聚类法:汽车主观评价综合评分方法

我便爱 2021-02-25 16:02:55

摘要:本文以各项主观评价项目评分值为依据,运用模糊聚类分析的方法得到反映各“样本车型”与“目标车辆”(各项主观评价分值最优的车辆,下同)的“接近程度”的排序情况,依据此排序结果,构造“样本车型”的综合评价评分值并通过训练得到相应的BP神经网络结构。当输入车辆各项评价项目评分值后,该BP神经网络结构能够按照车辆与”目标车辆”的接近程度给出车辆综合评价评分值。该评分方法考虑了综合评价评分值中不同评价项目评分权重及评分均衡问题;同时该方法可为其他试验评分提供思路。


1“聚类法”简介


模糊聚类分析是研究多要素事物分类问题的数量方法,是根据样本自身的属性,用数学方法,按照某种相似或差异性指标,定量地确定样本之间的亲疏关系,并按这种亲疏关系程度对样本进行分类,该方法可用于主观评价结果分析、优化评价结果的准确性。


以制动性能主观评价为例,现有的方法主要为参考《EQCT-261-2001汽车主观评价试验方法通则》的“十分制”记分方式和《EQCT-270-2001汽车制动性能主观评价试验方法》的评价项目,制动性能综合评价的评分方法主要为取各项评价项目评分值的平均值(下文简称“平均值法”)[1]-[2]。“平均值法”得出的具有相近综合评价评分值的车辆往往不具有相似的主观评价感受,在下文表1中a/b/c/d/e车辆按“平均值法”得出的综合评价分值差距小于0.2分,以a/e车型第1项评价项目为例,a车型的5分值达到“用户感到烦扰”的程度而e车型6.5分值介于“满意”和“不合意”之间[1]-[2],差别较大;在“对标”设计改进的过程中,“平均值法”往往不能准确的量化“被试车辆”依据“目标车辆”的改进效果。


本文考虑用综合评价评分值量化体现“被试车辆”与“目标车辆”的“接近程度”,从而更直观的反映“对标”设计改进的效果和差距。选取某个具有丰富主观评价经验的驾驶员对5种具有代表性的军用越野车制动性能主观评价结果,首先以5种车型与”目标车辆”制动性能的各项评价项目评分值为样本,运用模糊聚类分析方法计算得到5种车型与”目标车辆”的聚类排序,为了将排序结果用分值量化,运用线性插值法对“平均值法”得出的评分值进行改造;然后以改造后的评分值为训练样本,构造传递函数,得到具体的BP神经网络结构,用于计算车辆综合评价评分值(这样处理计算车辆综合评价评分值的方法下文简称“聚类法”)。相比“平均值法”,“聚类法”更能够反映“被试车辆”与“目标车辆”各项主观评价项目评分值的接近程度,是一种新的主观评价综合评分方法。


2“聚类法”的排序原理


选取某个具有丰富主观评价经验的驾驶员对5种具有代表性的军用越野车的制动性能主观评价部分数据,将评分值作为样本数据,如表1所示,其中a/b/c/d/e代表5种代表性军用越野车车型,f为根据a/b/c/d/e各项评价项目评分值的最大值构造出来的”目标车辆”(也可根据需求以其他方式构造”目标车辆”)。本文参照《EQCT-270-2001汽车制动性能主观评价试验方法》,选取其中25项评价项目进行说明。

聚类法:汽车主观评价综合评分方法

通常在车辆设计的前期,我们是不明确制动性能主观评价项目的权重的,需要选取一款成熟的“目标车辆”进行对标设计改进,此时模糊聚类分析的方法就十分具有指导意义。模糊聚类分析一般是指根据研究对象本身的属性来构造模糊矩阵,并在此基础上根据一定的隶属度来确定聚类关系,即用模糊数学的方法把样本之间的模糊关系定量的确定,从而客观且准确地进行聚类。聚类就是将数据集分成多个类或簇,使得各个类之间的数据差别应尽可能大,类内之间的数据差别应尽可能小[3]。因此,本文通过比较a/b/c/d/e五个车型与f车型(取a/b/c/d/e各项评价项目评分值的最大值而构造出来的假设“目标车型”)在各项评价项目评分值的差异,使得与f车型数据差别越小的车型排序越靠前。


2.1构造样本矩阵


构造矩阵P=(Pmn)25×6,其中P矩阵的行代表a/b/c/d/e/f 6种车型;P矩阵的列代表每种车型的25项制动性能主观评价项目评分值。


2.2聚类排序


依据传统聚类方法确定相似程度数据,建立模糊相似矩阵。确定相似程度数据的方法主要有相似系数法、距离法、主观评分法等。其中,相似系数法又分为数量积法、夹角余弦法、相关系数法、几何平均最小法等[2]-[3]。本文采用最大最小法计算相似程度数据rij:


