评价指标矩阵与指标的无量纲化
成本 型矩 阵
α j ：第 j 项指标的适度数值
效益 型矩 阵 线 性 比 例 变 换 法 成本 型矩 阵
a ij max a ij j min a ij j D = (d ij ) n×m , d ij = a ij min | aij α j | j | a ij α j |
a ij 表示第 i 个个个关于 j 项评价因素的指标值
I1 I2
I3
效益型指标的个个 成本型指标的个个 固定型指标的个个
效益型指标 成本型指标 固定型指标
越大越好 越小越好 既不能太大，也不能太小
效益 型矩 阵
极 差 变 换 法
(aij min a ij ) j (max a ij min a ij ) j j (max aij aij ) j B = (bij ) n×m , bij = (max aij min aij ) j j (max | a ij α j | | aij α j |) j max | a ij α j | min |a ij α j | j
评价指标矩阵与指标的无量纲化
T T n个个个个个的个个： A = { A1T , A2 ,..., An }
符 号 说 明
第 i 个个个关于第 m 项评价指标的指标值向量 ： A i = (a i1 , ai 2 , … , a im )
T
n 个个个关于 m 项综个评价指标的指标矩阵：
a11 a A = 21 … a n1 a12 a22 … an 2 a1m a2 m … anm
(aij ∈ I 1 )
(a ij ∈ I 2 )
(a ij ∈ I 3 )
α j ：第 j 项指标的适度数值
(max a ij a ij ) j (max a ij min a ij ) j j (a ij min aij ) j C = (cij ) n×m , cij = (max a ij min a ij ) j j | a α | min | a α | ij j ij j j max | a α | min | a α | ij j ij j j j (aij ∈ I 1 ) (a ij ∈ I 2 ) (a ij ∈ I 3 )
(a ij ∈ I 1 ) (a ij ∈ I 2 ) (aij ∈ I 3 )
α j ：第 j 项指标的适度数值
min a ij j a ij a ij E = (eij ) n×m , eij = max a ij j | a α | ij j max | a ij α j | j
(a ij ∈ I 1 ) (aij ∈ I 2 ) (a ij ∈ I 3 )
α j ：第 j 项指标的适度数值
多指标综合评价中赋权方法评析
多指标综合评价中赋权方法评析在多指标综合评价中，赋权方法的选择对于评价结果的准确性和可靠性具有重要影响。
本文将介绍多指标综合评价中常见的赋权方法，并对其优缺点进行分析，旨在为实际应用中合理选择赋权方法提供参考。
多指标综合评价是指通过多个相互关联的指标来评价某一对象或系统的整体性能。
赋权方法是指根据各指标对整体评价的重要性程度，给予相应的权重，以便在综合评价时体现各指标的重要性差异。
常见的赋权方法包括主观赋权法和客观赋权法。
主观赋权法是根据专家的经验、知识和判断力，对各指标赋予相应的权重；客观赋权法则根据指标之间的相关关系或变异程度等客观信息确定权重。
主观赋权法的优点在于能够充分反映专家的经验和判断力，适用于具有不确定性和复杂性的评价问题。
但是，主观赋权法也容易受到专家主观意识的影响，导致赋权结果缺乏客观性和公正性。
客观赋权法的优点在于能够根据客观信息来确定权重，避免主观赋权法的主观性和片面性。
但是，客观赋权法往往忽略了专家的经验和判断力，无法充分反映各指标对评价目标的重要程度。
在实际应用中，可以根据具体问题的特点选择合适的赋权方法。
例如，对于具有较强主观性的评价问题，可以选择主观赋权法来赋予各指标权重；对于客观性较强的评价问题，可以选择客观赋权法来确定权重。
