企业信息化过程中评价指标的算法研究.docVIP

企业信息化过程中评价指标的算法研究 1研究现状 1.1 研究的主要内容 指标分为正指标，负指标和区间型指标三种。例如成本型指标是越小越好，所以是负指标；效益型指标越大越好，称它为正指标。 三元整合算法 三元整合算法将AHP、灰色关联、模糊评价的成功之处作为三个元素加以综合集成。 三元整合算法的思路： 首先拟定出项目的综合评价指标体系，建立评价指标递阶层次结构；计算指标体系底层元素的组合权重；给出评价指标评估值矩阵；运用灰色系统理论评估会累；计算灰色评估书，得出灰色评估权向量和权矩阵；取得专家评判数据，一句模糊数学理论形成评判矩阵；进行模糊运算，得出综合评价结果。 三元整合算法的步奏： 确定评价指标集。 指标优化处理。 确定加权子集。 采用层次分析法构造比较判断权重矩阵。 请专家根据各指标的相对重要性，对照表所列出的标度得出相应数值，按1-9标度进行打分，并将比较结果填入权重调查表。对点查表进行处理后，得到判断矩阵毛病在此基础上运用层次分析法求得指标权重。得到O三上的模糊加权子集： 确定评价量样本矩阵。 确定评价指标Oi的评分标准，将评价指标的优劣程度划分为不同的等级，然后给各等级赋值。设有r为专家参加评价： 第L位专家对第i个指标Oi的评价量样本记为，这样将全部专家对所评价的信息化企业建设水平的评价数据构成样本矩阵： 确定评估灰类。 计算灰色统计数。 由确定会输的百花函数，求出属于第j类评价标准的权fj，据此求出评判矩阵的灰色统计数和灰色总统计数 计算灰色评估权值及模糊权矩阵。 构成矩阵R 算出模糊综合评判矩阵。 B=W.R 三元算法存在的弊端： 在数据量很大，指标很多的时候，专家打分就有他的局限性。并且如果现实条件不允许，我们只能够采用一些客观方法进行数据分析。 机器学习：多元线性回归和聚类分析算法 第一级指标确认采用多元线性回归。 解决上述问题最简单的想法为：把 y=f*(x)限定在一个相对简单的函数类中， 从中寻找尽可能满足式下图的 f*(x)。 实际上经常使用的线性回归方法，就是限定 f(x)为线性函数，即 f(x)=ax+b， 从中寻找出最大程度满 f*(x)=a*x+b*。通常用来度量y=f(x)=ax+b 偏离 yi=f(xi)的程度。偏离程度越小，说明满足程度就越高。因此为： 多元线性货柜模型 这里我们在做回归的时候是要确定第一层的指标所占的比例，所以应该用以下方程 确定一级指标的权重。 第二级指标的确立采用聚类分析 聚类分析是指根据某种相似性准则，将样本数据划分成多个类或组的过程，使得同组样本之间具有较高相似性，而不同组样本之间具有较大差异性。它的形式化定义如下：给定由 n 个样本数据组成的数据集 T = (O, F, C)，聚类分析算法就是从样本数据 O 到 k 个不同组或类别 C 的映射 h: O→C，即将样本数据 O 分成 k 个不同的组，其中每个组称为一个类。与数据分类不同的是，聚类分析的类别标签是事先未知的，因而它也称为非监督学习。 聚类分析算法大致可分为五大类：层次方法、划分方法、密度方法、模型方法和网格方法，其中层次聚类分析因以简单、直观明了的方式组织样本数据而成为聚类方法中最重要的一种方法。 层次聚类分析法是将样本数据的组或类根据层次结构方式进行分解或合并，直到终止条件满足为止。它包括层次合并（或自底向上）和分裂（自顶向下）这两种实现方式。合并式层次聚类首先将由 n 个样本组成的数据集 T = (O, F, C)分成 n 个不同的组，其中每组只包含一个样本，然后选择其中 2 个距离最近或最相似的组合并成一个新的组，并删除这 2 个组，从而得到 n-1 个组。随后以相同方式继续合并，得到 n-2个组。这样一直循环进行下去，直到所有样本都合并到同一组时，算法结束。 算法步奏：算法首先随机地选择一级指标的k个对象，每个对象初始地代表了一个簇的平均值或中心。对剩余的每个对象根据其与各个簇中心的距离，将它赋给最近的簇。然后重新计算每个簇的平均值。这个过程不断重复，直到准则函数收敛。 熵权法 熵（Entropy）这个概念来自于统计热力学，它表达一个系统混乱的程度，其中系统越混乱，其熵值就越高；反之，若系统越是有序，那么所对应的熵值也就越低。信息理论中，熵通常也称作信息熵或 Shannon 熵，它主要采用数值形式表达随机变量取值的不确定性程度，目的是刻划信息含量的多少。假定 X 是一个随机变量，p(x)表示变量 X 取值为 x 的概率，那么它的不确定性程度可以表示为信息熵 H(X)形式，其中： 由定义可知，信息熵 H(X)只与变量 X 的概率分布有关，而与其具体取值无关。这在某种程度上说明信息熵有效地避免噪声数据的干扰。注意到，如果随机变量 X的不确定性的程度越高，即概