一种装备评价方法、装置、设备及可读存储介质与流程

本发明涉及大数据分析技术领域，更具体地说，涉及一种装备评价方法、装置、设备及可读存储介质。

背景技术：

装备评价是对装备的相关数据进行分析、处理和比较，以帮助做出决策的过程。其中，所述相关数据包括各种试验数据、设计审查数据、软硬件测试数据、建模与仿真数据、历史使用(含维护、储存等)数据等。装备评价贯穿装备全寿命过程，是考核装备性能、评定装备质量优劣、确定装备研制和采购策略的必要手段，是提升装备性能的重要途径。需要说明的是，本申请文件中的装备可以为任意领域内的设备，例如：光电设备、通信设备、健身训练设备等。

现有的装备评价方法一般仅进行主观评价或仅进行客观评价。其中，主观评价包括：研制装备的专家对装备的评价和使用装备的用户对装备的评价；客观评价为：采用模糊综合评判、数据包络分析等方法分析装备客观存在的指标特点。

其中，主观评价虽然能充分考虑专家的专业知识经验和用户的使用感受，但是由于不同受众关注问题的角度不同，其对同一指标的要求和需求也就不同。例如：专家对设备的性能和效率的要求更高，而用户则对设备的舒适度和便捷性要求更高。因此，仅基于人为主观评价装备，由于不同专家、用户对同一装备的评价结果差别较大，难以保证评价结果的客观性和准确性。客观评价不受人为因素影响，但对装备的评价依赖于数据量大小和数据的准确性，得到的评价结果准确性和综合性也有待提升。

因此，如何提高对装备进行准确、综合的评价，是本领域技术人员需要解决的问题。

技术实现要素：

本发明的目的在于提供一种装备评价方法、装置、设备及可读存储介质，以实现对装备进行准确、综合的评价。

为实现上述目的，本发明实施例提供了如下技术方案：

一种装备评价方法，包括：

获取待评价装备，并基于预设的评价指标体系确定待评价装备的指标参数；

根据指标参数获取专家对待评价装备的专家评价数据、用户对待评价装备的用户评价数据，以及待评价装备的历史使用评价数据，并确定专家评价数据、用户评价数据和历史使用评价数据分别对应的可信度；

利用ds证据理论对专家评价数据、用户评价数据和历史使用评价数据，进行融合，获得融合结果；

基于预设的规则对融合结果进行分析，并确定待评价装备的评价结果。

其中，获取待评价装备的历史使用评价数据，包括：

根据指标参数获取待评价装备的历史使用数据，并将历史使用数据输入预设的rbf神经网络，输出历史使用评价数据。

其中，rbf神经网络的构建过程包括：

基于评价指标体系获取训练样本数据和验证样本数据；

确定rbf神经网络的拓扑结构和参数配置，并利用训练样本数据对rbf神经网络进行训练；

当训练完成后，将验证样本数据输入rbf神经网络，并判断输出的评价结果与验证样本数据的原始评价结果是否一致；若是，则利用rbf神经网络评价待评价装备的历史使用数据。

其中，确定历史使用评价数据对应的可信度，包括：

将预设的多个测试样本数据分别输入rbf神经网络，并输出每个测试样本数据分别对应的评价结果；

将rbf神经网络输出的评价结果与测试样本数据的原始评价结果一致的测试样本数据标记为目标测试样本数据，并记录目标测试样本数据的个数；

将目标测试样本数据的个数与输入rbf神经网络的所有测试样本数据的个数的比值，作为历史使用评价数据对应的可信度。

其中，利用ds证据理论对专家评价数据、用户评价数据和历史使用评价数据进行融合，获得融合结果，包括：

利用评价指标体系中的评价结果等级确定ds证据理论的识别框架；

结合专家评价数据、用户评价数据和历史使用评价数据分别对应的可信度分别对专家评价数据、用户评价数据和历史使用评价数据进行修正；

基于修正后的专家评价数据、用户评价数据和历史使用评价数据生成识别框架中各命题的基本概率赋值；

结合dempster组合规则和识别框架中各命题的基本概率赋值对修正后的专家评价数据、用户评价数据和历史使用评价数据进行两两融合，获得融合结果。

其中，基于预设的规则对融合结果进行分析，并确定待评价装备的评价结果，包括：

通过基本概率赋值规则或最小风险规则对融合结果进行分析，并确定待评价装备的评价结果。

一种装备评价装置，包括：

确定模块，用于获取待评价装备，并基于预设的评价指标体系确定待评价装备的指标参数；

获取模块，用于根据指标参数获取专家对待评价装备的专家评价数据、用户对待评价装备的用户评价数据，以及待评价装备的历史使用评价数据，并确定专家评价数据、用户评价数据和历史使用评价数据分别对应的可信度；

