属性识别理论（通用9篇）
属性识别理论 篇1
0 引言
带钢是钢铁的主要产品之一,其质量的优劣对最终产品的质量和性能有着非常大的影响。带钢质量的影响因素包括带钢的表面质量、工艺性能、力学性能、板形、尺寸精度以及与产品特性相关的其他因素[1]。传统的带钢质量综合评价由质检人员通过概率统计和经验形成带钢质量报告。这种评价方法得到的评价结果主观性强、评价结果一致性难以保证,不能真实合理地反映带钢质量等级的分布情况。针对该问题的研究工作较少,吴艳萍等[2]应用模糊综合评判法对该问题进行了研究,建立了多级模糊评价模型,该模型复杂且模糊数学的取大取小运算会损失大批中间值的信息,因而限制了其应用。为了客观地对带钢综合质量进行评价并避免模糊运算所导致的大批中间值损失的问题,本文将广泛地应用在人工智能领域的属性识别理论,如模式识别、聚类分析、决策系统和质量评价[3,4,5,6,7,8,9]引入到带钢质量的评价中,建立质量等级属性集,由影响带钢质量的各个指标的单指标属性测度计算出多指标综合属性测度,最后根据置信度准则对带钢质量进行分级,并依据评分准则对同一质量等级的带钢质量进行排序。
1 属性识别理论模型
1.1对象空间和属性集
将研究对象的全体称为对象空间,记为X。在对象空间X中取n个样本x1,x2,…,xn。对样本测量m个指标I1,I2,…,Im。样本xi的指标Ij的测量值为xij,可得测量矩阵[xij]n×m。对象空间X中样本所具有的某类属性的集合称为属性空间,记为F。属性空间F中的任何一种情况都可称为一个属性集。
1.2属性空间的分割与有序分割类
设F为X上某类属性空间,C1,C2,…,Ck为属性空间F中的k个属性集。如果C1,C2,…,Ck满足
则称C1,C2,…,Ck为属性空间F的分割[10,11,12]。
属性集之间可以建立强序或者弱序关系,属性集的强序关系记为C1≻C2≻…≻Ck,属性集的弱序关系记为C1≺C2≺…≺Ck,满足强序或者弱序的属性集C1,C2,…,Ck为有序分割类。如果指标Ij的分类标准已知,则分类标准矩阵可记为
1.3属性测度
设A为一个属性集,“x∈A”表示“x具有属性A”。“x∈A”是一种定性描述,为了定量描述x∈A的程度,用一个具体数字μ(x∈A)或μx(A)表示,称之为x∈A的属性测度[10,11,13]。方便起见,要求属性测度在[0,1]之内取值。
1.3.1 单属性测度
单属性测度即样本xi的指标Ij的测量值xij具有属性Cp的属性测度μijp=μ(xij∈Cp),且满足
当xij≥sj1时,取
当xij≤sjk时,取
当sjt≥xij≥sj(t+1)时,取
样本xi的各指标的单属性测度确定之后,便可得到单指标属性测度矩阵[μijp]m×k(i=1,2,…,n)。
1.3.2 综合属性测度
已知样本xi的单指标属性测度矩阵,采取加权和的方法可计算出样本xi的综合属性测度。设指标权向量w=(w1,w2,…,wm),其中,wj≥0且
1≤i≤n;1≤p≤k
所有样本的综合属性测度确定之后,便可得到综合属性测度矩阵[μip]n×k。
2 权重向量的确定
权重向量的确定方法很多,如专家打分法、层次分析法、主成分分析法、灰色分析法等[14,15,16]。本文将评价指标分别进行两两比较,得到相应的对比矩阵,然后进行权重向量的求解[17,18]。采用对比判断标度法建立对比矩阵的方法如下:①若指标Ik比Il更重要,则排序标度ekl=1,elk=-1;②若指标Il比Ik更重要,则排序标度ekl=-1,elk=1;③若指标Il和Ik同等重要,则排序标度ekl=elk=0。
由上述对比判断标度法可得到对比矩阵E′=[eij]m×m。根据最优传递矩阵原理,构造对比矩阵E′的传递矩阵S′=[s′ij]m×m,其中
由传递矩阵S′得到相应的判断矩阵C′=[c′ij]m×m,其中
c′ij=exp(sij) (6)
对C′的每一行求和得到向量D=(d1,d2,…,dm),其中
然后,对向量D进行正规化,得到m个指标的权重向量w,其中
3 属性识别准则
当综合属性测度矩阵确定之后,应用属性识别准则中的置信度准则判别样本xi属于哪一类,并应用属性识别准则中的评分准则对判别为同一类的不同样本进行排序[10,11,19]。
3.1置信度准则
引入置信度λ,取值范围通常为0.5≤λ≤1,一般取0.6与0.7之间。当C1≻C2≻…≻Ck时
p0=min{p:
当C1≺C2≺…≺Ck时
p0=max{p:
根据属性集之间的强序和弱序关系,来选择式(9)或式(10)进行计算得到p0。根据p0可判断样本x是否属于Cp0类。
3.2评分准则
用分数来表示属性集之间的强弱关系,即强属性集的分数大于弱属性集的分数。属性集Ci的分数记为ni。当C1≻C2≻…≻Ck时,有n1>n2>…>nk;当C1≺C2≺…≺Ck时,有n1<n2<…<nk。样本x的分数为
若qx1>qx2,则认为x1比x2强,记为x1≻x2。
4 应用实例
已知某企业钢卷的主要质量指标是表面质量、板形、尺寸精度、机械性能。本文选取带钢表面质量、衡量板形的板形值、衡量尺寸精度的厚度公差和宽度公差、衡量带钢工艺性能的应变强化指数n、塑性应变比r和杯突值,以及衡量带钢力学性能的屈服强度σs、抗拉强度σb和伸长率δ为带钢质量的评价指标。其中,表面质量由专家或检测人员根据经验给出表面质量分值(百分制),分值越大代表表面质量越好,其他9个指标可以通过试验或者使用仪器直接测量的方式来进行检验。本文以相关研究[2]为基础,并对其中的评价指标及与质量等级的关系进行必要的扩充和调整,假设某企业某种型号厚度为a的带钢的上述10个评价指标与质量等级的关系如表1所示。
在一批产品中抽出4卷钢卷,质检人员通过检测得到的钢卷质量记录如表2所示。
由专家根据比较法对各个指标影响带钢质量的重要程度进行两两比较,得到对比矩阵:
E′的传递矩阵为
从而得到相应的判断矩阵C′,进而计算出指标的权重向量w=(0.2219,0.1802,0.1182,0.0487,0.0384,0.0300,0.1461,0.0775,0.0775,0.0613)。利用单属性测度计算公式,计算得到4卷钢卷10个评价指标的单属性测度矩阵:
利用综合属性测度计算公式,计算得到的综合属性测度矩阵:
取置信度λ=0.7,因本例中质量级别之间的关系属于强序的属性集关系,故由置信度准则计算公式(式(10))对每卷钢卷的质量级别进行计算。应用评分准则计算每卷钢卷的具体分数时,取ni=6-i(1≤i≤5),按
文献[2]应用模糊综合评判法对带钢质量进行分级。应用模糊综合评判法进行带钢质量分级会出现分级不清、结果不合理的问题,其原因是模糊数学的取大取小运算损失了大批中间值的信息,而最大隶属度原则也不适用于带钢质量评价,同时,应用模糊综合评判法进行带钢质量分级不能进行更加细致的分级,即不能对质量级别相同的带钢质量进行进一步的区分。带钢质量评价是有序分割类的识别问题,因此本文建立的带钢质量评价属性识别模型很好地解决了模糊综合评判法所导致的问题,并且相对于传统的质量等级的离散判别来说,本文方法所给出的判别结果可以做到质量等级的连续判别。
5 结语
针对钢铁企业对钢卷质量评价过于简单粗糙的现状,本文在属性集和属性测度理论的基础上,以置信度准则和评分准则为判别准则,建立了带钢质量评价模型。在带钢指标权值及带钢指标值确定之后,应用判别准则对属性测度矩阵进行处理便可得到钢卷的质量等级,并对同一级别带钢质量进行排序。实例表明,该模型评价结果合理可信,计算过程简便,实用性强。
摘要：针对带钢质量评价属性多、指标多的特点,提出了带钢质量综合评价的属性识别模型。依据属性识别理论中有关属性集、属性测度、有序分割类等基本概念,建立了质量等级属性集并计算出带钢质量影响因素的单属性测度和综合属性测度。以置信度准则和评分准则为判别准则,根据置信度准则进行带钢质量的等级评定。同一等级的带钢质量差别由评分准则来区分。实例表明,该模型计算简便,易于计算且具有一定的推广性。
关键词：带钢,质量,综合评价,属性识别理论
属性识别理论 篇2
属性识别理论在淮南市大气环境质量评价中的应用
通过将熵值法与属性识别理论相结合,建立了基于熵权的.属性识别理论模型,并根据GB3095-1996<大气环境质量标准>,对淮南市至的大气环境质量进行了综合评价.评价结果与模糊数学综合评判法分析的结果基本一致,从而证明运用属性识别理论应用于大气环境质量评价是合理可信的.由于属性识别理论概念清晰,计算过程简便,可有效避免权重确定的主观偏向问题,因此,能较好地运用于大气环境质量综合评价方面.