另外，也可以将主观赋权法和客观赋权法相结合，形成一种综合赋权方法，以充分利用两者的优点，避免其缺点。
在多指标综合评价中，赋权方法的选择应根据具体问题的特点进行判断。
在实际应用中，应充分考虑各种赋权方法的优缺点，合理选择和应用，以提高评价结果的准确性和可靠性。
下一步研究方向是多指标综合评价中赋权方法的优劣比较和组合应用。
未来可以进一步探索不同赋权方法的组合方式，以更好地体现各指标对整体评价的重要性；也可以研究如何将多指标综合评价应用于实际问题的解决，例如在环境质量评估、经济发展评价等领域的应用。
这将有助于提高多指标综合评价的应用价值和实用性。
在当今复杂的社会和经济环境中，多指标综合评价方法被广泛应用于各个领域，如经济学、环境学、生物学等。
指标无量纲化处理方法
指标无量纲化处理方法指标无量纲化处理方法是对数据进行处理，以便消除不同指标之间的量纲差异，使得不同指标能够具有可比性。
在实际应用中，往往需要对多个指标进行分析和比较，而这些指标往往具有不同的量纲和取值范围，如果直接进行比较和分析，很容易产生误导性的结果。
因此，无量纲化处理方法的应用具有重要的实际意义。
常用的指标无量纲化处理方法包括标准化、区间缩放法和归一化等。
下面将分别介绍这些方法的原理和应用。
1. 标准化标准化是指将数据按照一定的比例缩放，使其均值为0，标准差为1。
常用的标准化方法有Z-Score标准化和小数定标标准化。
Z-Score标准化通过减去均值并除以标准差，将数据转化为服从标准正态分布的数据。
小数定标标准化则是将数据除以一个固定的值，如最大值或者范围，将数据映射到[0,1]之间。
2. 区间缩放法区间缩放法是将数据按照一定的比例缩放到一个固定的区间内。
常用的区间缩放方法有线性函数和非线性函数两种。
线性函数方法通过线性变换将数据映射到指定的区间范围内，如将数据映射到[0,1]或[-1,1]之间。
非线性函数方法则是通过非线性变换将数据映射到指定的区间范围内，如将数据映射到[0,1]或[-1,1]之间。
3. 归一化归一化是将数据按照一定的比例缩放到[0,1]之间。
常用的归一化方法有最小-最大归一化和绝对值归一化两种。
最小-最大归一化将数据减去最小值并除以最大值与最小值之差，将数据映射到[0,1]之间。
绝对值归一化则是将数据除以其绝对值的和，将数据映射到[-1,1]之间。
指标无量纲化处理方法的选择应根据数据的特点和实际需求进行。
例如，在进行聚类分析时，常常使用标准化方法，以便消除指标之间的量纲差异，使得不同指标对聚类结果的影响相同。
在进行数据可视化时，常常使用区间缩放法或归一化方法，以便将数据映射到合适的区间范围内，使得数据能够在图表中清晰可见。
在实际应用中，需要注意以下几点：1. 对于存在异常值的数据，应先进行异常值处理，再进行指标无量纲化处理，以免异常值对结果产生影响。
多指标综合评价中指标正向化和无量纲化方法的选择
多指标综合评价中指标正向化和无量纲化方法的选择叶宗裕摘要：本文用实例说明了多指标综合评价中，用“倒数逆变换法”进行指标正向化时会完全改变原指标的分布规律，影响综合评价结果的准确性；对三种常用无量纲化方法——极差变换法、标准化法和均值化法的选择使用问题，用实例进行了比较分析。
关键词：综合评价，正向化，无量纲化，标准化法，均值化法在多指标综合评价中，有些是指标值越大评价越好的指标，称为正向指标（也称效益型指标或望大型指标）；有些是指标值越小评价越好的指标，称为逆向指标（也称成本型指标或望小型指标），还有些是指标值越接近某个值越好的指标，称为适度指标。
在综合评价时，首先必须将指标同趋势化，一般是将逆向指标和适度指标转化为正向指标，所以也称为指标的正向化。
不同评价指标往往具有不同的量纲和量纲单位，直接将它们进行综合是不合适的，也没有实际意义。
所以必须将指标值转化为无量纲的相对数。
这种去掉指标量纲的过程，称为指标的无量纲化（也称同度量化），它是指标综合的前提。
