模糊算法
运动模糊图像复原算法实现及应用
任务书 1、课程设计目的： 1）提高分析问题、解决问题的能力，进一步巩固数字图像处理系统中的基本原理与方法。 2）熟悉掌握一门计算机语言，可以进行数字图像应用处理的开发设计。 2、课程设计的题目：运动模糊图像复原算法实现及应用 1）创建一个仿真运动模糊PSF来模糊一幅图像（图像选择原理）。 2）针对退化设计出复原滤波器，对退化图像进行复原（复原的方法自定）。 3）对退化图像进行复原，显示复原前后图像，对复原结果进行分析，并评价复原算法。 3、课程设计方案制定： 1）程序运行环境是Windows 平台。 2）开发工具选用matlab、VC++、VB、C#等，建议选用matlab作为编程开发工具，可以达到事半功倍的效果、并降低编程难度。 3）以组件化的思想构建整个软件系统，具体的功能模块根据选定的不同题目做合理的划分。 4、课程设计的一般步骤： 1）选题与搜集资料：选择课题，进行系统调查，搜集资料。 2）分析与设计：根据搜集的资料，进行功能分析，并对系统功能与模块划分等设计。 3）程序设计：掌握的语言，编写程序，实现所设计的功能。 4）调试与测试：自行调试程序，同学之间交叉测试程序，并记录测试情况。 5）验收与评分：指导教师对每个成员开发对的程序进行综合验收，综合设计报告，根据课程设计成绩的判定方法，评出成绩。 5、要求
1）理解各种图像处理方法确切意义。 2）独立进行方案的制定，系统结构设计合理。 3）程序开发时，则必须清楚主要实现函数的目的和作用，需要在程序书写时做适当的注释。 目录 摘要 (2) 一、概述 (3) 1.1选题背景 (3) 1.2课程设计目的 (4) 1.3设计内容 (5) 二、图像退化与复原 (6) 2.1图像退化与复原的定义 (6) 2.2图像退化模型 (7) 2.3运动模糊图像复原的方法 (7) 2.3.1逆滤波复原法 (8) 2.3.2维纳滤波的原理 (9) 三、运动模糊图象复原的matlab实现 (10) 3.1维纳滤波复原 (10) 3.2约束最小二乘滤波复原 (10) 3.3 运动模糊图像复原实例 (11) 四、课程设计总结与体会 (14)
模糊综合评价方法的理论基础
AHP——模糊综合评价方法的理论基础 1. 层次分析法理论基础 1970-1980年期间，著名学者Saaty最先开创性地建立了层次分析法，英文缩写为AHP。该模型可以较好地处理复杂的决策问题，迅速受到学界的高度重视。后被广泛应用到经济计划和管理、教育与行为科学等领域。AHP建立层次结构模型，充分分析少量的有用的信息，将一个具体的问题进行数理化分析，从而有利于求解现实社会中存在的许多难以解决的复杂问题。一些定性或定性与定量相结合的决策分析特别适合使用AHP。被广泛应用到城市产业规划、企业管理和企业信用评级等等方面，是一个有效的科学决策方法。 Diego Falsini、Federico Fondi 和Massimiliano M. Schiraldi（2012）运用AHP 与DEA的结合研究了物流供应商的选择；Radivojevi?、Gordana和Gajovi?, Vladimir（2014）研究了供应链的风险因素分析；K.D. Maniya和M.G. Bhatt（2011）研究了多属性的车辆自动引导机制；朱春生（2013）利用AHP分析了高校后勤HR配置的风险管理；蔡文飞（2013）运用AHP分析了煤炭管理中的风险应急处理；徐广业（2011）研究了AHP与DEA的交互式应用；林正奎（2012）研究了城市保险业的社会责任。 第一，递阶层次结构的建立 一般来说，可以将层次分为三种类型： （1）最高层（总目标层）：只包含一个元素，表示决策分析的总目标，因此也称为总目标层。 （2）中间层（准则层和子准则层）：包含若干层元素，表示实现总目标所涉及的各子目标，包含各种准则、约束、策略等，因此也称为目标层。 （3）最低层（方案层）：表示实现各决策目标的可行方案、措施等，也称为方案层。 典型的递阶层次结构如下图1：
三种不同灰度图像增强算法对比
三种不同灰度图像增强算法对比 一、摘要 本文主要是运用直方图均衡化、平滑、锐化三种常见的图像增强算法对图像进行处理,并在此基础上分别用这 3 种算法处理的灰度图像进行比较，比对它们对图像的处理效果, 分析3 种方法在图像增强处理能力的优劣之处。 结果发现,直方图均衡化可以均衡图像的灰度等级, 经过直方图的均衡化，图像的细节更加清楚了，但是由于直方图均衡化没有考虑图像的内容，只是简单的将图像进行直方图均衡，提高图像的对比度,使图像看起来亮度过高，使图像细节受到损失; 图像平滑的目的是减少或消除图像的噪声, 图像平滑可以使图像突兀的地方变得不明显, 但是会使图像模糊，这也是图像平滑后不可避免的后果，只能尽量减轻，尽量的平滑掉图像的噪声又尽量保持图像细节，这也是图像平滑研究的主要问题; 图像锐化使图像的边缘、轮廓变得清晰，并使其细节清晰,常对图像进行微分处理，但是图像的信噪比有所下降。 