论文部分内容阅读
近年来,综合评价得到了较大的发展,新的方法不断涌现,它为人们正确认识事物、决策评估提供了科学的方法。但在综合评价中存在两个问题: (1)对于大规模的评价对象,由于分类、优化、搜索等操作,使其时间和空间复杂度爆炸性增长,导致大量系统内存被占用,从而它们既要存储在数据库或数据仓库中,又要及时以成果形式放在桌面上,导致现有方法难以得到合理、科学的评价成果; (2)大规模收集的评价信息因时间、来源、存取方式的不同,使评价对象中含有程度不同的不确定性数据,导致同类中的数据差异不大,可区分度小,现有方法难以准确区分评价对象。 根据其结果,综合评价可分为分类评价、排序评价和分类排序评价。针对上述问题,基于数据挖掘理论,选择适当的挖掘算法,并同时根据DS理论实现的信息融合技术,提出了一种新的分类排序评价方法,它利用数据挖掘进行分类评价,基于DS证据推理实现排序评价。 实例研究表明,利用提出的分类排序评价方法,对大规模数据库的评价对象进行决策树数据挖掘后,能使分类层次清晰,它解决了大数据量对象的评价问题;将分类挖掘结果进行DS信息融合,得到了准确有序的评价结果。评价目标的可区分度明显增大,可信度增强,不确定度大大下降,解决了评价结果可区分度小的问题。从整体上看,新的方法对大规模评价对象既实现了分类,又实现了排序,评价结果明显得到了改善。