在多指标评价实践中，常将指标无量纲化以后的数值作为指标评价值，此时，无量纲化过程就是指标实际值转化为指标评价值（即效用函数值）的过程，无量纲化方法也就是指如何实现这种转化。
从数学角度讲就是要确定指标评价值依赖于指标实际值的一种函数关系式，即效用函数f j。
因此，指标的无量纲化是综合评价的一项重要内容，对综合评价结果有重要影响。
指标的正向化和无量纲化都有多种方法，应用时，应根据实际情况选择合适的方法，否则将会使综合评价的准确性受到影响。
本章就如何选择正向化和无量纲化方法作些讨论。
（一）关于指标正向化方法对于指标的正向化，在实际应用中许多学者常使用将指标取倒数的方法（苏为华教授称其为“倒数逆变换法”[1]），写成公式为：y ij=C/x ij（1）其中C为正常数，通常取C=1。
很明显，用（1）式作为指标的正向化公式时，当原指标值x ij较大时，其值的变动引起变换后指标值的变动较慢；而当原指标值较小时，其值的变动会引起变换后指标值的较快变动。
6-无量纲化方法
1、对多指标综合评价而言，无量纲化的结 果即评价值本身就是对被评价事物发展水 平的一种相对描述，而不是一个绝对的刻 度。因而在不影响被评价对象间相对地位 的前提下，允许用近似的、简化的直线关 系来代替曲线关系。
2、曲线型公式并不是在任何情况下都比直 线型公式精确，这种精确是有条件的，如 果曲线型公式中的参数选取不当，其结果 很难是客观的，然而参数确定又是较为困 难的。在参数确定没有把握的情况下，不 如用直线型方法来代替。现代管理的一个 重要思想是，应该追求相对意义的满意解， 而不是绝对意义上的最优解，在无量纲化 方法的选取上，也是如此。
一、直线型无量纲化方法
直线型无量纲化方法是在将指标实际值 转化为不受量纲影响的指标评价值时， 假定二者之间呈线性关系，指标数实际 值的变化引起指标评价值一个相应的比 例变化。常用的直线型无量纲化方法有 以下三种：
（ 一）阈值法
阈值也称临界值，是衡量事物发展变化 的一些特殊指标值，比如极大值、极小 值、满意值、不允许值等。阈值法是用 指标实际值与阈值相比以得到指标评价 值的无量纲化方法，主要公式及特点等 如表所示，其中 n 为参评单位的个数。
阈值参数的确定要把握好以下几点： 1、具体的情况具体分析。阈值参数的确定要 以社会经济现象实际状况为依据，要根据 与被评价对象有关的空间范围资料和历史 资料为基础。比如，同行业某项经济效益 的历史最好水平，一定条件下损亏平衡点 的销售量，等等，就可以作为阈值或折点 的参考依据。
2、Biblioteka 值参数的确定还要注意到社会经济现象 的发展变化趋向，把变化估计数值作为制 定时的参考。比如，生活质量指数中，一 岁期望寿命最高值就是在世界最高水平的 基础上再加上两岁得到的；婴儿死亡率最 低值（7‰）是在世界最低水平基础上再减 去1‰ 所得到的。这种考虑发展余地的处理， 阈值参数相对稳定些，便于综合评价结果 的动态对比。
23数据的无量纲化处理及示例
数据的无量纲处理方法及示例在对实际问题建模过程中，特别是在建立指标评价体系时，常常会面临不同类型的数据处理及融合。
而各个指标之间由于计量单位和数量级的不尽相同， 从而使得各指标间不具有可比性。
在数据分析之前，通常需要先将数据标准化， 利用标准化后的数据进行分析。
数据标准化处理主要包括同趋化处理和无量纲化处理两个方面。
数据的同趋化处理主要解决不同性质的数据问题，对不同性质指标直接累加不能正确反应不同作用力的综合结果， 须先考虑改变逆指标数据性质， 使所有指标对评价体系的作用力同趋化。
数据无量纲化主要解决数据的不可比性，在此处主要介绍几种数据的无量纲化的处理方式。
（1）极值化方法 可以选择如下的三种方式：即每一个变量除以该变量取值的全距，标准化后的每个变量的取值范围限于x i - min x - min(B) X= mx^=F即每一个变量与变量最小值之差除以该变量取值的全距, 于［0,1］。
, X（C ） X 二一」，即每一个变量值除以该变量取值的最大值，标准化后使变量的最大取 max值为1。