关键词: 图像增强灰度图直方图平滑锐化 二、三种图像增强算法 图像预处理是相对图像识别、图像理解而言的一种前期处理，主要是指按需要进行适当的变换突出某些有用的信息，去除或削弱无用的信息，在对图像进行分析之前, 通常要对图像质量进行改善,改善的目的就是要使处理后的图像比原始图像更适合特定的应用。影响图像清晰度的因素很多,主要有光照不足、线路传输收到干扰等。 现存的图像增强技术主要分为空间域法和频率域法两类,其中的增强方法主要有直方图的修正、灰度变换、图像平滑、图像锐化、伪彩色和假彩色处理等。下面主要采用直方图均衡化、图像平滑、图像线性锐化对图像进行增强处理, 对比他们的处理效果,分析 3 种方法的在图像增强处理方面的优劣。 1、直方图均衡化 直方图均衡化也称为直方图均匀化，是一种常见的灰度增强算法，是将原图像的直方图经过变换函数修整为均匀直方图，然后按均衡后的直方图修整原图像。 为方便研究，先将直方图归一化，然后图像增强变换函数需要满足2个条件。 假设灰度级为归一化至范围[0,1]内的连续量,设其中任一灰度级别Z归一化为r，变换后图像的任一灰度级Z'归一化为s，显然r，s应当满足：0<=r<=1,0<=s<=1 因此直方图修正就是对下列公式的计算过程：s=T(r)或r=T'(s) 式中T(r)为变换函数，它必须满足下列条件： a在0<=r<=1区间内是单值单调增加函数; b对于0<=r<=1,有T(r)在[0,1]内。 条件a 保证灰度级从黑到白的次序,而条件b确保映射后的像素灰度在允许的范围内，避免整个图像明显变亮或者变暗。 从S 到r的反变换关系为r=T'(s) ；T'(s)对r同样满足上述条件。 灰度变换是对图像上各个像素点的灰度值x 按某个函数T 变换到y ,将图像的灰度级整个范围或其中某一段( A, B)扩展或压缩到( A, B)。直方图均衡化是灰度变换的一个重要应用,是以累计分布函数变换为基础的直方图修正法, 可以产生一幅灰度级分布具有均匀概率密度的图像。一幅图像灰度级r k 出现的概率近似为 其中n 是图像中像素的总和, nk 是灰度级为r k 的像素个数, L 为图像中灰度级总数。若
基于模糊数学算法权重分配的综合奖学金评定机制
2011年第20 期 ● 学生综合素质测评是高校学生管理的主要内容，是高校学生思想政治教育的重要手段，也是评定奖学金的根本依据。结合学分制教学的特点，大学生奖学金评定系统应包括学习成绩测评和素质测评两个部分，本文对于学习成绩测评沿用了传统的加权平均的处理算法，对于素质测评，将评定等级量化并转化成加分制，以便高校根据实际校情和特点更灵活的制定加分幅度与侧重。此外，在综合素质测评中，为了更准确、更灵活的根据实际情况，对于权重分配关键点，采用了模糊数学解法，相比于依据主观权重“平均分配法”和“不均等分配法”，该法具备更强的说服性和权威行。对现在高等院校学生管理工作和大学生奖学金评定等工作具有一定的借鉴意义。 1.评选方法 为了实现学校的培养目标，准确、及时、客观、公正地显现学校的育人效果，在学生基本素质合格的基础上，注重发展学生的综合素质发展，本着定性与定量测评相结合的原则，建立综合奖学金考评方法模型，主要从考试课学习、考查课和综合素质拓展三个方面对学生进行考核。 其中。通过建立基于权重分配的模糊数学解法的模型，并依据学校的培养目标做出一定的假设与获取数据对该模型进行求解，得出这三个方面的权重系数分别为0.7、0.2、0.1，然后将权重赋予考评模型。 三个方面的测评分别按照如下方式进行： 1.1考试课成绩考评方法 根据考试课的实际考分和相应的学分，按照下面的公式进行计算得出课程学习成绩（G 考试成绩）。 其计算公式如下： G考试成绩=Σ（实际考分×课程学分）/Σ（所有课程总学分） （注明，考查课成绩低于70分的学生不具备奖学金评比条件，故不做计算。） 1.2考查课成绩考评方法 首先将考查课成绩按以下要求进行换算，然后根据按照上面的公 式进行计算得出课程学习成绩（G 考查成绩）。换算方法：一般地，采用五 分级制进行换算，优秀—90分，良好—80分，中等—70分； G考查成绩=Σ（实际考分×课程学分）/Σ（所有课程总学分） （注明，考查课成绩低于中等的及格和不及格或者不合格的学生不具备奖学金评比条件，故不做计算。） G综合成绩=Σ（实际考分或换算后的考分×课程学分）/Σ（所有课程总学分） 2.素质拓展考评方法 素质拓展内容主要包括学生获奖情况、学生工作、卫生以及学生民主投票等内容。 2.1获奖情况加分主要包括以下几个方面，具体加分标准如下： 校、市级一二三等奖分别加7、5、3分；省级一二三等奖分别加15、10、7分；全国一二三等奖分别加20、15、10分。 说明：一人参加同一项竞赛活动获得多项奖的按最高分加分，不重复加分。 