模糊综合评价的一种神经网络方法

模糊综合评价的一种神经网络方法篇1

将神经网络理论应用于模糊综合评价,首先引入因素空间的概念,在因素空间中给出了一种基于三层神经元的多用量化模糊综合评价方法,并利用LMS算法及矩方法研究了该模型权重及学习步长的确定方法,实现了权重及学习步长的`网络学习,最终实现了等级评价值的计算机输出.较好地解决了传统的综合评价方法中各指标的权数受人为因素的影响这一难点问题.

作者：陈娟戴斌祥奚青作者单位：陈娟(集美大学,基础部,福建,厦门,361021)

戴斌祥(湖南大学,数学与计量经济学院,湖南,长沙,410082)

奚青(上海城市建设工程学校,上海,32)

模糊综合评价的一种神经网络方法篇2

1969年, 经济学家 Galbraith 首次提出智力资本的概念。智力资本是相对于传统的物质资本而言的, 是知识经济中最为重要的资源, 是一种潜在的、无形的、动态的、能够带来价值增值的价值, 是企业真正的市场价值与其帐面价值的差距, 是物质资本与非物质资本的合成。随着知识经济的来临, 智力资本的研究受到越来越多的关注[1,2,3,4,5,6,7,8]。近10年来, 许多学者从不同的研究角度对公司层面的智力资本给出了定义[1,2]。高校智力资本是指被高校所拥有的、能够为高校创造出价值且能够控制的知识资源。在新经济时代下, 智力资本已是高校的核心竞争力所在。企业智力资本理论被陆续引入高校, 建立适合高校的智力资本评价模型, 提出高校智力资本主要分为人力资本、结构资本、关系资本[4,9]。M.R.Martinez-Torres利用结构方程模型对二级学院的智力资本从人力资本、结构资本、关系资本三个方面的关系进行阐述[7], 本文采用其提出的评价指标, 其中:人力资本主要是指教师个人、人际和社会活动能力、经验以及个体能够将这些知识和能力转化为行动的能力, 这些知识构成了人的专有竞争力, 用教学技能、科研技能、个人关系三个主要指标来表示;结构资本指大学的组织结构、规章制度、校园文化、学科构成等, 用教学潜能、科研管理、组织管理、国际交流来代表;关系资本主要是指大学的社会认同度、关系、信誉以及所处的社会制度、经济、文化、宗教等环境, 用研究—应用和扩散、形象 (学校) 、联系和关系等指标表示。

由于高校智力资本指标比较复杂, 使用传统的方法很难估计出恰当的值, 本文提出一种新的模糊综合评价方法, 选取五所高校, 并给出五位专家, 通过问卷调查的形式, 不同于传统的专家打分法, 提出消除个人主观波动和整体波动的模糊构权法, 然后将专家对于各指标的重要程度数量化, 得出五所高校智力资本的最终模糊等级和模糊取值, 最后采用聚类分析将五所高校的等级分类。

2 模糊权重的确定

德尔菲 (Delphi) 法就是用匿名的方式, 通过几轮函询征求专家的意见, 组织者对每一轮意见都汇总整理, 作为参考资料再反馈给每一位专家, 供他们深入分析判断、提出新的论证, 如此反复, 使专家意见渐趋一致[10]。郭亚军提出了序关系分析法 (G1-法) [11], 要求专家按指标的重要性进行排列, 然后将指标之间的重要程度赋值的一种赋权法。但以往单纯的模糊评判法在确定各指标权重时存在较大的主观性, 大多按照专家的经验或主观意识来确定, 容易使最终结果与实际情况产生偏差甚至可能失真。本文首先采用个体与整体模糊权重相结合的模糊构权法, 可以消除个人主观波动和整体波动, 因而是一个较为合理的模糊构权法。专家将n个指标的重要性进行排列, 将指标的赋值为其序数值, 即最重要的为n, 最不重要的为1, 然后求出每个指标所占的权重, 这里我们称为个体权重。具体方法如下。

2.1 个体模糊权重

(1) 确定因素集U={U1, U2, …, Ul};

(2) 要求专家将因素集按重要性程度评价出因素集的等级:V={V1, V2, …, V1}, 这里V1>V2>…>Vl为上升序列;

(3) vij表示第j个专家对于因素Ui的排名值, j=1, 2, …, n;

(4) 将vij标准化后的值作为第j个专家分配给因素Ui模糊取值, 即 $Ζ_{i j} = \frac{v_{i j}}{\sum_{i = 1}^{1} v_{i j}}$ 。

说明:这里实际上专家给出了定距打分形式, 即不同的因素之间的重要性程度相差1。然而专家在给出评价序时, 在判断上各个名次间的“心理差距”往往是不等的, 以不等距的形式将其表现是合理的[12]。为了简单起见, 这里仅采用等距的形式。

2.2 整体模糊权重

由于人的飘忽不定的态度或观点受外部或内部环境因素的影响, 因此, 我们不仅要考虑个体的模糊权重, 还要考虑整体的模糊权重, 于是我们评价的模糊权重是个体模糊权重乘以整体模糊权重。

(1) 设n个专家对因素Ui的排名值之和为Ri, 则 $R_{i} = \sum_{j = 1}^{n} v_{i j}, i = 1, 2, \dots, l$ ;

(2) 将Ri标准化后的取值作为因素Ui的整体权重 $Τ Ζ_{i} = \frac{R_{i}}{\sum_{i = 1}^{1} R_{i}}$ 。

2.3 模糊权重的决定

(1) 模糊权重 $Τ_{i j} = Ζ_{i j}^{*} Τ Ζ_{i} = \frac{v_{i j} \sum_{j = 1}^{n} v_{i j}}{\sum_{i = 1}^{l} v_{i j} \sum_{i = 1}^{l} \sum_{j = 1}^{n} v_{i j}}$ ;

