动态模糊关系（精选7篇）
动态模糊关系 篇1
图书馆作为高职院校办学的三大支柱之一，是师生开展教学与科研工作的重要平台。定期对图书馆的服务做出全面、系统、客观的评价，及时了解和把握读者需求，调整工作发展的目标，是做好高职院校图书馆服务工作的前提，也是确立服务重点、合理调配人力、进一步提升图书馆服务水平、树立图书馆服务形象的重要基础。
一、图书馆服务满意度评价方法
一般情况下，对于图书馆服务满意度的评价通常采用加权平均法，对服务满意度的各项指标进行赋分来确定最终的评价结果。但这种方法存在一个问题，对于同一评价指标，不同的人可能会给出不同的结果，这个结果不是静态的，而是具有一定动态发展趋势的。比如，在对“服务能力”进行评价时，可能评价结果都是“好”，但从现有条件及日后的发展情况看，其未来可能服务能力越来越好，也可能越来越差，这就存在两种动态值：和。而目前的评价方法只能单纯的表示“好”，不能反映图书馆的动态发展变化趋势。而动态模糊集理论，不仅可以表示数据的模糊程度，还可以把数据模糊状态的发展变化趋势反映出来，是表达动态模糊数据的基础。
对于动态模糊关系评价其主要实施步骤包括：1.确定评价对象的因素论域及评语等级论域。2.搜集评价信息。3.建立单因素评价矩阵，进行单因素评价。
二、动态模糊关系在高职院校图书馆服务满意度评价体系的应用
本文以天津滨海职业学院图书馆为例，通过对读者调查的方式，让读者对图书馆服务满意度进行评价。
评价的指标确定是依照“普通高等学校图书馆评估指标（征求意见稿）”中的有关高等学校图书馆读者服务的评估指标体系设置的，包括：1.总体评价：用于表示读者对图书馆服务的总体满意程度。2.服务环境：包括图书馆的资源环境、人文环境和自然环境等。3.服务能力：包括图书馆工作人员的业务技能、人员素质和服务技巧等。4.服务方式：包括图书馆一般借阅服务、读者入门教育、校园文化建设以及图书馆互动交流服务等。5.服务效果：主要包括图书馆文献的利用率、服务的完备性、服务的及时性以及服务。
据此确定此次评价的指标集为：
。其中:u0=总体评价;u1=服务环境;u2=服务能力;u3=服务方式;u4=服务效果。评价的评语论域集为V:
其中:。此次服务满意度评价权重集C为:
评价采用“读者调查问卷”的形式取得原始评价数据。面向本学院大一至大三各年级各系学生和部分教师共发放1000份调查问卷，调查历时1个月。根据调查结果统计，构成单因素评价矩阵B:
由评价结果矩阵B可知，读者对图书馆的单因素评价结果为：
根据评语集的列向量C=（95, 85, 70, 55, 45) T，对B0和C进行合成运算，即可得到读者对图书馆服务满意度的“总体评价”的具体分值：
此评价结果说明“总体评价”的得分为82.355分，且以后可能会更好。
运用同样的方法，可以计算出各个单项指标的评价结果，结果如下：
通过以上结果可以看出：
1. 目前学院图书馆服务能力评价在所有因素中为居第1，为，说明学院图书馆在服务过程中非常注重对全馆服务能力的培养，通过培养工作人员的业务能力，全面提升工作人员自身的专业素养，使图书馆服务能力得到全面提升，并将继续往好的方向发展。
2. 目前图书馆的服务方式为，让读者比较满意，而且整体还有上升之势。究其原因，这与图书馆一直以来开展的送书到系部、书香满校园、读书征文、信息化服务等活动是密切相关的。在今后的工作中，图书馆还将结合学院的办学特色，通过培养高素质的学科馆员定向服务各系部的方式，为读者提供更为便捷的服务。
3. 目前图书馆的服务环境评价值为，虽然目前图书馆的资源环境、人文环境和自然环境条件还属中等，但可以看出，服务环境正在逐步改善。
4. 目前读者对图书馆的服务工作满意情况仅为，说明读者对服务效果的评价不是很高，但其有改善之势，图书馆在服务效果方面还有潜力可挖。图书馆在今后的服务中，应认真分析读者的需求，扩展服务渠道，使读者全面了解图书馆各方面的资源，将更多的信息资源主动服务于读者，以提高图书馆文献的利用率，提升总体服务效果。
通过对图书馆服务满意度的动态模糊关系评价分析，我们明确了日后图书馆的服务重点，同时也找到了图书馆服务中的薄弱环节，从而有针对性地进行改进，制定具体的改进措施，以达到评价的目的。
摘要：本文根据高职院校图书馆服务满意度评价的特点, 针对传统评价方法的不足, 提出了基于动态模糊关系的高职院校图书馆服务满意度评价方法, 并结合具体实例, 更加客观准确地评价图书馆服务满意度指标体系结果、以及未来图书馆工作的发展方向。
关键词：动态模糊关系,图书馆服务,服务满意度,动态模糊评价
参考文献
[1]吴冬曼等.网络环境下图书馆服务质量评价方法探析—清华大学图书馆读者满意度调查工作的实践与思考[J].大学图书馆学报, 2006 (1) :49-52.
模糊动态AHP导弹识别算法 篇2
弹道导弹为有效地突破反导防区天基、地基的各种光电设备的探测跟踪,采用了大量现代技术,使之具有多种突防与反识别措施。其飞行中段至再入段初期因飞行时间较长,便于进行跟踪和识别被认为是导弹防御的关键阶段,而中段的威胁目标群中,弹头与伴飞物的飞行速度和弹道轨迹大体相同,不利于速度和轨道参数识别,再加之各种电磁干扰与诱饵,因此单一的陆基雷达探测系统难以进行有效识别,已不能完全满足反导的需求,而天基红外预警卫星系统[1]是除雷达之外对弹道导弹进行监视与识别的另一种重要手段,其各类红外探测器能够获得识别真假弹头的多种特性,因而在弹道导弹目标识别中扮演着重要角色。
在一般情况下,弹道导弹的真弹头约占到有效载荷与容积的80%以上,弹头与诱饵及假目标在质量与形体上存在着较大差异,而不同目标的红外辐射特性又因其质量、形体的差异表现出不同变化规律。因此,导弹预警卫星系统的目标识别,主要是通过其所携带各类红外探测器从背景环境中区分出真假弹头的红外辐射特性差异。通过对各种情报及装备技术资料进行整理分析,本文认为,其中温度变化率、热容差异、辐射强度、灰度特性、运动特性是识别判断的关键因素,它们集中反映了弹头的物理和动力学特性。目前,国外研究弹道导弹在飞行中段及再入段的预警卫星目标识别的相关文章还少有报道,国内研究尚处起步阶段。文献[2]、[3]对预警卫星导弹粗识别与目标综合识别模型做了些有益的研究,但从公布的文献资料来看,预警卫星目标识别主要集中在早期预警(粗识别)和单一的红外识别技术及识别流程上,相关的信息融合算法研究还比较少。对此,本文提出一种信息融合下的多属性决策模型,对上述几种弹头的主要红外属性特征进行分析并作为目标识别特征量,完成了属性权重的动态构建,最后给出了仿真计算与结果分析。
1 弹道导弹目标红外识别原理分析
从中段到再入段初期,弹道导弹会产生如下动作:助推火箭关机,弹体分离,产生诱饵弹及气球、碎片等伴飞物质,再入大气层。这一阶段中,如何对目标群中的真假弹头识别成为预警卫星系统目标识别的重要任务。通过对这一时间段的目标群研究分析,发现以下几种目标红外特性及探测手段可利用目标的质量与形体间的关联来有效识别真假弹头。1)温度变化率。目标的温度变化与其质量存在着一定关系:由于弹头的质量最大,因此在同样外部环境下,弹头的温度变化要比诱饵慢得多[4,5,6],所辐射出的红外信号也比诱饵要强。因此,可采用双色长波红外阵列组成一个辐射比温度计,通过在两个红外谱段测量目标的辐射功率之比值,来消除因目标的表面物理特性不同而带来的发射率的影响,以确定出目标群中各个物体的相对温度高低,记录其变化过程,并进而推导出各个物体的相对质量大小。2)热容差异。当目标群进入中段飞行后暴露于温度极低的外太空环境中以及再入段初期进入大气层,这两个时间段目标温度随时间的变化规律反映了其热量吸收率av与放射率εIR的信息,其中重目标的热量吸收率av与放射率εIR的比值av/εIR,即热容量,比轻目标的变化快[6,7]。因此,通过短波和中波红外探测器测量目标的av/εIR可以有效地识别目标。3)辐射强度。目标表面被认为是具有一定发射率的灰体,其辐射强度由表面温度和发射率决定,而发射率是由目标的材质、质量、表面涂层材料、壳体厚度等因素构成。进入大气层前,目标群温度基本处于平衡状态,而一旦进入大气层后,气动加热将使表面温度迅速升高,一些轻诱饵都将被燃烧掉,剩下的主要是弹头和重型诱饵。它们的速度在100 km以上的高度上几乎无差异,但它们的辐射强度则随着高度的降低出现明显区别[4,5,8]。其中辐射强度变化率单调增加无明显波动,且辐射强度最大者即为弹头。4)灰度特性。目前,随着在低轨天基红外系统(SBIRS-Low)中大规模像元的焦平面阵凝视红外成像器[9]硬件和超高速图像信息处理软件技术等的应用,使红外成像技术对真假弹头的识别更加有效。红外成像可以对飞行中众多目标的红外图像进行分析判断[10],以达到利用目标的灰度特性来识别弹头的目的。例如同样环境下,真弹头温度变换比假目标与诱饵慢,其红外成像灰度上,弹头灰度变化就较为平缓。5)红外识别运动特性。可以通过一系列红外图像检测目标的运动特性。诱饵及假弹头、弹体碎块等在分离抛射过程中由动量守恒而产生的分离前后相对速度的变化。以及再入段初期,受空气阻力和各自质量与形体的影响,再入减速特征差异明显[4,11],而弹头则因形状规则重心稳定,其运动相对平稳且速度最快,根据目标红外运动图像序列,可以识别出真假弹头。
