基于熵权算法与层次分析法的数据挖掘方法与系统与流程

本发明涉及数据处理
技术领域：
，具体涉及一种基于熵权算法与层次分析法的数据挖掘方法与系统。
背景技术：
：企业在发展的过程中往往需要进行大量的商业活动，以便提高企业的知名度，促进企业的进一步发展。但是，如过企业对自身的企业情况不能够清楚的、准确的了解的话，企业在发展的过程中很可能会由于错误的信息而造成决策失误，严重影响企业的发展。由于在进行企业评价的过程中需要对企业进行全方位的分析、考察，且其中会涉及到大量的数据信息的处理，这就很大的提高了企业评价的复杂程度与不便性。同时，针对于企业评价过程中涉及到的大量数据信息中，针对企业不同方面而获取的不同的数据信息，在企业评价的过程中，其往往具有不同的重要性，即有些数据信息可能占据比较重要的比重，而有些数据信息可能会相对较为次要，如何有效的针对不同数据信息的重要性来有比重的进行企业评价，就进一步的提高了企业评价的难度。因此，如何提供一种既能够针对具有不同权重的企业信息来实现对企业进行全方位的评价的企业评价方法就成为了亟待解决的问题。技术实现要素：本发明提供了一种基于熵权算法与层次分析法的数据挖掘方法与系统，通过建立企业评价体系，结合熵权算法与层次分析法来确定企业评价指标的权重，使得企业评价更加全面和准确。本发明的第一部分提供了一种基于熵权算法与层次分析法的数据挖掘方法，包括以下步骤：S1、采集用于企业评价的原始数据；S2、以企业科技水平、企业竞争能力、企业经济价值和企业社会价值四个方面建立企业评价体系，并确定评价指标；S3、采用熵权算法和层次分析法确定企业评价中各评价指标的指标权重；S4、根据评级指标及其对应的指标权重采用模糊综合评价算法进行企业评价，得到企业评价结果。优选的，S3中熵权算法包括以下步骤：S31、对原始数据中评价指标进行矩阵归一化处理；S32、对经过矩阵归一化处理的评价指标进行熵定义；S33、根据评价指标的熵确定评价指标的熵权；S3中层次分析法包括以下步骤：S34、根据评价指标的层阶关系，建立评价指标递阶层次体系；S35、根据评价指标递阶层次体系中位于同一阶层的评价指标，建立评价指标两两比较判断矩阵，并根据判断矩阵确定评价指标的相对重要性；S36、针对对应于同上一阶层评价指标的低阶层评价指标，根据评价指标的相对重要性，对评价指标进行层次单排序，确定评价指标的同阶权重；S37、根据低阶层评价指标的同阶权重及其对应的上一阶层评价指标的同阶权重，对评价指标进行层次总排序，确定评价指标的层阶权重；根据评价指标的熵权和层阶权重，通过线性加权平均法计算所述指标权重。进一步优选的，S31中评价指标的矩阵归一化处理通过以下方法计算：S311、设共有m个评价对象，n个评价指标，则原始数据矩阵为A＝(aij)m×n，其中，A为原始数据矩阵，aij为第i个评价对象，第j个评价指标对应的原始数据；S312、对原始数据矩阵进行矩阵归一化处理后，经过矩阵归一化处理后的原始数据矩阵为R＝(rij)m×n，其中，R为矩阵归一化处理后的原始数据矩阵，rij为第i个评价对象，第j个评价指标对应的归一化数据；S313、当评价指标为正向指标时，评价指标归一化公式为：当评价指标为负向指标时，评价指标归一化公式为：进一步优选的，S32中对经过矩阵归一化处理的评价指标进行熵定义通过以下方法计算：设共有m个评价对象，n个评价指标，其中第j个评价指标的熵的公式为：其中，hj为第i个评价对象，第j个评价指标的熵，k为m个评价对象的标准化数据，fij为第i个评价对象，第j个评价指标对应的归一化数据比值；且，进一步优选的，S33中评价指标的熵权通过以下方法计算：设共有m个评价对象，n个评价指标，其中第j个评价指标的熵权的公式为：其中，wj为第j个评价指标的熵权。进一步优选的，S36中在进行层次单排序前，检验判断矩阵的一致性；当判断判断矩阵满足一致性，则对评价指标进行层次单排序；当判断判断矩阵不满足一致性，则调整对应的判断矩阵。