(2) 取微调权重 $W_{i j} = \frac{Τ_{i j}}{\sum_{i = 1}^{1} Τ_{i j}} ‚ j = 1, 2, \dots, n .$

3 隶属函数的选择

在综合评价中遇到主观或定性指标时, 往往具有一定程度的模糊性, 如好、满意、支持等, 一般采用等级比重法, 比如将满意分成很满意、满意、一般、不满意、很不满意五个等级。在确定隶属度时, 为了保证可靠性, 经常使用问卷调查 (此时的评价者我们称为面试者) , 目的是保证评价的人较多, 等级比重才会与隶属度接近;另一方面, 评价者需要对被评价事物有相当的了解, 于是经常采用专家打分法。但是, 无论是面试者还是专家在评价时, 他们的感觉大部分时候不能被五个等级完全反映, 例如在问及你对某服务业的态度时, 有时满意, 有时不满意, 有时很满意, 等等。为了更加真实地反映评价者心里感觉的连续变化过程, 比如满意大概20%, 非常满意大概80%, 可以将我们的主观感受函数化 (模糊曲线) , 设置如下表1的问卷形式。

注:这里1代表非常不满意, 2代表不满意, 3代表一般, 4代表满意, 5代表非常满意。

4 高校智力资本的模糊综合评价的应用过程

4.1 个体模糊权重的计算

选取五所高校, 采用三大类指标, 十个指标如上所述, 从而个体权重的确立步骤为:

(1) 确定因素集U={U1, U2, …, Ul}作为智力资本的因素集, 这里我们取U={A1.教学技能、B1.科研技能、C1.个人关系;A2.教学潜能、B2.科研管理、C2.组织管理、D2.国际交流;A3.研究, 应用和扩散、B3.形象、C3.联系和关系}

(2) 要求专家将因素集按重要性程度评价出因素集的等级:V={V1, V2, …, V10}, 这里V1>V2>…>V10为上升序列;

(3) vij表示第j个专家对于因素Ui的排名值, i=1, 2, …, 10, j=1, 2, …, 5 (结果在表2) ;

(4) 将vij标准化后的值作为第j个专家分配给因素Ui模糊取值, 即:

$Ζ_{i j} = \frac{v_{i j}}{\sum_{i = 1}^{10} v_{i j}}$ , 这里 $\sum_{i = 1}^{10} v_{i j} = 1 + 2 + \dots + 10 = 55$

注:这里F表示因素, V表示专家。

4.2 整体模糊权重的计算

(1) 设n个专家对因素Ui的排名值之和为Ri, 则 $R_{i} = \sum_{j = 1}^{n} v_{i j} ‚ i = 1, 2, \dots, l .$

例如: $R_{1} = \sum_{j = 1}^{5} v_{1 j} = 28$

(2) 将Ri标准化后的取值作为因素Ui的整体权重 $Τ Ζ_{i} = \frac{R_{i}}{\sum_{i = 1}^{l} R_{i}}$ , 这里 $Τ Ζ_{1} = \frac{R_{1}}{\sum_{i = 1}^{10} R_{i}} = \frac{28}{275} = 0.102$

4.3 模糊权重的计算

(1) 模糊权重Tij=Zij*TZi;

(2) 加总个体因素;

(3) 取微调权重 $W_{i j} = \frac{Τ_{i j}}{\sum_{i = 1}^{l} Τ_{i j}} ‚ j = 1, 2, \dots, n$ (结果分别见表4、表5、表6) 。

4.4 隶属函数的确定

计算类型隶属函数, 根据如下语言条款设置智力资本分类排名为{没有价值;稍微有价值;不太有价值;有价值;很有价值;相当有价值}。

五个专家对五所高校A、B、C、D、E的模糊评价因此完成了。例如第一个专家对高校A的评价如表所示:

(1) 人力资本

模糊等级:0.285* (0.6*4+0.3*1+0.1*6) =0.9405

模糊值:0.285* (0.6*100+0.3*1000+0.1*5000) =245, 100

(2) 结构资本

模糊等级0.293* (0.2*4+0.8*5) =1.4064

模糊值 0.293* (0.2*100+0.8*1000) =240, 260

(3) 关系资本

模糊等级0.422* (0.7*5+0.3*6) =2.2366

模糊值0.422* (0.7*1000+0.3*5000) =928, 400

如此下去, 加总五个专家对A的评价, 我们可以得到相应人力资本、结构资本、关系资本的模糊评价等级和模糊值。类似, 我们可以得出五所高校最终的模糊等级和聚类值。将五所高校数据使用MININTAB软件进行聚类分析, 从而可以得到五所高校的分组情况。

5 结论

智力资本已经成为组织的“第三资源”, 智力资本也是高校的核心竞争要素, 代表着高校未来的发展潜力, 所以高校管理者要把目光放在高校智力资本评价和管理上。本文提出一种新的基于专家排序的模糊评价方法, 采用有别于传统的专家打分法, 消除个人主观波动和整体波动的模糊构权法, 并对五所高校智力资本进行综合评价, 最后运用聚类分析方法得出其智力资本的合理分类。该方法的特点是操作简单, 对专家的依赖性很强。如果专家并不只是凭借自己的主观想象去排序、给出模糊曲线, 而是认真去调查研究后给出自己的较客观的排序, 这不失为一个简单易行的好办法。

参考文献

[1]安妮布鲁金.智力资本:第三资源的应用和管理[M].大连:东北财经大学出版社, 1998.

[2]托马斯A斯图尔特.“软”资产——从知识到智力资本[M].邵建兵, 译.北京:中信出版社, 2003.

[3]王小明.高校智力资本评价模型与实证研究[J].清华大学教育研究, 2005, 26 (5) :81-86.

[4]樊华, 陶学禹.大学智力资本集聚及管理研究[J].科学学与科学技术管理, 2005 (1) :114-117.

