【導(dǎo)讀】評(píng)估指標(biāo)的主成分分析處理—構(gòu)建評(píng)估系統(tǒng)的“綜合”指標(biāo)。旨在針對(duì)國(guó)防科技重點(diǎn)實(shí)驗(yàn)室的特點(diǎn)，構(gòu)建適用于此特定對(duì)象的評(píng)估體系，以定性評(píng)估和定量評(píng)估相結(jié)合的手段，研究完整的適合于航天系統(tǒng)內(nèi)科研院所，基于AHP-PCA-BP神經(jīng)網(wǎng)絡(luò)的綜合評(píng)估模型。層中的相應(yīng)元素，形成一個(gè)遞階層，同一層中各元素相互獨(dú)立。最上層為“目標(biāo)”，最底層為“指標(biāo)”。

　　

【正文】 的絕對(duì)值。按要求將評(píng)估對(duì)象分為四類，在進(jìn)行上述聚類過(guò)程時(shí)，當(dāng)類別達(dá)到四個(gè)時(shí)即可停止。設(shè)分別為 1 2 3 4, , ,C C C C ，所含評(píng)估對(duì)象的數(shù)量分別為 1 2 3 4, , ,n n n n ，計(jì)算各類的平均分 ijijC isSn??? 按平均分降序排列，類別依次為優(yōu)秀、合格、基本合格和不合格。 AHPPCABP 神經(jīng)網(wǎng)絡(luò) 綜合評(píng)估模型計(jì)算流程 基于 AHPPCABP 神經(jīng)網(wǎng)絡(luò)的綜合評(píng)估模型的評(píng)估過(guò)程分為兩部分：神經(jīng)網(wǎng)絡(luò)的建立和學(xué)習(xí)，神經(jīng)網(wǎng)絡(luò)的使用。 1． 神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)階段 （ 1） 邀請(qǐng)?jiān)u估指標(biāo)領(lǐng)域內(nèi)專家完成指標(biāo)重要性評(píng)判，并通過(guò) AHP 法確定各評(píng)估指標(biāo)的權(quán)重 。 （ 2） 采集所有各實(shí)驗(yàn)室的 評(píng)估數(shù)據(jù)作為樣本， 使用 AHP 法確定的權(quán)重 計(jì)算數(shù)據(jù)樣本的專家 評(píng)估 結(jié)果。 （ 3） 對(duì)樣本數(shù)據(jù)做主成分分析，形成新的綜合指標(biāo)。 （ 4） 計(jì)算原指標(biāo)到綜合指標(biāo)的變 換矩陣，計(jì)算各指標(biāo)的權(quán)重和基于主成分分析賦權(quán)的客觀評(píng)價(jià)結(jié)果。 （ 5） 確定客觀評(píng)價(jià)結(jié)果和主觀評(píng)價(jià)結(jié)果的權(quán)重關(guān)系，計(jì)算期望輸出。 18 （ 6） 構(gòu)建 BP 神經(jīng)網(wǎng)絡(luò)，網(wǎng)絡(luò)的輸入為經(jīng)過(guò) PCA 處理后的綜合指標(biāo)，訓(xùn)練神經(jīng)網(wǎng)絡(luò)，使網(wǎng)絡(luò)達(dá)到預(yù)設(shè)精度。 2． 神經(jīng)網(wǎng)絡(luò)使用階段 （ 1） 評(píng)估數(shù)據(jù)通過(guò)訓(xùn)練階段的變換矩陣得到“綜合指標(biāo)”下的新的評(píng)估數(shù)據(jù)。 （ 2） 將上述數(shù)據(jù)作為神經(jīng)網(wǎng)絡(luò)的輸入，計(jì)算綜合評(píng)估結(jié)果。 （ 3） 對(duì)評(píng)估結(jié)果做聚類分析，確定各評(píng)估對(duì)象的分類。 