综上所述,以上五种红外特性均能从不同侧面反映出目标间的质量形体差异,但各有其局限性:一是判定时只考虑一个因素或部分因素,其可靠性与准确性不佳;二是各因素在不同时间段,表现效果会有较大变化。而将此五项因素构成决策的综合属性集,可以较全面、准确的反映各目标的红外威胁程度。因此,结合目前相应红外传感器的可靠性与精确性,本文主要综合利用这五个红外特性作为目标识别的依据。
2 模糊动态AHP目标识别模型的建立
目标识别是一个推断和决策的行为,从上节分析可知,如果将每个目标看作一个方案,将各种红外特性分别看作各方案的属性,决策准则是目标红外威胁程度,则多目标识别就成为一个多属性决策的排序问题,实时甄选出威胁值最大的目标,即质量形体威胁最大的目标作为主要威胁目标,即达到目标识别目的。
2.1 总体模型
在此,根据由目标的质量及形体特征引起的红外特性变化规律,将目标群中具有较大质量与形体,可构成“可视的红外目标”的物质分为五类,由此设立方案集(即目标集)A={A1,A2,A3,A4,A5}={真弹头、气球、加热角锥体、重型假目标、弹体碎块},属性集G={G1,G2,G3,G4,G5}={温度变化率、热容差异、辐射强度、灰度特性、运动特性}。基于模糊动态AHP算法的识别排序模型如下图1所示。
由于在本属性集属性中既有定量描述又有定性描述,而且相互之间关系复杂,具有一定的模糊性。而层次分析法AHP是一种新的应用较为广泛的建模方法,利用层次分析数学可把半定性、半定量的问题转化为定量计算,但传统算法中简单利用成对比较法构造判断矩阵比较粗糙,主观随意性大,所以,本文结合模糊动态评判来构造判断矩阵和决策模型可以提高评估精度,增强决策的科学性。
2.2 应用比较法和模糊动态评判法构造属性重要性矩阵
AHP的主要步骤:1)建立层次结构;2)构造判断矩阵并进行一致性检验;3)求解权重向量,综合排序。而在第2步中传统的判断矩阵构造中的两两属性比较法,由于简单采用1—9标度法,构造矩阵比较粗糙,甚至会出现逻辑上不合理的情况,一致性比较差,而且不能求解重要性随时间变化的因素的权值。因此,本文引入模糊动态评判法来构造判断矩阵,具体步骤为:
1)构建两个属性对于目标的相对重要性矩阵。采用专家打分对比法,根据各自的相对重要性给予评分,采用1—9标度法[12],如有属性G1、G2,专家P的打分分别为n1、n2,则G1关于目标的相对重要性指标为ap=n1/n2,而G2关于目标的相对重要性指标为bp=n2/n1。用此方法可以得到任意两个属性关于目标的相对重要性指标,构造出判断矩阵。通常,给出的判断矩阵很难满足完全一致性[13],文献[12]指出当n阶判断矩阵的最大本征值λmax小于相应的临界本征值λ′max时,即认为判断矩阵A具有满意一致性。
2)建立动态因素[13]。如第i个因素相对于第j个因素比较,则可表示为aij Tm=(lij Tm,xij Tm,uij Tm),其中xij Tm为相对重要度即中心值,Tm为时间,lij Tm和uij Tm分别为aij Tm的左右范围。当uij Tm—lij Tm的值越大,判断越模糊;反之,越清楚。设A(Tm)=(a ij Tm)n×n×Tm是模糊判断矩阵,满足:
3)计算判断矩阵权值向量。首先确定时间Tm,采取文献[13]中的方法对判断矩阵(仅针对中心值,而非左右范围)进行微调,使之达到一致性要求。如调整后的一致性判断矩阵为A(Tm)=(a ij Tm)n×n×Tm(Tm已确定),则经过一系列推导,可以得出如下计算公式:
首先,第i个因素满足n个目标的综合程度值(ei)[13]的计算公式为
其次,第i个因素未归一化权重(ωi)[13]如下所示:
式中:α∈[0,1]为决策者的优化度。当α=1时,表示一个决策者的乐观观点;当α=0时,表示决策者的悲观观点;当0<α<1时,表示决策者的观点介于两者之间。
将求出的权重ωi逐层聚合后,进行归一化处理,即可得到归一化权重ωi*。取不同时间段Tm,重复上述步骤,即可求出各个关键时间段上的归一化权重向量WTm=[ω1*,ω2*,ω3*,ω4*,ω5*]T,它表示n个特征属性的相对威胁程度大小。
4)时间Tm与tmn的确定。T为根据导弹各飞行阶段呈现不同的特点而划分的若干连续时间段集合T={T1,T2,...Tm},各Tm对应于相应的归一化权重向量WTm,其间包含预警卫星对目标群的探测时间点tmn,即tmn∈Tm。
结合本模型,参评专家P为天基红外预警卫星所采取的各探测技术手段,决策优化度α为某时间段Tm属性Gi的观测效果权值。所以,本文充分考虑了空间与时间上的信息融合,以降低识别结果的不确定性。
3 算法实现
3.1 属性权重的确定
利用模糊动态法来构建属性相对重要性矩阵A,可以较好地解决五个红外属性特征的相对重要性随时间变化而改变的问题。例如,在导弹飞行中段时期的灰度特性相比运动特性变化明显,易于辨别弹头,因而灰度特性相对于运动特性重要。而到了再入段初期,目标群的运动特性相对于灰度特性变化明显,易于分辨弹头,因而运动特性相对于灰度特性重要性上升。
为了说明动态判断矩阵在整个识别过程中属性相对重要性的变化,本文选取T1为再入段初期一时间段为例,结合目前各相应红外传感器的探测精度,预先制定属性相对重要性矩阵A如表1,并存入数据库。本文限于篇幅,只列出了中心值的判断矩阵,对于矩阵中除对角线以外的值大于1的元素,其左扩展为中心值减去1,右扩展为中心值加上1,对于矩阵中除对角线以外的值小于1的元素,可以按式(1)处理。
通过“本征向量法”[12]求得表1的λmax=5.279,小于五阶矩阵的临界值λ′max=5.45,可以通过一致性检验,以下各表求λkmax方法同。取α=0.5,防御系统方根据式(1)~(3)和表1可实时计算得五个因素在T1的归一化相对威胁权重系数为:TW1=[.0293,.0297,.0082,.0159,.0168]T。
3.2 确定各属性下的判断矩阵
以某型洲际弹道导弹为例进行计算。各属性下目标威胁判断矩阵计算过程不同于属性重要性矩阵A。取观测时间点t1n为再入段初期一时刻(t1n∈T1),各目标在五项属性下的变化情况,目前无法直接得到探测数据,只能依据前面的理论和文献[4]、[5]、[8]及相关情报资料建立的数据库,进行模拟计算仿真,防御系统方再将实时结果两两比较,得出各属性下目标威胁判断矩阵。
例如,对于温度变化率属性G1,经计算五类目标相互之间的威胁性比较矩阵P1,如表2所示。
其中,λ1max=5.293<λ′max=5.45,符合一致性要求。求解
得特征向量Wk=[w1k,w2k,w3k,w4k,w5k]T即为各目标在第k个特征属性下优劣比较的权值向量,
热容差异判断矩阵P2,辐射强度判断矩阵P3,灰度特性判断矩阵P4,运动特性判断矩阵P5(考虑再入减速特性差异)中,各目标相对威胁性比较,如表3、4、5、6所示。
整理后得各目标在五个红外特征属性下的决策矩阵Ct1n=[W1,W2,W3,W4,W5],如表7所示。
3.3 计算各目标的威胁值
目标的威胁值是指目标的红外特性威胁程度大小,据此判断各目标属于弹头的可信度,将其按大小排序后,最大值者即为真弹头。根据前面求得的各属性权重和综合决策矩阵,利用简单的矩阵相乘法则,就可得各目标的红外威胁值(如图1所示),按下式计算:
最终得各目标红外威胁值为
按威胁值大小排序为A1>A3>A4>A2>A5。由排序结果可以看出,A1具有最大红外威胁值,防御系统即判其为真弹头,与仿真系统中攻击方所给情况一致,达到预期效果。其余各目标的红外威胁值与各自目标的真实情况基本一致。