[5]BONTIS N.National intellectual capital index:a united nations initia-tive for the Arab region[J].Journal of Intellectual Capital, 2004, 5 (1) :13-39.

[6]冯桂中.人力资本、结构资本和关系资本关系探析[J].企业活力——人力资源开发, 2006 (8) :56-57.

[7]MR MARTINEZ-TORRES.A procedure to designa structural andmeasurement model of intellectual capital:an exploratory study[J].Information&Management, 2006 (43) :617-626.

[8]闫化海, 赵武.智力资本及其理论解释[J].管理科学, 2004 (10) :40-45.

[9]陈强, 周景泰.高校智力资本运作效率的数据包络分析[J].上海管理科学, 2004 (5) :40-42.

[10]金菊良, 魏一鸣.复杂系统广义智能评价方法与应用[M].北京:科学出版社, 2008:24-26.

[11]郭亚军, 潘德惠.一类决策问题的新算法[J].决策与决策支持系统, 1992, 2 (3) :56-62.

模糊综合评价的一种神经网络方法篇3

关键词：说话人识别；模式匹配；FCM

中图分类号：TP18 文献标识码：A文章编号：1009-3044(2007)16-31104-02

A Ameliorated Method Of Speaker Recognition With Fuzzy C-meansClustering

SUN De-yi, CUI Lian-yan

(Information Science & Engineering College,Liaoning Institute of Technology, Jinzhou 121001，China)

Abstract:Pattern matching plays a very important role in the speaker recognition system, whose method can affect the system recognition rate directly. This article presents a method about fuzzy vector quantization(FVQ) and a method of the speaker recognition with subtractive clustering and fuzzy c-means clustering arithmetic by analyzing the arithmetic to fuzzy c-means. The experiment indicated that this method enhanced the recognition rate and is a effective speaker recognition method.

Key words:the speaker recognition; pattern matching; FCM

1 引言

随着社会的发展,安全问题日趋重要,用生物特征并结合计算机技术进行安全验证是当今的热门课题,说话人识别技术是生物识别技术的一种,与其它生物识别技术相比, 说话人识别具有更为简便、准确、经济及可扩展性良好等众多优势,可广泛应用于安全验证、控制等方面。说话人识别是一项根据语音波形中反映说话人生理和行为特征的语音参数,自动识别说话人身份的技术。它的基本原理是通过分析人的发声和听觉,为每个人构造一个独一无二的数学模型,由计算机对模型和实际输入的语音进行精确匹配,根据匹配结果辨认出说话人是谁。在声纹识别过程中最主要的两部分内容是特征提取和模式匹配。特征提取,就是从声音中选取唯一表现说话人身份的有效且稳定可靠的特征；模式匹配就是对训练和鉴别时的特征模式做相似性匹配。

2 模式匹配

本文所研究的说话人识别系统主要以美尔倒谱系数MFCC和差分美尔倒谱系数ΔMFCC作为说话人的特征参数，采用模糊矢量量化的识别方法。在分析了模糊C均值（FCM）聚类和改进的FCM聚类算法的性能的基础上，引入减法聚类算法，对改进的FCM算法的初始聚类中心进行初始化，从而避免改进的FCM聚类算法仍然对聚类中心的初值十分敏感，收敛结果易陷入局部极小的弊端，保证获得的改进的FCM聚类结果为全局最优解。

2.1 模糊C-均值（FCM）聚类算法

FCM聚类是用隶属度确定每个数据点属于某个聚类的程度的一种聚类算法。它把n个数据向量xk（k= 1，2，…，n）分为c个模糊组，并求每组的聚类中心，使得非相似性指标的价值函数达到最小。并且使得每个给定数据点用值在（0，1）间的隶属函数确定其属于各个组的程度。FCM的目标函数定义为：

2.2 改进的FCM算法

2.2.1 放松隶属度

在FCM算法中，因引入了各个聚类的隶属度之和为1的归一化条件，在样本集不理想的情况下可能导致结果不好。如当存在某个野点样本远离各类的聚类中心时，它严格属于各类的隶属度都很小，但由于各个聚类的隶属度之和为1这个条件的要求，将会使它对各类都有较大的隶属度，这种野点的存在将影响迭代的最终结果。对于此缺点，采用一种放松的归一化条件，使所有样本对各类的隶属度总和为N，即：

这样，在有野点存在的情况下得到较好的聚类结果。

2.2.2 加权模糊C-均值聚类

在解决实际问题的过程中,我们经常发现利用经典的模糊C-均值聚类所得到的结果与主成分分析的结果有较大的差异，本文将模糊C-均值聚类进一步加以改进，使得聚类的结果与主成分分析基本一致。我们的方法将模糊C-均值聚类的迭代公式中的欧氏距离改为加权欧氏距离，其中的权向量采取主成分分析的方法计算。

加权模糊C-均值聚类表示如下：

其中，ωj通过以下方法计算得到：

(1)将原始数据矩阵统一趋势化，得到无量纲矩阵Y；

(2)计算矩阵Y的相关系数矩阵R；

(3)计算相关系数矩阵R的特征值λj；

经过改进的加权模糊C-均值聚类的结果与主成分分析基本一致，特别适用于大样本的聚类。

2.3 减法聚类算法

与传统的FCM聚类算法一样，改进的FCM聚类算法仍然对聚类中心的初值十分敏感，收敛结果易陷入局部极小。为了得到较好的结果，在使用改进的FCM聚类之前先用减法聚类算法进行初始化聚类中心，以保证获得的改进的FCM聚类结果为全局最优解。