2.2学生工作方面加分如下： 对于校级学生干部、校级社团担任主要职务和次要职务分别加6分和3分；对于院级学生干部、院级社团担任主要职务和次要职务分别加4分和2分。 说明：班级主要职务包括班长和团支书，次要职务包括学习委员、卫生委员、纪律委员、女工委员、劳动委员、生活委员和体育委员。 2.3班级民主测评满意度评价方案 民主测评满意度按照学生得票总数占班级总人数的比例分为四个等级，分别为非常满意、满意、基本满意和不满意。其中非常满意为比例必须达到85%以上（含85%）；满意为比例要求在70%~85%之间（含70%）；基本满意为比例要求在50%~70%之间（含50%）；不满意为比例小于50%。加分政策为“非常满意”加2分，“满意”加1.5分，“基本满意”加1分，“不满意”则不予加分。 3.综合总分 根据考试课、考查课和素质拓展三个方面的得分，并乘以相对应地权重系数，求和得综合评比成绩。计算公式如下： 综合总分T=70考试加权平均成绩比重+20考查加权平均成绩比重+10素质拓展分比重 根据计算所得G分数进行排名，按照排名先后进行奖学金评比。科 【参考文献】 ［1］陈海玲，蔡海滨.基于模糊数学方法的奖学金评定模型．数学理论与应用，2009，11． ［2］蔡杭坚，江映霞.高校奖学金制度改革的探索．实证分析． ［3］李敏，吴善添.高校学生综合素质测评与奖学金评定办法的改革与思考．高等农业教育，2010,4:75-79． 基于模糊数学算法权重分配的综合奖学金评定机制 王思文刘飞丁言露 （中国矿业大学矿业工程学院江苏徐州221116） （上接第49页）理,提高练习的完成程度以及完成的质量。教师应根据每次课的具体内容,有准备有重点地做好练习时的保护与帮助,对于一些难度较大、危险性高的项目,如单杠、双杠等,更要侧重加强对学生练习时的保护帮助。 4.4营造良好的学习氛围，消除恐惧心理 4.4.1教师的示范动作要力求规范、轻松、漂亮，讲解要精炼、幽默，能吸引学生的注意，使之产生跃跃一试的心态。 4.4.2在教学过程中,教师要有意识组织安排好学生练习时的前后顺序,把素质较好,胆量大有把握完成技术动作的学生安排在前面进行练习,将素质一般的学生安排在中间,把素质差,有心理障碍的学生安排到最后练习。这样可以利用好生影响差生,带动差生,不但可以活跃气氛,激发练习动力,引发学生间的“比,帮,带”,促使有恐惧感的学生与其他学生共同进步。 4.4.3教师应注意言行。教师应通过对学生的关怀与鼓励，使他们体验到亲切、友善，营造一种轻松、愉快的学习环境，对差生要做到细心观察、耐心指导，及时发现他们的优点，对其点出加以肯定，增强他们学习的信心，克服恐惧心理，只有营造一种师生间相互尊重，同学间相互关心，相互鼓励，团结、友善的和谐气氛，才能消除部分同学的恐惧心理，获得良好的教学效果。 5.结论 5.1在体育教学中学生产生恐惧心理是很正常的，运动项目的器材特点，技术难点都是产生恐惧心理的重要因素。 5.2在体育教学过程中，始终要贯彻根据实际情况因人而异，有的放矢地预防和及时排除学生的恐惧心理障碍，切勿粗心大意，漠然置之，以防积重难返，覆水难收。 5.3克服和减小恐惧心理是完全可以做到的，教师应努力研究克服恐惧心理的行之有效的教学、训练方法，以提高训练效果。科 【参考文献】 ［1］魏润发.体育课中学生恐惧心理的成因及其克服方法[J].中国学校体育,1999,(3)．［2］尚润年.体育教学鼓励的时机与方法[J].中国学校体育,2000,(4)． ［3］刘丽妮.浅析体育教师的素质[J].玉林师范学院学报,2001,22(3)． ［4］亦诺.体育与健康教学大纲[J].中国学校体育,2001,20(3)． ［5］陈琦.当代教育心理学[M].北京:北京师范大学出版社,1997. ［6］潘绍伟，于可红.学校体育学[M].北京：高等教育出版社,2007-10. ● ● ◇高教论述◇ 118
基于AHP的模糊综合评价算法及应用
基于AHP的模糊综合评价算法及应用 徐亮 中国矿业大学（北京校区）资源学院（100083） E-mail：xuliang_168@https://www.wendangku.net/doc/e0948799.html, 摘 要：在应用AHP的多方案综合评价中，由于判断矩阵的一致性检验难以通过，就很难准确求取各方案的权重值，因此本文提出了一种基于AHP和模糊理论的综合评价算法。该算法采用AHP求取各层次指标的权重，采用模糊方法确定各方案的属性值，并将此算法应用在信息系统性能的综合评价中。 关键词：层次分析法；模糊评价；信息系统；算法 针对多方案综合评价问题中，判断矩阵的一致性检验难以通过，单一的应用层次分析法在求取各方案的权重值时就有了局限性[1]，本文在AHP方法中专家组相对于优选目标的每一个指标的实现程度进行两两比较时，引入模糊评价矩阵和评价集的隶属度向量从而得到所需求的综合评价指标，提出了一种基于AHP和模糊理论的综合评价算法。