一种结合区间评价与云模型的科研人员能力增量评估方法与流程

1.本发明涉及科研人员能力增量评估技术领域，尤其是涉及一种结合区间评价与云模型的科研人员能力增量评估方法。


背景技术：

2.能力增量评估是检验科研人员训练效果的关键，在科研人员能力增量评价指标权重给定的前提下，需要给出指标间的向上聚合方法。通过将各同层下级指标评分聚合为上级指标评分，从而不断聚合得到科研人员能力增量的最终评分。云模型方法是一种常用的聚合方法，云模型将随机性与模糊性进行了巧妙结合，实现了定性与定量指标值之间的相互转换。传统云模型的逆向云发生器是针对点数值样本。即需要专家组给出指标的点数值评分才能将评分有效转化为对应的指标云模型。考虑到科研人员能力增量的评价指标大多需要专家进行定性评价，因此，专家很难给出指标的准确点值评分。为降低专家评估难度，应允许专家对指标进行区间评价。而直接根据区间运算法则结合区间评价与云模型，会使区间云模型呈范围形式存在。同时由于区间扩张效应的存在，会使评估结果大幅失准。


技术实现要素：

3.本发明的目的在于提供一种结合区间评价与云模型的科研人员能力增量评估方法，以提高科研人员能力增量评估结果的准确性。
4.本发明提供的一种结合区间评价与云模型的科研人员能力增量评估方法，获取科研人员能力增量评估指标体系表；其中，科研人员能力增量评估指标体系表中包括至少一个层级的科研人员能力增量的多个评估指标，以及每个评估指标的权重；针对每个无下级节点的第一评估指标，获取针对目标科研人员的该第一评估指标对应的多个区间分值；基于多个区间分值，计算该第一评估指标对应的第一指标云模型；判断第一指标云模型是否稳定；如果每个第一指标云模型均稳定，基于每个第一评估指标的权重和每个第一指标云模型，确定除每个第一评估指标之外的其他每个层级的第二评估指标的第二指标云模型；基于每个第一指标云模型和每个第二指标云模型确定目标科研人员的每个评估指标的评估结果和指标评分。
5.进一步的，基于多个区间分值，计算该第一评估指标对应的第一指标云模型的步骤包括：基于多个区间分值，计算该第一评估指标的均值、一阶绝对中心矩和方差；根据均值、一阶绝对中心矩和方差，计算该第一评估指标对应的第一指标云模型。
6.进一步的，基于多个区间分值，计算该第一评估指标的均值、一阶绝对中心矩和方差的步骤通过以下公式计算得到：
其中，表示第p个评估指标的均值；n表示第p个评估指标对应的区间分值的数量；k表示第p个评估指标对应的第k个区间分值；和分别表示第p个评估指标对应的第k个区间分值中的分值下限和分值上限；表示第p个评估指标对应的一阶绝对中心矩；表示第p个评估指标对应的第k个区间分值对应的概率密度函数；表示第p个评估指标的方差。
7.进一步的，第一指标云模型包括该第一评估指标对应的期望、熵和超熵；根据均值、一阶绝对中心矩和方差，计算该第一评估指标对应的第一指标云模型的步骤包括：将所述均值确定为该第一评估指标的期望；将所述一阶绝对中心矩与预设系数相乘，得到该第一评估指标的熵；基于该第一评估指标的方差和熵，得到该第一评估指标的超熵。
8.进一步的，第一指标云模型包括该第一评估指标对应的期望、熵和超熵；基于第一指标云模型，判断第一指标云模型是否稳定的步骤包括：将第一指标云模型的熵除以三，得到第一比值结果；比较指标云模型的超熵与第一比值结果；如果超熵小于第一比值结果，确定第一指标云模型稳定；如果超熵不小于第一比值结果，确定第一指标云模型不稳定。
9.进一步的，如果每个第一指标云模型均稳定，基于每个第一评估指标的权重和每个第一指标云模型，确定除每个第一评估指标之外的其他每个层级的第二评估指标的第二指标云模型的步骤包括：如果每个第一指标云模型稳定，基于每个第一评估指标的权重和每个第一指标云模型，采用向上聚合的方式，按层级从低到高的顺序，依次确定除每个第一评估指标之外的其他每个层级的第二评估指标的第二指标云模型。
10.进一步的，基于每个第一指标云模型和每个第二指标云模型确定目标科研人员的每个评估指标的评估结果和指标评分的步骤包括：获取多级定性评价标准，以及每级定性
评价标准分别对应的定量区间；基于每级定量区间，确定每级定性评价标准分别对应的标准云模型；针对每个目标指标云模型，分别计算该目标指标云模型与每个标准云模型之间的相似度；其中，目标指标云模型包括：第一指标云模型和第二指标云模型；将相似度最大的值所对应的定性评价标准确定为目标科研人员的该目标指标云模型对应的评估指标的评估结果；将该目标指标云模型的期望确定为目标科研人员的该目标指标云模型对应的评估指标的指标评分。