减法聚类算法是把所有的数据点作为聚类中心的候选点，它是一种快速而独立的近似聚类方法，计算量与数据点的数目成简单的线性关系，而且与所考虑问题的维数无关。

考虑M维空间的n个数据点xi(i=1,2,…,n)，其减法聚类过程分为下面几步：

（1）计算每个数据点xi的密度指标：

这里ra是一个正数，选择具有最高密度指标的数据点xc1为第一个聚类中心，Dc1为其密度指标。

（2）假定xck为第k次选出的聚类中心，相应密度指标为Dck，对于每个数据点的密度指标按式（5.19）修正：

是否成立。若不成立，则转到（2）；若成立则退出。其中δ<1是事先给定的参数，此参数决定了最终产生的初始化聚类中心数目，δ越小，则产生的聚类数越多。

本系统将减法聚类与改进的FCM聚类相结合，以减法聚类的聚类中心作为改进的FCM聚类算法的初始聚类中心，以保证改进的FCM聚类结果为全局最优解。

3 系统仿真及结果

将减法聚类与改进的FCM聚类相结合的算法应用于说话人识别，为评价识别方法的性能，使用Matlab 6.5 软件进行仿真实验。

3.1 系统设定

本系统语音采样频率为8kHz，量化位数为16bit，采集到的语音用PCM编码的wav格式文件保存。取帧长为30ms，帧移10ms，加海明窗。这里使用短时能量和过零率的端点检测方法，提取语音信号的有声段。

本系统特征参数提取采用从语音信号的有声段提取12维MFCC参数及其12维一阶差分MFCC参数并进行组合，作为说话人的特征参数。说话人码本的建立与识别采用减法聚类与改进的FCM聚类算法相结合的方法对每一个说话人的特征参数进行聚类分析，在Matlab模糊逻辑工具箱中，提供了subclust函数来完成减法聚类的功能，该函数的调用格式如下：

[C，S]=subclust（X，radii，XBounds，options）

其中X为输入数据，radii取为0.5，XBounds、options参数取缺省值。

3.2 仿真结果及分析

在实验中，语音数据是10名说话人相隔3个月在实验室的两组录音，每组录音中每个人录10次音，得到每个人的20次录音。对于每个人的录音，从两组中分别取出3次（共6次）录音进行训练，得到这个人语音的6个码本，其余14次录音用于识别测试。测试结果的总平均量化误差见表3.1，其中，第行数据代表第个人的语音分别用第1～10个人的码本进行模糊量化产生的总平均量化误差；从每行的最小值可以看出，每个人的语音用自己的码本进行模糊量化时产生的总平均量化误差最小，即可以代表正确的说话人。

表1 总平均量化误差表

图1 总平均量化误差对比

4 结束语

测试的结果表明：本方法的识别率较高，达到百分之九十以上。该方法以减法聚类的聚类中心作为改进的FCM聚类的初始聚类中心，避免了收敛结果陷入局部极小的问题，识别性能有了明显的改善，是一种行之有效的说话人识别方法。

参考文献：

[1]张军英.说话人识别的现代方法与技术[M].贵州:西北大学出版社,1994.

[2]何英，何强.扩展编程[M].北京:清华大学出版社,2002.

[3]杨彦、赵力.一种改进的模糊C-均值聚类算法在说话人识别中的应用[J].电声技术,2006.01.

[4]LiH. Fuzzy clustering method based on perturbation.Fuzzy Sets and Systems[J] ,1989,33:291-302.

模糊综合评价的一种神经网络方法篇4

模糊数学就是利用用数学方法来处理模糊性现象的一门学科，模糊性主要指的是事物的不确定性，这种模糊性从根本上来说是由于客观事物在差异之间存在着不确定性，

模糊数学是一门新兴的数学学科，理论体系非常严格，在具体的事务分析中常常用模糊数学的方法来解决许多不确定的问题。

ERP实施绩效与模糊综合评价篇5

ERP实施绩效与模糊综合评价

ERP项目实施绩效评价是在项目完成的基础上进行的对项目的目的、效益、影响和执行等情况进行全面而又系统的.分析与评价,有助于改进投资效益,提高宏观决策和管理的水平.对构建实施绩效的评价体系框架进行了探讨,并提出运用模糊综合评价方法来对实施绩效从定量和定性两方面进行评价.

作者：张东云作者单位：长春税务学院,吉林,130021 刊名：乡镇经济 PKU英文刊名：RURAL ECONOMY 年，卷(期)： “”(5) 分类号：F2 关键词：ERP 绩效评价模糊综合评价

模糊综合评价的一种神经网络方法篇6

摘要：基于1985～青岛海洋倾倒区水质监测资料,应用环境质量分级与评价的模糊综合-加权平均复合模型对青岛倾倒区海水水质现状及1985～20各年度海水水质进行了综合评价,并在此基础上分析了18 a间的海水水质变化趋势.结果表明:20世纪90年代由于受倾倒的疏浚物中污染物影响,海水水质较差,均为Ⅱ级水质,后海水水质一直维持良好,均为Ⅰ级水质.历年水质优劣顺序为:》》1985>1991年.作者：郑琳崔文林贾永刚 ZHENG Lin CUI Wen-lin JIA Yong-gang 作者单位：郑琳,ZHENG Lin(中国海洋大学,环境科学与工程学院,山东,青岛,266003;国家海洋局北海监测中心,山东,青岛,266003)

崔文林,CUI Wen-lin(国家海洋局北海监测中心,山东,青岛,266003)

贾永刚,JIA Yong-gang(中国海洋大学,环境科学与工程学院,山东,青岛,266003)

模糊综合评价的一种神经网络方法篇7

1 模糊PID算法分析

模糊PID是将系统误差e以及误差变化率作为控制器的输入, 经过模糊化、模糊推理、清晰化得到控制器的输出ΔKP、ΔKI、ΔKD, 将控制器的输出与PID初始参数相加, 得到PID的参数值。

由于模糊PID算法涉及到模糊推理, 模糊推理的计算量非常大, 模糊推理法对软件的计算能力, 以及实现程序的编写提出了很高的要求。为保证控制系统实时性, 在进行模糊PID的软件设计时, 最好通过专业化的计算工具, 提前将全部参数调整值计算出来, 在控制系统实际运行时, 通过查表程序获得调整值。