而在T2飞行中段一时期,用上述方法计算出各目标t2n时(t2n∈T2)红外威胁值为
按威胁值大小排序为:A1>A4>A3>A2>A5。通过比较可以看出,两次计算的排序结果基本一致,只是A3,A4的红外威胁值排序发生了变化。这是因为飞行中段时期目标灰度特性相对于运动特性重要,说明在不同时间,各属性的相对权重系数发生了一定变化,从而最终影响了各目标红外威胁值向量Mtmn的计算结果。本例证明该方法的正确性与有效性。本文相对于文献[2]做到了更进一步的弹头目标精识别。
结束语
动态模糊关系 篇3
有效的数据预测在金融投资领域占有重要地位, 而以股票涨落为代表的金融数据影响因素非常复杂, 其变化有着很强的无序性, 从而增加了预测的难度。目前, 已出现众多分析股市的手段以及预测方法。其中, 逐步形成理论的有K线法、波浪法、道琼斯法等。但这些都仅作为分析方法, 作为缺乏经济理论和证券知识的普通用户, 并不能直接从中预测股市的动态。除此之外, 有利用现代统计学的手段, 试图建立模型来预测股市。然而, 影响股市的因素多且复杂, 许多因素本身尚具模糊性、混乱性, 所以上述种种努力所取得的效果甚微。在股市发展过程中, 的确有某种规律性的东西, 或者称为模式。这些规律性的东西常常蕴涵于看似杂乱无章的大量历史数据中, 因此, 要想获得有效的预测, 关键在于发现规律。从数学的角度看, 就是建立某种映射关系 (函数) , 并进行函数的拟合, 神经网络是解决这一问题的最佳工具之一。人工神经网络已被广泛应用于包括经济领域在内的预测问题中, 并已取得了不错的效果。
股市往往具有如下特点:① 含有大量原始数据;② 影响因素众多, 因素之间关系复杂且有某种并行性;③ 很多因素具有一定的模糊性;④ 股市的发展有某种规律性。基于这些特点, 采用模糊神经网络方法进行股价的预测较为合理。然而, 传统的模糊神经网络也具有一定的局限性, 研究人员必须预先划分输入空间, 确定模糊规则基, 在此基础上, 再利用神经网络的学习功能和自适应能力对系统参数进行优化。这往往导致所建立的神经网络不一定具有应用所需的最佳网络结构, 使得研究者不得不经过反复试验, 才能最终确定。本文使用的广义动态模糊神经网络 (GD-FNN) 不同于传统神经网络, 它的网络结构不是预先设定的, 而是动态变化的, 即在学习开始前, 没有一条模糊规则, 其模糊规则在学习过程中逐渐增长而形成。这样就克服了上述缺点, 为应用带来了很多方便。
1 GD-FNN结构
GD-FNN共分为四层, 分别为输入层、隶属度函数层、T-范数层和输出层, 如图1所示。
第一层为输入层, 节点的个数为输入变量的个数, 设共有r个输入变量, 并且每个输入变量xi (i=1, 2, …, r) 有u个隶属函数Aij (j=1, 2, …, u) , 共有r×u个节点位于第二层, 每个输入变量xi与其自身的u个隶属函数相连, 隶属函数为高斯函数, 形式为:
其中, μij是xi的第j个隶属函数, cij和σij分别为xi的第j个高斯隶属函数的中心和宽度。第三层用于计算每个规则触发权的T-范数算子用乘法, 第三层的j个规则Rj (j=1, 2, …, u) 的输出用下式计算:
第四层为输出层, 用如下的表达式:
其中, y是输出变量的值, ωj为第j个规则的连接权。
2 GD-FNN学习算法
广义动态模糊神经网络的结构是在学习过程中逐渐生成、调整的, 通过对模糊规则的调整从而调整网络结构, 因此算法要完成网络结构调整和参数确定、调整两个功能。对于网络结构的调整分为模糊规则的产生和剔除, 对于参数的学习分为两个方面:前提参数估计和结果参数确定。
2.1 模糊规则的产生和剔除
2.1.1 模糊规则的产生
模糊规则的产生考虑两个因素:系统误差和模糊规则的ε-完备性。
GD-FNN输出误差是确定是否需要增加一条新的模糊规则的一个重要因素。误差规则可以表示如下:
对每个观测数据 (Xk, tk) , k=1, 2, …, n;其中, n是全部训练数据的数量, Xk是第k个输入样本向量, tk是第k个期望的输出, 用式 (2) 和式 (3) 计算当前结构下的GD-FNN输出yk。定义系统误差为:
如果‖ek‖>ke, 则应考虑增加一条新的模糊规则。这里, ke是根据GD-FNN期望的精度预定义的一个阈值, 它在学习过程中按以下准则逐渐变化:
其中, emin是GD-FNN期望的输出精度, emax是选择的最大误差, k是学习的次数, β∈ (0, 1) 称为收敛常数, 可以推导出:
模糊规则的ε-完备性是确定是否需要增加一条新的模糊规则的另一个重要因素。ε-完备性定义如下:
定义1 模糊规则的ε-完备性 对某个变化范围内的输入, 如果至少存在一条模糊规则, 使得匹配度 (即触发权) 的值不小于ε, 我们就说这样的模糊规则具有ε-完备性。
在模糊系统中ε的最小值通常选择为εmin=0.5。
从模糊规则观点来看, 一条模糊规则是在输入-输出空间中的一个局部表达。如果一个新的样本满足ε-完备性, 那么GD-FNN不会产生一个新的规则, 而会通过更新现有规则的参数来包容样本。
根据ε-完备性, 当一个观测数据 (Xk, tk) , k=1, 2, …, n进入系统, 可以计算观测数据Xk 和现有的高斯单元的中心Cj (j=1, 2, …, u) 之间的马氏距离mdk (j) , 找到:
如果:
其中kd是一个预先设定并与ε相关联的阈值, 则表明现有的系统不满足ε-完备性而应该考虑产生一条新规则。这里kd在学习过程中按下式变化:
其中, k是学习的次数, γ∈ (0, 1) 称为衰减常数, 由式 (9) 推算出:
2.1.2 模糊规则的剔除
定义误差减少率矩阵Δ= (ρ1, ρ2, …, ρu) ∈R (r+1) ×u, △的第j列是对应的第j个规则的 (r+1) 个误差减少率。定义:
则ηj代表了第j个规则的重要性。如果ηj<kerr, j=1, 2, …, u;其中, kerr是预先定义的值, 则第j个规则被删除。
2.2 参数的确定和调整
参数的确定和调整, 包括高斯函数宽度和中心的确定, 高斯函数宽度的调整和权值的调整。
2.2.1 高斯函数宽度和中心的确定
假设u个模糊规则已经产生, 当得到一个新的采样样本Xk (k=1, 2, …, n) 时, 按照规则产生准则, 需要产生一条新的模糊规则。这时, 把多维输入变量Xk投影到相应的一维隶属函数空间, 同时计算数据x
其中, Φi∈{ximin, ci1, ci2, …, ciu, ximax}, 同时找到:
如果edi (jn) ≤kmf, 其中, kmf是一个预先定义的常数, 该常数控制相邻隶属函数的相似性, 那么, 就说x
其中, ci-1和ci+1是与第i个隶属函数邻近的两个隶属函数的中心。而高斯函数的中心确定如下:
2.2.2 高斯宽度修正
对于一个新样本Xk, 可以找到以马氏距离“最靠近”该样本的第j个规则。如果条件‖ek‖>ke和mdk, min≤kd都成立, 把向量Xk分解为相应的一维输入变量, 则输入变量xi (i=1, 2, …, r) 的最近的隶属函数的宽度σij (j=1, 2, …, u) 可以修正如下:σ
其中, r是输入变量的总数。
2.2.3 权值确定
设r个输入变量的n次观测样本产生u个模糊规则, 将网络的输出写成矩阵形式为:Wϕ=Y, 其中W∈Ru (r+1) , ο∈Ru (r+1) ×n和Y∈Rn。假设期望的输出为T= (t1, t2, …, tn) ∈Rn, 确定最优参数W*的问题可以用公式表示为最小化
整个算法的流程图如图2所示。
3 样本选择
用定量模型对股票市场进行预测, 首先就是要对股票市场进行定量化描述。就GD-FNN而言, 需将股市的历史数据处理成一系列可供神经网络学习的例子样本, 组成一个学习样本集, 每个学习样本为因果关系的偶对: (预测依据|预测对象) 。
本文以上证指数第七天的收盘价作为预测对象。预测依据表示在预测对象的结果发生前系统的描述, 就股市技术分析而言, 某时刻t前的系统状态为价格和成交量的时间序列数据, 显然这里的数据量是相当庞大的, 且股票价格变化在短期内具有很大的随机性, 而瞬时的变化对未来趋势预测意义很小。人们在长期的实践中已总结出数百种描述系统状态的技术指标, 如MA、MACD、WMS%、KDJ、RSI、BIAS、PSY、AR、OBV、ADR等, 另外, 还有一些特征提取的数学方法, 如卡尔曼滤波、小波变换等。具体应用时可针对不同的预测对象, 选取若干种和该预测对象相关度大的技术指标, 来组成描述系统状态的预测依据向量。