进一步优选的，S36中根据层次单排序确定同阶权重通过以下方法计算：对于判断矩阵B，计算BW＝λmaxW的特征根和特征向量；对计算出的特征向量正规化处理，得到正规化后的特征向量矩阵W＝[w1，w2，...wn，]r，并将该正规化后的特征向量作为评价指标的同阶权重；其中，W为正规化后的特征向量矩阵，λmax为特征根，wn为第n个正规化后的特征向量，r为特征向量矩阵的秩。进一步优选的，线性加权平均法为：指标权重＝熵权×0.5+层阶权重×0.5。优选的，43中根据评级指标及其对应的指标权重进行企业评价包括以下步骤：S41、根据企业评价体系建立企业评价指标集和评语集，并根据专家评价数据确定参考评价矩阵；S42、根据指标集和参考评价矩阵采用模糊综合评价算法对评价指标进行评价，获得模糊评价矩阵；S43、根据评价指标的指标权重和模糊评价矩阵得出模糊评价结果，并根据模糊评价结果在评语集中对应的评语来确定企业评价结果。本发明的第二部分提供了一种基于熵权算法与层次分析法的数据挖掘系统，包括：指标数据采集终端，其采集用于企业评价的原始数据；评价体系构建服务器，其用于构建以企业科技水平、企业竞争能力、企业经济价值和企业社会价值四个方面建立企业评价体系，并确定评价指标；数据处理服务器，其分别与指标数据采集终端和评价体系构建服务器连接，根据原始数据通过熵权算法和层次分析法对评价指标进行处理，以便的到评价指标的指标权重；企业评价服务器，其与数据处理服务器连接，根据预先设定的评价指标的参考评价数据，结合对应的指标权重，计算企业评价数据。优选的，数据处理服务器包括：熵权算法处理单元，其用于通过熵权算法计算评价指标的熵权；层次分析法处理单元，其用于通过层次分析法计算评价指标的层阶权重；指标权重计算单元，其用于根据指标权重的熵权和层阶权重计算指标权重。进一步优选的，熵权算法处理单元包括：归一化处理子单元，其用于对原始数据中评价指标进行矩阵归一化处理；熵定义子单元，其用于对经过归一化处理的评价指标进行熵定义；熵权计算子单元，其用于根据评价指标的熵确定评价指标的熵权。进一步优选的，归一化处理子单元，其通过以下方法对评价指标进行归一化处理：设共有m个评价对象，n个评价指标，则原始数据矩阵为A＝(aij)m×n，其中，A为原始数据矩阵，aij为第i个评价对象，第j个评价指标对应的原始数据；对原始数据矩阵进行矩阵归一化处理后，经过矩阵归一化处理后的原始数据矩阵为R＝(rij)m×n，其中，R为矩阵归一化处理后的原始数据矩阵，rij为第i个评价对象，第j个评价指标对应的归一化数据；当评价指标为正向指标时，评价指标归一化公式为：当评价指标为负向指标时，评价指标归一化公式为：进一步优选的，熵定义子单元，其通过以下方法对评价指标进行熵定义：设共有m个评价对象，n个评价指标，其中第j个评价指标的熵的公式为：其中，hj为第i个评价对象，第j个评价指标的熵，k为m个评价对象的标准化数据，fij为第i个评价对象，第j个评价指标对应的归一化数据比值；且，进一步优选的，熵权计算子单元，其通过以下方法计算评价指标的熵权：设共有m个评价对象，n个评价指标，其中第j个评价指标的熵权的公式为：其中，wj为第j个评价指标的熵权。进一步优选的，层次分析法处理单元包括：评价指标递阶层次体系构建子单元，其用于根据评价指标的层阶关系，建立评价指标递阶层次体系；判断矩阵构建子单元，其用于根据评价指标递阶层次体系中位于同一阶层的评价指标，建立评价指标两两比较判断矩阵，并根据判断矩阵确定评价指标的相对重要性；一致性检测子单元，其用于检验判断矩阵的一致性；同阶权重计算子单元，其用于针对对应于同上一阶层评价指标的低阶层评价指标，根据评价指标的相对重要性，对评价指标进行层次单排序，确定评价指标的同阶权重；层阶权重计算子单元，其用于根据低阶层评价指标的同阶权重及其对应的上一阶层评价指标的同阶权重，对评价指标进行层次总排序，确定评价指标的层阶权重。进一步优选的，同阶权重计算子单元，其通过以下方法计算评价指标的同阶权重：对于判断矩阵B，计算BW＝λmaxW的特征根和特征向量；对计算出的特征向量正规化处理，得到正规化后的特征向量矩阵W＝[w1，w2，...wn，]r，并将正规化后的特征向量作为评价指标的同阶权重；其中，W为正规化后的特征向量矩阵，λmax为特征根，wn为第n个正规化后的特征向量，r为特征向量矩阵的秩。