2 模糊控制查询表的MATLAB计算

在MATLAB中建立一个两输入三输出的模糊控制模型, 并选择Mamdani模糊推理算法。在MATLAB中对模糊控制模型的设置, 如图1所示。设定隶属度函数、输入输出基本论域, 如图2所示。

设计模糊PID控制器的关键是根据语言控制规则进行模糊推理[3], 在MATLAB规则编辑器中根据所设计的模糊控制规则, 输入模糊控制规则编辑器中。模糊控制规则编辑器, 如图3所示。

通过规则观察器可得到不同输入值对应的输出值, 如图4所示。

由上图可知, 当油压实际偏差值为3, 偏差变化率为2时, ΔKP模糊推理输出为-4, ΔKI输出为+3, ΔKD输出为+2, 通过上述方法可获得ΔKP、ΔKI、ΔKD的模糊控制查询表。

3 模糊PID的PLC程序设计

通过PLC进行模糊PID控制, 需将上述MATLAB计算的模糊控制查询表存储到PLC的数据模块中, 通过在STEP7中编写查表程序, 下载到PLC中实现模糊PID控制。在将模糊控制查询表存入DB模块时, 因地址不能为负, 所以需对模糊控制查询表中的e、的量化等级加n, 将[-n n]的论域转化为[0 2n]。

将MATLAB离线计算出的查询表写入PLC数据块中, 如图5所示。

通过分析可知当偏差ec量化等级为E, 偏差变化率的量化等级为EC时, 模糊推理输出值在DB1中的序号为 (E+n) 13+ (EC+6) 。因为模糊控制查询表中的数据为浮点数, 所以其在DB1中的每个数据占用4个字节的地址, 又因为基址为0, 通过上述分析可知模糊控制输出数据在DB1中的实际地址可用如下公式表示:

Address=[ (E+6) 13+ (EC+6) ]4

至此, 明确了偏差量化等级、偏差变化率量化等级与模糊推理输出值在数据块中的存储地址之间的关系, 也就明确了查表程序的设计思路。首先, 将采集到的偏差、偏差变化率乘以量化因子, 四舍五入得到量化等级。其次, 按式3-1计算得到三个模糊控制器输出参数在DB数据块中的存储地址。再次, 使用存储器间接寻址的方式, 获得三个参数的模糊推理输出值。最后, 将模糊推理输出值乘以比例因子, 得到PID参数的实际修正值。

4 结语

文章针对模糊PID算法计算量大的特点, 给出了通过MATLAB离线求出模糊控制输出表的方法, 并根据PLC的编程特点给出编写查表语句的方法, 具有一定的现实意义。

参考文献

[1]士勇, 承光.模糊控制和智能控制理论与应用[M].哈尔滨:哈尔滨工业大学出版社, 1991.

[2]胡包钢, 应浩.模糊PID控制技术研究发展回顾及其面临的若干重要问题[J].自动化学报, 2001, 27 (4) :567-584.

模糊综合评价的一种神经网络方法篇8

变电建设项目模糊综合评价体系设计的研究

运用模糊综合评价方法对电力企业变电建设项目进行科学评价,构建基于模糊理论的多级综合测评模型,为电力企业变电建设项目提供快捷可行的评价方法和指导依据.

作者：黄浩姜学文霍红刚 HUANG Hao JIANG Xue-weng HUO Hong-gang 作者单位：湖北鄂州供电公司,湖北,鄂州,436000刊名：湖北电力英文刊名：HUBEI ELECTRIC POWER年，卷(期)：31(2)分类号：N955 F224关键词：变电建设项目指标体系模糊综合评价

模糊综合评价的一种神经网络方法篇9

随着Internet应用的普及,互联网已成为一个巨大的分布式信息源,如何在这些海量、非结构化的WEB信息资源中准确搜索和发现用户所需要的专业信息,已成为互联网信息搜索领域的一个重要课题[1]。目前,研究的热点大都集中在基于关键词的WEB文本信息的自动搜索,从相关的网站中按关键字提取有关的页面信息,下载到本地服务器数据库中,然后按关键词将文本提交给用户,但这样往往会给用户提供许多不相关的信息。如果将搜索到的信息进行专题分类处理后再提交给用户,将会大大提高文献检索的准确性[2]。同时,在专题分类中,如果直接采用若干关键词来描述一个文本的语义信息,而对每个关键词在该专题关键词集合中的重要性不加区别,将难以保证专题信息的分类精度。因为在实际问题中,语言和文字是人类描述客观世界的主要工具,其中包含着很多模糊性,尽管都是关键词,但它们在描述文本的语义中所起的作用是不一样的。因此,采用模糊方法进行文本信息的分类和处理将更接近于人类的逻辑思维。

基于以上原因,现提出了一种基于模糊分类网络的信息智能分类和挖掘方法。首先根据已有的大量文本的语义和类别信息,抽取出模糊关键词集合;以此为基础,构造模糊分类网络的训练样本集,然后采用学习机制,对模糊分类网络的连接权进行自适应修正,使文本的分类结果越来越准确。模糊分类网络中的权值也在应用中不断动态修改,使之不断完善。

1模糊分类网络

1.1模糊分类方法

一类信息文本区别于另一类信息文本一般而言是它们在特征和语义上有所区别。所谓分类问题就是采用某种方法或算法将一些特征上类似的文本归并在一起,形成文本集合的若干个子集,每个子集的元素具有类似的特征和语义。由于实际文本分类中往往不能精确地按照特征指标确定某个文本属于某个类(例如两个具有相同关键词的文本,特别是关键词较少时,其内容可能有很大差别),而只能给出某个文本对象属于某个专题信息类的可能性有多大,即模糊分类问题。检索问题可认为是分类的反问题,即根据一组特征的描述(称为检索条件)在一个文本集合中找出所有满足检索条件的元素[3]。