作 者：肖俊峰 张江山 刘可慰 刘欣萍 陈庆华 Xiao Junfeng Zhang Jiangshan Liu Kewei Liu Xinping Chen Qinghua 作者单位：福建师范大学化学与材料学院福建省改性塑料技术开发基地,福建福州,350007刊 名：环境科学与管理英文刊名：ENVIRONMENTAL SCIENCE AND MANAGEMENT年，卷(期)：34(4)分类号：X823关键词：大气质量评价 属性识别理论模型 熵
属性识别理论 篇3
美欧等发达国家早在20世纪60年代就开始重视公路养护质量管理,其中,美国在养护管理系统(MMS)中提出了公路养护质量的概念;1980年,英国运输部颁布了《干线公路管理和养护说明》,提及了公路养护质量评价方法。我国先后颁布并修订了《公路养护质量检查评定标准》和《高速公路养护质量检评方法》,建立了公路各组成部分的养护质量评价体系,但尚未形成一套完整的综合评价体系[1~3]。本文探讨了公路养护质量综合评价的指标体系,并以属性识别理论为基础,对公路养护质量的综合评价方法进行研究,为公路养护管理工作提供一些参考。
1 公路养护质量评价指标体系
1.1 指标体系的建立
公路养护质量评价是公路养护管理工作的重要组成部分,其评价结果直接影响公路管理、养护经费及养护对策的制定等多个方面。由于公路养护的对象有着广泛性的特点,除道路、桥涵、隧道之外,还包括交通工程及沿线设施,绿化以及环保等方面,因此建立一个全面、合理的多因素公路养护质量评价指标体系是十分必要的[4,5,6,7]。
本文通过对公路各组成部分的分析,采用层次分析法,构建了一个3层次的公路养护质量评价指标体系,分别为目标层、准则层和指标层,指标层中定量指标与定性指标相结合,各评价指标间相对独立。建立评价指标体系的层次结构见表1。
评价指标应尽可能通过资料调查进行量化,例如:横向力系数、车辙深度、桥梁承载力、绿化覆盖率等指标,可以根据评价指标的定义,按照公路沿线的实际调查情况确定相应的指标值。而各种桥梁构件的缺损状况、标志标线等指标难以直接客观量化,本文建议采用集体经验判断法来对指标进行量化。集体经验判断法是由一定数量的从事公路养护管理工作的技术人员在一起讨论,各抒己见,根据指标定量化标准,确定不同的指标得分值,然后求出相应指标值的平均值,作为评价指标定量化的最后结果。
1.2 指标权重的确定
指标权重的确定是在评价过程中对评价对象的不同评价指标的重要程度的定量分配,即对各评价指标在总体评价中的作用进行区别对待。公路养护质量综合评价系统是一个复杂的多指标体系,本文建议利用层次分析法确定公路养护质量评价中各指标的权重。
层次分析法能把复杂系统的决策思维进行层次化,把决策过程中定性和定量的因素有机地结合起来,通过调查评价指标对评价对象的贡献程度来确定评价指标的排序并建立判断矩阵,本文建议采用1~3标度法建立判断矩阵,比较标度表见表2。
对每一层次各元素的相对重要性给出判断,对各相关元素进行两两比较评分,可得到若干两两比较判断矩阵,构造判断矩阵A。矩阵中aij表示对A元素而言,ai与aj重要度的标值。例如aij=1表示ai与aj的重要度相等。
在判断矩阵的基础上,计算判断矩阵的最大特征根及相应的特征向量,即对判断矩阵A计算满足AW=λmaxW的特征根和特征向量。这里λmax为A的最大特征根,W为对应于λmax的规范化特征向量。
为防止判断矩阵偏离一致性影响,最终决策需要检验判断矩阵的一致性,当判断矩阵的随机一致性指标小于0.1时,矩阵具有满意的一致性,否则需要调整判断矩阵[8]。
显然,可以用wi作为评价指标Xi的权重。
2 公路养护质量评价模型
公路养护质量评价的目的是确定养护的目标是否达到,养护是否合理有效,通过分析评价找出成败的原因,总结经验教训,并通过及时有效的信息反馈,为进一步的养护决策提出建议,从而达到提高养护质量的目的。属性识别理论在工程建设、环境评价等项目中广泛应用,评价结果客观有效[9]。本文利用属性识别理论对公路养护质量进行评价。
2.1 单指标属性测度分析
设X为公路养护质量评价对象空间,对X中的每一个评价元素x要测量m个指标I1,…,Im。对X中元素的评价集为(C1,C2,…,CK),CK(1≤k≤K)为评价等级或评价类。单指标评价划分类别标准见表3。
设x的第i个指标值为t,由表3确定单指标属性测度函数μxik(t)。在表3中aik满足ai0
假定ai0
2.2 多指标综合属性测度分析
在公路养护综合评价中,每个指标所起的作用是不同的,参照上节层次分析法获取各评价指标的权重向量,假定利用单指标属性测度分析得指标xi的属性测度为(μx1,μx2,…,μx K),属性测度矩阵为
则多指标综合评价的属性测度向量为
2.3 属性识别及养护决策模型
属性识别分析的目的是由属性测度μxk,1≤k≤K,对x属于哪一个评价级别作出判断,进而做出相应的养护决策。本文利用属性识别准则确定养护质量评价等级及养护措施。
假设公路养护质量评价及养护决策的评价标准如表4所示。
则利用多指标综合属性测度分析子系统中计算出的综合属性测度及综合评价的评价标准,计算该评价对象的评分为:
公路养护评价标准等级与养护分级相对应,评分结果既可以为养护决策提供直观参考,又可以为下一层次的评价提供数据支持,方便进一步评价。
3 工程应用实例
国内某高速公路是我国的重点交通建设项目,双向4车道,路面结构类型为沥青混凝土路面,应用属性识别理论模型对其养护质量进行评价。限于篇幅,本文以路面养护质量评价为例,详细说明属性识别理论在公路养护质量评价中的应用。
路面状况指数PCI,即通过路面破损状况的调查全面掌握路面出现的病害情况,对其进行量化,具体PCI值可按照《公路养护技术规范》的相关要求进行调查计算得到。
路面强度指数SSI,为路面容许弯沉与实测代表弯沉之比,主要用于评价路面结构的承载能力,以确定必要的养护措施。
行驶质量指标RQI,行驶质量用纵向的平整度来评价,RQI=11.5-0.75×IRI,其中,IRI为国际平整度指数。
横向力系数SFC,是反映道路抗滑能力的一个重要指标,可采用横向力系数测定仪测定。
借鉴公路养护质量评价中常用的评价标准,本文制定了路面养护质量评价指标的分级标准,详见表5。公路养护质量其余各评价因子的评价标准的制定与之相近,在此不再赘述。
对评价路段的路面指标的实测数据计算结果见表6。
根据专家调查意见,利用3标度法建立路面养护质量4评价指标的判断矩阵,经检验,判断矩阵具有良好的一致性,计算得出指标权重向量为:
由公式(1)~(5)可求得多指标测度评价矩阵:
由公式(6)可求得评价路段公路养护质量的综合测度评价向量:
高速公路路面养护质量评价及养护决策标准如表7所示:
由公式(7)可求得评价路段公路养护质量的评价结果为81.4,评价等级为良好,需要进行预防性养护。由于评价得分为良好级中的较低值,需密切注意路面使用状况,及时采取有效措施,有力保障公路的良好使用性能。评价结果客观地反映了该段公路工程养护质量的实际情况,有效地指导了养护部门工作的实施。
4 结语
随着我国公路建设事业的发展,公路养护逐渐成为道路工作者认真对待和研究的重要课题。本文根据公路养护的特点,建立了公路养护质量评价指标体系,利用层次分析法确定公路养护质量评价中各指标权重,构建了公路养护质量评价体系的属性识别模型,通过工程实例验证表明,该模型可以有效地衡量评估公路的养护质量,为养护决策提供参考。
摘要：通过对公路养护质量要求的分析,建立了公路养护质量综合评价的指标体系,利用层次分析法确定评价指标权重。基于属性识别理论,构建了公路养护质量的综合评价模型,最后结合工程实例对该模型进行了验证。结果表明,属性识别模型能够客观有效地评价公路养护质量。
关键词：公路养护,养护质量,层次分析法,属性识别,评价体系
参考文献
[1]杨强,陈长,孙立军.高速公路沥青路面养护质量评价方法研究[J].交通标准化,2008,(Z1):76-80.
