一种基于智能分类的模糊综合评价方法及系统

本发明属于深度学习领域，更具体地，涉及一种基于智能分类的模糊综合评价方法及系统。

背景技术：

1、过去几年，大数据已广泛应用于各种科学和工程领域。通过多决策指标的收集，整理和分析可获得对评价对象的评价结果，使得个人或组织能够根据评价结果获取明智的决策并进行沟通。

2、模糊综合评价是目前主要采用的多决策指标高维数据降维方法，该方法首先设计对象的评价指标集和排序集，根据各评价指标的权重因子和合隶属度向量建立模糊评价矩阵，确定因素权向量，从而建立综合评价模型。然后通过综合评价模型进行评分，来得到最终的评价结果。

3、然而，目前的模糊综合评价，只能对评价指标进行模糊综合，无法获取对象的整体信息，对于对象而言，仍然是独立评价，无法提供更多关于评价对象群体特征及分类特点。

技术实现思路

1、本发明提出了一种基于智能分类的模糊综合评价方法及系统，该方法将深度学习(deeplearning，简称深度学习)和模糊综合评价相结合，对评价对象进行分类画像，在从评价对象的角度降低数据维度的同时，提供更多关于对象类型的群体画像信息。

2、本发明提供的基于智能分类的模糊综合评价方法，包括以下步骤：

3、(1)根据使用场景获取相应的评价指标集合c＝{c1，c2，...，cj，...，cl}，评价值l集合，获得包含具有评价指标集合c各项指标值的t个对象的评价指标矩阵v，如下：

4、

5、其中，l是指标的数量，vi，j∈l表示基于专家知识独立地使用l对每个评价指标ci的评价值；

6、(2)智能分类：对于步骤(1)获得的评价指标矩阵v的t个对象，采用深度学习分类算法分为r个对象类别；所述深度学习分类算法以每一对象类别所包含对象i评价差异最小为优化目标进行优化训练；

7、(3)分类直觉模糊：对于每一对象类别分割出其评价指标子矩阵vτ，并采用隶属度函数将评价指标进行直觉模糊获取其直觉模糊数得到每一对象类别的决策矩阵

8、(4)赋权重：对于每一对象类别的决策矩阵以其熵值作为指标的权重；对于决策矩阵中的每一列，即针对每一指标cj，以其熵权重作为该指标cj的权重将决策矩阵的元素与其所在列的权重之积作为加权决策矩阵的相应元素，即加权决策值，获得加权决策矩阵

9、(5)类别综合评价：采用带权重的topsis算法对各指标cj在对象类别上决策向量进行综合评价，获得指标cj在对象类别上的综合评价值从而构造以指标为单位对r个对象类别进行评价的评价指标矩阵

10、(6)评价指标模糊评价：将步骤(5)获得的以指标为单位对r个对象类别进行评价的评价指标矩阵采用ahp算法确定每个指标cj的权重，使用带权重的topsis算法对对象类别τ在指标集合c上的综合评价指标向量进行综合评价，获得对象类别τ在指标集合c上综合评价值构造对评价指标矩阵v分类综合评价的评价指标向量为对象类别τ评价指标集合c上的综合评价值，其值越大表征评价结果越好。

11、优选地，所述基于智能分类的模糊综合评价方法，其步骤(2)具体为：

12、t个对象，采用深度学习分类算法分为r个对象类别，所述深度学习分类算法以每一对象类别的对象i在评价指标集合c上的评价差异最小为优化目标进行优化训练。对象i评价差异，可以是对象i评价值vi，j、评价值的模糊数、和/或模糊数的综合评价值

13、优选地，所述基于智能分类的模糊综合评价方法，其步骤(3)具体包括以下子步骤：

14、(3-1)数据分块：按照步骤(2)的对象分类，将步骤(1)获得的评价指标矩阵v划分为子评价指标矩阵vτ，对于子评价指标矩阵vτ中的每一个元素使用min-max方法进行归一化处理，获得归一化的评价指标矩阵cτ。