设C={c1,c2,…,cn}是由n个特征组成的论域,则一个对象或对象类可用定义在特征论域C上的一个模糊集来描述:O={μ1/c1,μ2/c2,…,μn/cn},语义上可表示对象O具有特征cn的隶属度是μn。其中μn是[0,1]区间的一个实数或表示程度的语言值。同样,任一对象类也可用C上的模糊集描述。设OL1,OL2,…,OLm是m个已知的对象类,O是一个被分类的对象,分别用模糊集F1,F2,……,Fm和F来描述。于是,一个模糊分类问题可用下列步骤实现:

(1)分别计算模糊集F和模糊集F1,F2,…,Fm之间的语义距离或语义关联度:SD(F,F1),SD(F,F2),…,SD(F,Fm);

(2)找出这些语义距离中的最小者或语义关联度的最大者,设为SD(F,Fk);

(3)若对象O与OLk的语义关系最密切,因此可判定O属于OLk。

1.2模糊分类网络模型

一个对象或对象类可用定义在特征集合{c1,c2,…,cn}为论域的模糊集来描述。设一个对象类OLk的特征用下列模糊集表示:OLk={wk1/c1,wk2/c2,…,wkP/cn},语义上可解释为特征cn与对象类OLk相关的程度为wkp。如果把“属于某个类”也视为某种特征,则一个分类问题可被解释为一个“加权模糊推理”问题,即如果已知命题“对象O具有特征cn”的真度是μn,以及特征cn与对象类OLk相关的程度(或特征cn对于对象类OLk的相对权重)为wkp(p=1,2,…,P),则命题“对象O属于类OLk”与命题“对象O具有特征cn,p=1,2,…,P”之间的关系可用一个加权模糊逻辑公式来表示:

式(1)中,CFk表示该加权模糊逻辑蕴含公式的可信度或真度[4]。

根据加权模糊逻辑,推理的结论是:

式(2)中T(p)表示命题P的真度,算子“”和“⊙”可为实数乘法、求极小运算或根据实际情况设计的其他交型运算。这样从“对象具有某些具体特征的程度”推出了“该对象具有更抽象的特征(属于某抽象类的特征)的程度”。上述分类过程可用图1所示的模糊分类网络来表示。

1.3 模糊分类器的设计

基于图1所示,模糊分类器的设计主要包括以下步骤。

1.3.1 分类文本关键词的抽取

页面分类文档特征关键词的抽取包括两个方面,一是关键词在属于某个专题类的文档中是否出现,二是该词在这类文档中出现的频率。这一过程可通过建立关键词分类词典、同义(近义)词词典,经切词、网页文档扫描统计来实现。

1.3.2 确定关键词专题分类的隶属度

在所提取出的关键词集合中,由于各个关键词对描述该文本的语义所起的作用不同,因此可用其相应的隶属度来表示。即确定每个关键词对各类专题相应的隶属度,用以表示其对该文本的重要性和代表性等含义。可通过统计分析或学习方法确定每个关键词在不同专题中的隶属度,从而构成模糊关键词集合。

1.3.3 确定分类特征指标与专题类别的关联度

采用学习机制,用梯度下降法训练调整模糊分类网络的参数。极小化误差函数为

$E = \frac{1}{2} ∥ D - Y ∥^{2}$ (3)

式(3)中,Y是模糊分类网络的实际输出向量,D为期望输出向量。

学习规则为:

$w_{i j} (t + 1) = w_{i j} (t) - η \frac{\partial E}{\partial w_{i j}} + α Δ w_{i j} (t) (4)$

Δwij(t)=wij(t)-wij(t-1) (5)

式中,η为学习速度;α为惯性系数。

2 实验及结果分析

以中国石油网油气管道信息分类为例进行实验。将油气管道信息分为管道新技术信息、行业政策法规信息和经济信息三类。以2010年中国石油网发布的1152条油气管道信息按分类构成已知分类集合,通过切词、统计分析处理后确定关键词[5],词条个数为383个,构成关键词集合。按照所述的方法确定各分类指标对于三个专题类的隶属度矩阵。以已知的油气管道信息分类集合训练模糊分类网络,建立模糊分类器。对中国石油网2011年第一季度发布的235条油气管道信息进行专题分类测试,正确率为90.1%,取得了较好的分类结果。

3 结束语

提出了一种基于模糊分类网络的信息分类方法,可结合各关键词在专题信息分类中的重要程度,较好地表达基于模糊关键词集合分类过程中的文本语义。在实际应用中,可预先针对不同的专题领域按上述方法建立相应的模糊分类网络,权值修改既可人工进行,也可采用类似人工神经元网络中的学习机制,以一组样本来自动学习修正。该方法也同样适合于其他模式识别之类问题的解决。

参考文献

[1]朱明.数据挖掘.中国科学技术大学出版社,2002:11—18

[2]龚月瑛.Web信息挖掘现状及应用前景.科技情报开发与经济,2007;17(20):58—60

[3]徐险峰.基于Web的网络信息数据挖掘技术.情报技术,2005;24(3):167—169

[4]阳爱民.模糊分类模型及其集成方法.科学出版社,2008:202—214

模糊综合评价的一种神经网络方法篇10

选择一家合适的第三方物流企业是十分有利于企业或个人的发展的。目前,由于现有的第三方物流供应商选择方法存在许多不足之处,如主观判断影响过大、忽视不确定因素影响等等。所以,创建科学合理的选择模型对于充分发挥第三方物流的各种优势和协调企业和第三方物流供应商之间建立长期合作关系,具有十分重要的意义。

关于第三方物流绩效评价指标体系研究中,Chaibo,UQuansh eng对国际企业管理过程中的管理信息化进行评估,利用层次分析法对企业管理信息化水平综合评价。Aguezzoul,Aich Ei提出了一种针对评价问题中的多标准决策方法。关于第三方物流企业客户满意度评价研究,孙莉莉,王应首先设计了第三方物流供应商的评价指标体系,分析了公司排序和最优公司保持不变的权重范围为企业选择第三方物流供应商提供了理论依据。

