论文部分内容阅读
当前,评价问题已拓展为针对动态变化评价指标体系的评价模型应用,如业绩评价、考核评价、安全评价、综合素质评价等,评价指标结构将根据需要动态设定,导致评价模型建立也随之动态变化,如输入输出节点、参数、结构的变化,特别是可能出现多变量评价需求的评价模型。如何建立在一定条件下,适合评价指标体系动态变化的评价模型,并保证评价的正确率?其关键问题,就是保证在不同评价指标体系的样本支持下,建立能收敛的模型。本文针对这个问题进行较深入的研究。本文首先针对动态选择的评价指标变量较多的评价模型建立问题,提出了以合理的序映射对原始样本中评价有序指标变量进行数值化或者重新数值化的方案;对动态指标下可能存在多指标变量建模难以收敛的问题,研究了评价结论有序的特点以及表现的特征,以相邻子集分解法组建RBF模块化神经网络;在保证动态指标评价模型具有一定正确率的基础上,进一步针对模块化网络模型输入参数较多的特点,建立模块化网络模型参数整体优化的多目标优化遗传算法,使动态指标体系下建立的多节点变量的评价模型具有较高的分类精确度。本文结合“食品安全主任知识素质安全评价”项目,研究了根据不同法规的考核结果作为评价指标的模型建立。在20部法律法规三个级别(初级Ⅰ、初级Ⅱ、中级)的不确定内容考核中,评价模型是基于动态评价指标体系建立的。本文以“食品安全主任知识素质评价体系”的非数值化表示的原始考核结果为实例,在基于matlab辅助的遗传优化神经网络参数下,以C#设计实现了序映射的RBF模块化神经网络模型,对初级I、初级II、中级考生原始考核结果的指标变量分别为10个、13个、20个,每个指标变量与考核结果的评价结论各有5个取值的情况进行了动态建模与收敛研究。基于优化的序映射模块化神经网络模型,在初级Ⅰ、初级Ⅱ、中级的动态评价建模实例上的分类精确度分别为86.8%、88.9%、93.6%。其中,与非序非模块化神经网络模型分类识别率相比,平均分类精确度提高了30.6%。表明了基于优化的序映射模块化神经网络模型动态评价建模的有效性。