进一步优选的，指标权重计算单元，其通过以下方法计算评价指标的指标权重：指标权重＝熵权×0.5+层阶权重×0.5。优选的，企业评价服务器包括：评价体系构建单元，其用于构建企业评价体系，及其对应的指标集和评语集；模糊算法处理单元，其用于通过模糊综合评价算法根据评价指标的指标权重和参考评价数据计算企业评价数据；评价结果单元，其用于根据评语集，获得企业评价数据对应的企业评价结果；显示单元，其用于显示输出企业评价结果。本发明的基于熵权算法与层次分析法的数据挖掘方法及其系统，通过建立全方位的企业评价体系，对企业的技术先进性和实用价值进行评价，同时通过熵权算法与层次分析法以及模糊综合评价法的结合，使得企业评价结果更加客观、科学，以便更加准确的展现出企业科技能力的强弱，为企业制定阶段性战略目标提供重要参考。附图说明为了更清楚地说明本发明实施例的技术方案，下面将对实施例描述中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。图1为本发明基于熵权算法与层次分析法的数据挖掘方法的一个实施例的流程图。图2为本发明基于熵权算法与层次分析法的数据挖掘方法的一个实施例的熵权算法流程图。图3为本发明基于熵权算法与层次分析法的数据挖掘方法的一个实施例的层次分析法流程图。图4为本发明基于熵权算法与层次分析法的数据挖掘方法的一个实施例的企业评价流程图。图5为本发明基于熵权算法与层次分析法的数据挖掘系统的一个实施例的结构图。具体实施方式为使本发明的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。实施例一图1为本发明基于熵权算法与层次分析法的数据挖掘方法的一个实施例的流程图；图2为本发明基于熵权算法与层次分析法的数据挖掘方法的一个实施例的熵权算法流程图；图3为本发明基于熵权算法与层次分析法的数据挖掘方法的一个实施例的层次分析法流程图；图4为本发明基于熵权算法与层次分析法的数据挖掘方法的一个实施例的企业评价流程图。如图1所示，本实施例中，基于熵权算法与层次分析法的数据挖掘方法，包括以下步骤：S1、采集用于企业评价的原始数据。具体的，针对所需进行企业评价的企业，进行用于企业评价的原始数据的采集，以便后续企业评价的进行。S2、以企业科技水平、企业竞争能力、企业经济价值和企业社会价值四个方面建立企业评价体系，并确定评价指标。具体的，以企业科技水平、企业竞争能力、企业经济价值和企业社会价值四个评价类别来对企业的原始数据进行分类，即将企业的原始数据按照四个不同的类别进行分别的分析处理。为评价企业在企业科技水平、企业竞争能力、企业经济价值和企业社会价值四个评价类别的表现，针对这四个类别建立企业评价体系，同时，确定企业评价体系中涉及到的评价指标。其中，企业评价体系中涉及到的评价指标可进一步的包括三级指标、二级指标和一级指标，以此通过将评价指标分为三个阶层，实现三个阶层的评价指标从小到大的、从点到面的全方位评价企业。进一步的，一级指标可具体包括：企业科技水平、企业竞争能力、企业经济价值和企业社会价值，即企业评价体系的四个评价方面。二级指标可具体包括：企业研发能力、企业知识产权、企业高层信息、企业基本信息、企业财务信息、企业内部信息、企业投资信息、企业成本信息和企业案件信息。三级指标可具体包括：研发费用比率、研发人员比率、企业专利数量、企业专利分类数量、企业专利通过率、软件著作权、企业创始人学历水平、企业创始人创业经历、企业创始人从业经验水平、企业股东整体学历、企业成立时间、企业雇员人数、企业营业额、企业科研人员比例、企业销售总额、企业资产总额、企业利润率、企业产权比率、企业经济增加值、企业注册资本、企业失信信息、企业经营状态、企业分支机构信息、企业欠贷信息、企业投资机构数量、企业对外投机金额、企业法人对外投资金额、资产负债率、营业成本率、企业知识产权案件信息、企业刑事案件信息、企业民事案件信息、企业行政案件信息和企业执行案件信息。