技术特征：
1.一种用于学生综合能力评价的评价体系及零样本评价方法，其特征在于：包括如下步骤：(1)、综合能力评价体系构建1.1、建立研究生综合能力评价指标体系根据学生综合能力培养过程中的表征信息确定学生综合能力评价指标体系的组成成分，构成指标因素集u＝{u1,u2,...,u
h
}，其中u1,u2...u
h
代表评价指标体系中一级指标，且u1,u2...u
h
细化为{u
11
u
12
...u
1k
,u
21
u
22
...u
2k
,...,u
h1
u
h2
...u
hk
}此类二级指标，最终构建出学生综合能力评价指标体系；1.2、确定学生综合能力评价指标体系权重1.2.1、构造多位领域专家权重综合矩阵假设评价体系中有n个评价指标，请m位领域专家对指标的权重给出每位独特的见解，进而得到m个判断数据序列，由这些数据序列构成综合权重矩阵，领域专家权重的综合矩阵形式如下式：式子中，a
nm
是第m个专家对第n个指标的权重判断数据；1.2.2、确定对照数据序列a0从综合矩阵a中选择一个最大的权重值作为每个领域专家公有的对照权重值，记为a
i0
,i＝1,2，
…
n，以a
i0
来构建出对照数据序列，具体如下式：a0＝(a
10
,a
20
,...，a
n0
)
t
其中，a
10
＝a
20
＝a
30
＝...＝a
n0
＝max{a
11
,...,a
1m
；a
21
,...,a
2m
；a
n1
,...,a
nm
}；1.2.3、求得相对距离求得对照数据序列a0之后，开始计算专家权重综合矩阵a中每一列即每个专家给定的指标权重序列a0，a1，
…
，a
n
与参考序列a0之间的相对距离d
i0
,i＝1,2
…
n，具体计算如下：1.2.4、求取综合能力评价指标赋权体系中主观权重由专家权重综合矩阵a中每一列与对照数据序列之间的相对距离的大小求取学生综合能力评价指标赋权体系中主观权重，具体公式如下：规范化处理所得的主观权重，求得ω
ai
即为所求得的最终主观权重向量，即学生综合能力评价指标体系的主观权重系数；求解出综合能力评价指标体系主观权重系数ω
ai
,(i＝1,2,...n)后，由构建评价指标
体系所制定的规则而收集到的研究生各指标原始数据，应用变异系数法进行指标权重体系中客观权重的计算，即求得综合能力评价指标体系客观权重系数ω
bi
,(i＝1,2,...,n)；结合综合能力评价指标体系中各指标因子的主观权重ω
ai
和客观权重ω
bi
得到对应的综合权重ω
i
,(i＝1,2,...n)，且约束ω
i
权重值应与ω
ai
和ω
bi
权重值越为接近越好，采用公式如下：下：下：求得综合权重ω
i
，也即学生综合能力评价指标体系的最终权重系数；1.3、量化研究生综合能力评价体系最终评价结果1.3.1、确定能力评价对象集、指标因素集和评语集以能力评价对象和指标因素为基础，确定出评语集v＝{v1,v2,...,v
n
}，其中，评价语句设定为v＝{优，良，中，差}；1.3.2、确定模糊权重向量p模糊权重向量即为综合能力评价指标权重体系最终得到的综合权重ω
i
；1.3.3、确定模糊变换矩阵r确定出模糊变化矩阵即隶属函数，其目的是得到从特征因素及到评语集的模糊映射r
f
＝(r
i1
,r
i2
,...,r
in
)，且要满足a、对于定性指标的处理，采用模糊统计法确定隶属度函数的方法，详细步骤为：邀请m位领域专家对评价对象关于体系中定性指标根据n个评语等级分别进行评价，评价后对结果进行综合统计，据此计算评价对象对应于指标u
i
的隶属度r
ij
：r
ij
＝m
ij
/m式中m为专家个数，m
ij
表示指标u
i
隶属于该评价等级的专家人数；利用上式获得定性指标模糊综合评价r
ij
＝(r
i1
,r
i2
,......r
in
)；b、定量指标全部属极大型指标，隶属度采用指派法确定，对该类指标隶属度函数定义为：
式中，a
i
(i＝1,2,3,......)为各指标对应于评语集的评价标准，且满足μ1+μ2+μ3+μ4＝1，将标准参数带入隶属度函数后将实际值代入函数即求得指标隶属度u
i
，进而得到定量指标模糊综合评价r
ij
＝(r
i1
,r
i2
,......r
in
)；将定性指标与定量指标的模糊映射联立构造综合能力的模糊变化矩阵，即指标隶属度矩阵：1.3.4、确定模糊评价结果在权重矩阵p和指标隶属度r基础上，进行复合运算求得各评价对象的最终评价结果b'，采用加权平均算子，公式如下：b'＝pr＝(b1',b2',...,b'
n
)式中，b'
j
表示评价对象隶属于评语v
j
的程度；1.3.5、模糊综合评价结果分析根据模糊评价结果，采用量化处理的方式对所给的结果进行进一步的描述和分析；量化时，先将评语集v上的各个评价语句赋予相应的分值，对应评价语句赋予分值为{优＝95，良＝80，中＝65，差＝50}，将分值集合和模糊评价结果b
′