采用极值化方法对变量数据无量纲化是通过变量取值的最大值和最小值将原始数据转换为界于某一特定范围的数据，从而消除量纲和数量级的影响。
纲化过程中仅仅对该变量的最大值和最小值这两个极端值有关， 该方法在改变各变量权重时过分依赖两个极端取值。
（2）标准化方法, x - x 利用X j 二勺来计算，即每一个变量值与其平均值之差除以该变量的标准差，无量s纲化后各变量的平均值为 0,标准差为1，从而消除量纲和数量级的影响。
虽然该方法在无 量纲化过程中利用了所有的数据信息， 但是该方法在无量纲化后不仅使得转换后的各变量均 值相同，且标准差也相同，即无量纲化的同时还消除了各变量在变异程度上的差异。
（3）均值化方法, X计算公式为：X i = L ，该方法在消除量纲和数量级影响的同时，保留了各变量取值差X i异程度上的信息。
（4）标准差化方法X ・计算公式为：X i = L 。
指标无量纲化处理
指标无量纲化处理是一种数据预处理方法，用于消除不同指标之间的量纲影响，使得不同指标之间可以进行比较和分析。
具体来说，无量纲化处理通过将原始指标值转化为一个相对大小，从而消除不同量纲之间的差异。
这样可以使得不同指标之间的数据可以进行加总、比较和分析。
常见的无量纲化处理方法包括：
1. 标准化：将原始数据减去均值，再除以标准差，得到标准化的数据。
这样可以使得数据的均值为0，标
准差为1，从而消除量纲和量级的影响。
2. 归一化：将原始数据除以最大值，得到归一化的数据。
这样可以使得数据的最大值为1，最小值为0，
从而使得不同量纲之间的差异被消除。
3. 比重化：将原始数据除以该指标的总和，得到比重化的数据。
这样可以使得数据的总和为1，从而使得
不同量纲之间的差异被消除。
4. 对数化：将原始数据的自然对数转换为对数值，这样可以使得数据的分布更加接近正态分布，从而消
除量级和偏态的影响。
总之，无量纲化处理是一种重要的数据预处理方法，可以消除不同指标之间的量纲影响，使得不同指标之间可以进行比较和分析。
具体使用哪种无量纲化处理方法需要根据实际情况和数据特征进行选择。
6-无量纲化方法
为此，我们运用美国学者L.A.Zadeh提 出的模糊隶属度函数的方法设计出了一 种模糊无量纲化方法。模糊隶属度函数 法又分为直线型、折线型和曲线型，由 于直线型较容易操作，为此笔者就采用 直线型模糊无量纲化方法。此方法的操 作步骤是：
（一）确定各个评价指标的“优”、“劣” 上下限 进行模糊量化首先需要确定各个评价指标 的“优”、“劣”上下限，即各个指标最 大值 X im 和最小值 X in 。在具体确定过程中， 我们规定，对正向指标以目标标准值为 ； X im 正向指标的最小值规定为0。 对逆向指标也以目标标准值为 X in ，其 X in 要根据该指标的性质以及评价对象的总体 目标要求确定其“阈值”，也就是说该指 标如果超过这个“阈值”，就等于偏离了 正常的发展方向。
无论指标实际值如何，指标的评价值总是 分布在零的两侧。指标实际值比平均值大 的，其评价值为正；反之为负。实际值距 平均值越远，则其评价值距零越远。
这种方法与阈值法最大的不同在于：第一， 它利用了原始数据的所有信息；第二，它 要求样本数据较多；第三，它的评价值结 果超出[0，1]区间，有正有负。为了更符合 习惯，可以将其转化为百分数形式，比如 用公式（5-4）表示：
均值转化为60，超过均值的转化为60以上， 反之在60以下。这种“百分数”还不同于 一般的百分数，因为个别极端数值的转化 值可能超出[0,100]区间。另外，也有的将 均值转化为50。
（三）比重法 （三）比重法
比重法是将指标实际值转化为它在指标值 总和中所占的比重，主要公式有：
公式（5-5）适合指标值均为正数的情况， 且评价值之和 权重系数
1、对正向指标，采用半升梯形模糊隶属度函数进行 量化。即：
综合评价的相关理论
构成综合评价问题的五个要素分别为:被评价对象、评价指标、权重系数、综合评价模型和评价者。