[2]徐强.高速公路沥青路面预防性养护评价体系研究[J].中外公路,2009,29(03):64-68.
[3]范跃武,李小重.英国公路养护规范及路况检测评价方法[J].中外公路,1999,19(04):51-55.
[4]崔亚萍,张捷,张江影.高速公路沥青路面养护质量评价方法的探讨[J].中外公路,2008,28(04):70-73.
[5]王芳,苏小军,胡兴华.高速公路养护及服务质量评价指标体系研究[J].重庆交通大学学报,2009,28(3):600-603.
[6]赵吉广,陆键,项乔君.高等级公路养护质量评价体系研究[J].公路交通科技,2006,23(04):1-6.
[7]JTJ073.2—2001公路沥青路面养护技术规范[S].
[8]王莲芬,许树柏.层次分析法引论[M].北京:人民大学出版社,1990.
证券投资三大属性理论与投资决策 篇4
证券投资是对预期收益的风险投资,具有收益性、风险性和流动性三大基本属性.在证券投资中,预期收益决定着投资资金的投放方向;风险性决定着投资资金的投放数量;流动性则决定着投资资金的.留存时间.这三大基本属性,使证券投资成为一种极具吸引力又极具挑战性的经济活动,同时又有力地推动着社会资金不断由低效率向高效率流动.
作 者：李仁芬 作者单位：深圳信息技术学院经济管理系,广东,深圳,518029 刊 名：武汉大学学报(社会科学版) PKU CSSCI英文刊名：WUHAN UNIVERSITY JOURNAL（SOCIAL SCIENCES） 年，卷(期)：2002 55(6) 分类号：F830.91 关键词：证券投资 收益性 风险性 流动性★ 学习日语的错误做法三大误区
★ 学习三大构成课程个人总结
★ 三大传统节日
★ 高中学习攻略，三大主科要注意哪些内容？
★ android属性动画Property
★ 土地利用规划体系探讨
★ 感受色彩
★ 我改变了学习的色彩作文
★ 三大销售技巧
属性识别理论 篇5
1 地震波的分形属性
自从曼德尔布罗特(B.Mandelbrot)在1975年提出分形维的概念后,迅速得到了广泛的应用。所谓分形是对那些没有特征长度,但在一定意义下具有自相似性或自仿射性的图形、构造以及现象等等的总称[4]。理想的分形应该具有严格的自相似性和跨越不同尺度的对称性,即分形的维数在所有尺度下是不会变的,因此一个分形应当具有唯一的分维值。理论上,一个分形的特征用一个维数来刻画即可。
油气勘探的主要目的就是寻找地下沉积岩,但沉积岩并非呈非常规则的层状,而是存在着很多大大小小不同层次的沉积旋回,在一个大旋回中可能包含若干个较小的旋回,而一个小的旋回中又可能包括一些更小的旋回。因此,在一定的沉积旋回的级别范围内,存在着统计意义上的自相似性。这样一来,沉积旋回及其岩石物性等控制着油气分布的因素具有一定的分形特征,可以运用分形来检测油气资源[5,6]。
2 几种常用的分形维
2.1 容量维(Capacity Dimension)
容量维是一种基本的分形维数,由于其便于计算和测量,在很多地方都有应用。对于一条平面曲线L,假设它可以用互不重合的N(r)个边长为r的小正方形完全覆盖住,如果极限
存在,则这个极限就称为这条曲线的容量维,记作Dc。一般而言,平面曲线的容量维Dc介于1和2之间,曲线越简单,Dc越接近于1;曲线越复杂,Dc越接近于2。
在计算机求容量维时可以按照下面的步骤进行:
(1)选定一个大正方形,覆盖住整条曲线L;
(2)K等分大正方形边长,则原来的正方形被划分成K×K个小正方形,记每个小正方形的边长为r;
(3)扫描整条曲线L,记录曲线经过的小正方形数目N(r);
(4)在直角坐标系中描出点(In(1/r),In(N(r)));
(5)继续细分每个小正方形的边长,然后重复上述第(3)、(4)步;
(6)用直线拟合点列(In(1/r),In(N(r))),得到的直线的斜率就是曲线L的容量维Dc。
2.2 关联维(Correlation Dimension)
对于一个给定的时间序列X(i),i=1,2,⋅⋅⋅,n,要计算其关联维,需要首先构造出一个m维的相空间(m称为嵌入维)。实际操作中可以按一定的时间间隔τ依次从时间序列中取出一部分分量来构造向量空间[7]:
这里τ为时间间隔,一般取τ=1。
向量Yi构造好之后,定义Yi与Yj之间的距离为:
其中,Yik表示向量Yi的第k个分量,即Yik=X[mod(i+(k-1)τ,n)]。
如果向量Yi与Yj之间的距离小于事先给定的正数R,就称这两个向量是有关联的,否则称为无关联的。若总共构造了N
个向量,则有N2个距离。rij是一个N×N的矩阵,该矩阵是一个对称矩阵,并且主对角线元素全部都为0。对于给定的正数R,统计出相空间中相互关联的向量对数目所占的比例:
其中,H(x)为单位阶跃函数,即
如果正数R取得太大,可能任何一对向量都是关联的,即C(r)=1,取对数后为0。通过多次试验后取一个合适的正数R,如果极限
存在,则这个极限就叫做时间序列X(i),i=1,2,⋅⋅⋅,n的关联维,记做DCO。
在实际计算中,往往采用下面的计算步骤:
(1)给定时间间隔τ和嵌入维m,给出并不断变化正数R,计算出点列{(In(R),In(C(R)))};
(2)在直角坐标系中作出点列{(In(R),In(C(R)))}的图;
(3)用直线拟合点列{(In(R),In(C(R)))},得到直线斜率;
(4)不断改变嵌入维m,重复上述(1)-(3)步,直到拟合的直线斜率的变化值小于给定的小正数ε。
此时的嵌入维m称为序列的饱和嵌入维,在饱和嵌入维下按上式计算得到的直线斜率就是序列的关联维DCO。
3 地震数据分形属性的提取
3.1 数据预处理
为更好地表现出地层中的细微结构,对每一道数据作正规化预处理。具体处理可以按下式进行:
式中,xi(max)和xi(min)分别为第i道数据中的最大值和最小值。显然,经过这样的变化后,0≤x′ij≤1。
3.2 分形维的计算
(1)综合分形维
对于一个给定的地震剖面,每一道地震记录都有一定的分维值,它反映了同一地点地下构造的复杂程度。然后将每一道地震数据的分维数连起来就得到一条曲线,这条曲线反映的是分维数在横向上的总体变化趋势。
(2)瞬时分形维[8]
地震信号在短时间内的复杂程度可以用瞬时分形维来刻画,它能够更精确地描述地下构造的变化。要计算瞬时分形维,应当截取一道地震记录的一小段来求分维数。为此,需要沿纵向开一个时窗,然后对时窗内的数据求出一个分形维。接下来将时窗向后移动一个采样点,继续求出窗内地震记录的分维数,……同样的办法做下去,直到时窗遍历整道地震记录,这样每一道地震记录就可以得到一系列的分形维,形成一条分形曲线。
同样的办法计算所有道地震记录的瞬时分形维,最终可以得到一张分维数剖面。
4 实际地震数据处理结果
图1为某油田的一小块地震记录的剖面图。该剖面共有620道地震记录,每道记录有451个采样点,采样间隔为2ms:
在剖面第194道的地方有一口油井,对每一道计算其容量维和关联维,得到的结果如图2。取时窗长度为25,得到的瞬时容量维剖面如图4所示:
从图2、图3和图4可以看出,在富含油气的区域,分形维都出现了明显的高值。另外,在580道附近也出现了高值,但这并非油气异常,而是因为在这个地方有一些小断层。因此,在应用分形维预测油气时,需要特别注意。
5 结论
1)一般而言,油气资源会使得该地区地质构造变得复杂,分形维数也随之变高。因而一个地区地震记录的分维数越高,含油气的可能性就越大;反之分维数越低,含油气的可能性就越小。当含有油气时,产层顶底会有新的反射系数出现;
2)在出现断层的地方,地质结构也会变复杂,导致计算得到的分维数变高。因此一个地区到底是含有油气还是存在断层,需要综合其他方法来进行考虑,尽量减少误判。
参考文献
[1]王永刚,乐友喜,张军华.地震属性分析技术[M].北京:中国石油大学出版社,2006.