本文选用移动平均线 (MA (6) ) 、乖离率 (BIAS (6) ) 、随机强弱指标 (RSI (6) ) 和心理线 (PSY (6) ) 作为输入变量, 用第7天的收盘价作为目标输出, 对网络进行训练。
MA是利用若干天或若干周收市价的均值为参数绘制的曲线。由于它利用了移动平均理论, 剔除了股价的偶然变动, 因而可以作为投资者判断行情走向的依据。MA的计算公式为:
BIAS用来描述股价与移动平均线距离的远近程度, 计算公式为:
式中, Cn为当日收盘价, MA为n日移动平均值, BIAS可正可负, 也可为零。
RSI是反映行情变化动量的指标, 即市场向某一个方向变化时, 其内部所包含的能量, 可用以反映股价变动的强弱状况。计算公式为:
其中, n为天数, Un表示n日中股价上升幅度之和, Dn表示n日中下跌幅度之和。
PSY指标是在时间的角度上计算N日内的多空总力量, 来描述股市目前处于强势或弱势, 是否处于超买或超卖状态。它主要是通过计算N日内股价或指数上涨天数的多少来衡量投资者的心理承受能力, 反映股市未来发展趋势及股价是否存在过度的涨跌行为。计算公式为:
4 上证指数预测实验
本文用上证指数2008-07-12到2008-12-14共100个样本数据, 其中, 前70个作为训练样本, 后30个作为测试样本。计算出MA (6) 、BIAS (6) 、RSI (6) 和PSY (6) 作为输入数据, 用第7天的收盘价作为输出数据。为保持数据取值范围的一致性, 这里用MA (6) /100代替MA (6) 作为输入。实验结果如图3和图4所示。
图中圆圈为期望输出, 星号为实际输出。从结果来看, 预测值与实际值完全吻合, 取得了非常好的效果。
5 结 语
将GD-FNN用于上证指数的预测取得了较为理想的效果, 但股票市场复杂多变, 影响因素众多。尽管GD-FNN具有良好的自学习能力, 但依然存在一些不稳定的因素, 如何设计出更为稳定的网络, 依然需要做进一步的研究, 另外, 如果能将影响股市的因素经模糊化后作为模糊神经网络的输入, 也许会收到更好的效果, 也有待研究。
摘要：提出一种用广义动态模糊神经网络预测股票价格的方法, 网络结构可随模糊规则在学习过程中逐渐增长而自动调节, 以达到预测最优化。通过选用实用的技术参数指标作为网络的输入变量对上证指数的收盘价进行预测, 取得了较为理想的效果。
关键词：广义动态模糊神经网络,上证指数,预测,技术指标
参考文献
[1]伍世虔, 徐军.动态模糊神经网络—设计与应用[M].北京:清华大学出版社, 2008.
[2]张学仁, 宋全启.股票理论与投资分析[M].西安:西北大学出版社, 1998.
[3]陈兴, 孟卫东, 严太华.基于T-S模型的模糊神经网络在股市预测中的应用[J].系统工程理论与实践, 2001 (2) :66-72.
动态模糊关系 篇4
目前, 动态联盟作为一种被诸多企业选择的新兴的组织形式, 正在被航天产品研发和生产企业所引入, 而且已经成为不可或缺的一种组织形式。构建航天产品研制动态联盟对于优化资源配置、缩短研制周期、降低研制成本、提高市场竞争力和自主创新技术能力具有重要的意义, 也是适应新形势发展和变化的必然选择。但是, 由于航天产品本身的复杂性及航天产品市场的特殊性, 其蕴含的风险以及带来的负面影响并没有减少。尤其是在当前我国市场、法律环境尚不完善的情况下, 企业动态联盟之间容易出现互相不信任或者不规范的行为;同时, 动态联盟运行过程中的利益关系均衡的不断变化可能导致联盟的中途解体, 非但不能实现利益共享, 反而还要承担不必要的风险损失, 给航天企业带来不可挽回的损失。因此, 正确地认识航天产品研发动态联盟的风险, 进而有效地对动态联盟中的风险进行管理具有理论和现实意义。
1 航天产品研制动态联盟的特点与风险
1.1 航天产品研制的特点
动态联盟的组织是一个层次多、规模大、结构复杂、因素多、交互信息大、组织有序且功能综合的复杂系统, 它具有各自竞争特色的若干个中小企业与若干个科研部门。它通常是根据航天型号产品项目组成研发和制造的动态联盟, 或依据联盟内各成员单位自身的资源与特点组成功能性的动态联盟。如图1所示。
动态联盟的组织形式在航天产品研制过程中的应用突破了传统企业组织的有形界限, 通过对动态联盟盟员企业外部资源的有效整合, 明显增强了组织的时效性, 重要的是在产权不发生转移的前提下实现企业对不同专用资产的使用权共享, 企业联盟具有更大的组织柔韧性;盟员企业依据具体航天产品项目, 在信任的基础上, 通过缔结契约建立合作关系;在企业动态联盟的组织形式下, 通过不同盟员拥有的关键功能来达到能够实现项目目标的所必需的所有功能。具体而言, 动态联盟具有以下特点:
1.1.1 以技术联盟为核心
即以技术联盟为合作的起点, 以技术开发贯穿全过程, 并以分享高技术成果作为联盟的结束。
1.1.2 组织结构的松散性
由于航天产品研制动态联盟是为了某一型号产品研制的目的而由一些独立的经济实体组织起来的临时性组织, 它没有固定的组织结构和组织层次, 不具有实体形态, 也无需进行法律登记或工商注册。任何一个经济实体都可以通过协商加入或退出, 没有严格限制, 一般通过协商解决。
1.1.3 经营上的灵活性
由于动态联盟是为了实现共同的目标而自愿结成的, 盟员之间的关系是一种特殊的竞争——合作关系, 成员企业只关心与动态联盟项目有关的经营问题, 在经营上具有极大的灵活性。
1.1.4 风险共担、收益共享性
动态联盟在开发过程中的所有费用都是共同承担的, 其技术应用中的所有风险和收益也是共同分担的。动态联盟的实施环境是建立以项目为纽带的企业网络平台, 其组织具有高度的柔性、敏捷性, 并具有可重构、可重用、可扩充的能力。它不同于零部件转包、委托加工等企业间的协作方式, 联盟的范围和内容更为广泛。分布式开发是企业间实行高效率、高柔性合作的有效手段。若干个具有各自竞争特色的企业或部门根据某一特定的市场机遇组成动态联盟, 以虚拟公司的方式对产品开发的全过程实行统一的计划、管理和调度, 从而能获得较快的市场响应速度、较高的企业经营管理效率和高度的企业群体敏捷性, 这是一般的企业间协作方式所无法比拟的。
1.2 风险的存在
动态联盟在帮助航天企业获得响应市场灵活性的同时, 也带来了一些新的风险问题, 比如市场风险的存在、投资战略风险的复杂化、技术知识产权风险的增加、道德风险难以避免等, 尤其是管理、协作风险大大增加, 动态联盟中的盟员企业通常面临不同的技术标准和硬件环境, 不同的企业文化和管理模式等, 这些因素大大增加了管理协作风险, 并可能直接导致管理失控。
动态联盟的成员之间的合作关系缺乏建立在合资、合并、合营等关系之上的行政控制体系, 各协作伙伴之间只有部分目标重合, 很难使所有成员为了共同的目标而努力。盟员企业很有可能为了追求自身利益最大化, 而违反合约中途退出联盟置合作伙伴利益于不顾, 最终导致联盟的解体。由于各成员企业对各方信息掌握的不完备性以及客观条件的多变性, 都可能导致签订的合作合同是不完备的, 这可能导致一系列风险。比如法律风险, 成员企业利用合同的漏洞损害其他成员的利益, 激励风险、信任风险、组织协调风险等等。个人能力的有限性可能造成决策上的失误, 在伙伴选择、战略决策、资产投资、管理等方面造成不同程度的风险。作为工程项目必然存在的能力风险更是不可忽略, 如伙伴企业在合作中可能出现的项目延期、质量缺乏保证、技术不足问题等, 都可能造成项目失败。因此航天产品研制过程中的动态联盟的风险控制的研究尤为重要。
2 航天产品研制动态联盟的风险评价指标体系构建
风险评价指标体系的建立要考虑到风险评价的目的, 既要全面、无遗漏又要注重指标的科学性, 指标是否能够反映动态联盟的风险特征, 指标体系设定的层次和结构是否合理以及其中的指标是否独立而全面, 指标之间应该不具备很强的相关性。同时还要考虑到现实的可能性, 使指标易于理解和接受。