融合模块，用于利用ds证据理论对专家评价数据、用户评价数据和历史使用评价数据进行融合，获得融合结果；

评价模块，用于基于预设的规则对融合结果进行分析，并确定待评价装备的评价结果。

其中，融合模块包括：

确定单元，用于利用评价指标体系中的评价结果等级确定ds证据理论的识别框架；

修正单元，用于结合专家评价数据、用户评价数据和历史使用评价数据分别对应的可信度分别对专家评价数据、用户评价数据和历史使用评价数据进行修正；

生成单元，用于基于修正后的专家评价数据、用户评价数据和历史使用评价数据生成识别框架中各命题的基本概率赋值；

融合单元，用于结合dempster组合规则和识别框架中各命题的基本概率赋值对修正后的专家评价数据、用户评价数据和历史使用评价数据进行两两融合，获得融合结果。

一种装备评价设备，包括：

存储器，用于存储计算机程序；

处理器，用于执行计算机程序时实现上述任意一项的装备评价方法的步骤。

一种可读存储介质，可读存储介质上存储有计算机程序，计算机程序被处理器执行时实现上述任意一项的装备评价方法的步骤。

通过以上方案可知，本发明实施例提供的一种装备评价方法，包括：获取待评价装备，并基于预设的评价指标体系确定待评价装备的指标参数；根据指标参数获取专家对待评价装备的专家评价数据、用户对待评价装备的用户评价数据，以及待评价装备的历史使用评价数据，并确定专家评价数据、用户评价数据和历史使用评价数据分别对应的可信度；利用ds证据理论对专家评价数据、用户评价数据和历史使用评价数据进行融合，获得融合结果；基于预设的规则对融合结果进行分析，并确定待评价装备的评价结果。

可见，所述方法对于待评价装备的评价过程，综合考虑了专家对待评价装备的专家评价数据、用户对待评价装备的用户评价数据，以及待评价装备的历史使用评价数据，并确定了专家评价数据、用户评价数据和历史使用评价数据分别对应的可信度；进而利用ds证据理论对得到的专家评价数据、用户评价数据和历史使用评价数据进行融合，并基于预设的规则对融合结果进行分析，得到待评价装备的评价结果。该方法综合考量了专家评价数据、用户评价数据和历史使用数据，将主观评价与客观评价相融合，得到了准确性和综合性较高的评价结果。因此本发明提供的方法实现了装备的准确、综合评价。

相应地，本发明实施例提供的一种装备评价装置、设备及可读存储介质，也同样具有上述技术效果。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅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为本发明实施例公开的一种装备评价方法流程图；

图2为本发明实施例公开的另一种装备评价方法流程图；

图3为本发明实施例公开的一种融合不同数据的方法流程图；

图4为本发明实施例公开的一种装备评价装置示意图；

图5为本发明实施例公开的一种装备评价设备示意图；

图6为本发明实施例公开的一种评价方法的逻辑框架示意图；

图7为本发明实施例公开的一种评价方法的处理流程图。

具体实施方式

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，所描述的实施例仅仅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做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。

本发明实施例公开了一种装备评价方法、装置、设备及可读存储介质，以实现对装备进行准确、综合的评价。

参见图1，本发明实施例提供的一种装备评价方法，包括：

s101、获取待评价装备，并基于预设的评价指标体系确定待评价装备的指标参数；

在本实施例中，预设的评价指标体系为一个公共的指标体系，可涵盖大部分类型的装备，其中包括：各个评价指标和每个评价指标分别对应的评价结果等级。当需要评价待评价装备时，首先基于评价指标体系确定待评价装备的指标参数。例如：当待评价装备为服务器时，需要确定评价服务器需要的参数，如存储空间、内存、核数等指标参数。

s102、根据指标参数获取专家对待评价装备的专家评价数据、用户对待评价装备的用户评价数据，以及待评价装备的历史使用评价数据，并确定专家评价数据、用户评价数据和历史使用评价数据分别对应的可信度；