(评价目的、评价结果)评价程序：熟悉评价对象、确立评价指标体系、确定指标权重、建立评价模型、分析评价结果（1）被评价对象被评价对象就是综合评价问题中所研究的对象，或称为系统。
通常情况下，在一个问题中被评价对象是属于同一类的，且个数要大于1，不妨假设一个综合评价问题中有n 个被评价对象（或系统），分别记为12,,,(1)n S S S n > 。
（2）评价指标评价指标是反映被评价对象(或系统)的运行(或发展)状况的基本要素。
通常的问题都是有多项指标构成，每一项指标都是从不同的侧面刻画系统所具有某种特征大小的一个度量。
一个综合评价问题的评价指标一般可用一个向量表示，其中每一个分量就是从一个侧面反映系统的状态，即称为综合评价的指标体系。
（3）权重系数每一综合评价的问题都有相应的评价目的，针对某种评价目的，各评价指标之间的相对重要性是不同的，评价指标之间的这种相对重要性的大小可以用权重系数来刻画。
如果用j w 来表示评价指标(1,2,,)j x j m = 的权重系数，则应有0(1,2,,)j w j m ≥= ，且11mj j w ==∑。
（4）综合评价模型对于多指标（或多因素）的综合评价问题,就是要通过建立合适的综合评价数学模型将多个评价指标综合成为一个整体的综合评价指标，作为综合评价的依据，从而得到相应的评价结果。
（5）评价者评价者是直接参与评价的人，可以是某一个人，也可以是一个团体。
对于评价目的选择、评价指标体系确定、评价模型的建立和权重系数的确定都与评价者有关。
（6）评价目的对某一事物开展综合评价，首先要明确为什么要综合评价，评价事物的哪一方面，评价的精确度要求如何，等等。
（7）评价结果输出评价结果并解释其含义，依据评价结果进行决策。
应该注意的是，应正确认识综合评价方法，公正看待评价结果。
综合评价结果只具有相对意义，即只能用于性质相同的对象之间的比较和排序。
数学建模综合评价方法
建模参考资料 综合评价方法一、关于评价指标所谓指标就是用来评价系统的参量．例如，在校学生规模、教学质量、师资结构、科研水平等，就可以作为评价高等院校综合水平的主要指标．一般说来，任何—个指标都反映和刻画事物的—个侧面．从指标值的特征看，指标可以分为定性指标和定量指标．定性指标是用定性的语言作为指标描述值，定量指标是用具体数据作为指标值．例如，旅游景区质量等级有5A 、4A 、3A 、2A 和1A 之分，则旅游景区质量等级是定性指标；而景区年旅客接待量、门票收入等就是定量指标．从指标值的变化对评价目的的影响来看，可以将指标分为以下四类：(1)极大型指标(又称为效益型指标)是指标值越大越好的指标；(2)极小型指标(又称为成本型指标)是指标值越小越好的指标；(3)居中型指标是指标值既不是越大越好，也不是越小越好，而是适中为最好的指标；(4) 区间型指标是指标值取在某个区间内为最好的指标．例如，在评价企业的经济效益时，利润作为指标，其值越大，经济效益就越好，这就是效益型指标；而管理费用作为指标，其值越小，经济效益就越好，所以管理费用是成本型指标．再如建筑工程招标中，投标报价既不能太高又不能太低，其值的变化范围一般是(10%,5%)-+×标的价，超过此范围的都将被淘汰，因此投标报价为区间型指标．投标工期既不能太长又不能太短，就是居中型指标．在实际中，不论按什么方式对指标进行分类，不同类型的指标可以通过相应的数学方法进行相互转换1 评价指标的处理方法一般情况下，在综合评价指标中，各指标值可能属于不同类型、不同单位或不同数量级，从而使得各指标之间存在着不可公度性，给综合评价带来了诸多不便．为了尽可能地反映实际情况，消除由于各项指标间的这些差别带来的影响，避免出现不合理的评价结果，就需要对评价指标进行一定的预处理，包括对指标的一致化处理和无量纲化处理．1．指标的一致化处理所谓一致化处理就是将评价指标的类型进行统一．一般来说，在评价指标体系中，可能会同时存在极大型指标、极小型指标、居中型指标和区间型指标，它们都具有不同的特点．