5 基于 AHPPCABP 神經(jīng)網(wǎng)絡(luò)評(píng)估模型的評(píng)估實(shí)例 以某年度的重點(diǎn)實(shí)驗(yàn)室的評(píng)估數(shù)據(jù)為例，應(yīng)用 AHPPCABP 神經(jīng)網(wǎng) 絡(luò)綜合評(píng)估方法進(jìn)行綜合評(píng)估計(jì)算。國(guó)家重點(diǎn)實(shí)驗(yàn)室共有 15 個(gè)評(píng)價(jià)指標(biāo)， 取 14 個(gè)實(shí)驗(yàn)室的評(píng)估數(shù)據(jù) 。經(jīng)過(guò)歸一化處理的實(shí)驗(yàn)室數(shù)據(jù)如表 7： 表 6 2020年度國(guó)家重點(diǎn)實(shí)驗(yàn)室評(píng)價(jià)數(shù)據(jù) A B C D E F G H I J K L M N I1 I2 I3 I4 I5 I6 I7 I8 I9 I10 I11 I12 I13 I14 I15 表的每列代表一個(gè)實(shí)驗(yàn)室的各指標(biāo)的得分，實(shí)驗(yàn)室的名字以 A， B，?， N 代號(hào)19 表示，指標(biāo)名以 I1， I2，?， I15 代號(hào)代替。 由于暫時(shí)沒(méi)有評(píng)估專家，因此 AHP法 暫不可用，選取現(xiàn)行的評(píng)估指標(biāo)權(quán)重 得主觀定權(quán)法得到各指標(biāo)的 權(quán)重如表 8： 表 7 主觀 賦權(quán) 法確定的各指標(biāo)的權(quán)重 I1 I2 I3 I4 I5 I6 I7 I8 權(quán)重 I9 I10 I11 I12 I13 I14 I15 權(quán)重 計(jì)算該權(quán)重下各參評(píng)實(shí)驗(yàn)室的評(píng)估 得分，數(shù)據(jù)如表 9： 表 8主觀賦權(quán) 法各實(shí)驗(yàn)室 評(píng)估 得分 A B C D E F G 得分 H I J K L M N 得分 用 PCA 處理實(shí)驗(yàn)室數(shù)據(jù)，主成分的個(gè)數(shù)的選取 85%的能量，則只需要前 5 個(gè)主成分即可反映原數(shù)據(jù)的 85%的變異信息。各實(shí)驗(yàn)室的主成分得分如表 10 表 9 各實(shí)驗(yàn)室主成分得分 A B C D E F G C1 C2 C3 C4 C5 H I J K L M N C1 C2 C3 C4 C5 20 各主成分的權(quán)重如表 11： 表 10 各主成分的權(quán) 重 C1 C2 C3 C4 C5 權(quán)重 PCA 法計(jì)算得到的各參評(píng)實(shí)驗(yàn)室的評(píng)價(jià)得分，數(shù)據(jù)如表 12： 表 11 PCA 法各實(shí)驗(yàn)室評(píng)價(jià)得分 A B C D E F G 得分 H I J K L M N 得分 取 主 觀 法相對(duì)于實(shí)際得分的權(quán)重 ? ，計(jì)算得出各實(shí)驗(yàn)室的得分?jǐn)?shù)據(jù)如表 13： 表 12 各實(shí)驗(yàn)室的實(shí)際得分 A B C D E F G 得分 H I J K L M N 得分 取實(shí)驗(yàn)室得分最大值 max，將各實(shí)驗(yàn)室的得分除以 max 以歸一化到 [0,1]。取前 7個(gè)實(shí)驗(yàn)室的評(píng)價(jià)結(jié)果作為網(wǎng)絡(luò)的訓(xùn)練樣本數(shù)據(jù)，后 7 個(gè)實(shí)驗(yàn)室作為測(cè)試樣本。