结合信息系统性能评价指标体系研究的基础上，根据评价工作的系统性、动态性、可操作性和定性分析与定量分析相结合的原则，此算法不仅提高了AHP中专家模糊性权重判断的准确性；对于促进信息系统的建设，及时维护和改进信息系统的缺陷和功能，加速信息化进程，具有十分重要的意义。 1. 建立评价指标 中国矿业大学（北京校区）研究生院在2004年重新设计开发了教务信息系统，经过一段时间的使用，为了对新系统的使用效果和系统性能进行综合评价，建立指标体系以反映所评价信息系统性能的主要特征和基本状况。 经调查研究，确定如下评价指标，以保证综合评价的全面性和可信度[2]，如图1所示： 图1 MIS性能评价的AHP算法 2. 计算权重 在构造n阶方阵A之前，我们要用1-9标度含义表列出八个指标的相对重要程度之比，如表1所示。 表1 标度含义表 标度值 两者关系 1 3 5 7 9 2，4，6，8 两者同等重要 前者比后者重要 前者比后者稍重要 前者比后者强烈重要 前者比后者极端重要 表示上述相邻判断的中间状态 若元素a与元素b的重要性之比为a ij, 那么元素b与元素a的重要性之比为a ij=1/a ji
AHP——模糊综合评价方法的实现模板
AHP——模糊综合评价方法的实现模板 1. AHP计算权重实现模板 根据“立法后的评估指标体系”的设计，一共分成三层：B层（B1——B3）为：立法质量、实施标准、绩效标准；C层（C1——C9）为：合法性、合目的性、技术性、执法司法过程、公众守法状况、公众对工商行政管理部门纠纷处理结果的态度法、院判决的效果、效率、适当性标准；D层（D1——D41）为：C 从下的各个指标。 B层权重计算步骤如下： （1）依据专家打分，构造判断矩阵 （具体打分方法，详见AHP的理论部分） （2）归一化处理 （具体计算方法，详见AHP的理论部分） （3）计算出归一化后的矩阵行与构量的平均值，该平均值就是各指标的权重值。
（4）权重系数推算结果的一致性检验 由于矩阵中两两对比指标的标度是根据“若干专家”的主观判断做出的量化规定，其结果与客观事实间或多或少会有一些偏差，所以必须对上述的初步结果进行一致性检验。过程一般分为三个阶段：一致性尺度计算、相容性指数计算、相容性比率计算。 第一，指标一致性尺度计算 一致性尺度 CM （Consistency Measure ）或者叫一致性标度是指检验指标与客观事实是否相符的标准与参照物，在层次分析法中，最大特征根λmax 就是一致性尺度，其求解步骤为 ①求解向量AW .=?? ? ? ?? ? （）AW ，左侧为判断矩阵，右侧列为上述计算的权重 ②计算最大特征值λmax 向量 AW 的各个分量AW i 除以相对应的权重分量 W i 就是各指标的最大特征值，整个判断矩阵的最大特征根就是各指标最大特征值之和的平均值。 计算AW ： 第二，相容性指数计算 相容性指数 CI （Consistency index ）=(λmax —n)/（n —1），n 为待检验的指标个数。 计算CI= 第三，相容性比率计算 层次分析法一致性检验的规则是：CR ＜ 0.10表示判断矩阵的一致性程度较高，“专家们”对各个指标作出的价值判断与事实基本吻合，如 CR ＞0.10，则表示必须修正判断矩阵中的含义值。相容性比率 CR （Consistency Ratio ）=CI/RI, 平均随机一致性指数 RI(Random index)，指标见AHP 的理论部分。 分析相容性比率为：，其可以得知权重的正确性。
指纹图像对比度模糊增强算法
指纹图像对比度模糊增强算法 指纹图像对比度模糊增强算法 引言指纹识别是指指尖表面纹路的脊谷分布模式识别,这种脊谷分布模式是由皮肤表面细胞死亡、角化及其在皮肤表面积累形成的。人的指纹特征是与生俱来的,在胎儿时期就已经决定了。人类使用指纹作为身份识别的手段已经有很长历史,使用指纹识别身份的合法性也己得到广泛的认可。自动指纹识别系统通过比对指纹脊线和谷线结构以及有关特征,如纹线的端点和分歧点等来实现个人身份认证。然而,要从原始指纹图像上准确地提取特征信息,这是十分困难的,在很大程度上特征提取的精确性依赖于图像质量。因此,在指纹特征提取和匹配之前有必要对指纹图像进行增强处理。指纹图像增强就是对指纹图像采用一定算法进行处理,使其纹理结构清晰化,尽量突出和保留固有的指纹特征信息,并消除噪声,避免产生虚假特征。其目的是保持特征信息提取的准确性和可靠性,在自动指纹识别系统中具有十分重要的作用和地位。由于曝光不足等因素的影响,图像的亮度分布会发生非线性失真,常常表现为对比度不强,图像的整体感觉较暗等。目前,已经有很多基于灰度直方图的方法来增强对比度,从而改善图像的质量。近年来,人们对基于模糊的图像处理技术进行了研究。模糊集合理论已能够成功地应用于图像处理领域,并表现出优于传统方法的处理效果。根本原因在于:图像所具有的不确定性往往是因模糊性引起的。图像增强的模糊方法,有些类似于空域处理方法,它是在图像的模糊特征域上修改像素的。基于模糊的图像处理技术,是一种值得重视的研究方向,应用模糊方法往往能取得优