[2]李操.基于地震属性的储层预测方法研究及初步应用[D].大庆:大庆石油学院,2006.
[3]胡建.地震波属性可靠性研究[D].大庆:大庆石油学院,2004.
[4]李庆忠.怎样正确对待分形、分维技术[J].石油地球物理勘探,1996,31(1):136-160.
[5]徐文会.基于小波与分形理论的地震储层及其含油气预测[D].北京:中国石油大学,2008.
[6]文环明.分形测井解释理论方法研究[D].乐山:成都理工大学,2003.
[7]汪富泉,罗朝盛,陈国先.关联维数在油气勘探中的应用[J].中国海上油气(地质),1992,6(6):61-68.
一种识别漏洞属性的算法 篇6
1漏洞扫描和漏洞属性库
1.1定义
软件设计上和代码编写上的缺陷、 网络协议上的缺陷和网络设备配置上的错误等等各种存在的安全隐患, 这些缺陷都可以被称为漏洞。
1.2漏洞的产生
漏洞产生的4大方面的原因是: 软件设计缺陷、 软件代码编写缺陷、 执行环境差异和补丁文件对整个系统的影响[4,5]。
1.3漏洞属性库
一个存储软件安全漏洞属性的数据库, 它能够将漏洞系统进行分解[4,5], 当今的漏洞种类主要有以下几种: 缓冲区溢出安全漏洞的堆或栈空间分配长度和内容填充, 循环内部内存读写边界设定和内存读写内容填充, 整数溢出漏洞的类型设定、 值传递和类型转化, 还有数据来源等关键安全属性等众多类型的漏洞[4,5]。
2漏洞属性匹配函数
2.1漏洞匹配技术分析和讨论
如果存在某些未知的漏洞, 为了判断这些未知属性漏洞的类别, 就必须对这些未知漏洞的属性进行匹配。 如果漏洞属性匹配成功, 则这时漏洞属性匹配程度好, 漏洞的属性也就被识别。 但漏洞属性的匹配程度好, 并不意味着此时的漏洞属性匹配一定成功。 在匹配过程中, 如果A与B的匹配程度较好, 那么A就很像B, 但这并不意味着A就是B。
2.2漏洞匹配函数分析和讨论
(1) 如果未知属性的漏洞的属性值十分接近已知属性漏洞的属性值, 那么这时未知漏洞属性匹配程度较好, 漏洞A与漏洞B很相似。
当时, 则这时未知属性的漏洞与已知属性漏洞匹配成功。
2) 如果f (x)<δ 时, δ 是偏离0的一个很小值, 那么有
当时, 则这时未知属性的漏洞与已知属性漏洞匹配程度较好。
(2) 如果未知属性的漏洞的属性值偏离接近已知属性漏洞的属性值程度较大, 那么这时未知漏洞属性匹配程度较差, 漏洞A与漏洞B的相似性差。
当时, 则这时未知属性的漏洞与已知属性漏洞匹配程度为差, 漏洞匹配不成功。
3决策树在漏洞属性匹配中的应用
3.1决策树技术
决策树是机器学习中的一种智能型算法, 该算法是一种有监督的分类算法, 其通常利用已经标记过的对象进行学习构造模型, 然后用其对新对象进行标记[8,9], 之后利用相应的分类知识对不同类别的实例进行分类。 决策树分类算法对实例进行分类时, 必须根据已有的知识, 采用if-then算法结构对未知的对象进行分类。 进行对象分类时, 决策树根据已有的知识使得未知对象的属性与已知对象之间的误差达到最小[6,7,8,9]。
3.2决策树的判断准则
根据以上关于漏洞属性的研究和分析, 以下使用决策树的分类算法对未知漏洞属性的匹配程度是否好做以下的分类, 如图1所示。
说明: 判断未知漏洞属性匹配程度是否好的条件是:
(1) 当条件f (x)>δ 成立时, 则这时条件的值为N时, 此时未知漏洞的属性匹配程度差, 匹配不成功。
(2) 当条件f (x)<δ 成立时, 则这时条件的值为Y时, 此时未知漏洞的属性匹配程度较好。
(3) δ 为漏洞属性匹配时的阈值, 该阈值与第3节中的阈值为同一个值, δ≈0。
4粗糙集的决策系统
在实际应用中存在一大类任务: 给定一组有特征描述的样本和样本的类别, 需要通过一个学习算法从该组文中学习一个分类函数, 实现从特征到分类的映射。 粗糙集理论中称该数据集为信息系统[6,7]。
定义3.1信息系统可形式化为如下的四元组: IS= 〈U,A, V,f 〉 其中为研究对象的有限集合, 即论域;为描述对象的全部属性所组成的集合, 即属性集;为属性集A的值域, 其中Va为属性a∈A值域; f: U×A→V为信息函数, 表示对每一个x∈U, a∈A, f (x,a)∈Va。 当系统中属性集其中C为条件属性集, D为决策属性时, 该信息系统也被称为决策表[6,7]。
5决策系统在漏洞属性匹配中的应用
在决策系统中, 由于决策条件属性值的不同, 因此产生了不同的决策结果, 这些不同的决策结果能够将不同属性的样例进行有效的分类。 在该系统中条件的属性值决策规则的内涵, 是决策系统做出决策结果的重要决定因数。
(1) 域
(2) 属性集
, 其中表示a1某一种漏洞的属性值, a2未知属性的漏洞偏离该漏洞的属性值, a3表示未知漏洞属性匹配是否成功。
(3) 域
5.1漏洞属性匹配的决策表
在一个决策系统中如果把每一条样例的条件属性值部分作为规则的前件, 把决策属性值部分作为规则的后件, 那么每一条样例都可以看成一条规则[6,7]。 信息系统中的属性集合可以分成两部分, 一部分为条件属性集合, 另一部分为决策属性, 这种信息系统通常称为决策系统或决策表[6,7]。
通过决策树对漏洞分类程度的判断, 选出漏洞属性匹配程好的这一类, 以下使用决策系统对漏洞匹配是否成功做出决策。 在以下的系统决策表中, 条件属性的有: 某一种漏洞的属性值, 未知属性的漏洞偏离该漏洞的属性值。 决策属性有: 该种未知属性的漏洞匹配成功。
说明:(1) 当漏洞的属性为某一种漏洞属性时: 属性值为Y。
(2) 当未知属性的漏洞的属性值偏离该漏洞的属性值为0时: 属性值为Y, 否则属性值为N。
(3) 当1与2的属性值都取Y时: 决策属性的属性值为Y, 否则属性值为N。
5.2未知属性的漏洞是否匹配成功决策规则
(某一种漏洞的属性值, Y)( 未知属性的漏洞偏离该漏洞的属性值, Y)(该种未知属性的漏洞匹配成功, Y)
6未知属性漏洞识别算法
(1) 使用漏洞扫描器扫描出存在的漏洞, 提取漏洞的属性。
(2) 使用文中提出的漏洞属性匹配函数对漏洞的属性进行匹配。
(3) 对匹配的漏洞, 使用决策树对漏洞匹配程度的好与坏进行分类。
(4) 使用粗糙集中的决策系统对未知属性的漏洞是否匹配成功做出决策。
7结语
在当今网络漏洞和系统漏洞是众多的, 未打上补丁的漏洞对网络和用户系统的危害性是相当大的。 为了增强网络的安全性, 网络安全人员需要定期地对漏洞进行扫描, 以此来发现新的未知漏洞。 为了给漏洞打上补丁, 首先必须识别未知的漏洞。 因此在查阅了一些关于漏洞的资料和文献之后, 提出了一种新的识别漏洞属性的算法, 该算法具有一定的智能性能够自动地进行漏洞属性匹配。 将决策系统和决策树在漏洞的匹配上进行应用具有一定的创新性。
摘要：为了检测未知的漏洞,可以采用漏洞属性匹配算法来匹配未知的漏洞。在查阅了有关漏洞的检测算法和扫描算法的文献之后,提出了一种基于决策系统的漏洞属性匹配算法。该检测算法的思想是使用漏洞属性偏离函数对漏洞匹配程度的好坏做出评价,再使用决策树实现对匹配程度的好坏进行分类,如果匹配程度好,决策系统对这次漏洞的匹配是否成功做出决策。
关键词：偏离函数,粗糙集,决策系统,漏洞,决策树
参考文献
[1]陈夕华,李生红.漏洞扫描的中央控管模型研究[J].计算机工程与应用,2004,33:136-138.