如产量、利润、成绩等极大型指标是希望取值越大越好；而成本、费用、缺陷等极小型指标则是希望取值越小越好；对于室内温度、空气湿度等居中型指标是既不期望取值太大，也不期望取值太小，而是居中为好．若指标体系中存在不同类型的指标，必须在综合评价之前将评价指标的类型做一致化处理．例如，将各类指标都转化为极大型指标，或极小型指标．一般的做法是将非极大型指标转化为极大型指标．但是，在不同的指标权重确定方法和评价模型中，指标一致化处理也有差异．(1) 极小型指标化为极大型指标对极小型指标j x ，将其转化为极大型指标时，只需对指标j x 取倒数：1j jx x '=， 或做平移变换： j j j x M x '=-，其中1 max{}j ij i nM x ≤≤=，即n 个评价对象第j 项指标值ij x 最大者． (2) 居中型指标化为极大型指标对居中型指标j x ，令1 max{}j ij i n M x ≤≤=，1 min{}j ij i nm x ≤≤=，取 就可以将j x 转化为极大型指标．(3) 区间型指标化为极大型指标对区间型指标j x ，j x 是取值介于区间[,]j j a b 内时为最好，指标值离该区间越远就越差．令1 max{}j ij i n M x ≤≤=，1 min{}j ij i nm x ≤≤=， max{,},j j j j j c a m M b =--取 就可以将区间型指标j x 转化为极大型指标．类似地，通过适当的数学变换，也可以将极大型指标、居中型指标转化为极小型指标．2．指标的无量纲化处理所谓无量纲化，也称为指标的规范化，是通过数学变换来消除原始指标的单位及其数值数量级影响的过程．因此，就有指标的实际值和评价值之分．—般地，将指标无量纲化处理以后的值称为指标评价值．无量纲化过程就是将指标实际值转化为指标评价值的过程．对于n 个评价对象12,,,n S S S ，每个评价对象有m 个指标，其观测值分别为 (1,2,,;1,2,,)ij x i n j m ==． (1) 标准样本变换法令 其中样本均值11n j ij i x x n ==∑，样本均方差j s =*ij x 称为标准观测值． 特点：样本均值为0，方差为1；区间不确定，处理后各指标的最大值、最小值不相同；对于指标值恒定(0j s =)的情况不适用；对于要求指标评价值*0ij x >的评价方法(如熵值法、几何加权平均法等)不适用．(2) 线性比例变换法对于极大型指标，令对极小型指标，令或该方法的优点是这些变换方式是线性的，且变化前后的属性值成比例．但对任一指标来说，变换后的*1ij x =和*0ij x =不一定同时出现．特点：当0ij x ≥时，*[0,1]ij x ∈；计算简便，并保留了相对排序关系． (3) 向量归一化法对于极大型指标，令对于极小型指标，令优点：当0ij x ≥时，*[0,1]ij x ∈，即*21()1n ij i x ==∑．该方法使*01ij x ≤≤，且变换前后正逆方向不变；缺点是它是非线性变换，变换后各指标的最大值和最小值不相同．(4) 极差变换法对于极大型指标，令对于极小型指标，令其优点为经过极差变换后，均有*01ij x ≤≤，且最优指标值*1ij x =，最劣指标值*0ij x =．该方法的缺点是变换前后的各指标值不成比例，对于指标值恒定(0j s =)的情况不适用．(5) 功效系数法令其中,c d 均为确定的常数．c 表示“平移量”，表示指标实际基础值，d 表示“旋转量”，即表示“放大”或“缩小”倍数，则*[,]ij x c c d ∈+．通常取60,40c d ==，即则*ij x 实际基础值为60，最大值为100，即*[60,100]ij x ∈． 特点：该方法可以看成更普遍意义下的一种极值处理法，取值范围确定，最小值为c ，最大值为c d +．3．定性指标的定量化在综合评价工作中，有些评价指标是定性指标，即只给出定性地描述，例如：质量很好、性能一般、可靠性高、态度恶劣等．对于这些指标，在进行综合评价时，必须先通过适当的方式进行赋值，使其量化．一般来说，对于指标最优值可赋值10.0，对于指标最劣值可赋值为0.0．