于传统方法的处理效果。很多时候基于模糊的增强图像对比度方法能够更好地增强图像的对比度,尤其是对于对比度很差,一般的增强算法无法对其增强的图像,它的优势突显。本文结合模糊逻辑技术,研究了基于模糊特征平面的增强算法和基于GFO算子(广义模糊算子)的图像增强算法,并将其应用于指纹图像对比度的增强。1模糊特征平面增强算法1.1模糊特征平面从模糊集的概念来看,一幅具有L个灰度级的M×N元图像,可以看作为一个模糊集,集内的每一个元素具有相对于某个特定灰度级的隶属函数。该模糊集称为图像等效模糊集,亦即图像的模糊特征平面,对应的模糊矩阵记为F,有:式中:矩阵的元素μmn/Xmn表示图像像素(m,n)的灰度级Xmn相对于某个特定的灰度级l′的隶属度,通常l′取最大灰度级K-1。1.2算法实现首先采用图像分割中的阈值选取方法(本文中采用Ot su方法)来确定阈值参数X T,显然X T将整个图像的直方图分为2个部分。低灰度部分和高灰度部分;对于具有典型双峰分布的直方图来说,它们分别对应目标和背景这两部分。然后定义新的隶属函数形式,再进行模糊增强运算,在低灰度区域进行衰减运算,从而使属于该区域像素的灰度值更低,而在高灰度区域则进行增强运算,从而使属于该区域像素的灰度值更高。因而,经过模糊增强后直方图上阈值X T两侧的灰度对比增强,图像区域之间的层次将更加清楚。整个算法过程如下:(1)首先根据Ot su选取阈值的方法确定阈值参数XT。显然对于双峰分布的直方图阈值参数XT将位于双峰之间的谷底附近。然后定义新的隶属度函数为:对于迭代次数r的选择,仿真结果表明,当r较小时,模糊增强不够充分;随着r的逐渐加大,图像的增强效果会越来越明显,当达
模糊综合评价案例计算分析
模糊综合评价方法 1、基本思想和原理 基本思想 在客观世界中，存在着大量的模糊概念和模糊现象。模糊数学就是试图用数学工具解决模糊事物方面的问题。 模糊综合评价是借助模糊数学的一些概念，对实际的综合评价问题提供一些评价的方法。具地说，模糊综合评价就是以模糊数学为基础，应用模糊关系合成的原理，将一些边界不清、不易定量的因素定量化，从多个因素对被评价事物隶属等级状况进行综合性评价的一种方法。 原理 首先确定被评价对象的因素（指标）集合评价（等级）集；再分别确定各个因素的权重及它们的隶属度向量，获得模糊评判矩阵；最后把模糊评判矩阵与因素的权向量进行模糊运算并进行归一化，得到模糊综合评价结果。 其特点在于评判逐对象进行，对被评价对象有唯一的评价值，不受被评价对象所处对象集合的影响。综合评价的目的是要从对象集中选出优胜对象，所以还需要将所有对象的综合评价结果进行排序。 2. 模糊综合评价法的模型和步骤 步骤 步骤1 确定评价对象的因素论域， 有m个评价指标，表明评价对象的各个因素。 步骤2 确定评语等级论域
评语集是对被评价对象的各个评价结果的集合，用V表示， 有n个评价结果，其中表示第j个评价结果。 步骤3 进行单因素评价，建立模糊矩阵R， 单独从一个因素出发进行评价，以确定评价对象对评价集合V的隶属程度，称为单因素模糊评价。 在构造了等级模糊子集后，对被评价对象的每个因素进行量化,即确定从单因素来看被评价对象对各等级模糊子集的隶属度，进而得到模糊关系矩阵， 其中，表示被评价对象从因素来说对等级模糊子集的隶属度。一个被评价对象在某个因素方面的表现是通过模糊向量来刻画的（在其他评价方法中多是由一个指标实际值来刻画，因此模糊评价需要更多的信息），称为单因素评价矩阵，可以看作是因素集U和评价集V之间的一种模糊关系，即影响因素和评价对象之间的“合理关系”。 在确定隶属关系时，通常是专家打分，然后统计结果，根据绝对值减数法求得，即， 其中，c可以适当选取，使得0≤≤1。 步骤4 确定评价因素的模糊权向量 因为各评级因素的重要程度不同，所以要对个因素分配一个相应的权数，(i=1，2，3…m)，≥0，。A即为权重集。
基于模糊综合评价的人事考核综合素质评价
于模糊综合评价的人事考核综合素质评价 信息与计算科学14-1班 摘要本文采用了模糊综合评价的模糊数学方法，对人事考核综合素质的各项指标进行评价，在应用模糊数学对人事考察综合素质进行综合评价时，由于评价指标较多，常用的取大取小算法，常常出现结果不易分辨的情况。本文采用加权平均型进行评价，取得了较好的效果。在对模糊综合评价结果进行分析时，合理给出各等级的评价权重，得到了最终的人事关系评价分数。得到了上级84.9680，同级80.3815，下级84.7940，自我86.9880的良好评价，与综合评价模型结论一致，结果是符合实际的，很满意。 