拟定综合评价指标体系时, 必须首先对评价对象作深入的系统分析。从分析评价对象的结构、要素及各种因素的逻辑关系入手, 找出可能引致评价对象的不确定性的所有因素。在系统分析的基础上, 按照各个风险因素之间的因果、依存、隶属、主辅等逻辑关系进行分解, 建立符合实际的风险因素层次结构。在因素分解的基础上, 将最低层次的因素用若干属性指标来描述和测定, 最后构成评价指标体系。
据此, 建立评价指标体系如表1。
3 动态联盟风险模糊综合评价模型
航天产品研制动态联盟是为生产某型号航天配套产品临时组成的动态联盟, 没有原始项目数据可供参考, 对其风险的评价不能考虑某单一因素, 必须兼顾整个联盟的各个相关因素。由于无法给出各风险因素的客观的概率分布, 完全依靠人的经验和主观判断, 带有极大的模糊性, 概率分析的方法在动态联盟的风险评价过程中已经失效, 因此本文应用模糊数学的理论建立动态风险评价模型, 并以实例验证该方法的有效性。
3.1 模型构建
3.1.1 多级模糊综合评价方法及步骤
(1) 确定评价因素集合与评价等级
设U={u1, u2, …, um}为刻画被评价对象按属性分成的m种因素 (即评价指标) ;
V={v1, v2, …, vn}为刻画每一因素所处的状态的n种决断 (即评价等级) 。
(2) 第一级综合评判
分别在每个因素子集Uk (k=1, 2, …, s) 范围内进行该一级综合评判。
根据Uk中各种因素所起的作用大小, 确定因素权重向量Ak= (ak1, ak2, …, akm) ;在各因素Uk范围内, 对各因素Uki按照评语集合{v1, v2, …, vn}的等级评定出Uki对vj的隶属度, 组成评价矩阵Rk, 则可得出:
Ak·Rk=Bk= (bk1, bk2, …, bkn) , k=1, 2, …, s
从而完成第一级综合评判。
(3) 多层次综合评判
将U上的S个因素子集看成是U上的S个单因素, 按各Uk在U中所起的作用确定其权重向量A= (a1, a2, …, am)
把U的各评判结果B= (bk1, bk2, …, bkn) (k=1, 2, …, s) 作为 的单因素评价矩阵,
即
则可得A·R=B
第二级综合评判完成后, 如果只分两个层次, 这就是最后的综合评判结果, 如果划分为更多的层次, 可以此类推进行更高层次综合评判。
根据评价结果, 参考评价基准表, 可以确定风险所属等级。
可见, 模糊综合评价的方法是分别对按照各自归属的类别的各个最底层的指标, 先进行模糊综合评价, 然后再把这些指标的评价结果加以组合构成与之相邻的上一层的指标的评价矩阵。依次类推, 最后算出总的评价值。
3.1.2 权重系数的确定
请专家根据自己对各指标相对重要程度的判断, 按规定的量值范围 (一般取[0, 1]区间的任意值) 为各个指标评定权值。专家意见返回后, 对专家意见表进行数据处理, 检验专家意见的集中程度, 离散程度和协调程度, 达到要求之后, 得到各评价指标的初始权重向量:
aij为第j个专家对第i个指标所赋权值;T为专家个数。
归一化处理
对于每份调查问卷, 被调查者填写完问卷后, 按照被调查者的选择, 将所获得的信息转换成数据, 求出各个接受调查人员打分的算术平均值即可。
4 动态联盟风险评估的实证分析
4.1 调查表的设计
采用模糊综合评判法对航天产品研制动态联盟的风险进行评价过程中, 需要借助若干专家的知识、智慧、经验、信息和价值观, 对已拟出的评价指标进行分析、判断、权衡并赋予相应权值。在风险识别的基础上, 风险评价过程中, 首先要基于专家打分, 确定各个风险要素的主观权重, 对各风险因素进行定位, 确定单个因素归属的风险过程或风险类别, 根据专家打分确定各风险因素对评语集的隶属度, 采用模糊综合评判法即可完成一级评判。
本次研究的基础数据来自10个项目的40个专家 (一个专家可能参与过两个或以上的项目) , 每个项目由6名专家给出评价。两种方法采用相同的指标体系和总体风险评价水平基准表。专家评价表如附录所示。
在风险识别和风险估计的基础上, 为对总体目标进行评价, 给出总体目标评价基准, 见表2。
打分及表格项说明:表1根据提供的50个风险因素及其描述, 对50个因素进行排序, (序号:1～50) , 数字越小说明该因素重要程度越大。最后对专家打分进行加总, 求出最终的排序, 取排名前38位的风险因素作为评价指标。在对表1数据进行处理得出结果之后, 进行第二次调查问卷, 设计了表2和相关表格, 表格的份数根据专家数和项目数来决定。
表2请专家对所参与项目的风险总体水平进行评判, 依据表2进行打分。
表3和相关表格请专家首先对该种类或该过程下的风险因素所属等级进行评判, 在1～5级中选择打勾;然后判断该风险因素对此类别总体风险或该过程总风险的影响的重要程度, 为该风险因素设置权重 (0～1) , 每份表中各因素权重之和等于1。
最后, 请专家分别对某××项目 (共10个项目) 的38个风险指标依据评价基准表2进行综合评判打分。
4.2 模糊综合评判
按专家意见, 挑选其中1个具有典型性的动态联盟项目进行综合评判, 称为项目A。对项目A的综合评判需要考虑的所有因素的合集:U={U50, U51};其中U50={U43, U44, U45}, U51={U46, U47, U48, U49}。
下面选取联盟内部的运营阶段风险U47来演示模糊综合评判的具体步骤:
4.2.1 确定评判因素合集
U47={U39, U40, U41, U42}, 其中U39={u18, u19, u20, u21}, U40={u22, u23, u24, u25}, U41={u26, u27}, U42={u28, u29, u30},
4.2.2 对专家权重分数进行处理, 确定风险权重, 可得表3。
4.2.3 根据项目A的能力风险评价表, 可获得能力风险的风险描述
能力风险的模糊评价向量B39=A39×R39={0.059, 0.157, 0.312, 0.240, 0.232}, 从能力风险的4个因素的模糊向量A39可以得到四个风险因素分别占整个能力风险的比重, 46.5%, 20.1%, 18.7%和14.7%。这里, 质量风险占能力风险的比重最大, 对动态联盟的能力风险所带来的影响也最大。
从计算得到的能力风险的一级综合模糊评价结果B39可以看出来认为能力风险属于三级风险。而且从风险程度分布来看, 能力风险的风险类型大都集中在中等风险以及较高风险等级上。所以可以近似认为, 能力风险一定存在, 且风险程度较高。
4.2.4 运营阶段风险综合评价
根据模糊综合评价模型, 求出第三级风险因素的评价后, 依此类推, 求得运营阶段的第二级风险评价值。
对协作风险、人力风险和管理风险分别进行模糊计算, 可得:
所以,
由于, A47= (0.32, 0.28, 0.11, 0.29) ,
故可得B47= (0.0914, 0.1909, 0.3788, 0.2324, 0.1065)
从计算得到的运营阶段风险的综合模糊评价结果B47可以看出来, 认为运营阶段风险属于三级风险, 且从风险程度分布来看, 运营阶段风险大多集中在中等风险以及较高风险等级上。所以也可以近似认为, 运营阶段的风险一定存在, 且风险程度较高。另外, 协作风险和管理风险都属于3级风险, 且协作风险属于中等偏高的风险, 管理风险属于中等偏低的风险。
由运营阶段风险的4个问题的模糊全向量A47可以得出:运营阶段的能力风险类的因素风险度最高, 其次是管理风险和协作风险, 管理风险中的激励风险对管理风险的影响最大, 协作风险中的合作伙伴中途退出对协作风险影响最大, 另外技术衔接风险也很大。
……
4.2.5 依次类推, 对二级风险模糊综合评判如下:
最终可得动态联盟的总风险:
1×0.064+2×0.151+3×0.487+4×0.271+5×0.027=3.05
根据前面拟定的指标分级为:1～5五个等级, 3.05处于较高与一般之间, 我们可以得到以下结论:项目A动态联盟存在的风险程度偏高。
最后, 为对各单风险因素的影响程度进行排序, 根据各位专家的评判表3-表13, 计算总体项目中各单风险因素的相对权重系数, 即模糊向量系数
如
然后, 对
由此可确定各风险因素的相对重要程度, 这是风险管理决策的重要依据。根据评价结果, 组建阶段的伙伴选择风险、解体阶段的责权分担风险、全程性风险中的战略决策风险也属于各阶段影响最大的风险;另外, 行政干预和投资风险所占权重也较高。该结果可以为风险管理者制定风险管理对策提供依据。
