发明名称 基于主元分析的通信台站装备维修保障能力评估方法
摘要 本发明提供了一种基于主元分析与理想点法的通信台站装备维修保障能力评估方法,建立短波固定通信台站维修保障能力评估指标体系,基于层次分析法确定指标权重,利用主元分析法与理想点法为维修保障能力进行评估。本发明综合考虑短波固定通信台站装备维修保障的各个环节,采用层析分析法建立短波固定通信台站装备维修保障能力评估的指标体系,后运用主元分析法与理想点法对该指标体系的维修保障能力进行评估,对分析短波通信台站维修保障能力,构建其维修保障体系具有一定的借鉴意义。
申请公布号 CN105930645A 申请公布日期 2016.09.07
申请号 CN201610238957.9 申请日期 2016.04.18
申请人 中国人民解放军重庆通信学院 发明人 李国军;周晓娜;何世彪;杨茜藓;李高峰;贾昕杰;郑鹤
分类号 G06F19/00(2011.01)I 主分类号 G06F19/00(2011.01)I
代理机构 重庆为信知识产权代理事务所(普通合伙) 50216 代理人 余锦曦
主权项 一种基于主元分析的通信台站装备维修保障能力评估方法,其特征在于,包括如下步骤:S1:建立短波固定通信台站维修保障能力评估指标体系;S2:基于层次分析法确定指标权重;S21:建立层次结构模型,分为三类层次:目标层、准则层和指标层;S22:构造判断矩阵C;S23:层次单排序及其一致性检验:对判断矩阵C,采用幂法、和积法或者方根法计算满足:CW=λ<sub>max</sub>W的特征根和特征向量,式中,λ<sub>max</sub>是判断矩阵C的最大特征根,W是对应于λ<sub>max</sub>的正规化特征向量,W的分量W<sub>i</sub>为同一层次因素对于上一层次某因素相对重要性排序的权值;对层次单排序的一致性进行检验;S25:层次总排序及其一致性检验:从最高层次到最低层次逐层顺序进行层次总排序,计算某一层次所有因素对于最高层相对重要性的权值:A层m个因素A<sub>1</sub>,A<sub>2</sub>,…,A<sub>m</sub>对最高层的总排序得到的权值排序为a<sub>1</sub>,a<sub>2</sub>,…,a<sub>m</sub>,B层n个因素对上层A中因素a<sub>i</sub>的层次单排序为<img file="FDA0000967364020000011.GIF" wi="278" he="72" />i=1,2,…,m,则B层的层次总排序为<img file="FDA0000967364020000012.GIF" wi="189" he="143" />j=1,2,…,n;对层次总排序的一致性进行检验;S3:利用主元分析法与理想点法为维修保障能力进行评估:评估通信台站的站点有m个,每个站点有n个评估指标,则采集矩阵的元素为x<sub>ij</sub>,i=1,2,…,m,j=1,2,…,n;S31:采用Z‑Score法对节点指标数据x<sub>ij</sub>进行标准化处理<img file="FDA0000967364020000013.GIF" wi="434" he="91" />式中,均值<img file="FDA0000967364020000021.GIF" wi="321" he="143" />标准差<img file="FDA0000967364020000022.GIF" wi="542" he="174" />从而得到标准化的样本决策矩阵Y=(y<sub>ij</sub>)<sub>m×n</sub>;S32:计算指标相关矩阵<img file="FDA0000967364020000023.GIF" wi="355" he="134" />S33:计算指标相关矩阵R的特征值λ<sub>1</sub>≥λ<sub>2</sub>≥...≥λ<sub>n</sub>≥0以及相应的特征向量α<sub>j</sub>=[α<sub>j1</sub>,α<sub>j2</sub>,…,α<sub>jn</sub>]<sup>T</sup>,j=1,2,…,n;S34:生成主成分决策矩阵:主成分F<sub>j</sub>=Yα<sub>j</sub>,选取归一化指标主元的累积能量贡献率满足<img file="FDA0000967364020000024.GIF" wi="379" he="159" />的前p个主成分,由此生成由前p个主成分作为低维指标的主成分决策矩阵:F=(z<sub>ij</sub>)<sub>m×p</sub>=[f<sub>1</sub>,f<sub>2</sub>,…,f<sub>p</sub>],由归一化指标主元的方差,得到主成分指标的权重为:<img file="FDA0000967364020000025.GIF" wi="333" he="157" />(j=1,2,…,p),最终构造出主成分加权决策矩阵为Z=(z<sub>ij</sub>)<sub>m×p</sub>=[μ<sub>1</sub>z<sub>1</sub>,μ<sub>2</sub>z<sub>2</sub>,…,μ<sub>p</sub>z<sub>p</sub>];S35:利用理想点法确定优化决策模型;首先,确定理想点:对于主成分加权决策矩阵为Z=(z<sub>ij</sub>)<sub>m×p</sub>,取<img file="FDA0000967364020000026.GIF" wi="988" he="198" />从而构造出征服理想点:<maths num="0001"><math><![CDATA[<mrow><mfenced open = "{" close = ""><mtable><mtr><mtd><mrow><msup><mi>A</mi><mo>+</mo></msup><mo>=</mo><mrow><mo>(</mo><msubsup><mi>z</mi><mn>1</mn><mo>+</mo></msubsup><mo>,</mo><msubsup><mi>z</mi><mn>2</mn><mo>+</mo></msubsup><mo>,</mo><mn>...</mn><mo>,</mo><msubsup><mi>z</mi><mi>p</mi><mo>+</mo></msubsup><mo>)</mo></mrow></mrow></mtd></mtr><mtr><mtd><mrow><msup><mi>A</mi><mo>-</mo></msup><mo>=</mo><mrow><mo>(</mo><mrow><msubsup><mi>z</mi><mn>1</mn><mo>-</mo></msubsup><mo>,</mo><msubsup><mi>z</mi><mn>2</mn><mo>-</mo></msubsup><mo>,</mo><mn>...</mn><mo>,</mo><msubsup><mi>z</mi><mi>p</mi><mo>-</mo></msubsup></mrow><mo>)</mo></mrow></mrow></mtd></mtr></mtable></mfenced><mo>;</mo></mrow>]]></math><img file="FDA0000967364020000027.GIF" wi="501" he="205" /></maths>随后,确定p维空间主成分与理想点的距离:<img file="FDA0000967364020000028.GIF" wi="518" he="390" />最后,计算各采样点主成分与理想点主元的相对贴近度,设第i个采样点与理想点主元的相对贴近度为<img file="FDA0000967364020000031.GIF" wi="451" he="79" />根据相对贴近度的大小对各采样点进行排序,Z<sub>i</sub>越大,则表示该采样点离理想点越近,离负理想点越远,该采样点越佳。
地址 400035 重庆市沙坪坝区林园甲一号