采用加权平均算子进行计算，求得评价对象综合得分：式中，g
j
是对v上第j个评价语句赋予的分值；
最后，将所得综合评分由所属区间进行分类处理，取得最终能力评价体系评价结果，即：将综合得分处于评语集中良～优区间的学生数据给定为a类、处于中～良区间的数据给定为b类、处于差～中区间的数据给定为c类；(2)、学生综合能力评价方法制定2.1、数据预处理以学生综合能力评价数据为基础，收集a类数据、b类数据、c类数据，模拟出不符合评价体系指标规则的异常类d类数据；按照分类结果，将a类数据与d类数据作为零样本模型中的已知类记作p，将b类数据与c类数据作为零样本模型中的未知罕见类记作q，以期实现训练a、d类型样本数据去预测识别b、c类型样本数据；将a类数据、b类数据、c类数据及d类数据采用格拉姆角和场方程生成二维图像样本；2.2、模型构建零样本分类工作中，将p类样本模拟为实际评价过程中可见类型数据样本，将q类样本模拟为未见类数据样本；2.2.1、视觉空间的构建经格拉姆角和场转换出的二维图片样本首先利用keras深度学习库中批量生成器方法实现数据增强，随机旋转角度参数设置为40，随机水平偏移、随机竖直偏移、剪切变换角度、随机缩放的幅度、随机通道偏移的幅度与随机竖直翻转参数值都设置为0.2；处理边缘值时，fill_mode参数设置为nearest；网络输入层图像大小上设置为224*224*3，将处理好的4类评价结果图像样本输入网络训练，learning rate设置为1e
‑
4，学习率衰减为每20个epoch衰减10％，优化器选择拥有自适应算法adam，minibatchsize设置为16；训练时，先将在imagenet上训练好的vgg16预训练模型导入以实现迁移学习，在微调设置方面上，对训练好的vgg16模型block1
‑
block4的结构和参数冻结，vgg16预训练模型中block1、block2中均含两个卷积层，block3、block4中均包含三个卷积层，在对vgg16预训练模型block5卷积块处理中，将先前模型中3层步长为均为1大小均为512的3*3的卷积核替换为128个1*1卷积核、192个1*1卷积核经过relu激活函数再进行256个3*3卷积、32个1*1卷积核经过relu激活函数再进行64个5*5卷积、3*3大小pool层后再进行64个1*1卷积核的第三维并联结构，并且采用depthcat组合各卷积核输出完成不同尺度特征的融合，全连接层部分修改先前模型倒数第二层中的4096参数降为1024以期更好的提取图像特征，同时对输出层采用sofx
‑
max函数，使模型能够作多分类预测；模型搭建完毕后，将图片样本中可见类样本以及不可见类样本输入，提取模型中全连接层倒数第二层输出的1024维深层特征数据作为视觉空间中视觉特征，分别记作x
y
与x
z
；2.2.2、语义空间的构建构建出可见类a、d评价结果类型样本以及罕见类b、c类型样本的语义特征矩阵，记作s
y
与s
z
，并由所得语义特征矩阵构建出语义空间；2.2.3、视觉
‑
语义映射的构建构建基于语义自编码器的零样本学习模型sae，具体如下：构建语义自编码器的目标函数为：
式中，输入样本数据即为x∈r
d
×
n
，d是样本的特征维度，n是样本总数；投影矩阵w∈r
k
×
d
，k是样本属性的维度，样本属性s∈r
k
×
n
；令w
*
＝w
t
，将上式重写为：其中||
·
||
f
是frobenius范式，第一项是自编码器项，第二项是视觉语义约束项，用来约束投影矩阵w，同时保证模型具有的泛化性；λ是超调参数；对上式先求导，再利用矩阵迹的性质化简，结果如下：
‑
2sx
t
+2ss
t
w+2λwxx
t
‑
2λx
t
s令其为0，得ss
t
w+λwxx
t
＝sx
t
+λsx
t
再令a＝ss
t
,b＝λxx
t
,c＝(1+λ)sx
t
，则上式最终写成如下形式：aw+wb＝c上式为一个西尔维斯特方程，用bartels
‑
stewart算法求解，即求得最终的最优映射矩阵w与w
t
；最后在未知类样本标签预测阶段，在语义属性空间中，利用余弦相似性将推导出的未知类样本属性与未知类原型属性进行对比，从而预测得到未知类样本的标签；其中，余弦相似性是指在向量空间中用两个向量夹角的余弦值度量两个个体间的差异，将两个向量绘制到向量空间中，求得他们的夹角以及角对应的余弦值；夹角越小，余弦值越接近于1，向量方向便越吻合，则两数据样本越相似，预测得到未知类样本的标签为：其中是目标域中第i个样本的预测属性，是第j个未知类的原型属性，d(
·
)是余弦距离方程，f(
·
)是预测得到的样本标签；运用上述所搭建的sae模型，通过训练可见评价结果类型数据的视觉特征x
y
，结合所构建语义空间中的可见类型语义特征s
y
，求出相关映射矩阵w，之后测试集中罕见类评价结果通过其视觉特征x
z
由w反映射出语义向量并与初始罕见类语义特征矩阵比对由余弦相似度得出分类结果。