动态模糊关系 篇5
高校教师年度考核是学校的一项必要工作。量化考核作为高校绩效考核过程中主要衡量指标发挥了巨大的作用，实行科学的高校教师年度考核，对建立有效的激励机制，调动高校教师工作的积极性，激励督促高校教师认真履行职责，加强师资队伍建设具有重要的促进作用。
教师年度考核是一种综合性考核，考核内容包括教师的政治思想，教学工作，科研工作，等其他工作方面。考核方式以定性考核为主，一般以部门或学院为单位进行，考核结果分优秀、良好、合格和不合格四个等级。目前，高校薪酬分配直接与年度考核结果挂钩，以往用简单的统计法、求平均值法等等来量化考核结果，这样做虽然在一定程度上能反应出教师的一些工作情况，然而忽略了教师在一年工作中因为各种客观、主观方面影响所造成的工作变化波动，那些变化的、界限不清楚的因素将难以量化表示出来。如何客观真实表达出教师在这一年的工作中是不断进步的，如何建立良好的量化考核评测体系,才能使考核更客观、有效、可靠,如何编制适合于考核的评测指标,更好、更有效地进行考核评测,是目前迫切需要解决的问题。
本文将动态模糊逻辑理论应用到教师考核系统中，针对高校教师考核系统中的动态模糊数据，借助动态模糊逻辑理论知识，给出动态模糊语义图表示模型、动态模糊逻辑命题表示模型、动态模糊谓词表示模型等。
1、动态模糊逻辑理论
1.1 动态模糊数据集的定义
动态模糊集(Dynamic Fuzzy Sets,DFS)[1]是表示动态模糊数据的一种方法,它是模糊集合(FS)理论的推广。
1.1.1 动态模糊集的定义
设在论域U上定义一个映射：
记为或，则称为上的DFS,称为隶属函数对隶属度。
任何一个数a∈[0,1]都可以把a动态模糊为:
例%教师年度考核量化影响因素之一的教学质量分为优秀，良好，合格，不合格四个等级，分别用v1、v2、v3、v4来表示，则其论域为（v1,v2,v3,v4）×[←→]，那么教学质量考核的隶属函数为其中优秀对应良好对应合格对应不合格对应表示优秀的隶属度，但变化趋势向着下降的方向发展，说明教师的教学质量虽然是非常好，但是不如以前，表示良好的隶属度，且变化趋势向着更好的方向发展，说明教学质量已经很好了，并且比以前更好。
1.1.2 DF与/或语义图
DF与/或语义图(Dynamic Fuzzy And/O r Semantic Graph)[1]是普通与/或语义图的DF化结果。在这种图中，结点间的连接采用下面行使的连线丛表示。
图1中(i=1,2,3,…,n）表示第i条支线的动态模糊度；e表示连线丛的名字和意义;I表示连线丛的阈值O表示整条连线丛的DF度。
1.2 动态模糊命题的相关概念
定义1一个具有动态模糊性的陈述句成为动态模糊命题(Dynamic Fuzzy Proposition),用字母A,B,C,…表示[1]。
定义2度量一个DF命题真假用DF数来表示,称为该命题的真假度,常用字母表示[1]。
定义3一个DF命题的变量可以看成在闭区间[0,1]×[←→]上取值的变量,称为DF命题变量,常用小写字母表示[1]。
注：对于DF变量或
对于DF变量规定如下运算
(1)否定“—”，例如：否定记为，且
(2)析取
(3)合取
(4)条件“→”:
(5)双条件“”:
2、基于DFL命题的年度考核模型
2.1基于DFL命题的年度考核模型
2.1.1考核因素
目前，我国高校教师年度考核的内容主要包括德、能、勤、绩四个方面。重点考核教学工作业绩，主要包括教学工作量、教学效果、教学建设、改革与研究、教书育人等方面。考核因素很多，有教师主观因素也有客观影响，各考核因素之间又有层次之分，例如，教学工作业绩中包括对教学工作量、教学效果等方面的考核，而教学效果评价包括学生评价、教学督导及专家对教师课堂教学质量评价等。因此，量化考核需要进行多层次的综合评价。在层次评价[2]过程中,首先将评价因子分类,然后从最低层开始进行一级模糊综合评判[3],把结果作为上一层的评判矩阵,再进行上一层的模糊综合评判,直到最高层。通常这些考核因素具有不同程度的动态模糊性，例如图2列举了一部分层次考核模型，根据这些指标建立因素集合U={u0,u1,u2,u3,…},各个影响因素用ui表示,。因为各个影响因素的值具有动态变化性和模糊性即不确定性，因此采用动态模糊命题方式定义。
2.1.2建立权重
通常情况下，年度考核中考核项的影响程度是不一样的，有轻重之分，因此对各考核项赋予相应的权重。由于各个考核对象的类型不同因此权重值也将不同，如对于教授与讲师在科研工作量要求必然不同，因此考核项的权重集也适合用动态模糊集来表示。,其中表示考核因素集中对应的权重，ΣSi=1。
2.1.3考核结果
考核结果通常是“优、良、中、差”，这些语言描述相对模糊不清，并且因为各种原因教师在一年的工作中情况是不断变化的。因此在考核结果里引用动态模糊逻辑的相关定义。
假设考核结果集表示各个考核因素不同的结果，表示下降的发展趋势，越来越差；相反，表示上升的发展趋势，越来越好。
2.1.4单因素考核
由于年终考核是一种多因素多层次的综合考核，单因素考核结果是最先考虑的。设对因素集U中第i个因素Ui进行评判,对评判集V中第j个元素Ui的隶属程度为rij则按第i个因素Ui评判结果,可得模糊向量
同理可得
将这些隶属度组成矩阵即得单因素评价矩阵[4]:
其中表示第i个因素集里的第j个因素综合评价。
2.1.5综合评判
多层次模糊综合评判是在一级模糊综合评判的基础之上，将结果向量R经过归一化处理后合成矩阵D，确定下一层评价指标对上一层评价因素的权重A，再根据公式B=A*D计算最终的评价向量B。
3、动态模糊年度考核举例
3.1 考核因素集
假设根据某校的教学质量管理办法及教师教学质量考核实施办法，设计动态模糊语义图如图
由图3动态模糊语义图分别建立学生考核因素集学院评价集同行评价集
根据图3学生评价集
:从业道德；敬业精神；教学态度；:师生交流；教学效果。
学院评价集（含督导评价）
:责任心;:教学研究;教学态度;敬业精神;思想政治。
同行评价集
:教学水平;课程熟练程度；备课笔记完备性；教学基本规范的执行；对课程目标和进度的把握。
每个评价集中每个指标分为4个等第:9分以上为好,8～9分为良好,6～8分为合格,6分以下为不合格。
进行一级评价，每个评价因素权重集是对各指标重要程度的确定，这个权重是由各部门专家主观规定，因此在此建立权重集
总体学生评价取和的值部分之和，总体评价变化发展由和值的大小决定。若，变得趋势是越来越好，相反则越来越差。同理可以得出的情况。由此看出学生、同行及督导对教师教学情况的认可度，以便教师即使调整某方面的不足，继续保持某些较好的方面。
3.2 单因素评价
假设根据教师教学质量测评数据统计，获得原始数据构建单因素考核矩阵S,T,D。S为学生评价矩阵，T为同行评价矩阵，D为学校评价矩阵。
针对某个教师在校一年讲授课程，参加评测200名学生，每个学生对教师的5项综合指标进行评价。学生评价矩阵为
计算学生的综合评价结果为
同样计算同行综合评价结果
学校综合评价结果
3.3 评价结果集
高校教学质量考核的测评结果由动态模糊评价向量RS,RT,RD及权重向量A=[0.2 0.4 0.4]决定：B=A×R,其中·运算是矩阵的乘运算。是最终的评价结果，说明教师教学质量在不断提高，总体水平良好。这个结果对教师发现自己在一年的教学工作中不足起到作用，同时也对教学工作起到积极的指导和预测作用。
4、结论
通过以上实例分析，把动态模糊逻辑理论应用到教师年度考核中是可行的。不仅客观真实的反映了教师的工作情况，还对学校在管理工作上起到了积极地作用。动态模糊理论的应用非常广泛，这将激励着我们继续探索它的理论及应用。
摘要：针对高校教师年度考核中动态、模糊数据难以量化问题,文章尝试一种新的方法。首先介绍了动态模糊逻辑理论,提出了基于动态模糊逻辑的高校教师年度量化考核模型,包括动态模糊与/或语义图表示模型,DF命题表示模型等。并以年度考核中的一项指标为例,结果说明具有实用价值。
关键词：动态模糊集,动态模糊逻辑,教师年度考核,量化
参考文献
[1]李凡长,刘贵全,佘玉梅.动态模糊逻辑引论[M].昆明:云南科技出版社,2005:88-89,120
[2]许树柏.层次分析法原理[M].天津:天津大学出版社,1988:82288.