并且，二级指标为针对一级指标的进一步细化，三级指标为针对二级指标的进一步细化，而评价指标中三层级相互对应关系具体如表1所示。表1S3、采用熵权算法和层次分析法确定企业评价中各评价指标的指标权重。具体的，针对S2中确定的评价指标，通过熵权算法和层次分析法来根据S1步骤中采集的原始数据计算各评价指标的指标权重，以便后续根据评价指标的权重信息来对企业进行评价。如图2所示，本实施例中采用熵权算法计算评价指标的熵权可具体包括以下步骤：S31、对原始数据中评价指标进行矩阵归一化处理。具体的，对未经过处理的企业原始数据中的评价指标相关的原始数据进行矩阵归一化处理。进一步的，评价指标的矩阵归一化处理可通过以下方法计算：S311、设本实施例的企业评价体系中共有m个评价对象，n个评价指标，则原始数据矩阵如公式1所示：公式1A＝(aij)m×n；其中，A为原始数据矩阵，aij为第i个评价对象，第j个评价指标对应的原始数据。S312、对原始数据矩阵进行归一化处理后，经过矩阵归一化处理后的原始数据矩阵如公式2所示：公式2R＝(rij)m×n；其中，R为矩阵归一化处理后的原始数据矩阵，rij为第i个评价对象，第j个评价指标对应的归一化数据。S313、当进行矩阵归一化处理的评价指标为正向指标时，即该评价指标数值大为优时，则该评价指标的归一化公式如公式3所示：公式3而当进行矩阵归一化处理的评价指标为负向指标时，即该评价指标数值小为优时，评价指标归一化公式如公式4所示：公式4S32、对经过矩阵归一化处理的评价指标进行熵定义。再进一步的，对经过矩阵归一化处理的评价指标进行熵定义通过以下方法计算：根据企业评价体系中m个评价对象，n个评价指标，其中第j个评价指标的熵如公式5所示：公式5其中，hj为第j个评价指标的熵，k为m个评价对象的标准化数据，fij为第i个评价对象，第j个评价指标对应的归一化数据比值；并且，公式5中k和fij的取值分别可为：S33、根据评价指标的熵确定评价指标的熵权；再进一步的，评价指标的熵权可通过以下方法计算：针对本实施例中的情况，即当企业评价体系共有m个评价对象，n个评价指标时，其中第j个评价指标的熵权的公式如下公式6所示：公式6其中，wj为第j个评价指标的熵权。本实施例中采用层次分析法计算评价指标的层阶权重流程如图3所示，其具体包括以下步骤：S34、根据评价指标的层阶关系，建立评价指标递阶层次体系。进一步的，根据S2中建立的企业评价体系中所涉及的评价指标的层阶关系，建立评价指标的指标递阶层次体系，即上述说明的本实施例中的一级指标、二级指标和三级指标间的对应层阶关系。S35、根据评价指标递阶层次体系中位于同一阶层的评价指标，建立评价指标两两比较判断矩阵，并根据判断矩阵确定评价指标的相对重要性。针对指标递阶层次体系中位于同一阶层上的评价指标，进行两两对比，并建立相对应的两个评价指标的判断矩阵，例如，两个三级指标间进行判断矩阵的建立，或两个二级指标间进行判断矩阵的建立，或两个一级指标间进行判断矩阵的建立。根据以上对本实施例的说明可知，当有m个评价对象，n个评价指标时，对于重要性评价结果Ak而言，评价指标Bi和Bj的相对重要性的判断矩阵Bij如表2所示：表2AkB1B2ΛBnB1B11B12ΛB1nB2B21B22ΛB2nMMMMBnBn1Bn2ΛBnm针对于以上判断矩阵，其应满足以下关系：公式7Bij＝1，i、j＝1、2、3、···n且i＝j；公式8i、j＝1、2、3、···n且i≠j；其中，Bij为评价指标Bi和Bj的判断矩阵，bij为第i向评价指标相对第j向评价指标的判断矩阵标度。如表2中所示，Bij表示第i行的评价指标相对于第j列的评价指标的重要程度，且i为1、2、3、···、n，j为1、2、3、···、m。以及，表2中相对重要性关系通常取1、2、3、···、9及它们的倒数作为判断矩阵标度来表示，以便通过判断矩阵标度进行快速的获得两个评价参数间的相对重要性，本实施例中判断矩阵标度及其对应的含义具体如表3所示：表3通过以上方法来最终确定评价指标间的相对重要性。