[2]文辉,王虎智.网络安全漏洞扫描技术的原理与实现[J].福建电脑,2006,(4):37-38.
[3]高凌雯.网络漏洞扫描原理分析[J].福建电脑,2009,(9):58-59.
[4]龙银香.一种新的漏洞检测系统方案[J].微计算机信息,2005,21(5):228-230.
[5]张晛譞,范明钰.基于模糊度量的软件楼漏洞检测检测技术研究[J].网络安全技术与应用,2010,(4):12-14.
[6]胡清华,于达仁.应用粗糙集计算[M].科学出版书,2012.
[7]陈德刚.模糊粗糙集理论与方法[M].科学出版社,2013.
[8]Tom M.Mitchell.机器学习[M].机械工业出版社,2013.
[9]邵峰晶,于忠清,王金龙,孙仁成,编著.数据挖掘原理与算法[M].科学出版社,2009.
[10]彭洪,张东娜,吴铁峰.恶意程序检测的粗糙集方法[J].计算机应用与软件,2005,22(7):124-125.
[11]张华平,高凯,黄河燕,赵燕平著.大数据搜索与挖掘[M].科学出版社,2014.
属性识别理论 篇7
人脸识别[1]是当前模式识别和人工智能领域的一个重要研究课题,近10多年来己成为一个非常活跃的研究方向。人脸识别研究是一个跨越了图象处理、模式识别、计算机视觉、以及神经生理学、心理学等研究领域的学科。
人脸识别是指计算机根据一定的算法,对新获得的图像与计算机中已有的图像库进行匹配比较后,做出测试图像中身份判断的识别过程。属性论以辨证唯物主义尤其是质变量变规律为指导,以人工智能和思维科学为研究方向,以属性描述手段为研究客体,使用数学方法特别是定性映射和转化程度函数为研究手段,先后提出和创立了的一系列著名的观点和模型,在人工智能界特别是思维科学界引起越来越多的关注。
2 定性映射理论
2.1 最简定性判断的定性映射模型[2]
定义2.1设a(u)是对象u的某个属性,x∈X哿R是属性a(u)的一个量值,p(u)∈Po是属性a(u)的某个性质,[α,β]∈Γ是性质p(u的定性基准,则称映射τ:X×Γ→{0,1}×Po,使得:
为最简性质p(u)的判断映射或定性映射。其中,为问题:“x是否在[α,β]中?”的算子,或“x是否满足性质(命题)p(u)的定性基准?”的算子。因对每一个属性a(u),输入的是a(u)的?一个量(特征)值x,输出是a(u)的一个性质p(u)或非p(u)的q(u),因此,若强调(1)是一个从量特征x到质特征p(u)的一个转化过程,则符号又可以称为属性a(u)的量———质特征转化算子,或(性)质特征抽取算子。
2.2 定性映射、经典集合论和特征函数
集合论概括公理:对任给一个性质p,存在一个以所有具有性质p的事物x为元素的集合S={x|p(x)}。
一般设S⊆X是论域X的子集,由x∈S⊆X,可得到一个S的特征函数[3],即:
定义2.2设S⊆X是论域X的子集,称从X到{0,1}的函数χS:X→{0,1}是集合S的特征函数,如果对任意x∈X,有:
这时,由于集合S中的x都具有“是S的元素”或“属于S”的性质pS(x),所以,若将S作为性质p(x)的定性基准[4],则S的特征函数(2),即χS(x)可看作是以集合S为定性基准的性质pS(x)的定性映射,即:
反之,如果将(1)中的定性基准[α,β]抽象为一般的集合S,并令pS(x)=df“x是S的元素”的性质,则定性映射(1)将变为集合S的特征函数χS(x),即有:
定义2.3设S⊆X是论域X的子集,P(X)是X的幂集,pS(x)=df“x是S的元素”的性质,称映射τp:X×P(X)→{0,1}是性质pS(x)的定性映射,如果对坌x∈X,∀τp(x)×∈{0,1},使得:
并称τp(x,S)(或简记为τp(x))为性质pS(x)的真值。由此我们得到下述定理:
定理1定性映射(4)和特征函数(2)是等价的。
3 基于定性映射的模式生成与识别模型
3.1 基于属性计算网格的模式识别
在n维情况下,若将每一维定性基准[αi,βi]拓扑粒度细分为gi段,则得到一个以各剖分n维超长方体为单元的网格,使原定性映射变为一个以其剖分网格为基准的定性映射,而且,分别以这些子超长方体为基准,还诱导出一个具有G=g1g2…gi…gn个子定性映射的簇[5]。其定义如下:
定义3.1设ai(u)是对象u的第i个属性,i=1,…,n,xi∈Xi为ai(u)的量特征值,pij(u)是ai(u)的第j个质特征,j=1i,…gi,[αij,βij]∈Xi是pij(u)的定性基准,称Γ={[αij,βij]}是定性基准簇(Qualitative Criterion Cluster,QCC),满足:
设是对象u的一个以[αv,βv]为定性基准的赋权整合性质。Γn={[αv,βv]}是所有定性基准[αv,βv]格子的簇,并设是由这G个两两不相交的n维超长方体[αv,βv]构成的粒(Granular),则以([αv,βv])(或G([αv,βv])为基准的映射τ:X×Γn→{0,1},若对任意x∈X,存在[αv,βv]∈Γn和以[αv,βv]为基准的性质pv∈Po,使得:
则称(6)是判断一个带有向量x的对象u是否具有性质pv(u)的定性映射,并称(6)是以[αv,βv]为定性基准的定性映射,或(5)的因子映射,也可记为:τp(x[αv,βv])。其中,i可看作空间坐标系中第i坐标轴;gi表示第i坐标轴下所划分的粒度;为问题:“x是否在[α,β]?”的算子,或“x是否满足性质(命题)p(o)的定性基准?”的算子。
3.2 模式识别的定性映射模型
外部世界是由许多事物构成的,各事物之间存在着各种相互作用,不仅导致事物(简单的物理)运动变得非常复杂,而且,还使事物会发生(非简单)物理的、化学的、生物学的或其他方面的各种变化。所以,一般可设事物运动变化是一个随n个变量x1,…,xn变化的函数F=Y(x1,…,xn)[6]。
目前,人们处理复杂函数F=Y(x1,…,xn)的方法至少有如下2种,其一是将函数函数F=Y(x1,…,xn)分解为n个一元函数函数F1=Y1(x1),…,Fn=Yn(xn)的复合函数,即:F=Y(x1,…,xn)=Y1(x1)莓Y2(x2)…莓Yn(xn),这时,只要分别找到求解各个一元函数Fi=Yi(xi)的解决办法,那么,复杂函数F=Y(x1,…,xn)=Y1(x1)◦Y2(x2)…◦Yn(xn)的求解问题也就解决了。
另一种方法是将各个变量x1,…,xn归结为某个变量(如时间)t的函数,即:xi=xi(t),这样一来,F=Y(x1,…,xn)通过n个参量x1(t),…,xn(t),可看作是自变量t的函数,即:F=Y(x1(t),…,xn(t))=Y*(t),一般说来,Y*(t)是一个比Y(x1(t),…,xn(t))更复杂的函数。
因此,能否找到一元函数y=f(x)图象的识别方法或模型,是模式识别的一个基本问题。