对极大型和极小型定性指标常按以下方式赋值．(1) 极大型定性指标量化方法对于极大型定性指标而言，如果指标能够分为很低、低、一般、高和很高等五个等级，则可以分别取量化值为1.0,3.0,5.0,7.0和9.0，对应关系如图2所示．介于两个等级之间的可以取两个分值之间的适当数值作为量化值．图2 法 (2) 极对于极小型定性指标而言，如果指标能够分为很高、高、一般、低和很低等五个等级，则可以分别取量化值为1.0,3.0,5.0,7.0和9.0，对应关系如图3所示．介于两个等级之间的可以取两个分值之间的适当数值作为量化值．二、关于模糊综合评价方法在客观世界中，存在着许多不确定性现象，这种不确定性有两大类：一类是随机性现象，即事物对象是明确的，由于人们对事物的因果律掌握不够，使得相应结果具有不可预知性，例如晴天、下雨、下雪，这是明确的，但出现规律不确定；另一类是模糊性现象，即某些事物或概念的边界不清楚，使得事物的差异之间存在着中间过渡过程或过渡结果，例如年轻与年老、高与矮、美与丑等，这种不确定性现象不是人们的认识达不到客观实际所造成的，而是事物的一种内在结构的不确定属性，称为模糊性现象． 模糊数学就是用数学方法研究和处理具有“模糊性”现象的一个数学分支．而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，进行综合评价的一种方法．．1隶属度函数的确定方法隶属度的思想是模糊数学的基本思想，确定符合实际的隶属函数是应用模糊数学方法建立数学模型的关键，然而这是至今尚未完全解决的问题．下面介绍几种常用的确定隶属函数的方法．⑴ 模糊统计法模糊统计法是利用概率统计思想确定隶属度函数的一种客观方法，是在模糊统计的基础上根据隶属度的客观存在性来确定的．下面以确定青年人的隶属函数为例来介绍其主要过程．① 以年龄为论域X ，在论域X 中取一固定样本点027x =．② 设*A 为论域X 上随机变动的普通集合，A 是青年人在X 上以*A 为弹性边界的模糊集，对*A 的变动具有制约作用．其中0x A ∈，或0x A ∉，使得0x 对A 的隶属关系具有不确定性．然后进行模糊统计试验，若n 次试验中覆盖0x 的次数为n m ，则称n m n 为0x 对于A 的隶属频率．由于当试验次数n 不断增大时，隶属频率趋于某一确定的常数，该常数就是0x 属于A 的隶属度，即比如在论域X 中取027x =，选择若干合适人选，请他们写出各自认为青年人最适宜最恰当的年龄区间(从多少岁到多少岁)，即将模糊概念明确化．若n 次试验中覆盖27岁的年龄区间的次数为m ，则称m n为27岁对于青年人的隶属频率，表4是抽样调查统计的结果．由于27岁对于青年人的隶属频率稳定在0．78附近，因此可得到027x =属于模糊集A 的隶属度(27)0.78A μ=．③ 在论域中适当的取若干个样本点12n ，分别确定出其隶属度()(1,2,,)i A x i n μ=，建立适当坐标系，描点连线即可得到模糊集A 的隶属函数曲线．将论域X 分组，每组以中值为代表分别计算各组隶属频率，连续地描出图形使得到青年人的隶属函数曲线，见表5与图5所示．确定模糊集合隶属函数的模糊统计方法，重视实际资料中包含的信息，采用了统计分析手段，是一种应用确定性分析揭示不确定性规律的有效方法．特别是对一些隶属规律不清楚的模糊集合，也能较好地确定其隶属函数．⑵三分法也是利用概率统计中思想以随机区间为工具来处理模糊性的的一种客观方法．例如建立矮个子1A ，中等个子2A ，高个子3A 三个模糊概念的隶属函数．设3{}P =矮个子,中等个子,高个子，论域X 为身高的集合，取(0,3)X =(单位：m)．每次模糊试验确定X 的一次划分，每次划分确定一对数(,)ξη，其中ξ为矮个子与中等个子的分界点，η为中等个子与高个子的分界点，从而将模糊试验转化为如下随机试验：即将(,)ξη看作二维随机变量，进行抽样调查，求得ξ、η的概率分布()P x ξ、()P x η后，再分别导出1A 、2A 和3A 的隶属函数1()A x μ、2()A x μ和3()A x μ，相应的示意图如图6所示．