进一步的，针对两两评价指标间相对重要性的判断，可以通过调查访问法、专家咨询法进行评价指标的确定，并根据各评价指标的重要性构造判断矩阵，以此来进行计算相对重要性。S36、针对对应于同上一阶层评价指标的低阶层评价指标，根据评价指标的相对重要性，对评价指标进行层次单排序，确定评价指标的同阶权重。进一步的，在对评价指标进行层次单排序前，还需要检验判断矩阵的一致性，以确定是否能够对评价指标进行层次单排序，以此来保证后续对企业评价结果的准确性。对判断矩阵进行一致性检验可通过如下公式9判断：公式9其中，CI为判断矩阵一致性指标，λmax为特征根，n为判断矩阵中评价指标的个数。当根据公式9计算出CI＝0时，则判断该判断矩阵具有一致性，且该判断矩阵具有完全一致性，则后续可对该判断矩阵对应的评价指标进行层次单排序。而根据公式9可知，当公式9中λmax-n的值越大，则CI的值就越大，那么就判断该判断矩阵不具有完全一致性，且该判断矩阵的一致性较差。而针对判断矩阵的一致性较差的情况，则还需将CI与平均随机一致性指标RI进行比较，以此来进一步更加明确的判断判断矩阵的一致性，以及是否能够根据该判断矩阵直接进行层次单排序。其中，本实施例中，平均随机一致性指标RI的取值如表4所示：表4阶数n123456789RI0.000.000.580.901.121.241.321.411.45通过CI和RI的关系来判断判断矩阵是否具有一致性，具体可通过公式10来判断：公式10CR＝CI/RI<0.10；其中，CR为判断矩阵的一致性指标判断标准。如CR满足公式10的关系，则判断此判断矩阵具有满意的一致性；而如果CR不满足公式10的关系，则判断此判断矩阵不具备一致性，并需要对判断矩阵进行重新调整，并对经过调整后的判断矩阵再次判断是否满足一致性。而针对层次单排序，其可具体通过以下方式计算：对于判断矩阵B，计算以下公式11的特征根和特征向量：公式11BW＝λmaxW；其中，W为正规化后的特征向量矩阵，λmax为特征根。并且，针对计算出的特征向量进行正规化处理，得到正规化后的特征向量如公式12所示：公式12W＝[w1，w2，...wn，]r；其中，wn为第n个正规化后的特征向量，r为特征向量矩阵的秩。最终，将该正规化后的特征向量作为评价指标的同阶权重。具体的，针对以上的根据判断矩阵判断同阶权重的方法，针对评价企业的四个一级指标进行构建评价矩阵过程如下：设一级指标中，企业科技水平相比企业科技水平、企业竞争能力、企业经济价值和企业社会价值的判断矩阵标度分别为1、2、3、4，则基于此构建评价矩阵如表5所示：表5并且，上表5中，本实施例中共包括四个一级指标，即n＝4，n次方根中第一项可根据以下公式21计算：公式21根据公式21可得n次方根中第一项为0.452，且根据此方法可以算出个评价矩阵中n次方根列中的每一项的值，即相对重要性。且，根据得出的相对重要性，最终确定四个一级指标将的同阶权重。S37、根据低阶层评价指标的同阶权重及其对应的上一阶层评价指标的同阶权重，对评价指标进行层次总排序，确定评价指标的层阶权重。具体的，根据计算出的低阶层中评价指标的同阶权重，结合该评价指标所对应的上一阶层中评价指标的同阶权重，以次来对所有的评价指标进行层次总排序，以此来确定出每一个评价指标参考其上一阶层评价指标后的层阶权重。进一步的，在进行层阶权重的计算前，还需对各级评价指标对应同阶权重构成的矩阵进行一致性检验。最终，通过熵权算法确定了评价指标的熵权，并且还通过层次分析法确定了评价指标的层阶权重，可根据该熵权和层阶权重来计算评价指标的指标权重，该指标权重可采用线性加权平均法进行计算。进一步的，本实施例中，用于通过评价指标的熵权和层阶权重采用算线性加权平均算法来计算指标权重的方法，可采用如下公式13计算：公式13指标权重＝熵权×0.5+层阶权重×0.5。S4、根据评级指标及其对应的指标权重采用模糊综合评价算法进行企业评价，得到企业评价结果。