具体的，为了提高专家评价数据、用户评价数据和历史使用评价数据准确性，可分别确定专家评价数据、用户评价数据和历史使用评价数据分别对应的可信度。其中，专家评价数据和用户评价数据对应的可信度基于人为经验确定，例如：由多位专家进行研讨，为每个专家评价数据和用户评价数据设定可信度；历史使用评价数据的可信度基于神经网络进行计算。

s103、利用ds证据理论对专家评价数据、用户评价数据和历史使用评价数据进行融合，获得融合结果；

s104、基于预设的规则对融合结果进行分析，并确定待评价装备的评价结果。

其中，对专家评价数据、用户评价数据和历史使用评价数据进行融合之前，还包括：利用专家评价数据、用户评价数据和历史使用评价数据分别对应的可信度分别对专家评价数据、用户评价数据和历史使用评价数据进行修正。

在本实施例中，融合过程可以为：假设专家、用户和历史使用过程对待评价装备的评价数据分别为：α、β、γ、δ。其中，专家评价数据α记为(1，0，0，0)，对应的可信度为o.1，则修正后的专家评价数据e1为(0.1，0，0，0，0.9)；用户评价数据β记为(0，1，0，0)，对应的可信度为0.2，则修正后的专家评价数据e2为(0，0.2，0，0，0.8)；历史使用评价数据γ可基于rbf神经网络获得，记为(0.3，0.2，0.4，0.1)，对应的可信度为0.3，则修正后的历史使用评价数据e3为(0.09，0.06，0.12，0.03，0.7)。利用ds证据理论对上述e1、e2和e3进行融合。

可见，本实施例提供了一种装备评价方法，所述方法对于待评价装备的评价过程，综合考虑了专家对待评价装备的专家评价数据、用户对待评价装备的用户评价数据，以及待评价装备的历史使用评价数据，并确定了专家评价数据、用户评价数据和历史使用评价数据分别对应的可信度；进而利用ds证据理论对得到的专家评价数据、用户评价数据和历史使用评价数据进行融合，并基于预设的规则对融合结果进行分析，得到所述待评价装备的评价结果。该方法充分考虑了专家评价数据、用户评价数据和历史使用数据，将主观评价与客观评价相融合，得到了准确性和综合性较高的评价结果。

本发明实施例公开了另一种装备评价方法，相对于上一实施例，本实施例对技术方案作了进一步的说明和优化。

参见图2，本发明实施例提供的另一种装备评价方法，包括：

s201、获取待评价装备，并基于预设的评价指标体系确定待评价装备的指标参数；

s202、根据指标参数获取专家对待评价装备的专家评价数据、用户对待评价装备的用户评价数据，以及待评价装备的历史使用评价数据，并确定专家评价数据、用户评价数据和历史使用评价数据分别对应的可信度；

s203、利用ds证据理论对专家评价数据、用户评价数据和历史使用评价数据进行融合，获得融合结果；

在ds证据理论中，由互不相容的基本命题(假定)组成的完备集合称为识别框架，表示对某一问题的所有可能答案，但其中只有一个答案是正确的。该框架的子集称为命题。分配给各命题的信任程度称为基本概率分配(bpa，也称m函数)，m(a)为基本可信数，反映着对a的信度大小。信任函数belgium(a)表示对命题a的信任程度，似然函数pl(a)表示对命题a非假的信任程度，也即对a似乎可能成立的不确定性度量，实际上，[bel(a)，pl(a)]表示a的不确定区间，[0，bel(a)]表示命题a支持证据区间，[0，pl(a)]表示命题a的拟信区间，[pl(a)，1]表示命题a的拒绝证据区间。设m1和m2是由两个独立的证据源导出的基本概率分配函数，则dempster联合规则可以计算这两个证据共同作用产生的反映融合信息的新的基本概率分配函数。

s204、通过基本概率赋值规则或最小风险规则对融合结果进行分析，并确定待评价装备的评价结果。

需要说明的是，还可以通过信任函数对融合结果进行分析，以确定待评价装备的评价结果。

可见，本实施例提供了另一种装备评价方法，所述方法对于待评价装备的评价过程，综合考虑了专家对待评价装备的专家评价数据、用户对待评价装备的用户评价数据，以及待评价装备的历史使用评价数据，并确定了专家评价数据、用户评价数据和历史使用评价数据分别对应的可信度；进而利用ds证据理论对得到的专家评价数据、用户评价数据和历史使用评价数据进行融合，并基于预设的规则对融合结果进行分析，得到所述待评价装备的评价结果。该方法充分考虑了专家评价数据、用户评价数据和历史使用数据，将主观评价与客观评价相融合，得到了准确性和综合性较高的评价结果。