关键词模糊数学、模糊综合评价、层次分析法、权重 Evaluation of Comprehensive Evaluation of Personnel Assessment Based on Fuzzy Comprehensive Evaluation Name: Xie Wen Information and Computing Science Class 14-1 Abstract: In this paper, the fuzzy mathematics method of fuzzy comprehensive evaluation is used to evaluate the indexes of comprehensive quality of personnel assessment. When the fuzzy mathematics is used to evaluate the comprehensive quality of personnel inspection, the evaluation index is more and more Algorithm, often the result is not easy to distinguish the situation. In this paper, we use weighted average to evaluate and achieve good results. In the analysis of the results of fuzzy comprehensive evaluation, the evaluation weight of each grade is given reasonably, and the final score of personnel relations evaluation is obtained. Got the superior 84.9680, the same level 80.3815, subordinate 84.7940, self 86.9880 good evaluation, consistent with the comprehensive evaluation model conclusion, the result is realistic, very satisfied. Key words:fuzzy mathematics, fuzzy comprehensive evaluation, analytic hierarchy process, weight
基于.层次分析法的模糊综合评价
校园环境质量的模糊综合评价方法 信息与计算科学2003级马文彬 指导教师杜世平副教授 摘要：本文应用模糊数学理论，把模糊综合评价方法具体应用到校园环境质量综合评价研究中，结合校园的实际情况将环境评价系统根据需要分成若干个指标，建立了因子集、评价集、隶属函数和权重集，实现对校园环境的质量等级综合评判。采用层次分析法计算评价的权重集，并对取大取小算法和评价结果的最大隶属度原则进行了改进，取得较好的效果。实例表明：模糊综合评价方法可操作性强、效果较好，可在一般环境的质量评价中广泛应用。 关键词：校园环境质量，模糊综合评价，层次分析法，权重 Fuzzy Comprehensive Evaluation Method for the Environment Quality of university Campus MA Wen-bin Information and Computational Science , Grade 2003 Directed by Du Shi-ping (Associate Prof ) Abstract: In this paper,based on fuzzy mathematics theory, the fuzzy comprehensive evaluation is applied in the environment quality evaluation of university campus,combining the actual situation list to evaluate the general level of university campus by fuzzy comprehensive evaluation. By setting up the factor sets, the evaluation sets, subjection functions and the weighting sets. Implementation of the Campus Environment Quality Level comprehensive evaluation. The evaluation of the weighting sets are made by AHP. The choosing big or small algorithm