根据计算出的评价指标的指标权重，及该指标权重所对应的评价指标，通过模糊综合评价算法来评价企业，并最终得出企业评价结果。其中，如图4所示，根据评级指标及其对应的指标权重进行企业评价还可包括以下步骤：S41、根据企业评价体系建立企业评价指标集和评语集，并根据专家评价数据确定参考评价矩阵。针对本实施例，设企业评价体系的指标集为O，且O可通过公式14表示：公式14O＝{P1,P2,P3,P4}；其中，P1至P4为各一级指标。并且，P1、P2、P3、P4通过公式15表示：公式15P1＝{Q1,Q2,Q3}P2＝{Q4,Q5}P3＝{Q6,Q7}P1＝{Q8,Q9}其中，Q1至Q9为各二级指标。以及，本实施例的评语集为针对企业技术鉴定评价为合格、国内一般、国内中等、国内先进、国内领先共5个等级，且该评语集可通过公式16进行表示：公式16V＝{v1,v2,v3,v4,v5,}＝{1,2,3,4,5}；其中，v1、v2、v3、v4和v5分别对应合格、国内一般、国内中等、国内先进、国内领先五个等级。针对参考评价矩阵，本实施例中具体选取了50位专家根据某一企业科技技术水平的评价数据，得到如下参考评价矩阵：其中，R1’、R2’、R3’和R4’分别为针对一级指标专家的参考评价矩阵，a、b、c和d分别为针对一级指标对应的二级指标专家的参考评价矩阵值标度。S42、根据指标集和参考评价矩阵采用模糊综合评价算法对评价指标进行评价，获得模糊评价矩阵。本实施例中，对评价指标中二级指标进行模糊综合评价算法，则通过模糊综合评价算法计算出的模糊评价矩阵如公式17所示：公式17其中，R1为模糊评价矩阵，其基于评价指标及参考评价矩阵得出，r11、r12、r13、r14、r15为模糊评价矩阵中的标度。并且，公式17中r11、r12、r13、r14、r15的值如公式18中所示：公式18r11＝{Q1*a11+Q2*a21+Q3*a31}；r12＝{Q1*a12+Q2*a22+Q3*a32}.r13＝{Q1*a13+Q2*a23+Q3*a33}；r14＝{Q1*a14+Q2*a24+Q3*a34}.r15＝{Q1*a15+Q2*a25+Q3*a35}.；同理，通过以上公式17及公式18还可求出R2、R3和R4的模糊评价矩阵，直至将所有二级指标都模糊综合评价算法计算完模糊评价矩阵后，再计算一级指标的模糊评价矩阵。S43、根据评价指标的指标权重和模糊评价矩阵得出模糊评价结果，并根据模糊评价结果在评语集中对应的评语来确定企业评价结果。通过指标权重与模糊评价矩阵计算模糊评价结果可通过如下公式19计算：公式19M＝W×R＝{m1,m2,m3,m4}；其中，M为模糊评价结果，W为指标权重，R为模糊评价矩阵，m1、m2、m3和m4为评价指标对应的评价得分。根据上述S41中的说明，本实施例中评语集中存在合格、国内一般、国内中等、国内先进、国内领先5个等级，则珍贵评语集中5个等级的评价制度如表6所示：表6序号企业鉴定得分企业技术等级180-100国内领先260-80国内先进340-60国内中等420-40国内一般50-20合格企业评价结果可通过以下公式20计算：公式20G＝(M*VT)*100，G∈[0,1]；其中，G为企业鉴定得分，M为模糊评价结果，VT为隶属度得分矩阵。并且，本实施例中，上述的隶属度得分矩阵可具体根据上表6中企业鉴定地分与企业技术等级的对应关系确定。例如，通过以上方法最终记算出的G为79.87，则可根据G在表6中所对应的企业技术等级得出该企业评价结果为国际先进。实施例二本实施例中基于熵权算法与层次分析法的数据挖掘系统，具体包括：指标数据采集终端、评价体系构建服务器、数据处理服务器和企业评价服务器。其中，指标数据采集终端，采集用于企业评价的原始数据，以便根据采集的原始数据进行后续通过本系统的企业评价。评价体系构建服务器，用于构建以企业科技水平、企业竞争能力、企业经济价值和企业社会价值四个方面建立企业评价体系，并确定评价指标。