改进云模型综合评价

方法概述

改进云模型综合评价是在传统正态云模型基础上，融合黄金分割标准云、MBCT‑SR逆向云算法及多种云相似度度量的综合评价方法。该方法通过从样本数据中提取各指标的正态云数字特征（期望 \(Ex\)、熵 \(En\)、超熵 \(He\)），采用加权综合云公式计算评价对象的综合云，并通过多种相似度算法将综合云与预先设定的标准云进行匹配，最终确定评价等级。改进之处主要体现在：

  • 标准云生成：支持评语集区间法、优化熵法和黄金分割法三种方式，适应不同评价场景。
  • 指标云提取：采用 MBCT‑SR（多步有放回抽样逆向云）算法，从样本数据中稳健估计各指标的云特征，避免传统逆向云对样本分布敏感的问题。
  • 综合云计算：提供三种加权综合云公式，可灵活选择。
  • 云相似度：内置相似隶属度、CFSM、ECM、MCM、PSCM、DSTCM、HECM、HCCM、WCM 共九种相似度算法，覆盖从基于曲线重叠到基于距离和形状的多种度量。
  • 群体评价：直接由全部样本数据计算综合云，实现群体综合评价，并提供蒙特卡洛可信度分析。

本工具适用于多指标、多层次、带有不确定性的综合评价问题，如教学质量评估、环境质量评价、项目风险等级判定等。

计算步骤

1. 数据准备与预处理

上传 Excel 文件，必须包含两个工作表： - 评分矩阵（或“待评物元”）：第一列为对象名称，后续列为各指标观测值。 - 指标权重：第一列为指标名称，第二列为权重值（自动归一化）。 - 评语集（可选）：包含评价等级、等级区间（如 "0,0.25"）、超熵比 \(\rho\)（可选）和固定超熵 \(k\)（可选）。若存在该表，标准云将优先按等级区间生成。

指标归一化（可选）：用户可为每个指标指定类型（极大型、极小型、中间型），并设置中间型指标的最优值。归一化将各指标映射到同一论域（默认 \([0,1]\)），避免量纲影响。

2. 指标云特征提取（MBCT‑SR）

对每个指标，基于所有对象样本，采用 MBCT‑SR 算法估计云特征：

  • 设样本向量为 \(\mathbf{x} = (x_1,\dots,x_n)\)。
  • 有放回抽取 \(m\) 组样本，每组 \(r\) 个，计算每组方差 \(s_g^2\)。
  • 计算组方差期望 \(E(s^2)\) 和方差 \(D(s^2)\)。
  • 由公式计算： \[ Ex = \frac{1}{n}\sum_i x_i \] \[ En^2 = \sqrt{ (E(s^2))^2 - \frac{D(s^2)}{2} } \] \[ He^2 = E(s^2) - En^2 \]
  • 最终得指标云特征 \((Ex, En, He)\)。

3. 标准云生成

根据用户选择的生成方法：

  • 评语集区间法：若提供“评语集”工作表，则取等级区间中点作为 \(Ex\)，\(En\) 按 3En 规则或 50% 关联度规则计算，\(He\) 由用户指定的 \(\rho\)（或固定 \(k\)）确定。
  • 优化熵法：在 3En 规则和 50% 关联度规则对应的 \(En\) 区间内，以某个参考点 \(x_{\text{eval}}\) 处的隶属度偏差最小为目标，优化每个等级的 \(En\)，使得云曲线在该点附近更合理地过渡。
  • 黄金分割法：当未提供评语集时，采用黄金分割法生成奇数个等级的标准云。假设中间等级期望为论域中点，相邻等级期望按补比率（默认 0.382）向外扩展；相邻等级熵按 0.618 倍扩展，超熵取 \(He=0.1\cdot En\)。

4. 综合云计算

设指标权重 \(w_i\)（已归一化），指标云特征为 \((Ex_i, En_i, He_i)\)，\(m\) 为指标数。提供三种综合云公式：

  • 公式1（加权平方和开方）： \[ Ex = \sum w_i Ex_i,\quad En = \sqrt{\frac{1}{m}\sum w_i En_i^2},\quad He = \sqrt{\frac{1}{m}\sum w_i He_i^2} \]

  • 公式2（加权和）： \[ En = \sum w_i En_i,\quad Ex = \frac{\sum w_i Ex_i En_i}{En},\quad He = \frac{\sum w_i He_i En_i}{En} \]

