求的影响表现在城市数量、规模的扩大以及城市人口的增长两个相互关联的方面。城市数量的扩大表现为新兴城市的建立和发展, 城市规模的扩大表现为原有老城市范围的扩大。城市数量和规模的扩大必然表现为需要更多的工厂、商店、银行、学校、医院以及城市基础设施, 就必然的会增加对房地产的需求;城市人口数量的增加除了大大增加对房地产的投资需求, 也大大增加了对城市住宅的消费性需求。
1.3 影响湛江市住宅需求的因素的归纳整理
根据前面对影响住宅市场需求的一般因素及其影响机理的分析, 住宅市场需求的影响因素具体可以归纳为11个因素。根据可量化性, 统计资料的可获得性和完整性, 本文确定了7个因素作为湛江市住宅市场需求的一般性影响因素, 并统计了2004-2008年各因素的数据[4], 见表1。
2 湛江住宅需求影响因素的灰关联分析
2.1 灰关联概述[5]
灰色关联度是分析系统中各元素之间关联程度或相似程度的方法, 其基本思想是依据关联度对系统排序[3]。从而判断引起该系统发展的主要因素和次要因素为其主要内容。它以系统内各因子间的关联系数和关联度作为依据, 用比较关联度的大小来确定主要因素和次要因素。
衡量因素间关联程度大小的量化方法有绝对关联度和速度关联度。前者是反应事物之间关联程度的一种指标, 能指示具有一定样本长度的给定因素之间的关联情况;后者则是从另外一个角度来定义关联度的, 它反映的是两个事物在发展过程中相对变化速率的关联程度。本文采用第一种衡量关联度大小的方法——绝对关联度。
作关联分析先要制定参考的数据列 (母因素时间序列) , 参考数据常记为x0, 一般表示为:
x0={x0 (1) , x0 (2) , ……, x0 (n) }
关联分析中被比较数列 (子因素时间数列) 常记为xi, 一般表示为:
xi={xi (1) , xi (2) , ……, xi (n) }, i=1, 2, ……, m
对于一个参考数据列x0, 比较数据列为xi, 可用下述关系表示各比较曲线与参考曲线在各点的差:
式中, ξi (k) 是第k个时刻比较曲线xi与参考曲线x0的相对差值, 这种形式的相对差值称为xi对x0在k时刻的关联系数。ξ为分辨系数, 一般取ξ≤0.5最为恰当。
若记:
则Δmin与Δmax分别为各时刻x0与xi的最小绝对差值与最大绝对差值。从而有:
如果计算关联程度的数列量纲不同, 要转化为无量纲。另外, 就是还有我们经常使用的规范化处理。
关联系数只表示各时刻数据间的关联程度, 由于关联系数的数很多, 信息过于分散, 不便于比较, 为此有必要将各个时刻的关联系数集中为一个值, 求平均值便是作为这种信息集中处理的一种方法。于是, 绝对关联度的一般表达式为:
或者说ri是曲线xi对参考曲线x0的绝对关联度。
对ri进行排序, 则得到xi对x0的影响程度的大小关系。
2.2 关联度计算
首先, 选取母序列, 即表1中的X0列为参考序列, 并将X1 ~X7列分别作数值变换, 得到表2。
之后分别计算各因素与销售面积 (X0) 在对应期的间距 (绝对差值) , 结果见表3。
利用公式 (1) 和 (2) 求得各因素的绝对关联度, 见表4。这里分辨系数ξ=0.5。
从表4的结果来看, 影响湛江住房销售面积的因素排序情况依次为:房屋竣工面积>住宅平均售价>城镇人口>人均可支配收入>城镇人均住房面积>居民储蓄总额>GDP。
3 结论
在以上影响因素中, 关联度最大的是房屋竣工面积, 这说明为很好地满足市场的有效需求必须保持住宅的供给充足。其次是住宅平均售价, 这表明湛江消费者对住宅的需求并非一般性消费需求, 而是价格敏感的投资性 (投机性) 需求。第三是城镇人口, 一个城市要想保证住宅市场的稳步发展, 必须综合考虑当地人口规模的影响, 避免由于开发规模过大而超过当地的有效需求。第四是人均可支配收入, 随着居民收入的增加, 人们的生活水平已得到了很大提高, 其消费结构也随之发生了变化, 已由传统的吃、穿等消费转向改善居住条件、提高居住水平上来。第五至第七分别是城镇人均居住面积、居民储蓄总额和GDP, 这三个要素在影响湛江售房面积中的关联性最小, 表明湛江住宅的购买者并非是需要改善居住环境的居民, 而多为投资者, 这里面不乏有外地来湛江购房进行投资的人群。因此, 本地的人均面积和GDP都不是影响本地住宅销售面积的重要影响因素。而在购房这样一种长期的投资行为中, 居民的储蓄总额的多少并未产生太多的影响, 这也恰恰印证了湛江的购房消费群体中更多的是将购房作为一项储蓄投资, 而不是自己居住。
参考文献
[1]简德三, 王洪卫.房地产经济学[M].上海:上海财经大学出版社, 2002:61-67.