通常ξ和η分别服从正态分布211(,)N a σ和222(,)N a σ，则1A 、2A 和3A 的隶属函数分别为其中22().t x x e dt π-Φ=⎰ ⑶ 模糊分布法根据实际情况，首先选定某些带参数的函数，来表示某种类型模糊概念的隶属函数（论域为实数域），然后再通过实验确定参数． 图5 年轻人的隶属函数曲线 图6 由概率分布确定模糊集隶属函数在客观事物中，最常见的是以实数集作论域的情形．若模糊集定义在实数域R 上，则模糊集的隶属函数便称为模糊分布．下面给出几种常用的模糊分布，在以后确定隶属函数时，就可以根据问题的性质，选择适当(即符合实际情况)模糊分布，根据测量数据求出分布中所含的参数，从而就可以确定出隶属函数了．为了选择适当的模糊分布，首先应根据实际描述的对象给出选择的大致方向． 偏小型模糊分布适合描述像“小”、“冷”、“青年”以及颜色的“淡”等偏向小的一方的模糊现象，其隶属函数的一般形式为偏大型模糊分布适合描述像“大”、“热”、“老年”以及颜色的“浓”等偏向大的一方的模糊现象，其隶属函数的一般形式为中间型模糊分布适合描述像“中”、“暖和“、“中年”等处于中间状态的模糊现象，其隶属面数可以通过中间型模糊分布表示．① 矩形(或半矩形)分布图7矩形(或半矩形)分布示意图 ② 梯形(或半梯形)分布③ 抛物形分布 (a)偏小型 (b)偏大型 (c)中间型抛物形分布的示意图如图9所示． ④ 正态分布(a)偏小型 (b) (c)⑤ (a)偏小型 (b)偏大型 (c)中间型(a)偏小型 (b)偏大型 (c)中间型(a)偏小型 (b)偏大型 (c)中间型 图8梯形(或半梯形)分布示意图(a)偏小型 (b)偏大型 (c)中间型(a)偏小型 (b)偏大型 (c)中间柯西形分布的示意图如图11所示．(a)偏小型(b)偏大型(c)中间型(a) 偏小型 (b)偏大型 (c)中间型图12 Γ型分布示意图。
列举几种无量纲化方法公式
列举几种无量纲化方法公式无量纲化方法就是把数据的单位去掉，把数据变成没有量纲的纯数值，这样方便不同数据之间进行比较和分析呢。
下面就给你介绍几种常见的无量纲化方法公式呀。
一、线性比例变换法。
对于正向指标（数值越大越好的指标），公式是：x_ij^*=frac{x_ij}{x_jmax}。
这里的x_ij是原始数据中第i个样本的第j个指标的值，x_jmax是第j个指标的最大值。
比如说呀，我们要对一群学生的考试成绩进行无量纲化，成绩就是正向指标。
如果某个学生数学考了80分，这个学科里最高的是100分，那按照这个公式，无量纲化后的值就是80÷100 = 0.8啦。
对于负向指标（数值越小越好的指标），公式就变成了：x_ij^*=frac{x_jmin}{x_ij}。
就像我们考虑学生的作业错误率，这就是个负向指标。
要是一个学生的错误率是20%，这个指标里最小的错误率是10%，那无量纲化后的值就是10%÷20% = 0.5呢。
二、极差变换法。
对于正向指标，公式是：x_ij^*=frac{x_ij-x_jmin}{x_jmax-x_jmin}。
这个就像是把原始数据的范围进行了一个拉伸或者压缩。
还说学生成绩的例子哈，如果一个学生成绩是80分，这个学科最低分是60分，最高分是100分，那按照这个公式算呢，就是(80 - 60)÷(100 - 60)=0.5。
对于负向指标呢，公式是：x_ij^*=frac{x_jmax-x_ij}{x_jmax-x_jmin}。
三、标准化方法。
公式是：x_ij^*=frac{x_ij-¯x_j}{s_j}。
这里的¯x_j是第j个指标的均值，s_j是第j 个指标的标准差。
这个方法在很多数据分析里都很常用哦。
想象一下我们统计一群人的身高数据，先算出平均身高和身高的标准差，然后按照这个公式就可以把每个人的身高数据无量纲化啦。
这些无量纲化方法各有各的特点和适用场景，就像不同的小工具，在不同的数据处理小任务里发挥着大作用呢。