and the maximal subjection degree of the evaluation result is improved, and the effect is very good.The applying example indicates: the researched method is feasible and effective, it can be used widely in the environment quality assessment. Keywords:Environment quality of university campus，Fuzzy Comprehensive Evaluation，Analytical Hierarchy Process，Weighting
模糊层次评价计算步骤
层次分析法与模糊评价在企业招聘中的应用 黄岳钧1李树丞2 （1,2湘潭大学商学院2湖南大学商学院湖南湘潭411105） 摘要：如何从众多的应聘者中甄选出适合于本企业的人才是人力资源管理所面临的重要课题之一。目前用人单位在招聘员工时,通常只是对众多的应聘人员进行简单的考察。因受各种主客观因素的影响,对应聘人员的评价难免有失公正。文章以某大型企业高层次人才的胜任力模型为例，设计了在招聘过程中甄选应聘者的指标体系，在评估方法上，采取定性与定量相结合的方法，运用层次分析法(AHP)确定了指标权重系数，针对甄选指标的模糊性，建立了评估的模糊综合评价模型，并进行了应用实例评估，结果表明，所建立的应聘者甄选评估体系是实际可操作的。 关键词：胜任力模型；层次分析法；模糊评价 一、胜任力模型概述 "胜任力"（competency）这个概念最早由哈佛大学教授David·McClelland于1973年正式提出，是指"能将某一工作中有卓越成就者与普通者区分开来的个人的深层次特征，它可以是动机、特质、自我形象、态度或价值观、某领域知识、认知或行为技能等任何可以被可靠测量或计数的并且能显著区分优秀与一般绩效的个体特征。 胜任力模型是指构成每一项工作所必须具备的胜任力总和。一个完整的胜任力模型，通常包含了一个或多个群组，而每个群组底下又包含了若干个胜任力特征，且每个胜任力特征都有着一个描述性定义及3～5级行为描述或在工作中可以展现出这个才能的特定行为[1]。 近三十年来，胜任力模型作为最好的方法之一而应用于人员招聘和发展流程上，并被广泛地接受。一个构建完好的源于组织的商业战略的胜任力模型，能够帮助组织定义出在某一工作岗位上作出优异表现所必需的行为和个人特质。该岗位特征模型能明确担任该岗位工作的人员所应具备的胜任特征及其组合结构，也可以成为从外显到内隐特征进行人员素质测评的重要尺度和依据，从而为人力资源的招聘工作提供了科学的依据[2]。也就是说，胜任力模型成为一个“标杆”，依据这一标杆来评估新员工。 现代人力资源管理要求运用科学的评价系统对应聘者的素质、知识及潜能等方面做出客观公正的评价[3]。有效的招聘既使企业得到了良好的人力资源，同时也为人员的保持打下了基础，有助于减少因人员流动过于频繁而带来的损失，增强组织的凝聚力，提高士气，增强员工对组织的忠诚度。德斯勒曾在其著作中介绍，“公司招募过程质量的高低会明显地影响应聘者对企业的看法”[4]。在有效的胜任力评价模型中，对应聘者个人的评估是决定其是否聘用、确定其薪酬和入职及在职培训内容的依据。在评估方法上，应当采取定性与定量相结合的方法，建立评估模型，合理确定评估指标体系和指标权重，进行有效的员工甄选。由于指标在不同程度上存在模糊性和层次性，在招聘过程对员工的各方面素质的综合评价可以采用层次分析法与模糊综合评价相结合进行。 二、员工招聘评价指标设计 不同岗位的评价指标侧重点不同，指标权重也不一样，准确、合理的权重可使招聘者能 作者简介：黄岳钧，（1982－），男，衡阳人，湘潭大学硕士研究方向：管理科学与工程人力资源管理李树丞，（1943－），男，哈尔滨人，原湖南大学副校长，原湘潭大学校长,教授,博导
(完整版)多级模糊综合评判法案例
第三节 模糊综合评判法的应用案例 二、在物流中心选址中的应用 物流中心作为商品周转、分拣、保管、在库管理和流通加工的据点，其促进商品能够按照顾客的要求完成附加价值，克服在其运动过程中所发生的时间和空间障碍。在物流系统中，物流中心的选址是物流系统优化中一个具有战略意义的问题，非常重要。 基于物流中心位置的重要作用，目前已建立了一系列选址模型与算法。这些模型及算法相当复杂。其主要困难在于： （1） 即使简单的问题也需要大量的约束条件和变量。 （2） 约束条件和变量多使问题的难度呈指数增长。 模糊综合评价方法是一种适合于物流中心选址的建模方法。它是一种定性与定量相结合的方法，有良好的理论基础。特别是多层次模糊综合评判方法，其通过研究各因素之间的关系，可以得到合理的物流中心位置。 1．模型 ⑴ 单级评判模型 ① 将因素集U 按属性的类型划分为k 个子集，或者说影响U 的k 个指标，记为 12(,,,)k U U U U =L 且应满足： 1 , k i i j i U U U U φ===U I ② 权重A 的确定方法很多，在实际运用中常用的方法有：Delphi 法、专家调查法和层次分析法。 ③ 通过专家打分或实测数据，对数据进行适当的处理，求得归一化指标关于等级的隶属度，从而得到单因素评判矩阵。 ④ 单级综合评判B A R =o