二、评价指标的构建

根据张炳轩、赵小惠等、Stephen M Rutner的想法,本文将提出具体的第三方物流供应商运营效果评价指标体系,从多方面来描述企业对物流供应商作业效果的指标:作业完成率指标、运输成本率指标、仓储成本率指标、运输时间指标、历史顾客满意度指标、信誉度指标。

评价指标中,设u1是作业完成率,主要是指企业或个人交给第三方物流公司的作业的完成程度,该指标越大越好;u2为运输成本指标,是在运输过程中所产生的一切费用,该指标越小越好;u3为仓储成本指标,指在仓储过程中所产生的成本大小,该指标越小越好;u4为运输时间指标,主要表示企业或个人交给第三方物流公司物件从开始到结束的时间,该指标越小越好;u5是历史顾客满意程度指标,查看顾客是否满意于以前的订单;u6主要是指信誉度指标,表示公司的诚信度大小,用五级标度来衡量,5代表非常诚信,1代表一般诚信。

三、模糊综合评价方法

模糊综合评价就是以模糊数学为基础,应用模糊关系合成原理,将一些边界不清楚、不易定量化的因素定量化,从多个因素对被评价事物隶属等级状况进行综合性评价的一种方法。评价模型总体的建立步骤如下:

第一,确定评价因素集合。

取因素集U={U1,U2,……,Um},表示企业共有m个指标因素需要评价。

第二,建立评语集集合。

本文对公司的评语为V={V1,V2,V3,V4,V5}={很好,比较好,一般,较差,很差}。

第三,确定企业评价的隶属矩阵。

对确定的指标集U的各项指标给予0-5之间的某个评价。

按照上述评价准则对公司进行衡量对比,分别给出相应的评价值。n种公司的评价值矩阵为:

第四,模糊综合评价。

确定了权重集和单因素评价矩阵,便可作模糊变换来进行综合评价,模糊综合评价矩阵的计算如下式所示:

式中,·表示某种合成算子。

最后,基于评价矩阵B,按最大隶属度原则对公司进行评价。

四、基于模糊综合评价方法的综合评价

根据现实生活中的基本参数值如表1所示。

本文建立供应商运营效果评价体系的指标,首先将极小型指标转化为极大型指标。然后采用标准化处理方法将评价指标无量纲化,随后利用集值迭代法确定指标权重。邀请16位专家对3个第三方物流公司指标进行选择,其中,16位专家分别用标号1,2,…,16。确定三大第三方物流企业的权重然后计算6种指标的占比,从而确定其权重如下:

按模糊综合评价模型对3大物流公司进行评价,计算出3大物流公司的评判结果如下:

具体评价结果如表2所示:

由上述结果可以看出,3大物流公司中,(1)的评价值最高,为3.39,评语为比较好;其次是(2)和(3),其评价值分别为2.83和2.1,评语为一般,公司3较公司2好。

五、结论

根据上述评价结果得出如下结论:模糊综合评价充分考虑了不同专家的主观因素,通过得出评价值矩阵,再根据权重得出综合评价值,排出公司的优劣顺序。第三方物流选择问题一直是企业业务外包成败的关键环节,本文提供的方法可以有效的选择第三方物流企业,进而使得双方有效合作,为企业提供了现实的评价方法。

摘要：对于个人和企业来说,选择一家合适的第三方物流公司是十分必要的。由于现有的第三方物流供应商选择方法存在许多不足之处,所以研究第三方物流供应商的选择方法对于协调企业和第三方物流供应商之间的关系具有十分重要的理论和现实意义。本文将针对如何选用第三方物流供应商的问题展开深入研究,运用了模糊综合评价方法对进行了分析,通过评价指标体系的建立和选择模型的构造来为企业评价选择恰当的第三方物流供应商。

关键词：物流行业,供应商选择,模糊综合评价方法

参考文献

[1]Chaibo,Li Quansheng.Research on the Performance Evaluation Index Systemin Third party Logistics[C].//2011 International Conference on E.Business and E.Government,[v.3.B].2011:25342538.

[2]Aguezzoul,Aicha.Multi.criteria decision making methods for Third party Logistics evaluation[C].//2010 Second International Conference on Engineering Systems Management and its Applications.2010:126.

[4]孙莉莉,王应明.基于CCSD模型的第三方物流供应商的评价与选择[J].物流技术,2011,30(9):117?120.D0I:10.3969/j.issn.1005.152X.2011.09.035.

[5]吴勇.建立综合管理体系进行一体化认证[J].油气田地面工程,2003,22(7):10.

[6]李水生.综合管理体系实施的思考和探讨[J].管理观察,2008:108-109.

[7]王堃.“过程方法”的解读和弥补[J].中国质量认证,2005(3):41-43.

[8]肖燕.修造船业务流程控制与管理体系建设的研究[D].华南理工大学,2012:8.

[9]张梅,魏和平等.质量管理体系应用的过程方法[J].莱钢科技,2002(5):70-71.