数据处理服务器，用于根据原始数据通过熵权算法和层次分析法对评价指标进行处理，以便得到评价指标的指标权重，且数据处理服务器与指标数据采集终端和评价体系构建服务器连接，以便接收指标数据采集终端采集到的原始数据，并歌剧评价体系构建服务器确定的评价指标进行处理。进一步的，数据处理服务器中还具体的包括：熵权算法处理单元、层次分析法处理单元和指标权重计算单元。其中，熵权算法处理单元，用于通过熵权算法计算评价指标的熵权。层次分析法处理单元，用于通过层次分析法计算评价指标的层阶权重。指标权重计算单元，用于根据指标权重的熵权和层阶权重计算指标权重。再进一步的，熵权算法处理单元和层次分析法处理单元分别连接指标数据采集终端，以便分别针对同时接收指标数据采集终端采集到的评价指标的数据，并同时进行对评价指标的熵权和层阶权重的计算，以便有效的提高企业评价系统的处理效率。具体的，熵权算法处理单元还可进一步的包括：归一化处理子单元、熵定义子单元和熵权计算子单元。其中，归一化处理子单元用于对原始数据中评价指标进行矩阵归一化处理；熵定义子单元用于对经过归一化处理的评价指标进行熵定义；熵权计算子单元用于根据评价指标的熵确定评价指标的熵权。并且，归一化处理子单元，其通过以下方法对评价指标进行归一化处理：设共有m个评价对象，n个评价指标，则原始数据矩阵为A＝(aij)m×n，其中，A为原始数据矩阵，aij为第i个评价对象，第j个评价指标对应的原始数据；对原始数据矩阵进行矩阵归一化处理后，经过矩阵归一化处理后的原始数据矩阵为R＝(rij)m×n，其中，R为矩阵归一化处理后的原始数据矩阵，rij为第i个评价对象，第j个评价指标对应的归一化数据；当评价指标为正向指标时，评价指标归一化公式为：当评价指标为负向指标时，评价指标归一化公式为：熵定义子单元，其通过以下方法对评价指标进行熵定义：设共有m个评价对象，n个评价指标，其中第j个评价指标的熵的公式为：其中，hj为第i个评价对象，第j个评价指标的熵，k为m个评价对象的标准化数据，fij为第i个评价对象，第j个评价指标对应的归一化数据比值；且，熵权计算子单元，其通过以下方法计算评价指标的熵权：设共有m个评价对象，n个评价指标，其中第j个评价指标的熵权的公式为：其中，wj为第j个评价指标的熵权。以及，层次分析法处理单元还可进一步的包括：评价指标递阶层次体系构建子单元、判断矩阵构建子单元、一致性检测子单元、同阶权重计算子单元和层阶权重计算子单元。其中，评价指标递阶层次体系构建子单元用于根据评价指标的层阶关系，建立评价指标递阶层次体系；判断矩阵构建子单元用于根据评价指标递阶层次体系中位于同一阶层的评价指标，建立评价指标两两比较判断矩阵，并根据判断矩阵确定评价指标的相对重要性；一致性检测子单元用于检验判断矩阵的一致性；同阶权重计算子单元用于针对对应于同上一阶层评价指标的低阶层评价指标，根据评价指标的相对重要性，对评价指标进行层次单排序，确定评价指标的同阶权重；层阶权重计算子单元用于根据低阶层评价指标的同阶权重及其对应的上一阶层评价指标的同阶权重，对评价指标进行层次总排序，确定评价指标的层阶权重。并且，同阶权重计算子单元，其通过以下方法计算评价指标的同阶权重：对于判断矩阵B，计算BW＝λmaxW的特征根和特征向量；对计算出的特征向量正规化处理，得到正规化后的特征向量矩阵W＝[w1，w2，...wn，]r，并将正规化后的特征向量作为评价指标的同阶权重；其中，W为正规化后的特征向量矩阵，λmax为特征根，wn为第n个正规化后的特征向量，r为特征向量矩阵的秩。再进一步的，指标权重计算单元分别连接熵权算法处理单元和层次分析法处理单元，以便接收经过熵权算法处理单元和层次分析法处理单元计算出的评价指标的熵权和层阶权重并进行指标权重的计算。并且，指标权重计算单元，其通过以下方法计算评价指标的指标权重：指标权重＝熵权×0.5+层阶权重×0.5。企业评价服务器，根据预先设定的评价指标的参考评价数据，结合对应的指标权重，计算企业评价数据，且该企业平价服务器与数据处理服务器连接。进一步的，企业评价服务器可具体的包括：评价体系构建单元、模糊算法处理单元、评价结果单元和显示单元。