基于上述任意实施例，需要说明的是，获取所述待评价装备的历史使用评价数据，包括：

根据所述指标参数获取所述待评价装备的历史使用数据，并将所述历史使用数据输入预设的rbf神经网络，输出所述历史使用评价数据。

其中，所述rbf神经网络的构建过程包括：

基于所述评价指标体系获取训练样本数据和验证样本数据；

确定所述rbf神经网络的拓扑结构和参数配置，并利用所述训练样本数据对所述rbf神经网络进行训练；

当训练完成后，将所述验证样本数据输入所述rbf神经网络，并判断输出的评价结果与所述验证样本数据的原始评价结果是否一致；若是，则利用所述rbf神经网络评价所述待评价装备的历史使用数据。

其中，所述确定所述历史使用评价数据对应的可信度，包括：

将预设的多个测试样本数据分别输入所述rbf神经网络，并输出每个测试样本数据分别对应的评价结果；

将所述rbf神经网络输出的评价结果与测试样本数据的原始评价结果一致的测试样本数据标记为目标测试样本数据，并记录所述目标测试样本数据的个数；

将所述目标测试样本数据的个数与输入所述rbf神经网络的所有测试样本数据的个数的比值，作为所述历史使用评价数据对应的可信度。

其中，神经网络的类型还可以是概率神经网络和小波神经网络。为了提高神经网络的计算性能，可以采用遗传算法对神经网络进行优化。

需要说明的是，为了降低rbf神经网络的计算复杂度和计算量，所述基于所述评价指标体系获取训练样本数据和验证样本数据之后，还包括：

利用relieff算法对获得的训练样本数据和验证样本数据进行降维处理。

其中，降维处理即利用距离度量计算来衡量训练样本数据和验证样本数据中的各个特征与类别的相关性，根据该相关性为特征赋予不同的权重，依据权重选择出与类别相关性强的特征，剔除无关、冗余的特征，从而得到精简但不失准确性的训练样本数据和验证样本数据。

降维处理的具体过程包括：

假设训练样本集d(l×m)，由l个样本组成，每个样本有m个特征表示t1，t2，…，tm，reliff算法处理之后得到的特征权值向量为ω(1×m)，其中ω(tl)表示特征tl的权值。其中，该训练样本集中的数据为训练样本数据和/或验证样本数据。

reliff算法的处理过程为：

(1)设置特征权值向量ω初始值为零向量，循环次数为γ(γ≤l)，样本集d中样本类别号为c(c≥2)。

(2)将步骤a至步骤c循环执行γ次：

a、从样本集d中随机挑选出一个样本yi；

b、在yi的同类中找出与yi最近邻的k个样本zj(j＝1，2，…，k)；

c、在yi的每个不同类中找出与yi最近邻的k个样本xj(j＝1，2，…，k)；

对于得到的每个特征权值按照下式进行更新：

其中：class(yi)表示样本yi的类别号；diff(tl，y1，y2)表示样本y1和y2的欧式距离，用来度量两样本的相异度，计算方法如下：

对于离散特征：

对于连续特征：

其中，value(tl，y1)表示样本yl在特征tl处的值。

由上式可以看出：对于某维特征tl，若它有利于分类，则应使同类样本接近而使其异类样本远离。即：来自同一类别的两样本在特征tl上的距离diff(tl，yi，zj)越小，并且来自不同类别的两样本在tl上的距离diff(tl，yi，xj)越大，其获得的权值ω(tl)就越大。