模糊综合评价的一种神经网络方法篇11

关键词：学生评价,模糊数学,学生综合评价

模糊数学是由美国加利福尼亚大学控制论专家扎德教授于1965年开创的, 1976年传入我国。其出发点就是运用数学的手段去研究模糊的现象, 分析各种不确定现象中的规律, 将模糊的等级划分转换为具体的数值, 从而得出更为精确化的结论。本文试图通过引入模糊数学的理论, 建立模糊学生综合评价模型, 以期找出一种更为全面、更为科学的学生考评方法来帮助学生正确全面地认识自己, 同时在未来道路的选择上更加地笃定。

一、学生综合评价的模糊模型

(一) 模型假设

模糊学生综合评价模型是一种结合评价对象的多种因素对对象进行打分式的评价。本模型基于以下假设:

1.评价对象为有相同评价因素对象集中的单一个体。

2.评价对象的评价因素权重不能均相同。

本模型应用于学生评价, 评价对象为单个学生。

(二) 模型的建立

1.建立模糊矩阵。在本模型中, 评价对象有n个评价因素, 建立评价因素集:U={u1, u2, …, un-1, un}

评价对象的每个评价因素划分出m个评价等级, 建立评价集:V={v1, v2, …, vm-1, vm}

对一个评价因素ui进行评价划分, 得到因素ui的各个评价等级的比重, 构成集合V的一个模糊子集:

Ri={ri1, ri2, …, ri (m-1) , rim}

对所有因素进行上述划分, 得到模糊矩阵:

2.建立权重矩阵。在本模型中, 将用到因素集的权重向量:, 还将使用模糊数学理论中的试探法科学地确定权重。所谓试探法就是指正问题的反演问题, 例如, 综合评价的正问题是就是结果向量。那么, 设存在若干权重方案集, 通过逐一试探从中得出一种最佳的权重分配所获得的综合评判有最大的贴近度, 即为所求的权值向量。本文将使用欧式贴近度算法计算贴近度。为了使得出的权重信度值更高, 可随机选取多名学生进行计算, 最后用最小二乘法选取最优的结果以减小误差。

二、学生综合评价的模糊模型的实践举例

以某中学学生杨某的评价为例。建立3个评价因素U={思想品德, 学业成就, 身体素质};划分评判集V={优, 良, 中, 差}。

(一) 实例的操作说明

1.本文所阐述的方法, 是基于学生的各个评价因素的数据是已经确定的, 重点是说明在掌握学生现有的各类成绩的基础上, 如何将这些数据加以分析进而得到学生的综合分数。因此, 关于评价因素的数据收集及统计在本文中将不做赘述。文章所给出的数据只是为了演示综合评价的应用过程。

2.关于评价对象的评价因素可以根据学校或教师在实际中的需求设定多种因素。本文仅是以思想品德、学业成就、身体素质为例, 操作中还可加入学生的自评、创新能力等。

3.关于权重系数的确定也应依旧所评价的重点进行设定, 如需要评价学术型人才, 则可适当提高学业因素的权重。

(二) 矩阵的建立

在建立模糊矩阵时, 需要对每一项因素进行评判, 其中学业成绩比较容易评判, 可以收集一学期该学生平时测验或作业中的成绩分布, 得到该学生本学期的“学业成就”评判划分;“思想品德”可以通过学生间小组投票及教师评价的方式获得评判等级划分;“身体素质”可以通过体育课成绩以及体检情况给出划分。通过上述方法得到杨某的评判表, 见下表1。

通过表1获得评价模糊矩阵:

(三) 权重的建立

从某中学随机选取另外一名学生, 请多位专家、该生班主任及其任课教师, 分别对该生进行整体的评价, 将评价结果的数据取平均值为, 同时根据该生在校期间的思想品德、学业成就以及身体素质的成绩记录情况得到该生的评价模糊矩阵:

若已存在三种权重分配方案 (方案是由专家根据经验给出的, 这个方法就是在众多的方案中选取一个最优的权重方案) , 即从这三个权重向量中, 找到最接近的权重向量 (如在实际操作中, 可给出若干种方案, 从而获得最优的权重) :

分别对进行模糊变换, 得出:

由上面三个数据可以看出, 最贴近, 所以在这三个权重向量中, 我们选取作为权重分配方案。为减少权重计算的误差, 建议随机选取多所学校的多名学生, 依照上述方法多次取值计算。最后, 对结果进行赋值, “优”为95分, “良”为85分, “中”为75分, “差”为60分。通过计算得到综合评价分为82.65。

用上述方法可以得出评价对象集中的每一个对象的一个综合评分, 教师既能了解到个别学生的综合素质, 也能看出学生群体的整体素养。如果学生整体的分数都在80分以上, 就说明该整体的学生在德智体等方面都发展得很好;反之, 如果一个班级, 学生的学习成绩普遍很高, 但是综合分数都较低, 就说明学生发展得不均衡, 需要在薄弱的项目上给予学生指导。同时学生也能看到自己的优势与劣势以弥补不足, 将评价的各个指标都通过表格体现出来, 学生就可以看到各个因素的横向比较, 而不是只关注自己的学业成绩。

三、结论

我国教育在进行学生成绩以外的其他评价的过程中, 常常会由于其不确定性而给出等级式的划分或言语的描述。其弊端就是学生面对这些粗略的评价, 很难正确衡量自己的成长与进步, 教师也很难对学生有直观全面的综合性的认识。通过引用模糊数学理论, 就能实现学生的各方面情况由精确到模糊, 再由模糊到精确的螺旋式前进, 符合自然辩证法中否定之否定的原理。并且, 还可以通过计算机编程对每一个评价对象的评价信息进行量化, 并比较各自的量化结果, 便可得到排序。比一般的统计方法更为简便, 操作性更强。同时, 这种评价方式大大弥补了只看成绩而忽略其他的早期传统评价的弊病, 真正将多元化评价落到实处, 为学生提供可靠的向导, 为教师提供有效的反馈, 促进学生在其原有的基础上能全面、和谐、可持续地发展。

参考文献

[1]吴士力.通俗模糊数学与程序设计[M].北京:中国水利水电出版社, 2008.

[2]李鸿吉.模糊数学基础及实用算法[M].北京:科学出版社, 2005.

[3]谢春风, 时俊卿.新课程下的教育研究方法与策略[M].北京:首都师范大学出版社, 2004.

【模糊综合评价的一种神经网络方法】推荐阅读：

模糊控制技术在污水处理曝气系统的应用07-16

模糊法及其在大学数学教学中的应用论文09-06