而人们不仅将计算值y'(xj)作为函数值f(xj),甚至还将其计算结果(打印)生成的图象作为函数f(x)的图象提交用户。显然,这一做法存在着一个明显的问题,即:“将有限的、不精确的和离散的计算模式,作为不可数无穷的、精确的和连续函数的图象[7]”。于是,我们要问:这一做法为什么是可行的?其基本原理和根据是什么?显然,如果这一原理还能适用于一般的模式识别的话,就是一个非常值得深入加以研究的问题。
4 模式识别定性基准的构建算法
下面以心电图这样一个类似一元函数的简单模式的识别为例,讨论模式识别的定性映射模型。
设[t0,tm]是时间区间,Y是心电电流的集合,则一个人u的心电图ECGu[8](Electrocardiograph)可定义为一个从[t0,tm]到Y的函数y:[t0,tm]→Y,使对任意t∈[t0,tm],存在yu∈Y,满足:y=yu(t)。
也就是说,ECGu上的任意一点可用一个序偶表示为:(t,yu(t))。事实上,因心电图ECGu是由时间t取遍区间[t0,tm]的所有值t∈[t0,tm]时构成的曲线,故可记为:。
当m趋于无穷大时,不仅新的m+1维坐标系{t=tj}会变为一个无穷维的Hilbert坐标系[9],并使m+1维的超长方体[α,β]=[α0,β0]…[αm,βm]变为无穷维的超长方体,而且,还使m+1维的向量yu(t0,…,tm)=(yu(t0),…,yu(tm)),也变为无穷维的向量,即:心电图ECGu(t)=yu(t)。
因[αj,βj]是判断u的心电图ECGu(tj)在时刻tj是否正常的定性基准,而m+1个定性基准{[αj,βj]}在新m维坐标系{t=tj}中构成一个m维的超长方体[α,β]=[α0,β0]…[αm,βm],而作为心电图ECGu(t)=yu(t)近似模式的m+1维向量yu(t0,…,tm)=(yu(t0),…,yu(tm)),也已变换为[α,β]中的一个点。
于是,在新的m+1维坐标系中,可得一个如下定性映射:
5 实验结果及评价
为验证本文所提出的基于属性论的智能融合识别算法性能,进行了以下的实验。实验的数据来自Havard人脸数据库[10],其中可见光图像的灰度分辨率为8位,长波红外图像为12位。可同步获取可见光和红外图像,图像配准精度达到1/3像素。图像大小原为320×240,人脸提取后为180×140。
为每类图像设置1个训练库,5个测试库(包括无干扰、光照、眼镜、表情、联合干扰5种情况)。其中训练库的样本数为50×2(即:50个人,每人2张图像),每个测试库样本数为50×10。按以下标准选择训练库和测试库:
训练库:正向光照,不戴眼镜,无表情
无干扰:正向光照,不戴眼镜,无表情
光照:侧向光照,不戴眼镜,无表情
眼镜:正向光照,戴眼镜,无表情
表情:正向光照,不戴眼镜,有表情
联合干扰:侧向光照,戴眼镜,有表情
每一个测试库对应一种测试条件。在实验中,通过各种测试条件,来评价本文所提基于属性论的智能融合识别算法的性能。
先测试利用未融合图像,在各种干扰情况下的识别结果,如表1:
从表1看出,在无干扰时,单可见光和单红外图像的识别率都很高;但在有干扰时,两类图像的识别性能所受影响差异很大。其中,可见光图像受光照影响很严重;而红外图像受表情、光照的影响不是很明显,但受眼镜影响严重,这是因为眼镜会阻挡大量的红外能量而导致眼睛附近的重要信息丢失,以至系统无法做出正确判断。在联合干扰下,两类人脸图像的识别率都很低。
采用基于属性论的智能融合识别算法[11],结果如表2所示:
比较表1和表2可看出,采用可见光和红外图像进行融合识别,充分结合了两类图像的优点,在有干扰的情况下,识别率比单可见光和单红外图像有较大的提高。
表2的实验结果进一步表明,在联合干扰下,基于属性论的智能融合识别算法与未进行融合算法相比有较高的识别率,充分证明了该方法的有效性和识别性能的优越性。
6 结束语
作为模式识别中的一个应用,人脸识别技术可以看作是一个以特定目标为对象的专用计算机视觉系统。截至目前,通用计算机视觉系统仍是当今科学界尚未攻克的难题,机器视觉系统仍然在黑暗中摸索。人脸识别就是这一技术的典型应用。
属性网格[12]是一个能够全面描述事物模式特征的实现模型。其理论根据是:一个定性映射的输入输出关系对应一个逻辑单元,由多个定性映射单元可构建一个复杂的属性网格,在此网格的基础之下,提取其内在的局部模糊信息,建立局部属性网格,对模式进行综合识别。这一模型的提出在智能界特别是模式识别领域将会产生深远的影响。
摘要：该文提出一种基于属性论的人脸识别方法,主要应用于提高复杂背景下的多姿态人脸检测的识别效果。首先介绍了属性论的基石——定性映射理论,讨论了定性映射、经典集合论和特征函数之间的关系,然后讨论了基于定性映射的模式生成与识别模型,经过对人脸及人脸的特征点进行定位后,即可利用属性计算网格的定性基准网格对人脸的各特征点进行建模。研究发现基于属性论的人脸识别算法,识别率较高。在复杂背景下的多姿态人脸检测(如侧面人脸、遮挡脸)仍然取得较好的效果。
关键词：属性论,定性映射理论,属性计算网格
参考文献
[1]冯嘉礼,聂文龙.判断的定性映射模型与非线性模式分类[J].广西师范大学学报(自然科学版),2004,22(1):27-32.
[2]P.Nagabhushan,D.s.Gurn,B.H.shekar,FLD:An efficient approach for appearance based object recognition.Neurocomputing,2006,69:934-940.
[3]徐勇,陆建峰,杨静宇.一种人脸图像自动识别方法及实验[J].系统仿真学报,2004,16(1):14-16.
[4]P.Kakumanu,S.Makrogiannis and N.Bourbakis.A survey of skin一color modeling and detection methods[J].Pattern Recogntion,2007,40(3):1106-1122.
[5]T.Kanade.Computer recognition of human faces[M].Basel&Stuttgart:BirkhauserVerlag,2005.
[6]李启娟,李金屏.基于轮廓信息的人脸检测[J].计算机技术与发展,2008,(9).
[7]靳红卫.基于肤色和结构特征的人脸检测[J].科技信息(学术研究),2007,(11).
[8]张庆红,程国建.基于遗传算法的神经网络性能优化[J].计算机技术与发展,2007,(12).
[9]W.Zhao,R.ChellapPa,and P.J.PhilliPs.Face recognition:a literature survey.ACM Computing Surveys,vol.35,no.4,PP.399-458,2003.
[10]贾永红.数字图象处理[M].武汉:武汉大学出版社,2003:63-72,132-141.
[11]杜平,徐大为,刘重庆.光照和噪声条件下的人脸识别[J].上海交通大学学报,2003,37,(9):1443-1451.