根据样本数据的实际情况,m取25。本文運用matlab软件编制相关程序进行数据处理,先将样本矩阵进行归一化处理,目的是方便计算,然后运用最大最小法得到模糊相似矩阵的传递闭包Q,并以此计算λ截矩阵,得到a/b/c/d/e 5种车型与f车型聚为一类的先后顺序。


部分程序如下[4]-[5]:


for i=1:6


for j=1:25


r(i,j)=P(i,j)/ma(j);


end


end


for i=1:6


for j=1:6


Q(i,j)=sum(min([r(i,:);r(j,:)]))/sum(max([r(i,:);r(j,:)]));


end


end


L=unique(Q)';


a=6;


D=zeros(a);


for m=length(L):-1:1


k=L(m);


for i=1:a


for j=1:a


if Q(i,j)>=k


D(i,j)=1;


else D(i,j)=0;


end


end


end


2.3结果对比


通过运行上述程序,可以得到a/b/c/d/e 5种车型基于模糊聚类分析的新排序,如下表2,可见a/b/c/d/e车型的排序发生了变化。

聚类法:汽车主观评价综合评分方法

3“聚类法”的量化评分


模糊聚类分析使得各车型根据制动性能主观评价项目评分值的“相关关系”重新排序,考虑了a/b/c/d/e车型和f车型的评分均衡和“目标逼近”的问题,但其只能给出排序结果,无法像“平均值法”一样给出综合评价的量化分值,这给我们实际运用造成了困难。为了方便评价,形成并优化评分数据库,在综合评分中体现不同车型跟目标车型的“差异性”,我们需要寻找途径去拟合模糊聚类分析给出的新排序的这种“非线性关系”,并以此给出更多车型的制动性能综合评价评分值。


神经网络技术自出现以来,广泛应用于各种非线性关系拟合,其中BP神经网络应用最为广泛。对复杂非线性关系的拟合是BP神经网络的优势所在,其拟合精度较高,且拟合精度可根据实际需要进行调整[6-8]。因此本文采用BP神经网络来拟合模糊聚类分析给出的新排序与综合评价分值的对应关系。


3.1确定训练样本


以现有的“平均值法”得出的综合评价分值为基础,采用“线性插值法”对a/b/c/d/e 5种车型综合评价分值进行改造。事实上,当表1中车型数量足够多或各子项目评分具有很好的代表性时,由线性插值得到的结果与“真实”分值之间的误差很小[9]。本文中a/b/c/d/e 5种车型按照“平均值法”得出的综合评价分值本身差距较小(小于0.15分),因此“线性插值法”不会带来很大的误差。根据实际情况也可采用分段线性插值法或抛物线插值法等方法进行拟合。


由于e车型的前后排名未发生变动,以e车型的“平均值法”结果为参考,选取适当的系数,对a/b/c/d四个车型的制动性能综合评价分值进行改造。并以此各车型改造后的制动性能综合评价分值作为BP神经网络的训练样本T。


3.2 BP神经网络训练


得到训练样本P后,需对BP神经网络进行训练。为此,运用MATLAB软件编制了相应程序进行计算,部分程序如下[9]-[10]:(其中P为样本矩阵,T为训练样本)


[p1,minp,maxp,t1,mint,maxt]=premnmx(P,T);


net=newff(minmax(P),[25,10,1],{'tansig','tansig','purelin'},'trainlm');


net.trainParam.epochs=5000;


net.trainParam.goal=0.0000001;


[net,tr]=train(net,p1,t1);


BP网络由输入层、隐层和输出层组成,隐层可以有一层或多层,本文选用隐层为1的模型,如图1所示是m×k×n(m、k、n分别代表各层的神经元个数)的三层BP网络模型。本文在选取隐层神经元个数的问题上参照了以下的经验公式(5),其中n为输入层神经元个数,m为输出层神经元个数,a为[1,10]之间的常数),网络选用S型传递函数(3),通过反传误差函数(4)(Ti为期望输出、Oi为网络的计算输出)不断调节网络权值和阈值使误差函数E达到极小值。根据(5)可以计算出神经元个数为8-17个之间,在本文中选择隐层神经元个数为10。


将样本矩阵P中各车型的制动性能25项主观评价分值带入此BP神经网络进行学习,得到该BP神经网络的具体结构,再依次将各车型制动性能25项主观评价分值带入该结构计算,最终得到样本车型的制动性能综合评价的计算值。各车型制动性能综合评价的计算值与理论值无误差,说明该BP网络结构拟合精度较好。

来源:《汽车科技》刘家杰 陈荣桐 李港生 曹大海 湛文琪

注:文章内的所有配图皆为网络转载图片,侵权即删!

免责声明

最新回答

还没有人评论哦,抢沙发吧~

为您推荐