[2]包宗华.住宅与房地产[M].北京:中国建筑工业出版社, 2002:61-73.
[3]关柯, 芦金锋, 曾赛星.现代住宅经济[M].北京:中国建筑工业出版社, 2002:112-115.
[4]广东省统计局.广东统计年鉴2009[M].北京:中国统计出版社, 2009.
改进灰关联 篇5
在客观世界中, 存在着许多不同类型的系统, 每种系统都由许多因素组成。这些因素往往比较复杂, 分不清哪些因素关系密切, 哪些因素关系不密切, 我们称这种关系是灰色的。由于灰色因素的作用, 对事物的认识只能停留在表面, 而不能看清本质, 于是我们引进了关联度分析的概念。目的是通过一定的方法寻求系统内部哪些因素的关系密切, 哪些因素的关系不密切, 从而掌握系统的主要特征。1982年, 邓聚龙教授首先提出了灰色系统概念, 并建立了灰色系统理论, 从此灰色系统理论得到了较深入的研究, 在许多方面获得了成功。本文应用灰色关联分析对我国近年来能源消费与国内生产总值之问的关系进行研究, 对制定合理的经济发展战略和能源安全战略等有着一定的借鉴意义。
一、灰色关联分析建模机理
1. 灰关联基本思想
灰色关联度分析 (GRA) 是以参考点和比较点之间的距离为基础的分析, 从距离中找出各因素的差异性和接近性, 或者说是基于行为序列的几何形状的接近, 以分析和确定因子间的影响程度或因子对行为的贡献测度而进行的一种分析方法。灰色系统理论提出了对各子系统进行灰色关联度分析的概念, 意图透过一定的方法, 去寻求系统中各子系统 (或因素) 之间的数值关系。因此, 灰色关联度分析对于一个系统发展变化态势提供了量化的度量, 非常适合动态历程分析。灰色关联度可分成“局部性灰色关联度”与“整体性灰色关联度”两类。主要的差别在于局部性灰色关联度有一参考序列, 而整体性灰色关联度是任一序列均可为参考序列。
其基本思想是:根据分析对象时序数列曲线的相似程度来判断其关联程度, 即两条曲线越相似, 其关联度越大, 反之越小。灰色关联分析法的研究对象是“小样本”、“贫信息”的不确定性系统, 而不像回归分析等方法要求使用大样本。通过灰色关联度的计算, 用灰色关联序来描述因素间关系的强弱、大小和次序的多因素分析技术。因此, 可以用来对我国能源消耗与经济发展进行分析, 以确定对经济发展影响最大的因素。
2. 灰色关联度模型基本步聚
确定分析序列。确定一个因变量因素和多个自变量因素, 因变量所组成的序列成为参考序列{x0}, 自变量所组成的序列成为比较序列{xi}, i=1、2、3....m, 即:
系统参考为: ;
m个系统比较序列为:
数据无量纲化处理。由于系统中各因素列中的数据可能因计算单位不同, 不便于比较或在比较时难以得到正确的结论, 因此, 在进行灰色关联分析时, 一般都要进行标准化 (无量纲化) 的数据处理。常用的处理方法有均值法、初值法等。本文采用均值法进行标准化处理, 即先分别求出各序列的平均值, 再用平均值去除序列的各个原始数据, 所得新数列即为均值化序列:
求关联系数
, 其中ρ为分辨系数, 通常取ρ=0.5, 分别为最小差值和最大差值。
求关联度
二、实例分析
《中国统计年鉴》中把经济产业分为第一产业、第二产业和第三产业, 因此本文选取了2002-2007年间中国能源消耗总量 (万吨标准煤) 、各产业能源消耗量 (万吨标准煤) 和同时期我国国内生产总值GDP (亿元) 相关数据并进行了统计分析 (见表1) 。
数据来源:根据2008年中国统计年鉴有关数据整理