(3)输出特征权值向量ω。

(4)将特征按照权值进行降序排列，选择出权值高于阈值γω的特征，剔除权值小的特征，从而构建新的特征集。

按照上述步骤实施即可得到降维处理后的训练样本数据和验证样本数据，可以用表示。降维处理后的训练样本数据和验证样本数据中的冗余或无关指标数据已被删除，从而得到精简但不失准确性的训练样本数据和验证样本数据。

基于上述任意实施例，需要说明的是，所述利用ds证据理论对所述专家评价数据、所述用户评价数据和所述历史使用评价数据进行融合，获得融合结果，包括以下步骤，请参见图3：

s301、利用评价指标体系中的评价结果等级确定ds证据理论的识别框架；

s302、结合专家评价数据、用户评价数据和历史使用评价数据分别对应的可信度分别对专家评价数据、用户评价数据和历史使用评价数据进行修正；

s303、基于修正后的专家评价数据、用户评价数据和历史使用评价数据生成识别框架中各命题的基本概率赋值；

s304、结合dempster组合规则和识别框架中各命题的基本概率赋值对修正后的专家评价数据、用户评价数据和历史使用评价数据进行两两融合，获得融合结果。

下面对本发明实施例提供的一种装备评价装置进行介绍，下文描述的一种装备评价装置与上文描述的一种装备评价方法可以相互参照。

参见图4，本发明实施例提供的一种装备评价装置，包括：

确定模块401，用于获取待评价装备，并基于预设的评价指标体系确定待评价装备的指标参数；

获取模块402，用于根据指标参数获取专家对待评价装备的专家评价数据、用户对待评价装备的用户评价数据，以及待评价装备的历史使用评价数据，并确定专家评价数据、用户评价数据和历史使用评价数据分别对应的可信度；

融合模块403，用于利用ds证据理论对专家评价数据、用户评价数据和历史使用评价数据进行融合，获得融合结果；

评价模块404，用于基于预设的规则对融合结果进行分析，并确定待评价装备的评价结果。

其中，融合模块包括：

确定单元，用于利用评价指标体系中的评价结果等级确定ds证据理论的识别框架；

修正单元，用于结合专家评价数据、用户评价数据和历史使用评价数据分别对应的可信度分别对专家评价数据、用户评价数据和历史使用评价数据进行修正；

生成单元，用于基于修正后的专家评价数据、用户评价数据和历史使用评价数据生成识别框架中各命题的基本概率赋值；

融合单元，用于结合dempster组合规则和识别框架中各命题的基本概率赋值对修正后的专家评价数据、用户评价数据和历史使用评价数据进行两两融合，获得融合结果。

其中，获取模块包括：

rbf神经网络计算单元，用于根据指标参数获取待评价装备的历史使用数据，并将历史使用数据输入预设的rbf神经网络，输出历史使用评价数据。

其中，还包括：rbf神经网络构建模块，rbf神经网络构建模块包括：

获取单元，用于基于评价指标体系获取训练样本数据和验证样本数据；

训练单元，用于确定rbf神经网络的拓扑结构和参数配置，并利用训练样本数据对rbf神经网络进行训练；

验证单元，用于当训练完成后，将验证样本数据输入rbf神经网络，并判断输出的评价结果与验证样本数据的原始评价结果是否一致；若是，则利用rbf神经网络评价待评价装备的历史使用数据。

其中，获取模块包括：

计算单元，用于将预设的多个测试样本数据分别输入rbf神经网络，并输出每个测试样本数据分别对应的评价结果；

记录单元，用于将rbf神经网络输出的评价结果与测试样本数据的原始评价结果一致的测试样本数据标记为目标测试样本数据，并记录目标测试样本数据的个数；

可信度确定单元，用于将目标测试样本数据的个数与输入rbf神经网络的所有测试样本数据的个数的比值，作为历史使用评价数据对应的可信度。

其中，评价模块具体用于：

通过基本概率赋值规则或最小风险规则对融合结果进行分析，并确定待评价装备的评价结果。

可见，本实施例提供了一种装备评价装置，包括：确定模块、获取模块、融合模块以及评价模块。首先由确定模块获取待评价装备，并基于预设的评价指标体系确定待评价装备的指标参数；然后获取模块根据指标参数获取专家对待评价装备的专家评价数据、用户对待评价装备的用户评价数据，以及待评价装备的历史使用评价数据，并确定专家评价数据、用户评价数据和历史使用评价数据分别对应的可信度；进而融合模块利用ds证据理论对专家评价数据、用户评价数据和历史使用评价数据进行融合，获得融合结果；最后评价模块基于预设的规则对融合结果进行分析，并确定待评价装备的评价结果。如此各个模块之间分工合作，各司其职，从而提高了装备评价的准确性和综合性。