属性识别理论 篇8
本文从某省电网公司对其下二级机构进行科技创新能力评估实际出发,首先从科技基础管理、核心技术能力、科技工作环境、科技工作成果四个层面确立了科技活动经费支出与产出情况、科研机构情况、承担或参与省部级以上课题情况、制定或参与制定标准情况、获得省部级以上奖励情况、专利情况、科技人员情况、发表科技论文情况、技术创新与推广应用能力九个维度的二级指标及三十五个三级指标的指标体系,并引入属性识别理论来确定指标测度矩阵及G1法确定指标权重,从而建立科技创新能力综合评价模型。
1 电网公司科技创新能力评价指标体系的构建
电网公司科技工作水平的提升是关系企业长远发展的一项重要举措,要保证科技创新能力评价对科技工作开展的指导作用,须使科技创新评价体系能够充分反映各公司对该举措的实施情况。本文在遵循科学性、系统性、动态性、可行性等原则的前提下,从科技基础管理、核心技术能力、科技工作环境、科技工作成果4个层面全面、系统地建立电网公司科技创新评价指标体系,包括9个二级指标和35个三级指标,如图1所示。
图1中,总共35个三级指标中既包括当期考核期内指标的绝对值,又增设了与上一期考核期内指标数值的比较值(增长率)。例如I4科技活动经费支出较上年增长率、I11承担或参与公司级课题项数较上年增长率、I17电网公司奖励数量较上年增长率等。增设的目的主要是考虑到该省电网公司的部分二级机构科技研发基础比较薄弱,如果单纯从一期的绝对数据来评判其科技创新能力显然不够客观,也不利于激发其迎头赶上其它先进机构的动力。通过几项增设指标所体现的投入产出增长率,更能公平地反映各二级机构在科技创新方面的努力程度和发展趋势。
图1 电网公司科技创新评价指标体系
2 基于G1法的属性识别模型
2.1 属性空间矩阵的建立
设X为研究对象的全体,称为对象空间,并取其中n个样本X1,X2,…,Xn,对每个样本要测量m个指标I1,I2,…,Im。第i个样本Xi的第j个评价指标Ij的测量值为xij,因此,第i个样本Xi可以表示为一个向量Xi=(xi1,xi2,…,xim),1≤i≤n。n个样本构成n*m的样本空间矩阵:
属性识别模型在进行评价时,需要对各项评价指标进行分级。假设科技创新评价的评价等级分为K级,且第i类的标准值为Ci,满足C1>C2>…>Cn。则每项评价指标与每个分级构成了分级标准判断矩阵为:
其中ajk满足aj1>aj2>…>ajk或者aj1<aj2<…<ajk。
2.2 样本各指标属性测度的计算
计算第i个样品的第j个指标值xij具有属性Ck的属性测度μijk=μ(xij∈Ck)。
假定aj1>aj2>…>ajk,则:
考虑到每个指标的重要性可能相同也可能不相同,所以,在计算样本属性测度时需要考虑指标权重。
2.3 指标权重的确定
目前指标权重的确定方法中广泛应用层次分析法(AHP),但其存在当被比较元素个数较多时,计算量大且难于满足一致性的要求[10,11]。本文采用G1法,其本质是AHP的一种改进方法,具有不用构造判断矩阵,无需一致性检验;计算量较小;方法简便、直观、便于使用;对同一层次中元素个数没有限制;保序性等优点[12,13]。其计算步骤如下:
1)对指标按重要性进行排序。从m个指标集中选出最重要(最不重要)的一个指标,标记为Ii;从余下的m-1个指标中选出最重要(最不重要)的一个指标,标记为Ij;依次类推就可以得到唯一的序关系Ii>Ij>…>Ik(I,j,k∈{1,2,…,m})。
2)确定相邻指标间的相对重要程度。专家对相邻指标Ik-1和Ik之间的重要程度之比可用rk=wk-1/wk来表示,其中wk是第k个指标的权重,k=2,3,…,m。这样就可以根据已经排好的序关系,计算各指标之间的相对重要度。rk首先让各个专家独自裁定,然后取其平均值。rk的取值可以参照表1。
表1 rk的赋值参考表
3)各指标权重的计算:
其中k=m,m-1,…,3,2。
2.4 综合评判及比较排序
1)计算第i个样品xi的属性测度μi k=μ(xi∈Ck)。根据以上所得第i个样本的第j个指标的权重为wij,,可计算第i个样本属于Ck类的属性测度μi k:
2)综合评判。按照评分准则,计算第i个样品的综合得分为:
则可以根据qxi的大小对xi进行比较和排序。
3 实例分析
本文从某省电网对其25个二级机构进行科技创新能力评估的样本中取出6个,构成样本空间如表2。
表2 六个样本数据
1)分级标准的确定。科技创新能力的评级划分一般来说应以计算过程的简便性和准确性为原则,避免分级过多导致计算量过大或者分级过少导致计算结果偏差较大。按照常规的评价方式,一般分为5级,即包括优L1、良L2、中L3、合格L4、差L5。分类标准如表3。
表3 各指标的分级标准
2)根据G1法确定指标权重向量。以科技活动经费支出与产出情况这个二级指标下的四个三级指标的权重确定为例,首先专家对这四个指标重要性进行排序为:I4>I1>I2>I3,然后根据表1确定各评价因子之间的相对重要程度为r4=1.3,r3=1.4,r2=1.3,根据公式(1)得,根据公式(2)得:
依此类推,可计算其他指标的对上级的指标权重及综合权重,如表4。
表4 指标权重
3)样本属性测度计算。根据2.2的步骤计算样本指标属性测度矩阵(包括6个矩阵),再结合权重计算各样本的综合测度评判,得如下属性测度分布矩阵:
4)评分排序。用5、4、3、2、1分别代表“优”、“良”、“中”、“合格”和“差”,采用属性识别模型中的评分准则(公式4)进行综合评价得出评价结果,综合分数比较见表5。
表5 综合评价结果
从表5可以得出如下信息:
1)本评价模型得出的六个单位科技创新能力排序为:样本2>样本1>样本3>样本4>样本6>样本5。
2)样本2的评价得分明显高出其他五个样本,得分接近4.5,创新能力比较优秀,需要巩固并寻求突破,这与该单位科研院单位性质是分不开的,该单位在日常工作中就非常注重科技创新,科技投入及产出都很高。
3)样本1,3,4,6的得分在3分与4分之间,科技创新能力中等偏上,也还有很大的提升空间。这是由于这些单位处在经济相对发达的地区,电力用户对电网公司的要求比较高,促使他们重视科技创新能力的培养,才能不断满足客户的需求,因此科技投入和产出都较高。
4)样本5的评价得分比其他五个样本的得分低许多,低于3分,科技创新能力中等偏下,有待重点大力加强,这与该电网处于经济相对落后的地区是分不开的。这类地区的电力客户对电网公司没有太多要求,电网科技创新外在压力和内在动力都不足,导致长期以来科技创新投入和产出非常低。
5)以上的评价结果与实际中这些样本单位的定性科技创新能力评估相吻合,证明了本评价模型的正确性,可以推广应用。
4 结论
1)本文结合电网公司科技创新的特点首次建立的综合评价指标体系能够全面反映电网公司科技创新能力,具有一定的实用性;
2)本文所提出的科技创新能力评价模型,计算简便(结合matlab软件编码,实现原始数据输入即得评价结果),数据获取容易,并且采用定量的方法描述各评价指标值,并对各指标进行赋权后综合评分;
展览旅游属性之理论初探 篇9
展览是一种具有一定规模, 定期在固定场所举办, 来自不同国家和地区的商人聚集在一起, 旨在向受邀观众展示产品或服务项目, 并以销售或向来访者提供信息为目的的活动。尽管什么叫展览?无论是学界还是业界, 国内外已基本达成共识, 但关于览会是否具有旅游之属性, 目前仍然是仁者见仁, 智者见智。
在国外, 自1994年戴维森出版《商务旅游》[1]一书以来, 关于展览的旅游属性的争论就一直未间断过。一些学者认定展览具有旅游的属性, 并将它归于商务旅游的范畴, 如约翰·斯瓦布鲁克和苏珊·霍纳合著的《商务旅游》一书, 把展览视为商务旅游的重要组成部分, 并分析认为展览之所以被视为是商务旅游的一部分, 是因为“它们促使展览商和参观者旅行, 并由此对旅行服务、餐饮和住宿等方面产生了更大的需求”[2];卡林·韦伯等人则在《会展旅游管理与案例》中, 也把展览视作会展旅游的主要内容[3], 但卡尔森[4]等人则对此持反对态度, 他们在论及“MICE”即会奖旅游时, 往往将展览排除在外。尤其需要指出的是, 笔者通过大量查阅文献资料发现, 在国外, 大部分学者倾向于认定会议旅游、奖励旅游是商务旅游的构成要素, 而展览则与旅游没有多大关系。