利用均值法将表1进行标准化处理。通过计算各比较序列与参考序列的对应差序列, 得出各比较数列对参考数列各点应差值中之最小值, 最大值。 。
利用表2和表3中的数据及关联度计算公式我们可以得出:GDP与能源消耗总量的关系度W=1/6 (0.87+0.42+0.695+0.934+0.907+0.488) =0.719。GDP与第一产业的关联度为W01=1/6 (0.405+0.617+0.399+1+0.391+0.333) =0.524, 同理可得W02和W03分别为0.691和0.846以及能源消耗与三大产业的关联度。 (具体值见下表4)
从灰色关联度的计算结果来看, 把我国能源消费总量作为系统特征序列时, 有W02>W03>W01, 即对我国能源消费总量影响程度依次为:第二产业>第三产业>第一产业;而当以国内生产总值GDP作为系统特征序列时, 有, W03>W02>W01, 即对我国国内生产总值GDP影响程度依次为:第三产业>第二产业>第一产业。
从灰色关联度的分析结果可以看出:随着我国国民经济的飞速发展, 能源与GDP的相对关联度为0.719, 与国民经济各三大产业之间的关联度也越来越密切, 呈现出较高的关联性。说明能源消耗总量与全国GDP之间具有显著地正相关关系, 如图1所示。能源已成为我国国民经济发展的重要影响因素。其中我国以工业为主的第二产业对能源消费总量的影响程度最大, 但是它对我国GDP影响程度相对较弱一些。第三产业对我国GDP影响程度最大, 相对来说, 它对我国能源消费总量的影响要小些。而从我国能源消费总量和GDP的影响程度来看, 第一产业的影响最小。
三、结论
分析结果显示能源消耗与高耗能的第二产业有着紧密的关系。随着经济的快速发展, 巨大的能源需求对我国能源供应提出了严峻挑战。因此需要协调能源供需矛盾, 调整能源价格和品种结构, 规范能源市场, 以最优的能源配置实现最大的经济飞跃。而我国人口众多, 能源相对匮乏, 要使经济快速发展, 则必须建立节能型的产业结构, 进步降低高能耗的第二产业的比重, 提高第一、三产业的比重。为此本文提出以下措施:
1. 进一步调整产业结构。
产业结构调整进展缓慢, 服务业比重较低, 重工业特别是一些高耗能、高污染行业增长依然偏快, 很多本应淘汰的落后产能还没有退出市场。这些都必然导致我国能源消耗不断增长, 因此必须加快产业结构调整的速度。
2. 大力发展第三产业, 全面提升第三产业的内部结构。
第三产业对经济的增长起着举足轻重的拉动作用, 而该产业对能源消费影响较小, 因此应对第三产业大力发展。此外还应提高第三产业的能源利用率。我国在第三产业能源利用效率和日本的差距已经大大高于第二产业和日本的差距。这同时也说明第三产业的节能潜力大大超过是第二产业节能潜力。在当前我国第三产业还不是很发达、产值比重和能耗比重都不是很高的情况下尚且有如此大的差距, 可以想见在我们向小康社会迈进的过程中, 第三产业占据主导地位必将会导致我国能源需求的巨大增长。
3. 加快新能源的开发步伐。
对于中国这样一个能源消费大国来说, 仅仅靠节约能源必定不是长久之计, 为了我国经济又快又好的发展, 我们必须积极投入到新能源开发的行列中来, 开发新能源不仅可以有效地缓解我国在发展经济中能源瓶颈的制约和环境污染、生态破坏的威胁, 而且可以极大地促进我国居住环境的改善、社会的可持续发展, 提高企业的综合国际竞争力。另外, 我国传统经济中重污染、高能耗、资源枯竭等问题也会得到较好解决。
参考文献
[1]任朝佐:灰色系统基本理论与方法[M].北京:中国人民大学出版社, 1989
[2]中国统计年鉴2008.中国统计出版社2008, 10.