15、(3-2)直觉模糊构造决策矩阵：将评价指标矩阵cτ各元素的直觉模糊数组成决策矩阵

16、

17、其中，ψi为对象i的归一化的评价指标。

18、优选地，所述基于智能分类的模糊综合评价方法，其步骤(3-2)具体为：

19、对每一对象类别将其对象去除异常点后评价分散性ρτ，τ∈{1，...，r}；基于该对象类别的分散性，采用隶属度函数判断该对象的直觉模糊数；

20、所述隶属度函数为：

21、

22、其中，ψi为对象i的归一化的评价指标。

23、优选地，所述基于智能分类的模糊综合评价方法，其步骤(4)具体为：

24、第j个指标的熵权重按照如下方法计算：

25、

26、其中，为的第j个指标的熵按照如下方法计算：

27、

28、其中μi，j为第i个对象指标cj上的直觉模糊隶属度，γi，j第i个对象指标cj上的的直觉模糊非隶属度，πi，j为第i个对象指标cj上的的直觉模糊犹豫度。

29、优选地，所述基于智能分类的模糊综合评价方法，其步骤(5)具体为：

30、对于指标cj，以其平均直觉评价值的得分函数作为该指标的综合评价值：对于加权决策矩阵根据如下公式计算决策矩阵中第j个指标的平均直觉评价值根据得分函数获得指标cj在对象类别上的综合评价值

31、

32、

33、

34、使用得分函数计算指标cj在对象类别上的综合评价值

35、优选地，所述基于智能分类的模糊综合评价方法，其步骤(5)所述得分函数具体为：以隶属度和非隶属度的差值作为每个指标的得分，具体得分函数计算公式如下：

36、

37、优选地，所述基于智能分类的模糊综合评价方法，其步骤(6)具体包括以下子步骤：

38、(6-1)构造决策矩阵：确定步骤(5)获得的以指标为单位对r个对象类别进行评价的评价指标矩阵包含的各个指标的权重，获得加权决策矩阵对于步骤(5)中获得的中的每个指标值进行前向处理并标准化，并采用ahp算法赋权重，获得标准化的加权决策矩阵因为结合了ahp算法获得各因素之间的权重向量可以强化专家意见对评价值指标的影响，从而使综合评价结果从专家知识中学习经验，更符合专家评审结果；

39、(6-2)对于(6-1)获得的加权决策矩阵指标集合c为单位对r个对象类别进行综合评价，获得综合评价值

40、(6-3)将步骤(6-2)获得的所有r个对象类别在评价指标集合c上的综合评价值组合为集合的评价指标向量

41、优选地，所述基于智能分类的模糊综合评价方法，其步骤(6-2)具体为：

42、指标集合c对于每个指标，分别计算对象类别τ的该指标的综合评价值与该指标的最佳综合评价值、最差综合评价值的距离，综合对象类别τ所有指标与最佳综合评价值、最差综合评价值的距离，得到该对象类别与最佳综合评价值的累计距离以及该对象类别与最差综合评价值的累计距离以最差综合评价值的累计距离与最佳综合评价值的累计距离以及该对象类别与最差综合评价值的累计距离之和的比值评价对象类别τ与最佳情况的距离，作为对象类别τ在评价指标集合c上的综合评价值即

43、按照本发明的另一个方面，提供了一种基于智能分类的模糊综合评价系统，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现本发明提供的基于智能分类的模糊综合评价方法的步骤。

44、总体而言，通过本发明所构思的以上技术对象与现有技术相比，能够取得下列有益效果：

45、(1)由于本发明采用使用深度学习对数据进行深度学习分类器，以使分类结果与专家意见尽可能一致，不仅解决了topsis算法中评价结果与专家评审非常不同，无法从专家知识中学习经验的问题，同时对评价对象的整体分类，从而提供了评价对象整体画像信息。

46、(2)由于本发明采用了基于直觉模糊的综合评估大大降低了数据维度，增加了数据密度，使其可使用通用数据算法，因此数据来源可以没有严格限制，可以适用于不同场景，并且降低了计算成本。

47、(3)由于本发明将模糊熵应用于多指标决策问题，以表达数值评级的犹豫程度，以克服最终排名中的偏差导致的模糊性和不确定性问题，因为它可以使结果更具有数学理论基础，更符合客观实际情况。

48、综合而言，为了增强深度学习分类，并基于ce的高维数据分析中应用的各种评价指标实现最佳评价精度和鲁棒性，我们提出了一种将深度学习分类器与fcte集成用于高维数据分类和分析的新框架，以克服高维数据过于复杂和不稳定而不可行的问题。然后，为了解决降维问题，我们提出了一种基于专家知识的低维层次结构的fcte来表示高维数据，该结构涉及现实中的指标。此外，为了解决各种评价指标导致的优缺点程度难以评价的问题，我们引入了模糊熵-topsis，以准确反映各种数据情况之间的优缺点和差距，对数据的分布和内容没有严格限制，且数据易于处理。此外，我们将模糊熵应用于mcdm问题，以表达数值评级的犹豫程度，以克服最终排名中的偏差导致的模糊性和不确定性问题，因为它可以使结果更具有数学理论基础，更符合客观实际情况。