構(gòu)造一個(gè)三層的前向型神經(jīng)網(wǎng)絡(luò)，輸入層節(jié)點(diǎn)數(shù)目為 5，隱層節(jié)點(diǎn)數(shù)目為 8，輸出層節(jié)點(diǎn)為 1，采用加動(dòng)量項(xiàng)的方法，動(dòng)量系數(shù)取 ，學(xué)習(xí)率取 ，以 MSE 小于 為目標(biāo)訓(xùn)練網(wǎng)絡(luò)。在訓(xùn)練了 5033 次后，網(wǎng)絡(luò)達(dá)到了要求的精度，如圖 3： 21 圖 8 網(wǎng)絡(luò)訓(xùn)練誤差 訓(xùn)練次數(shù)圖 以此網(wǎng)絡(luò)計(jì)算測(cè)試樣本的值，并于期望數(shù)據(jù)比較，測(cè)試樣本的均方差? 。 對(duì)實(shí)驗(yàn)室的評(píng)估結(jié)果進(jìn)行分類，得到 如 表 13 的分類結(jié)果： 表 13 評(píng)估結(jié)果的分類 A B C D E F G 類別 2 2 2 2 2 1 4 H I J K L M N 類別 2 2 2 3 3 2 2 計(jì)算各類內(nèi)的平均分如表 14： 表格 14 類別 1 2 3 4 平均分 則實(shí)驗(yàn)室的評(píng)級(jí)為表 15： 22 表格 15 A B C D E F G 類別 合格 合格 合格 合格 合 格 基本合格 不合格 H I J K L M N 類別 合格 合格 合格 優(yōu)秀 優(yōu)秀 合格 合格 6 小結(jié) 基于 AHPPCABP 神經(jīng)網(wǎng)絡(luò)的評(píng)估模型對(duì)原評(píng)估模型的二級(jí)指標(biāo)分檔問(wèn)題進(jìn)行了研究和修正，使得評(píng)估數(shù)據(jù)更能夠真實(shí)地反映出評(píng)估對(duì)象的真實(shí)成績(jī)。 對(duì)于專家的主觀賦權(quán)采用了更為科學(xué)嚴(yán)謹(jǐn)?shù)?AHP 法轉(zhuǎn)換專家對(duì)于主觀權(quán)重的客觀認(rèn)識(shí)到客觀數(shù)值。 采用 PCA 的客觀賦權(quán)方法，彌補(bǔ)了原有的專家主觀賦權(quán)的主觀性太強(qiáng)的不足，使得 評(píng)估 結(jié)果既能反映專家的經(jīng)驗(yàn)知識(shí)的主觀意見(jiàn)，又能反映評(píng)估對(duì)象數(shù)據(jù)本身的特點(diǎn)。通過(guò)評(píng)估數(shù)據(jù)的 PCA 處 理，將原有存在一定相關(guān)性的指標(biāo)簡(jiǎn)化為幾個(gè)相互獨(dú)立的“綜合”指標(biāo)，簡(jiǎn)化了指標(biāo)體系。創(chuàng)建人工神經(jīng)網(wǎng)絡(luò)，通過(guò)對(duì)樣本的訓(xùn)練使得網(wǎng)絡(luò)能夠“學(xué)習(xí)”到主客觀結(jié)合法得到的評(píng)估結(jié)果，在以后的評(píng)估工作中，只需要將評(píng)估數(shù)據(jù)輸入神經(jīng)網(wǎng)絡(luò)即可得出評(píng)估結(jié)果，簡(jiǎn)化了評(píng)估計(jì)算過(guò)程。 選取了 2020 年度部分參評(píng)實(shí)驗(yàn)室的評(píng)估數(shù)據(jù)驗(yàn)證AHPPCABP 神經(jīng)網(wǎng)絡(luò)的綜合評(píng)估模型，證明該模型確實(shí)行之有效，而且結(jié)果良好。 但是，值得注意的是，神經(jīng)網(wǎng)絡(luò)的訓(xùn)練需要大量的樣本支撐，因此需要數(shù)年的評(píng)估數(shù)據(jù)作為樣本，使得網(wǎng)絡(luò)的結(jié)果更精確。