[3]刘爱芹:山东省能源消费与工业经济增长的灰色关联分析.中国人口?资源与环境, 2008 (3)
[4]刘思峰党耀国等:灰色系统理论及其应用[M].北京:科技出版社, 2008
[5]薛伟贤董维维:我国外贸依存度影响因素的灰关联度分析[J].国际经贸探索, 2008. (5)
改进灰关联 篇6
动态竞争中,一个企业所采取的竞争行为会引起其他参与竞争的企业的一系列回应行为,企业竞争行动的数量和质量是企业获取竞争优势的工具,所以要使企业的整体战略有效发挥,就必须将其转化为大量优质的竞争行动并且有效地执行[2]。
因此,在动态竞争中,企业的竞争行动取决于与其它直接竞争者之间彼此实际行动的观察,并以此来决定自己的行为[3]。如何客观认识和评价自己和对手的行动效率,对于企业在竞争中知己知彼、进退有据至关重要。只有找到差距,以己之长,攻彼之短,才能有效保存实力,最大限度地利用有限的资源条件。
对竞争行动效率进行评价,涉及多个影响因素,要解决的是一个多指标综合评价问题。目前国内外提出的多指标综合评价方法已有几十种之多,但总体上可以归为两大类:即主观赋权评价法和客观赋权评价法[4]。由于本文中所研究的评价系统是一个复杂系统,信息量较少并且涉及多方面的因素,因素间又是相互影响、不独立的。因此,将利用灰色系统理论对不完备信息的处理能力,以灰色系统理论为基础,构建灰关联综合评价模型,以充分利用现有数据,从而达到简便、客观地进行综合评价的目的。
1 企业竞争行动效率的灰关联评价模型
灰色系统理论是一种研究少数据、贫信息、不确定性问题的方法。以“部分信息已知,部分信息未知”的不确定性系统为研究对象,主要通过对“部分”已知信息的生成、开发,提取有价值的信息,实现对系统运行行为、演化规律的正确描述和有效监控[5]。灰色关联度分析便是灰色系统理论应用的主要方面之一。它是利用既有数据所潜在的讯息来白化处理,并进行预测或决策的方法。因此,灰色系统理论为本研究中要评价的企业竞争行动效率这个灰色系统问题提供了较好的研究方法,本文将利用其理论体系中重要的内容之一——灰关联度分析法进行模型的构建。
1.1 模型建立
设竞争行动相对效率评价系统S中有m个市场竞争参与者互为竞争对手,Si(i=1,2,…,m),每一参与者有n个评价指标,则特征参量(指标)序列为Xi={xi1,xi2,…xij,…,xin}(i=1,2,…,m;j=1,2,…,n),表示第i个考察对象(企业)相对于第j个指标的指标值。
系统S用矩阵X表示为
1.1.1 确定参考序列
设参考特征参量(指标)序列X0为{x0,j}(j=1,2,…,n)。
X0=(x01,x02,…,x0n),其中表示第j个指标的参照值。不同性质的指标,参照值不一样,按照下列方法来计算。
对于指标值越大越好的指标,则
对于指标值越小越好的指标,则
1.1.2 将原始数据用最优指标归一化
由于各种指标原始数据量纲不同,数量级差也悬殊,为消除原始数据量纲,合并数量级,使其具有可比性,需要对原始数据进行预处理,使其规范为隶属于[0,1]区间的极大型指标。它通过数学变换来消除原始指标单位的影响,常用的方法有标准化法、极值法、效果测度变换法等。本研究使用效果测度变换法统一指标的极性,使其都成为极大值性。按照各指标的极性可进行如下处理:
高优指标归一化
低优指标归一化
归一化后的数据矩阵为
1.1.3 计算差值
差值为△ij,用以下公式计算
△ij表示第i个考察对象(企业)关于第j个指标与参照值的差的绝对值。这些差值又组成了差值矩阵△为
从结果△中取差值绝对值中的最大值与最小值△max和△min。
1.1.4 求关联系数
关联系数用以下公式计算
其中Lij为考察对象(企业)i关于指标j对于参考序列的关联系数。δ为分辨系数,其作用是调整比较环境的大小,一般在0到1之间选取。δ越小,分辨力越大。在信息最少原理下,δ=0.5时,分辨率最高[6]。各个考察对象(企业)的关联系数又组成了一个关联矩阵,称为由m×n个灰色关联系数lij(i=1,2,…,m;j=1,2,…,n)组成的矩阵L为