  • 公式3（加权平方和开方，He 加权和）： \[ Ex = \sum w_i Ex_i,\quad En = \sqrt{\sum w_i En_i^2},\quad He = \sum w_i He_i \]

5. 云相似度计算

计算综合云与每个等级标准云之间的相似度。工具提供九种相似度算法，均输出 \([0,1]\) 区间值，值越大表示两云越相似。常用算法包括：

  • 相似隶属度：从综合云生成云滴，计算每个云滴在标准云期望曲线上的平均隶属度。
  • CFSM（模糊贴近度）：基于两期望曲线重叠面积与并集面积的比值。
  • ECM（期望曲线重叠面积）：直接计算两条期望曲线 \(y=\exp(-(x-Ex)^2/(2En^2))\) 的重叠面积，归一化到 \([0,1]\)。
  • MCM（最大边界曲线）：将 \(En\) 替换为 \(En+3He\)，再计算 ECM。
  • PSCM（改进形状+距离）：结合云形状（\(\sqrt{En^2+He^2}\) 比值）和期望距离的相似度。
  • DSTCM（云滴形状和距离）：类似 PSCM，但距离用欧氏距离且含指数衰减。
  • HECM/HCCM（基于 Hellinger 距离）：分别基于期望曲线和内/外包络曲线的 Hellinger 距离。
  • WCM（Wasserstein 距离）：以两云均值与标准差之差的欧氏距离计算相似度。

6. 等级判定与可信度分析

  • 计算综合云与各标准云的相似度，取相似度最大的等级作为最终评价等级。
  • 归一化相似度作为等级隶属度，计算综合等级特征值（加权平均等级序号），用于定量描述等级偏向。
  • 可信度分析（可选）：通过 Bootstrap 重抽样（对对象样本有放回抽样），重复计算综合云及相似度，统计各等级被选为最优等级的频率，最大频率即为评价结果的可信度。

7. 可视化与报告

  • 标准云图：显示各等级标准云的云滴散点图，并可叠加显示综合云云滴或指定指标的指标云云滴。
  • 相似度柱状图：展示综合云与各等级标准云的相似度。
  • 支持导出 Excel 和 HTML 格式的完整报告。

案例分析

案例背景：某高校对 5 个学院（A1~A5）进行教学质量评估，采用 3 个指标：师资水平、教学资源、学生满意度。指标权重分别为 0.4、0.3、0.3。评价等级设定为 5 级（E, D, C, B, A，从低到高），论域 \([0,1]\)。数据如下（归一化后）：

学院 师资水平 教学资源 学生满意度
A1 0.65 0.70 0.60
A2 0.80 0.75 0.85
A3 0.50 0.55 0.45
A4 0.90 0.85 0.80
A5 0.70 0.65 0.75

参数设置：采用黄金分割法生成标准云（等级 E~A），中间等级 C 的 \(En=0.039345\)，\(\rho=0.1\)；MBCT‑SR 组数 100，每组样本数 30；综合云公式1；相似度方法选用 ECM；不启用可信度分析。

计算过程（简略）：

  1. 指标云特征（MBCT‑SR）：对师资水平样本 (0.65,0.80,0.50,0.90,0.70)，计算得 \(Ex=0.71, En=0.078, He=0.012\)。类似计算其他指标。
  2. 标准云生成：黄金分割法得到 5 个等级的 \((Ex,En,He)\)。
  3. 综合云：加权得到综合云 \((Ex=0.74, En=0.065, He=0.010)\)。
  4. 相似度计算：ECM 相似度结果（示例）：
    • E: 0.05, D: 0.15, C: 0.45, B: 0.92, A: 0.78
  5. 等级判定：最大相似度为 0.92，对应等级 B，故该群体评价结果为 B 级（良好）。
  6. 综合等级特征值：归一化相似度后，特征值约 3.8（接近 B 级序号 4）。

结论：该高校教学整体处于 B 级水平，接近 A 级。

常见问题

Q1: 标准云的生成方式如何影响结果？

A: 评语集区间法直接依据实际等级区间划分，最贴近业务含义；优化熵法能使云曲线在参考点处过渡更平滑；黄金分割法适用于没有明确区间边界、仅需语义等级的场景。建议根据领域知识选择。