⑵多层次综合评判模型 一般来说，在考虑的因素较多时会带来两个问题：一方面，权重分配很难确定；另一方面，即使确定了权重分配，由于要满足归一性，每一因素分得的权重必然很小。无论采用哪种算子，经过模糊运算后都会“淹没”许多信息，有时甚至得不出任何结果。所以，需采用分层的办法来解决问题。 2．应用 运用现代物流学原理，在物流规划过程中，物流中心选址要考虑许多因素。根据因素特点划分层次模块，各因素又可由下一级因素构成，因素集分为三级，三级模糊评判的数学模型见表3-7. 表3-7 物流中心选址的三级模型
关于模糊综合评价的矩阵算法
关于模糊综合评价的矩阵算法： 1、按模糊矩阵运算（培训教材课堂上的例题）： a、权重系数会事先给出，由此会得出集合A = [ 0.2, 0.2, 0.2, 0.4 ] b、指标集和评价集按下式列出，代入数据表示成集合R 评价集 V1 V2 V3 V4 V5 指 U10 0.1 0.2 0.3 0.4 标 U2 0.1 0.1 0.4 0.2 0.2 代入数据表示成 集 U3 0 0.1 0.2 0.6 0.1 U4 0 0.2 0.5 0.3 0 C、综合评价集合的计算B=A·R即用集合A中第一个数和集合R中 的沿第一列方向的第一个数模糊相乘(0.2︿0)，然后再模糊相加（﹀）集合A中第二个数和集合R中的沿第一列方向的第二个数模糊相乘(0.2︿0.1)，依次类推得到下式 (0.2︿0)﹀(0.2︿0.1) ﹀(0.2︿0) ﹀(0.4︿0) 按相乘取小，相加取大得出= 0 ﹀ 0.1﹀ 0 ﹀ 0 = 0.1 然后再用集合A中第一个数和集合R中的沿第二列方向的第一个数模糊相乘(0.2︿0.1)，然后再模糊相加（﹀）集合A中第二个数和集合
R中的沿第二列方向的第二个数模糊相乘(0.2︿0.1)，依次类推得到下列各算式，按相乘取小，相加取大得出各数值 (0.2︿0.1)﹀(0.2︿0.1)﹀(0.2︿0.1)﹀(0.4︿0.2)= 0.2 (0.2︿0.2)﹀(0.2︿0.4)﹀(0.2︿0.2)﹀(0.4︿0.5)= 0.4 (0.2︿0.3)﹀(0.2︿0.2)﹀(0.2︿0.6)﹀(0.4︿0.3)= 0.3 (0.2︿0.4)﹀(0.2︿0.2)﹀(0.2︿0.1)﹀(0.4︿0)= 0.2 即A·R = [ 0.1, 0.2, 0.4, 0.3, 0.2 ] 归一化：[0.1/1.2, 0.2/1.2, 0.4/1.2, 0.3/1.2, 0.2/1.2] = [ 0.083, 0.167，0.333，0.250，0.167 ] 2、按经典矩阵运算（新第二版教材上的例题）： a、权重系数会事先给出，由此会得出集合A = [ 0.2, 0.2, 0.2, 0.4 ] b、指标集和评价集按下式列出，代入数据表示成集合R 评价集 V1 V2 V3 V4 V5 指 U10 0.1 0.2 0.3 0.4 标 U2 0.1 0.1 0.4 0.2 0.2 代入数据表示成 集 U3 0 0.1 0.2 0.6 0.1 U4 0 0.2 0.5 0.3 0
模糊综合评价代码
附录2、各章节中编程计算的MatLab程序 2.1 模糊综合评判计算程序 模糊综合评判的过程： ○1、灰色关联分析，求权重（程序见Relation）； ○2、模糊聚类分析，划分等级（程序见F_class）； ○3、隶属度计算，求隶属函数（程序见Subjection和subject）； ○4、模糊综合评判，计算各单元等级（程序见F_judge）。 各步骤的程序如下： （1）Relation：灰色关联分析程序 主程序： % 灰色关联分析：--母序列必须置为第一行！即x(1,:) clear; sq={'母指标','断层分维值','隔水层厚度','太会含水层水压','开采深度'}; m=5;n=81; fid=fopen('data1_no E_ZH.dat','r'); X_t=fscanf(fid,'%g',[n m]); % 从数据文件读入数据。 fclose(fid); x=X_t'; fori=1:m D(i,:)=initia_MAX(x(i,:),n); end fori=1:m-1 DT(i,:)=abs(D(1,:)-D(i+1,:)); end max=DT(1,1);min=DT(1,1); fori=1:m-1 for j=1:n if max