[3]杨和雄,李宗文.模糊数学和它的应用[M].天津:天津科学技术出版社,1993:1102115
动态模糊关系 篇6
在实际的不同类型多传感器系统中, 决策层信息融合目标识别过程具体指每个传感器对各自获得的信息进行数据独立地处理, 得到关于目标的身份估计, 再对每个传感器的目标分类判决结果进行融合的过程[1]。考虑到实际中各传感器根据自身所获取的关于目标的特征信息具有不完整性和不可靠性等, 则其给出的目标身份识别结果具有一定的不确定性。信息融合技术可在较大程度上提高系统的可靠性和容错性, 因此, 它在不确定性信息处理过程中, 发挥着举足轻重的作用, 其中, D-S证据理论法、Bayes方法和模糊理论方法等都有广泛的应用。
由模糊理论发展而来的模糊信息融合处理技术已为目前的不确定性处理问题提供了一种行之有效的手段, 在信息融合和模式识别等领域已经得到广泛的应用[1]。在目前已有的决策层融合识别的方法中, 模糊积分方法具有简单易实现、融合效果好的优点, 也是最常采用的方法之一。在模糊积分中定义的模糊测度, 即为各传感器在识别过程中的重要程度, 积分过程也就是各传感器所得出的目标身份识别结果, 关于各自重要程度的广义Lebesgue积分[2]。Tahani在计算机视觉的信息融合中, 首次运用了模糊积分[3], 这也是其在模式识别领域的首次运用, 然而他对模糊测度, 即各信源的重要程度, 并未给出具体的衡量标准。之后, Gader等人又对应用于模式识别的模糊积分融合方法做了进一步的拓展和完善[4]。
将模糊积分应用于多传感器信息融合系统的决策层目标识别, 其关键问题是确定各传感器关于识别重要程度, 即模糊测度的赋值问题。目前对各传感器模糊测度进行赋值的方法主要包括混淆矩阵法和遗传算法, 而这两种方法都只利用了训练样本的先验知识, 准确性和适应性不足。本文在此基础上, 提出了一种既利用训练样本静态的先验知识又结合各传感器判决结果不确定性的, 对模糊测度进行自适应修正的动态赋值方法。仿真实验结果表明和非自适应模糊测度赋值方法相比该方法能得到更好的融合效果。
1 模糊积分与模糊测度
1.1 gλ-模糊测度
设 (X, Ω) 是一可测空间, g:Ω→[0, 1]是具有以下性质的一组函数:
函数g称为模糊测度, (2) 中的单调性公理决定了g不是必然可加的, 即不能将两个不相关集合的测度直接相加来获得其并集的测度。因此, Sugeno引入了模糊测度, 满足:对于所有的A, B⊂X且A⋂B=∅, 存在λ>-1使得:
1.2 Choquet模糊积分
对于有限离散集X={x1, x2, ⋯, xn}, h:X→[0, 1], 满足, 则Choquet模糊积分:
式中, h (x0) =0;Ai={xi, xi+1, ⋯, xn};δi=gλ (Ai) -gλ (Ai+1) ;gλ (An+1) =0。
如果g是gλ模糊测度, gi=g ({si}) , 则g (Ai) 可以由式 (3) 和式 (4) 组成的递推公式计算求得:
式中, λ可以通过解方程式 (5) 求得:
由于λ满足λ>-1且λ≠0, 可以证明, 对于一个固定集合{g}i, 0<gi<i, 存在惟一的λ∈ (-1, ∞) , 且λ≠0。由此可推出, 若模糊测度gi (i=1, 2, ⋯, n) 已知, 就能惟一确定gλ-模糊测度。
设总共有N个传感器{s1, s2, ⋯, sN}, M类目标{ω1, ω2, ⋯, ωM}。对待识别目标x, 传感器si输出的识别结果Hi (x) =[hi1 (x) , hi2 (x) , ⋯, hi M (x) ], 表示目标x属于各类目标的信度。设每类目标的特征服从正态分布, 则hij (x) 可定义为:
利用Choquet模糊积分进行融合识别时, 集合S代表这N个传感器, 而gj (Ai) 表示传感器集Ai识别第j类目标的重要程度, 则利用式 (2) 可求Choquet模糊积分融合后, 目标x属于第j类目标的信度。最大的hj (x) 即对应目标类别输出。
2 基于自适应模糊测度的模型及识别算法
当采用Choquet模糊积分方法对多传感器目标识别系统进行决策层融合时, 模糊测度代表各传感器对识别结果的贡献大小, 决定着最终的识别结果。混淆矩阵是一种简单易行的利用先验知识确定各传感器的模糊测度的方法。对于M类目标, 传感器si的归一化混淆矩阵是一个大小为M×M的矩阵Pi= (pikj) M×M, 其中pikj表示传感器si将训练样本中第k类目标识别为第j类的概率[1]。模糊测度gji=gj ({sj}) 代表判决目标属于ωj类别时传感器si的重要程度, 则模糊测度gji可用式 (7) 估计:
然而利用混淆矩阵对模糊密度进行赋值时, 利用的是训练样本的静态先验信息, 没有利用到各传感器识别结果中包含的动态信息。而识别过程中的不确定性是动态变化的, 例如, 当各传感器识别不同种类的目标时, 其重要程度自然不同, 则其相对应的模糊测度也应随之进行改变。
因此, 根据理论分析, 在多传感器融合识别系统中, 结果的不确定性主要有以下4个方面:可靠性;可分辨度, 不确定度, 一致性。
若能对以上4个方面的不确定性进行量化分析, 并对结果进行自适应处理, 将大大提高识别结果正确率。
首先, 可靠性用传感器的识别正确率表征, 可以根据对训练样本的识别结果求得。
其次, 可分辨度表征传感器获取的目标信息的非重叠性。传感器对一个样本进行识别后, 输出一个判决结果矢量, 该矢量的各分量即对应于传感器将该样本判为隶属于不同目标类别的确定程度。如果传感器将该样本判为正确类别的确定程度越高, 且给出相对于判为其他错误类别的确定程度越低, 即表示目标能被正确分类识别的概率越大, 这时可称该传感器对于该样本分类具有较高的可分辨度。因此, 可分辨度也表征了传感器将目标正确分类识别的能力。在采用混淆矩阵法确定了各传感器的模糊测度初值之后, 应当结合各传感器的可分辨度这一重要因素对其进行实时修正。为此, 基于各传感器对于待识别的判决结果, 可对传感器定义一个可分辨度系数[4]αi (x) :
再次, 设传感器si的识别结果是矢量Hi (x) =[hi1 (x) , hi2 (x) , ⋯, hi M (x) ], 依据信息论中的观点, 识别结果的不确定性可由“信息熵”Hi体现,
式中ki为传感器si的可靠性。
最后, 因各传感器关于不同类目标重要程度各不相同, 并为减小“奇异结果”对目标融合识别结果产生的不利影响, 同时降低系统的误判可能, 一致性可由各传感器识别结果的欧氏距离来衡量。
两传感器si, sl的欧氏距离:
则si与其他传感器的一致性可表示为:
综合以上四个因素, 可以得到自适应模糊测度为:
由上述动态模糊测度结合H=[hij (x) ]N×M, 根据式 (2) , 得到模糊积分di:
传感器的识别结果就以矢量形式[d1, d2, ⋯, dM]给出, 其中各分量表示该传感器判决待识别目标x隶属于tk类的确定程度, 若, 则将待识别目标判为第r类。
因此, 动态模糊积分的决策层融合目标识别算法过程如图1所示。
3 仿真实验及结果分析
假设多传感器目标识别系统中的传感器个数为3, 目的是对3种不同的目标类型进行识别, 且各传感器获取的目标特征服从高斯分布, 分布参数如表l~3所示。依据表中的参数, 可通过软件模拟生成各传感器获取的待识别目标特征矢量。
假设每个传感器对3类目标分别生成400个特征矢量样本, 则令前200个样本作为先验的训练样本, 余下的200个样本作为测试使用。采用贝叶斯分类器来模拟3个传感器对目标进行分类识别过程, 对于给定的样本, 传感器输出的结果为三维矢量, 该矢量的各分量分别表示该传感器判决目标样本隶属于各个类别的后验概率估计值。
各传感器的识别率、基于混淆矩阵的识别率和基于自适应模糊积分的识别率如表4所示。
由表4可以看出采用模糊积分的改进方法比各传感器自身的识别率有大幅度的提升, 提升幅度均在10%以上, 平均提升近20%。同时, 基于自适应模糊积分的融合识别率又在非自适应方法的基础上提高了8%, 使3个传感器的平均正确识别率达到了90%以上, 保证了对目标能进行高正确率、高稳定性和实时性好的识别。
4 结语
采用基于模糊积分的决策层融合方法可使得传感器的识别性能有较大程度的提高。利用混淆矩阵对模糊测度进行赋值方法考虑了各传感器的重要程度, 根据先验知识, 对各传感器的识别结果进行加权处理, 该方法的融合识别率较未融合的各传感器的识别性能更优。而在此基础上, 本文提出的对模糊测度进行自适应处理的算法, 结合了各传感器判决结果的不确定性的量化分析, 对模糊测度进行实时修正的动态赋值, 使其识别性能有了进一步提高。
摘要：模糊积分是一种常用的信息融合方法, 融合中最关键的问题是确定反映各信源重要程度的模糊测度。在此将该算法用于多传感器目标识别系统, 首先介绍了Choquet模糊积分以及模糊测度的定义, 再建立了基于动态模糊积分的决策层融合目标识别模型, 将该过程转化为多个传感器的身份识别结果关于各自重要程度的广义Lebesgue积分。目前已有的确定模糊测度的方法几乎都只利用了训练样本的先验知识, 适应性较差, 难以全面地反映问题。该文在此基础上提出了一种基于动态模糊积分的决策层融合算法, 可在判决过程中对结果进行动态的自适应修正, 并给出了具体衡量各传感器重要程度的标准和方法。
关键词：模糊积分,模糊测度,决策层融合,目标识别
参考文献
[1]付耀文, 黎湘, 庄钊文.一种自适应模糊密度赋值的决策层融合目标识别算法[J].电子学报, 2004, 32 (9) :1433-1435.