下面对本发明实施例提供的一种装备评价设备进行介绍，下文描述的一种装备评价设备与上文描述的一种装备评价方法及装置可以相互参照。

参见图5，本发明实施例提供的一种装备评价设备，包括：

存储器501，用于存储计算机程序；

处理器502，用于执行所述计算机程序时实现上述任意实施例所述的装备评价方法的步骤。

下面对本发明实施例提供的一种可读存储介质进行介绍，下文描述的一种可读存储介质与上文描述的一种装备评价方法、装置及设备可以相互参照。

一种可读存储介质，所述可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现如上述任意实施例所述的装备评价方法的步骤。

根据本说明书提供的方法设计下述评价方案，该方案的逻辑框架图请参见图6，处理流程图请参见图7。

1、确定装备评价指标体系，包括装备评价指标集、装备评价结果集：

设装备评价指标集u＝{t1，t2，…，tm}，ti(i＝1，2，…，m)表示装备评价评价指标集中的第i个指标；装备评价结果集ω＝{v1，v2，…，vn}，装备评价结果为n个等级。

2、按照装备评价指标体系收集待评价装备的相关指标数据。

3、根据待评价装备相关评价指标数据获得主观评价结果，并确定该结果的可信度。

(1)组织装备研制和试验专家根据待评价装备相关评价指标数据采用层次分析法做出评价，获得的评价结果称为主观评价结果1，用z1表示，因为该评价结果主要是根据装备研制和试验专家的主观知识经验所得。将该评价结果z1经过归一化处理后为r1＝(r11，r12，…，r1n)，由装备评价组织方为该结果确定可信度为θ1(0≤θ1≤1)。不失一般性，假设z1＝v2，则有：

r1＝(0，1，0，…，0)

(2)组织装备用户根据待评价装备相关评价指标数据采用层次分析法做出评价，获得的评价结果称为主观评价结果2，用z2表示，因为该评价结果主要是根据装备用户的主观使用和维护感受所得。将该评价结果z2经过归一化处理后为r2＝(r21，r22，…，r2n)，由装备评价组织方为该结果确定可信度为θ2(0≤θ2≤1)。不失一般性，假设z2＝v3，则有：

r2＝(0，0，1，0，…，0)

4、根据待评价装备相关评价指标数据获得客观评价结果，并确定该结果的可信度。

(1)按照装备评价指标体系收集样本，对样本的指标数据进行归一化处理。

(2)将样本数据划分为训练样本集、验证样本集、测试样本集。

(3)确定rbf神经网络的拓扑结构、参数配置。

根据设装备评价指标集u和装备评价结果集ω，确定rbf神经网络的拓扑结构、参数配置：

a、拓扑结构：

输入层：层数为1层，节点数为m(与装备评价指标集u中元素的数量相同)；

隐含层：层数为1层，节点数由自组织选取中心学习算法确定；

输出层：层数为1层，节点数为n(与装备评价结果集ω中元素的数量相同)。

b、参数设置：激活函数为高斯函数；扩展速度为1.8(根据训练效果和经验确定)；学习算法为自组织选取中心算法。

(4)利用训练样本集对rbf神经网络进行训练。

(5)利用验证样本集对rbf神经网络的训练效果进行验证，验证通过的rbf神经网络方可用于装备评价。若rbf神经网络验证未通过，则修改参数配置后重新进行训练、验证。

利用验证样本集对rbf神经网络的训练效果进行验证，将验证样本相关评价指标数据作为输入，输入到训练好的rbf神经网络中，获得的输出即为经过rbf神经网络进行评价的结果，将该结果与验证样本的实际评价结果进行比较，若两者相同，则表示该验证样本通过，否则为未通过。若验证样本集中的所有验证样本均通过，则表示该rbf神经网络验证通过，可用于装备评价。若rbf神经网络验证未通过，则修改参数配置后重新进行训练、验证。