1.1.5 确定指标权重
确定W=(ω1,ω2,…,ωn),其中ωj(1≤j≤n)表示第j个指标的权重。
考察指标j对指标体系中其余指标的影响程度,如果某个指标对其它指标的影响程度越大,说明该指标在系统中包含的信息量越大;反之,则说明该指标在系统中包含的信息量越小。对某一指标j,分别求得其它指标k(k≠j,即j)相对于指标j的灰关联度r为
则指标j的群灰关联度为
群灰关联度反映了在某一特定的环境下,指标j对指标体系中其它指标的影响程度,xi(j)、xi(k)分别表示第i个考察对象(企业)关于j指标和k指标的指标值。
然后,通过指标j的群灰关联度求得各个指标的相对权重为
1.1.6 计算评价结果
最终的综合评价值R=W·L为各考察对象(企业)的评价结果。
1.2 构建评价矩阵
根据竞争行动相对效率评价模型计算出各企业的相对效率值,然后求出该企业3年内的平均值与平均增加值。用评价值和评价值的增量来表示效率的高低、效率变化的快慢这2个维度,并在每个维度上各分为3个档次。从而构建出企业竞争行动相对效率的两维评价矩阵。
2 企业竞争行动效率评价模型的应用实例
究以中国主要电视机、空调、冰箱和洗衣机生产企业中在沪深证券交易所上市的所有18家A股上市公司为样本,并利用其与本研究有关的数据对这18家企业的竞争行动相对效率进行分析和评价。
2.1 构建样本空间并确定参考序列
本研究的样本空间包括18个家电上市公司、10个评价指标。18个家电上市公司分别为康佳、春兰、长虹、海信、小天鹅、TCL、海尔、厦华、科龙、上广电、澳柯玛、夏新、荣事达、美的、格力、熊猫、美菱和长岭,分别用S1~S18表示。10个评价指标分别是外部导向性、结构复杂性、市场依赖度、以往业绩、闲置资源、研发能力、行动数量、行动速度、行动差异性和行动多样性,分别用X1~X10表示。指标X1~X6数据来源与上市公司的财务报表,指标X7的数据来源于中国电子报数据库,指标X8~X10的数据根据来源于中国电子报数据库的原始数据进行计算得到指标的测量方法和指标代码如表1所示。
首先对这18家企业进行2006年的行动效率评价,评价所需的基本数据及各指标的最优值如表2所示。
2.2 原始数据归一化
根据式(3)和式(4)对原始数据进行归一化处理。
2.3 计算差值矩阵
根据式(5)计算各考察对象(企业)每个指标与该指标参照值的差的绝对值。这些差值又组成了差值矩阵△。差值矩阵△中最大值为1,最小值为0。
2.4 求关联系数
利用上述最大值和最小值,代入式(6)求各考察对象(企业)的各个指标对于参考序列的关联系数,组成矩阵L。
2.5 确定权重系数
首先,对某一指标j,根据公式(7)和(8)分别计算出其它指标k(k≠j,即j)相对于指标j的灰关联度r,然后,根据公式(9)计算出各指标的群灰关联度,计算结果为r1=0.382 8,r2=0.710 7,r3=0.586 1,r4=0.667 1,r5=0.661 3,r6=0.665 5,r7=0.681 9,r8=0.666 8,r9=0.642 4,r10=0.633 8。第三步,根据公式(10)计算各指标的相对权重ωj,计算结果为ω1=0.060 8,ω2=0.112 7,ω3=0.093 1,ω4=0.105 9,ω5=0.105 0,ω6=0.105 7,ω7=0.108 3,ω8=0.105 9,ω9=0.102 0,ω10=0.100 6。
2.6 计算评价结果
根据计算出的各指标的相对权重,运用公式R=W·L计算各评价对象最终的竞争行动效率评价结果。18家主要家电上市公司竞争行动相对效率2006年度的评价结果为S1=0.60,S2=0.52,S3=0.55,S4=0.72,S5=0.48,S6=0.63,S7=0.69,S8=0.51,S9=0.44,S10=0.41,S11=0.36,S12=0.39,S13=0.56,S14=0.51,S15=0.53,S16=0.35,S17=0.38,S18=0.31。
2.7 评价矩阵