其中，评价体系构建单元，用于构建企业评价体系，及其对应的指标集和评语集，通过该评价体系构建单元能够根据企业用户的需求来确定企业评价体系，并根据该企业评价体系来确定适当的指标集和评语集。模糊算法处理单元，用于通过模糊综合评价算法根据评价指标的指标权重和参考评价数据计算企业评价数据。评价结果单元，用于根据评语集，获得企业评价数据对应的企业评价结果，且评价结果单元分别连接评价体系构建单元和模糊算法处理单元，以便能够分别接收评价体系构建单元和模糊算法处理单元中的数据信息，以此用于评价结果的获得。显示单元，用于显示输出企业评价结果，且该显示单元连接评价结果单元，以便通过评价结果单元获取企业评价结果。再进一步的，企业评价服务器中还可包括存储单元，用于存储企业平价服务器中构建的企业评价体系及其对应的指标集、评语集等信息，且该存储单元分别连接评价体系构建单元和评价结果单元。本实施例企业评价系统的具体工作流程可参考上述的实施例一的详细说明。实施例三以下，通过上述的基于熵权算法与层次分析法的数据挖掘方法及系统针对某企业进行企业评价。本实施例中，根据企业评价的评价指标，各评价指标间的对应关系，建立的企业评价体系。根据建立的企业评价体系中各评价指标的对应关系，运用熵权算法和层析分析法来确定各评价指标的指标权重，最终得出的评价指标及其指标权重如表7所示：表7针对本实施例的企业评价体系，积企业评价体系中所对应的各评价指标来选取专家企业参考评价矩阵，且参考评价矩阵如下所示：采用模糊综合评价算法对二级指标进行进行评价，其具体过程如下：根据上表7的内容，根据公式15可知第一个一级指标对应的二级指标为：{Q1,Q2,Q3}＝{0.250,0.417,0.333}；根据公式17对二级指标进行模糊综合评价算法计算出的模糊评价矩阵如下所示：通过上式可求得模糊评价矩阵R1对应如下所示：R1＝{0,0.14575,0.39575,0.4585}同理，根据以上方法，对剩余的四个一级指标进行评价可得到R2,R3,R4,R5的模糊评价矩阵如下所示：R2＝{0.08325,0.2665,0.35,0.30025}R3＝{0.09725,0.34725,0.40275,0.15275}R4＝{0.08325,0.26375,0.34725,0.30575}R5＝{0,0.1875,0.4375,0.375}根据以上计算出的二级指标的模糊评价矩阵，再计算一级指标，通过对企业进行评价。指标权重的矩阵W＝{p1,p2,p3,p4,p5}，根据上表7记录的指标权重可以将上述的指标权重矩阵具体写为：W＝{0.389,0.262,0.107,0.18,0.062}并且，结合该指标权重矩阵，可进一步对企业进行评价。即，把指标权重矩阵W与模糊评价矩阵R进行模糊运算，得出模糊评价结果为：将上式进行化简计算，得到如下公式：M＝W×R＝{m1,m2,m3,m4}＝{0.0472,0.2227,0.3783,0.3516}根据建立的企业评价体系，建立评语集。具体的，本实施例中，针对本项目对企业综合素质的评价分为差、中、良、优4个等级，记为对应的隶属度得分矩阵为：J＝{0.25,0.5,0.75,1}基于上述的内容，根据综合评价结果表明，该企业在四个隶属度差、中、良、优的比例分别为：m1,m2,m3,m4。然后根据以下公式可得出最终企业鉴定得分：G＝M*JT＝{0.0472,0.2227,0.3783,0.3516}*{0.25,0.5,0.75,1}T×100＝75.86根据以上的评价过程可得出，此企业的企业评价得分G为75.86，G的值决定了企业的综合素质，该企业处于优等水平。本发明的基于熵权算法与层次分析法的数据挖掘方法与系统，通过建立全方位的企业评价体系，对企业的技术先进性和实用价值进行评价，同时通过熵权算法与层次分析法以及模糊综合评价法的结合，使得企业评价结果更加客观、科学，以便更加准确的展现出企业科技能力的强弱，为企业制定阶段性战略目标提供重要参考。最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。当前第1页1 2 3