Q2: MBCT‑SR 的组数 \(m\) 和每组样本数 \(r\) 如何设定？

A: \(m\) 越大，\(En\) 和 \(He\) 估计越稳定，但计算时间增加；\(r\) 应小于总样本数，通常取样本数的 1/3 到 1/2。默认值 100 和 30 适用于多数情况。

Q3: 九种相似度方法有何区别？

A: 隶属度法和 CFSM/ECM 侧重于曲线形态和重叠面积；PSCM/DSTCM 结合形状与距离；HECM/HCCM/WCM 基于概率距离。建议先尝试 ECM 或 CFSM，若结果与预期不符再换用其他方法。

Q4: 综合云公式如何选择？

A: 公式1和公式3都基于平方和开方，但公式1除以 \(\sqrt{m}\) 以平衡指标数影响；公式2是基于熵加权的特殊平均。一般推荐公式1，若希望突出高熵指标可尝试公式2。

Q5: 可信度分析的作用是什么？

A: 通过 Bootstrap 模拟评估评价等级对样本波动的稳健性。若可信度低（如 < 70%），说明样本代表性不足或等级边界模糊，建议增加样本量或调整等级划分。

Q6: 指标归一化是否必须？

A: 如果指标量纲不同，强烈建议启用归一化，以确保 MBCT‑SR 提取的熵具有可比性。若所有指标已处于同一量纲（如均为百分制），可关闭归一化。

平台功能

  • 数据输入：支持 Excel 文件，自动识别“评分矩阵”“指标权重”两个必需工作表，并可选“评语集”工作表。
  • 指标类型设置：可为每个指标指定极大型、极小型或中间型，并设置中间型最优值，支持归一化映射到指定论域。
  • 参数设置：
    • 标准云生成方法（黄金分割/优化熵/评语集区间法）及对应的黄金分割参数、论域范围、En 规则、超熵方式。
    • MBCT‑SR 参数（组数和每组样本数）。
    • 综合云公式（三种）。
    • 相似度方法（九种）及采样点数/云滴数。
    • 正向云方法、云滴数量、随机种子控制。
    • 可信度分析开关及模拟次数。
    • 小数位数。
  • 结果展示：
    • 最终评价结果（等级、特征值、最大相似度）。
    • 各等级相似度表。
    • 标准云特征、指标云特征、综合云特征（中间结果可显示）。
    • 可信度概率分布（若开启）。
    • 可交互更新的标准云图（可叠加综合云或指定指标云）和相似度柱状图。
  • AI 智能分析：自动解读评价结果、等级意义和决策建议（每日限 3 次，需配置 API 密钥）。
  • 报告导出：Excel 和 HTML 格式，包含所有表格和参数。

使用建议

  1. 数据准备：确保评分矩阵行数不少于 10 行（MBCT‑SR 稳健性更好）；若样本量小于 30，建议增加 MBCT‑SR 组数但减少每组样本数。
  2. 等级设定：若采用黄金分割法，等级数应为奇数（默认 5 级），且论域范围需覆盖归一化后数据范围。
  3. 相似度选择：初次分析推荐 ECM 或相似隶属度，计算稳定且解释性强；若需区分精细差异可尝试 PSCM 或 DSTCM。
  4. 可信度分析：样本量较大（≥30）且需要评估稳健性时开启，模拟次数 1000 次可提供可靠估计。
  5. 结果解读：综合等级特征值越接近某一整数，表示结果越明确；若特征值处于两等级之间，说明该群体处于等级边界。

平台界面

官方地址：https://superr.online

改进云模型综合评价工具界面

平台界面包含：数据上传区、指标类型与归一化设置、参数设置（标准云、MBCT‑SR、综合云、相似度等）、数据预览、结果多选项卡展示、可视化图表及 AI 分析模块

参考文献

  1. 李德毅, 杜鹢. 不确定性人工智能[M]. 国防工业出版社, 2005.
  2. 汪培庄, 李洪兴. 模糊系统理论与模糊计算机[M]. 科学出版社, 1996.
  3. 刘进, 王红, 张宇. 一种改进的云模型逆向云算法及其在综合评价中的应用[J]. 系统工程与电子技术, 2014, 36(11): 2238‑2243.
  4. Wang, J., & Liu, J. (2019). Operation health assessment based on improved cloud model and D‑S evidence theory. IEEE Access, 7, 102345‑102356.