按照同样的方法和过程分别计算上述评价对象2003、2004、2005年的竞争行动相对效率,取2004、2005、2006年3年评价结果的平均值作为最终的行动效率评价值,来表示各评价对象竞争相对行动效率的高低;取2004与2003年,2005与2004年,2006与2005年评价结果增加值的平均值,作为效率增量指标,对评价对象的竞争行动效率变化程度进行比较。表3为18家主要家电上市公司竞争行动相对效率2003—2005年评价值及2004—2006年的评价值增量,其中平均值均为2004—2006年3年的平均值。
图1为根据表3的数据绘制的评价矩阵。
图1的评价矩阵中将行动效率和行动效率增长率各分为3组,将表3的评价结果数值,按照3个组别确定大致的区间长度,分别表示为高效、中效和低效。
从矩阵中可以清楚直观地了解各家电上市公司的竞争行动相对效率:其中双高效的企业有S4和S6,说明这两家企业不但竞争行动效率很高,还保持了较高的增长水平;双低效的企业有S11、S16和S18,这3家企业在所有家电上市公司中竞争行动效率相对较低,增长率也有下降趋势;竞争行动效率适中、增长率也适中的企业较多,包括S2、S3、S8、S9、S13和S17,这类企业发展较为稳定,竞争行动效率和增长率在所有评价对象中处于适中水平;竞争行动效率适中,但增长率较高的企业有S14和S15,说明这两家企业虽然目前竞争行动效率相对适中,但增长率却相对较高;竞争行动效率适中,但增长率较低的企业有S5和S12,这两家企业从评价结果看竞争行动效率尚可,但相对于其它家电上市公司来说行动效率的增长率处在较低水平;而S1和S7,这2个企业竞争行动相对效率较高,与双高效的企业相比增长率却处于中间水平;竞争行动效率相对较低,增长率适中的企业有S10,说明这家企业虽然竞争行动效率相对于参评企业来说较低,但效率增长情况却好于S11、S16和S18等企业。
3 结论
本研究运用灰色系统理论,构建了企业竞争行动相对效率的灰关联评价模型,并以中国主要家电上市公司为样本进行了应用研究。从研究结果可以得到如下结论。
以灰色关联理论为基础的灰关联综合评价法,能够充分利用现有的数据,适用于不同性质的评价指标;借助群灰关联度确定指标权重的方法,充分考虑了复杂系统指标间相互影响、相互关联的特点,权重系数的大小是各指标在指标总体中的变异程度和其它指标影响程度的度量,赋权的原始信息直接来源于客观环境,根据各指标所提供的信息量的大小来决定相应指标的权重系数,一定程度上克服了综合评价中给作用不同的指标赋权时的主观因素的影响。同时结合考察对象与参考值的差异来确定考察对象的得分,充分体现了不同性质指标的特性。
对18家主要家电上市公司竞争行动相对效率的评价结果基本能够客观反映这些企业的实际情况,使企业在竞争行动效率评价方面有了比较的依据,评价矩阵更是能够直观反映各企业竞争行动效率现状和与其它企业之间差距的工具。应用研究过程也说明,整个评价过程计算简单,评价结果直观、贴近实际,不会出现评价结果与定性分析不一致的情况,具有较强的可行性、可操作性和实用性。能够较好地解决评价系统指标数据收集困难,指标间存在关联等问题,使得评价结果更加贴近实际,提高评估的准确性。并且由灰色关联分析法得到的结果定量地说明了实际指标值与企业要达到的最优指标值之间的差距,增强了评价结果的可比性。
在使用中如果遇到决策重点转移的问题时,还可以对模型中指标的权重进行微调。比如现阶段相对竞争行动效率来说如果更看重行动速度,就可以根据模型微调相关速度指标的权重。由于本评价模型的数据是建立在考察对象与参考序列差值基础上的,所以当权重发生改变时,模型能够便捷地给出相应的评价结果,对决策重点转移敏感。
因此可以认为,本研究构建的竞争行动效率评价模型有助于企业在动态的竞争环境中,利用可获取和掌握的信息,对自己和竞争对手的竞争行动效率及效率的变化程度进行评价,并明确自己在竞争对手中所处的位置,知己知彼,从而更好地把握竞争的节奏、构建动态的竞争优势。
参考文献
[1]王永贵.21世纪企业制胜方略:构筑动态竞争优势[M].北京:机械工业出版社,2001:29.