国内有关商务会展旅游的研究较之国外要晚, 直到2001年高爱民先生主编的《中国商务旅游》[5]一书问世才真正迈开步伐。与国外一样, 商务会展旅游研究一经兴起, 展览的旅游属性如何?它是否属于商务旅游的范畴?学界和业界一直存在着截然不同的看法。吴必虎在《商务旅游的概念及其营销管理策略》一文中, 在论及商务旅游的类别时, 涉及到了会议旅游、奖励旅游、大型活动与节事旅游、乃至政务旅游和购物旅游, 唯独缺少展览旅游[6]。这表明, 国内一些学者既不认为展览具有旅游的属性, 也不认定它属于商务旅游的范畴。然而, 在探讨展览的旅游属性, 与国外不同的是, 国内绝大部分学者倾向于认定展览与旅游关系密切, 是商务旅游重要的、必不可少的构成要素。丁平在《商务旅游是经济发展的推动器》一文中, 认为:“当今世界各国举办大型展览会, 大型运动会或庆祝活动都带有浓厚的商业旅游色彩”[7]。此外, 在几乎为国内学者和业界同仁所接受并经常采用的“MICE” (集会、奖励旅游、会议和展览) 或“MECE” (集会、活动、会议和展览) “CEMI” (会议、展览、集会和奖励旅游) 等术语中, 都包含有“展览”一词, 这也表明, 绝大多数国内学者和业界同仁都接受展览属于商务旅游范畴之观点。
可见, 无论国外还是国内, 关于展览会是否具有旅游属性都存在着争议。只不过有一点不同, 那就是国外认为展览不属于商务旅游之观点占主导, 而国内之反之, 即认为展览具有旅游属性的观点是主流。
2 展览会旅游属性之理论探讨
要想揭示展览会的旅游属性, 从而确定它是否属于商务旅游的范畴。笔者认为, 首先应该从“商务展览活动与旅游交融之大背景”、“商务旅游概念之内涵与外延是否涉及到展览”以及“展览活动是否具有旅游必备之六要素”等方面进行理论探讨, 层层深入, 拔丝抽茧, 才能达到目的。
2.1 商务会展活动与旅游日趋交融, 为展览活动呈现出放在旅游属性提供了可能
在人类旅游发展史上, 商务旅行是最早产生的原生旅游形态。在古代、乃至近现代相当长的一个时期内, 人们从事商务旅行只是为了生存, 虽有观光、休闲等与旅游有关的现象发生, 但却因偶尔为之而非活动的主流, 因而包括会议、展览在内的商务活动一直未被人们视为商务旅游。此种状况直到上世纪80年代至90年代才得到彻底改变。随着休闲时代的到来, 尤其是世界大众旅游向纵深发展, 商务活动开始呈现出与休闲、与旅游相结合的特征。比如, 在休闲与旅游的观念支配下, 人们在商务活动期间, 常常免不了利用闲暇时间在商务活动目的地从事一些休闲、旅游或与休闲、旅游相关的活动, 抑或在商务活动结束之后, 抽出一定的时间进行市内游或郊游。进入新世纪之后, 随着全球经济一体化和无国界化进程的加速, 国与国之间的经济活动、跨国技术合作等与旅游日益融为一体;加之一些缺乏人文景观的大中城市大力发展依托产业基础的商务会展旅游, 所有这些都促进了现代商务旅游在世界范围内飞速发展。据统计, 2000年全球商务旅游者约占旅游者总数的l/3。商务旅游在各国所占国民生产总值的比重也越来越大:德国60.3%, 日本44.5%, 美国38.9%, 英国37.6%, 韩国35.8%。在此种大背景下, 在世界范围内出现了一个将商务活动、休闲与与旅游三者融合在一起的新兴旅游市场, 这就是所谓“商务休闲旅游”。
“商务休闲旅游”的出现, 既表明商务活动与旅游的深层交融, 也为展览活动呈现出旅游属性提供了可能。因为一则在当今世界, 展览是最具活力和发展前景的商务活动, 它与会议一样, 都是MICE内容中最为重要的构成要素;既然如此, 商务会议、新产品发布会等商务活动与旅游融合, 展览也理所当然在其中之列;二则商务休闲旅游的到来, 会促使展览与会议一样, 举办方都会提供或安排一些满足客商需求的旅游活动, 这就为展览客商参与旅游活动提供了可能与方便;三则展览会客商作为活动主体, 与其它商务活动客商一样, 在商务休闲旅游理念影响下, 闲暇之余也会自觉与不自觉地从事旅游活动, 从而使展览会的旅游特征更加鲜明。
2.2 展览与商务旅游的特征一致, 证明展览属于商务旅游的范畴
何谓商务旅游?由于种种原因, 人们对这一概念的界定尚存分歧。但无论国外还是国内, 人们在界定商务旅游概念时, 尽管角度不同, 定义也不一样, 但不少学者, 尤其是国内学者, 在涉及商务旅游的内涵时, 大多把展览归于商务旅游的范畴。因为从理论上讲, 展览当属商务旅游之重要组成部分。这可从展览活动之特征完全与商务旅游特征一致得到证实 (参见表1) 。
从表1可知, 展览作为一种特殊的旅游形式, 无论在出行目的与属性、出行决定者、谁付费、旅行目的地之选择, 还是在客商的消费能力强弱、时间观念强弱以及旅行设施的要求方面, 都存在着高度的吻合。由此, 不难得出展览属于商务旅游范畴之结论。
2.3 展览具有旅游“六要素”, 旅游特征显而易见
要想从理论上证实展览活动具有旅游之属性, 还必须看它是否具有旅游必备之“六要素”。“行、住、食、游、娱、购”是旅游之必备要素。作为特殊的人类活动形式, 任何一种活动, 如缺少其中任何一个要素, 都不能视之为旅游活动。那么, 展览是否具备这六个要素呢?从理论上说, 展览完全具备这六个要素。
其一, 参加展览会的客商必须有空间的移动, 即我们通常所说的“行”, 借助旅游交通工具, 离开自己贯常居住之地, 到达举办展览会的地方, 且在展会期间、甚至离开时, 都会使用旅游交通工具。
其二, 参加展览会的客商到达展览会目的地之后, 不可避免地要使用旅游住宿设施, 如宾馆、旅店等, 并在展会期间、甚至展会结束留下来从事旅游以及与旅游相关活动时, 都会继续使用旅游住宿设施。
其三, 人不可能不食, 参加展览会的客商与其它游客一样, 到达展览会目的地之后, 都会根据自己的生活习性、宗教信仰, 甚至自己的口味, 决定使用什么样的旅游餐饮设施, 饭店、酒吧还是咖啡馆?吃什么样的食物, 粤菜、川菜还是湘菜?
其四, 对参加展览会的绝大多数客商、尤其是外国外地客商而言, 无论是展览会目的地之丰富绚丽的人文景观, 还是吸人眼球的自然景观, 都会对天性具有求奇求新求异的他们产生巨大的旅游吸引力, 促使他们在展会期间利用闲暇时间, 甚至在展会结束留下来从事旅游活动。
其五, 娱乐是游客在旅游活动中必不可少的活动项目, 它体现了现代人喜爱娱乐生活之特点。展览会繁忙、紧张、压力大等特点, 使得客商们需要在娱乐的氛围中放松, 作为展览会目的地之城市, 往往具有丰富的娱乐设施, 所有这些都会促使展览会客商一有机会和时间, 就会参加一些自己所喜爱的娱乐活动。
其六, 购物往往是游客、尤其是女性游客在旅行中最喜爱的活动之一。展览会自身琳琅满目的交易商品, 展览会目的地、尤其是象穗港这样的国际大都市目地, “购物天堂”的美誉, 都会吸引展会客商从事购物活动。
可见, 从理论上看, 展览具有之旅游“六要素”是显而易见的。它不仅促使展览客商游、娱、购, 并且还对由此对旅行服务、餐饮和住宿等方面产生了更大的需求。
3 结语
综述上述, 从理论上看, 展览与旅游紧密联系、相互渗透, 完全可以对接或互动。展览与商务旅游特征的高度吻合与一致性, 以及展览所具有的旅游“六要素”, 都可从理论上证明展览具有旅游属性。
摘要：现代商务旅游作为一种新的经济形态在世界范围内已经得到了长足的发展, 然而, 人们对构成商务旅游主要内容的展览旅游却存有异议。本文从分析展览活动与旅游相互交融之大背景入手, 探讨了展览与商务旅游特征之一致性, 分析了展览具有的旅游“六要素”特质, 从理论上得出了现代展览活动具有非常鲜明的旅游属性, 且当属于商务旅游范畴之结论。
关键词：展览,旅游属性,商务旅游
参考文献
[1]S.Medlik.Dictionary of Travel, Touris mandospitality[M].Great Britain:Butterworth Heinemann, 1993.
[2]约翰·斯瓦布鲁克, 苏珊·霍纳.商务旅游[M].程尽能, 鲁涤非译.北京:旅游教育出版社, 2004.
[3]卡林·韦伯.会展旅游管理与案例[M].杨洋等译.沈阳:辽宁科学技术出版社, 2005.
[4]Karlsen, J.Gathering informationg:Meeting and convention sector research in Australia[J].Journal of Tourism Studies, 1996.
[5]高爱民.中国商务旅游[M].中国对外翻译出版社, 2001.
[6]吴必虎, 张伟.商务旅游的概念及其营销管理策略[M].高爱民 (主编) 中国商务旅游.北京:中国对外翻译出版公司, 2001.