[2]刘永祥, 黎湘, 庄钊文.基于Choquet模糊积分的决策层信息融合目标识别[J].电子与信息学报, 2003, 25 (5) :695-699.
[3]TAHANI H, KEIIER J M.Information fusion in computer vision using the fuzzy integral[J].IEEE Transactions on SMC, l990, 2 (3) :733-74l.
[4]GADER P D, MOHANMED M A, KELLER J M.Dynamic-programming-based handwritten word recognition using the Choquet fuzzy integral as the match function[J].Journal of Electronic Imaging, 1996, 5 (1) :15-24.
[5]WANG Run-sheng.Quality analysis of information to be fused[C]//Proceedings of the International Conference on multisource-multisensor information fusion.Las Vegas, USA:[s.n.], 1998:635-641.
[6]郭桂蓉, 庄钊文.信息处理中的模糊技术[M].长沙:国防科技大学出版社, 1993.
[7]CHIBEIUSHI C C, DERAVI F, MASON J S D.Adaptive classifier integration for robust pattern recognition[J].IEEE Transactions on SMC-Part B:Cyber-netics, 1999, 2 (96) :902-907.
[8]CHO S B, KIM J H.Combining multiple neural networks by fuzzy integral for robust classification[J].IEEE Transactions on SMC, 1995, 2 (52) :380-387.
[9]WATANACHATURAPORN P, VARSHNEY P K, ARORA M K.Multisource fusion for land cover classification using support vector machines[C]//Proceedings of 8’th International Conference on Information Fusion.[S.l.]:[s.n.], 2005:614-621.
[10]LUO H, JING F, XIE X.Combining multiple c1usterings using information theory based genetic algorithm[J].Computational Intelligence and Security, 2006, 1 (20) :84-89.
[11]JEON B, LANDGREBE D A.Decision fusion approach for multitemporal classification[J].IEEE Transactions on Geoscience and Remote Sensing, 1999, 3 (37) :1227-1233.
动态模糊关系 篇7
一、动态模糊综合评价法
传统的审计风险评价都只能对审计风险的影响因素进行定性的评价, 而不能定量的评价。动态模糊综合评价法是在模糊综合评价法的基础上建立起来的。模糊综合评价法是根据模糊集, 将Delphi法、评价目标树和模糊矩阵融合一体而成的一种方法。模糊综合评价法有三个要素:风险评价影响因素集合U;风险评语判断集合V;风险评价单因素到风险评语判断集合产生的映射f。通过映射f产生一个矩阵集合R, 对该矩阵结果产生风险评价影响因素进行权属分配, 就得到了风险评价结果。动态模糊综合评价中的风险评价影响因素集合U是通过建立成动态模糊集合, 即该集合将考虑风险评价影响因素的动态性, 这样将能够更加准确地反映数据的变化趋势。然后在最大隶属原理和模糊变化关系对风险评价影响因素进行重新建立集合U。这样, 就可以得出动态模糊综合评价结果。
二、基于动态模糊评价的审计风险综合评价模型
动态模糊综合评价方法如果只是理论知识, 对于审计风险评估工作也就无法得到优化, 为了能够使这种方法运用到实际工作中, 所以我们可以建立动态模糊评价的审计风险综合评价模型。建立该评价模型时要先建立模糊判断矩阵, 且相互间成互补关系, 然后计算评价影响因素的权重级别, 根据评语矩阵建立评价矩阵。通过模糊分析, 最终对各个评价结果进行优化, 使审计风险评价能够实现从定性到定量的综合评价。
(一) 建立审计风险评价指标体系。在审计工作中, 风险影响因素产生结果作出的审计风险评价, 需要根据一定的评价指标体系才能作出合理正确的风险评价。风险评价指标体系大致分为三层:最高层、准则层和子指标层。最高层主要有预期审计风险、检查风险和错报风险。预期审计风险指标是根据被审计企业的情况作出的预测, 制定出审计计划和策略等, 其风险来源于企业的错报风险和审计人员对审计质量的把控。针对被审计企业客户关系、业务处理程序管控, 设定相应的预期审计风险指标。错报风险, 是因为被审计单位自身原因产生, 审计工作人员将无法控制, 他们只能通过风险评估程序对被审计单位进行错报风险评估, 在这个过程中, 需要考虑被审计单位所处的宏观经济环境、单位内部经营风险、单位与外部单位联系风险等因素进行综合评价, 得出错报风险评价指标。在得出错报风险指标体系后, 根据审计工作法律法规, 就可以得出检查风险评价指标。
(二) 确定模糊判断矩阵和计算权重。各个风险因素对企业风险产生影响程度各不相同, 所以在进行风险评价时就得根据影响程度不同, 作出的评价也有不同。根据这些影响因素作出模糊判断矩阵, 并确定各判断结果的权重级别。在被审计单位经营活动中, 会计变更是否适用、企业是否采用最新会计核算准则与方法、重大错报风险、重要项目或者特殊交易会计处理正常是否正确等都会产生错报风险。这些原因, 对于不同行业单位、行业单位经营的不同时间产生的影响程度也将不同。审计工作人员通过对这些因素的分析与判断, 得出优先判断矩阵。根据风险影响因素程度不同, 根据模糊互补矩阵得出权重级别, 即不同时期影响因素产生影响的程度级别, 并得出下层对上层的影响程度的重要性。
(三) 动态模糊综合评价。在审计工程过程中, 审计单位首先是根据对被审计单位的了解, 分析与评价被审计单位财务错报风险的一个连贯性工作, 中间过程中单位经营活动存在变化、更新, 所以审计工作存在动态模糊性。审计单位要做好审计工作, 就可以采用动态模糊综合评价方法, 及权重与时间关系函数, 确定风险变化量。审计人员可以根据以前风险评估, 考虑风险影响因素风险变化量, 通过动态模糊方法进行连续性的分析与研究, 对预期审计风险、检查风险和错报风险作出综合评价。
三、基于动态模糊评价的审计风险综合评价模型的应用
本文在对基于动态模糊评价的审计风险综合评价模型的应用进行说明介绍的时候, 主要是用预期审计的风险评估来介绍的。一般情况之下都可以根据审计风险的量化水平来对评价的等级进行划分, 从而建立的评价指标为高、中、低这样三个层次。按照一些相关的资料计算就可以预期审计风险的最终评估值, 对于初次接受业务的事务所来说, 如果预期审计风险的最终评估值比审计风险的合理水平低的话, 那么事务所就可以承接这项业务, 如果事务所将要面对多家客户的选择, 那么预期审计的风险也可以作为相应的决策依据。
在审计的不同阶段, 进行审计风险评估的时候侧重点和内容都是不相同的, 审计人员在进行审计风险评估的时候, 对于那些应该要考虑到的因素现有的一些审计准则都是做了规定的。对审计风险有影响的因素比较多, 而且这些因素相互之间交织在一起, 对风险评估的影响程度也不能够很好的确定, 同时大部分都只能够采取定性的评价。在运用了模糊综合评价法之后, 就可以很好地将这些因素纳入到一个整体的框架当中, 然后再进行分类的分析和评估, 这样的话对于审计风险评估的规范性和科学性都能够进一步的提高。在构建了审计风险的指标体系后, 不仅可以很好地解决传统的风险评估对风险的因素缺乏比较系统的考虑这样一个缺陷, 同时还可以使得审计风险的影响因素的影响方式和途径更加明确。在提出审计意见的类型和决定终结审计外勤的时候, 主要就是根据的模糊综合动态的评价结果, 这样在进行审计风险管理决策的时候, 科学性也就能够进一步提高。
四、结语
总而言之, 通过采用基于动态模糊评价的审计风险综合评价模型及应用的分析与探讨, 让我们认识到传统的审计风险评价工作只能对企业风险影响因素进行定性的评价, 而不能对它们进行定量的评价。但是采用动态模糊审计风险综合评价方法, 将对审计风险评价进行客观的、公正的评价, 得出的评价结果也更加准确, 为企业提出准确的改进方法和措施, 促进我国经济稳定的、健康的、持续的发展。
摘要：随着社会经济的发展, 企业审计工作的开展也越来越广泛。审计工作主要针对企业风险进行评估, 根据现今审计工作发展方向, 可以看出风险评价是审计工作的精髓。审计风险过程中存在很多的模糊性、复杂性, 以致审计风险综合评价工作具有很大的难度。本文主要通过对基于动态模糊评价的审计风险综合评价模型进行分析与研究并对它的应用情况进行讨论, 推广审计风险综合评价的应用, 促进我国审计工作的发展。
关键词：审计工作,审计风险,综合评价模型,动态模糊评价
参考文献
[1].毛望胜.模糊综合评价模型在审计风险评估中的应用研究[D].湖南大学, 2009
[2].胡晓.信息系统审计风险评价及控制研究[D].西南大学, 2006
[3].孙忠林.审计风险模型的改进与应用[D].东北大学, 2009
[4].石鲁生, 王海燕.基于动态模糊理论的评价模型构建[J].自动化技术与应用, 2012
[5].孙纲.审计风险评价方法研究[D].哈尔滨理工大学, 2005