[2]谢洪明,蓝海林,刘钢庭,等.动态竞争理论的研究评述[J].科研管理,2003(11):28-35.
[3]MILLERD,CHENM,J.Thecauses and consequences of competitive inertia[J].Administrative Science Quarterly,1994(39):1-23.
[4]虞晓芬,傅玳.多指标综合评价方法综述[J].统计与决策,2004(11):119-121.
[5]刘思峰,郭天榜,党耀国.灰色系统理论及其应用[M].2版.北京:科学出版社,1999:36.
改进灰关联 篇7
一、样本、标准矩阵及归一化矩阵
以不同地点 (或区域) 各污染因子的监测值分别组成样本矩阵, 记为:
用时间、不同代表期 (如丰、平、枯) 不同群体的各污染因子标准值, 按p个级别分别组成标准矩阵:
分别将样本和标准矩阵中多数值转变为[0, 1]区间内取值数。I级标准浓度.在标准矩阵中对应因子为i, p级标准浓度在矩阵中对应因子为0, 中间的i~p对应的因子均在[O, 1]之间。组成归一化的标准矩阵、实测矩阵:
并从各要素 (因子) 层起, 逐一进行它的ni个因子与环境质量标准的距离分析, 说明它隶属于Lini矩阵中那个Pi级质量, 通过监测序列与各种Pi级标准序列间的关联或隶属关系的分析, 关联性最密切的序列就是所要评价的级别。
二、评价参数的选择
依照评价项目和水质好坏的模糊概念, 把评价库区的水质划分为清洁、较清洁、一般、中污染、重污染五个等级, 根据玉石水库2009年4~9月份水质监测资料, 以国家规定的地表水GB 3 8 3 8-2 0 0 2《地表水环境质量标准》为标准, 具体选择了高锰酸盐指数、氨氮、挥发酚、总磷、铅等5项为主要参数进行评价。
三、评价方法
根据玉石水库2009年4~9月份水质监测资料, 把玉石水库2009年4~9月水质监测资料进行参数归类并进行统计, 分别计算各评价参数的平均值, 基于灰色系统理论构造满足关联空间的关联离散函数[ζj, (k) ], 即
式中ζjo (k) 子序列{X (k) }相対母序列Xo的点的接近度,如取絶対俣差有
△min和△max是最小和最大的极差,即
△min=min.min{△jo (k) } ρ是分辨系数ρ∈[0, 1], ρ取p=0.5
显然, ζjo描述了多个序列问相对第K点的距离。它的面积测度即为第j个子序列X;相对参考序Xo的关联度rjo, {rjo}全体便构成关联关系。从中可确定关联性最大、隶属程度最高的某个子序列,即为水质综合评价对应的j级水。这样按各评价参数的平均值,构造满足灰色系统理论关联空间的关联离散函数及隶属函数来确定水库的水质级别。
四、评价结果
根据玉石水库2009年4~9月份水质监测资料, 按上述公式进行计算评价, 可得灰色关联度矩阵:
从分级标准P灰色关联度矩阵可以看出, 第2个节点的权重值为0.787, 明显大于其他节点权重, 故综合评价该水库的水质为Ⅱ级, 属尚清洁的水体。表明玉石水库水环境综合质量较好。
五、结语
水质分级标准、污染程度分级都是模糊的概念, 本文将多级灰关联理论应用到水质评价中, 用多级灰关联评价方法可以明确多个序列关联程度。对同一空间点和代表性时段的水环境指标, 完全存在着对其中一群指标属于j1级水, 而另外某些群指标属j2级水。关联度愈高, 该样本序列隶属的关系愈贴近, 从而使综合评价质量效果就愈好。
摘要:水环境评价指标体系的构建及水环境质量的综合评价分析是制定水环境保护对策的一个重要环节。本文在介绍了水环境指标因子选择方法的基础上, 应用多级灰色关联评估理论及其模型对玉石水库水环境质量状况进行了综合评价。