(6)将待评价装备相关评价指标数据输入到训练好的rbf神经网络中，获得客观评价结果。

将待评价装备相关评价指标数据作为输入，输入到训练好的rbf神经网络中，获得的输出即为经过rbf神经网络进行评价的结果，称之为客观评价结果r3＝(r31，r32，…，r3n)，因为该评价结果主要是根据装备评价客观历史数据进行计算所得。

(7)利用测试样本集对rbf神经网络进行测试，计算利用rbf神经网络给出的客观评价结果的可信度。

利用测试样本集对rbf神经网络进行测试，将测试样本相关评价指标数据作为输入，输入到训练好的rbf神经网络中，获得的输出即为经过rbf神经网络进行评价的结果，将该结果与测试样本的实际评价结果进行比较，若两者相同，则表示该测试样本通过，否则为未通过。设测试样本集中测试样本的总数为ntest，测试通过的样本数为npass，测试未通过的样本数nfail，则经过训练好的rbf神经网络得到的客观评价结果的可信度θ3(0≤θ3≤1)可根据公式(1)进行计算，公式(1)为：

5、将主观评价结果和客观评价结果进行融合，获得融合结果。

(1)根据装备评价结果集，确定ds证据理论中装备评价结果识别框架。

根据装备评价结果集ω，确定ds证据理论中装备评价结果识别框架为θ＝{a1，a2，…，an}，命题ai(i＝1，2，…，n)表示当前待评价装备的质量等级为vi(vi∈ω)。

(2)结合可信度对主观评价结果和客观评价结果进行修正处理，生成识别框架中各命题的基本概率赋值分配。

根据公式并结合可信度θ1、θ2和θ3对主观评价结果r1、r2和客观评价结果r3进行修正处理，修正后的r1、r2和r3分别为：

基于修正后的r1、r2和r3，根据公式(2)生成装备评价结果识别框架中各命题的基本概率赋值分配ei(i＝1，2，…，l)的基本概率赋值ei，公式(2)为：

其中，ei的表达式为：ei＝(mi(a1)，mi(a2)，…，mi(an)，mi(θ))，即：

(3)利用ds证据理论对证据e1、e2和e3进行融合，获得融合结果。

设随机变量x可能取值的论域为θ，称θ为随机变量x的识别框架，如果θ内所有元素互不相容。本发明中θ＝{a1，a2，…，an}，其中装备评价结果为n个等级：v1、v2、…、vn，命题ai(i＝1，2，…，n)表示当前待评价装备的质量等级为vi。设识别框架为θ，2^θ为θ的幂集，如果对于函数m：2^θ→[0，1]满足公式(3)，那么m(a)为a的基本概率赋值。公式(3)为：

设函数m：2^θ→[0，1]为识别框架θ上的基本概率赋值，称函数bel为θ上的信任函数，如果函数bel：2^θ→[0，1]满足公式(4)，且bel(a)＞0，那么a为信任函数bel的焦元，公式(4)为：

设识别框架θ上有信任函数bel1和bel2，与之相应的基本概率赋值为m1和m2，与之相应的焦元为a1，…，ak和b1，…，br，那么冲突因子y的表达式见公式(5)，公式(6)为dempster组合规则。dempster组合规则满足结合律，当对多个证据进行融合时，可采用两两融合的方法进行。

利用dempster组合规则对各证据ei(i＝1，2，…，l)进行融合，获得融合结果rf＝(mf(a1)，mf(a2)，…，mf(an)，mf(θ))。

6、在决策策略的指导下获得最终的装备评价结果r。

基于ds证据理论融合进行决策的方法主要有基于信任函数的决策、基于基本概率赋值的决策和基于最小风险的决策。此处选用基于基本概率赋值的决策方法，详见公式(7)。假设有ap、aq，若ap满足如下所有准则，则ap即为决策结果，其中γ1(0≤γ1≤1)、γ2(0≤γ2≤1)为预设的阈值。若不存在满足如下所有准则的ap，则在修改γ1、γ2后重新按照决策策略进行决策。根据决策结果ap可知待评价装备的最终评价结果r＝vp。公式(7)为：

其中，ap、aq为某两个指标的评价值，γ1和γ2均为预设的阈值，当ap和aq的差值较大，且可信度较小时，则可以输出评价结果。

本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。

对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下，在其它实施例中实现。因此，本发明将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。