11.本发明提供的一种结合区间评价与云模型的科研人员能力增量评估装置，装置包括：第一获取模块，用于获取科研人员能力增量评估指标体系表；其中，科研人员能力增量评估指标体系表中包括至少一个层级的科研人员能力增量的多个评估指标，以及每个评估指标的权重；第二获取模块，用于针对每个无下级节点的第一评估指标，获取针对目标科研人员的该第一评估指标对应的多个区间分值；计算模块，用于基于多个区间分值，计算该第一评估指标对应的第一指标云模型；判断模块，用于判断第一指标云模型是否稳定；第一确定模块，用于如果每个第一指标云模型均稳定，基于每个第一评估指标的权重和每个第一指标云模型，确定除每个第一评估指标之外的其他每个层级的第二评估指标的第二指标云模型；第二确定模块，用于基于每个第一指标云模型和每个第二指标云模型确定目标科研人员的每个评估指标的评估结果和指标评分。
12.本发明提供的一种电子设备，包括处理器和存储器，存储器存储有能够被处理器执行的机器可执行指令，处理器执行机器可执行指令以实现上述任一项的结合区间评价与云模型的科研人员能力增量评估方法。
13.本发明提供的一种机器可读存储介质，该机器可读存储介质存储有机器可执行指令，该机器可执行指令在被处理器调用和执行时，机器可执行指令促使处理器实现上述任一项的结合区间评价与云模型的科研人员能力增量评估方法。
14.本发明提供的一种结合区间评价与云模型的科研人员能力增量评估方法，获取科研人员能力增量评估指标体系表；其中，科研人员能力增量评估指标体系表中包括至少一个层级的科研人员能力增量的多个评估指标，以及每个评估指标的权重；针对每个无下级节点的第一评估指标，获取针对目标科研人员的该第一评估指标对应的多个区间分值；基于多个区间分值，计算该第一评估指标对应的第一指标云模型；基于第一指标云模型，判断第一指标云模型是否稳定；如果每个第一指标云模型均稳定，基于每个第一评估指标的权重和每个第一指标云模型，确定除每个第一评估指标之外的其他每个层级的第二评估指标的第二指标云模型；基于每个第一指标云模型和每个第二指标云模型确定目标科研人员的每个评估指标的评估结果和指标评分。该方式基于每个第一评估指标的区间分值进行评估，降低了对每个第一评估指标的评估难度，并将每个第一评估指标转换为对应的第一指标云模型，在分析每个第一指标云模型均稳定后，再确认目标科研人员的每个评估指标的评估结果和指标评分，增强了评估结果的准确性。
附图说明
15.为了更清楚地说明本发明具体实施方式或现有技术中的技术方案，下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施方式，对于本领域普通技术人员来讲，在不付出创造性劳动的前
提下，还可以根据这些附图获得其他的附图。
16.图1为本发明实施例提供的一种结合区间评价与云模型的科研人员能力增量评估方法的流程图；图2为本发明实施例提供的一种云模型示意图；图3为本发明实施例提供的一种科研人员能力增量评价指标及其权重示意图；图4为本发明实施例提供的一种各定性评价标准所对应的标准云模型的示意图；图5为本发明实施例提供的一种总体云模型与各标准云模型的相似度对比示意图；图6为本发明实施例提供的一种结合区间评价与云模型的科研人员能力增量评估装置的结构示意图；图7为本发明实施例提供的一种电子设备的结构示意图。
具体实施方式
17.下面将结合实施例对本发明的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
18.目前，能力增量评估是检验科研人员训练效果的关键，对推动科研单位整体发展具有重要的现实意义。评估的主要目的是要实现对科研人员能力增量的有效分析，找出妨碍科研人员能力增长的核心问题。由此，在科研人员能力增量评价指标权重给定的前提下，需要给出指标间的向上聚合方法。通过将各同层下级指标评分聚合为上级指标评分，从而不断聚合得到科研人员能力增量的最终评分。
19.而对于聚合方法来说，目前常用的有加权平均法、模糊综合评判法以及云模型方法等。其中，云模型将随机性与模糊性进行了巧妙结合，实现了定性与定量指标值之间的相互转换。鉴于该特点，云模型解决了评估领域中不确定性指标难以量化的问题。考虑到科研人员能力增量的评价指标大体上都属于定性指标，因此云模型也很适合作为科研人员能力增量的评估方法。考虑到科研人员能力增量的评价指标大多需要专家进行定性评价，因此专家很难给出指标的准确点值评分。为降低专家评估难度，应允许专家对指标进行区间评价。当前已有一些文献给出了区间逆向云发生器，但这种通过分解评分区间上、下限，再根据云聚合公式得到综合云的方式合理性较差。基于此，本发明实施例提供了一种结合区间评价与云模型的科研人员能力增量评估方法，该技术可以应用于需要对人员能力增量进行评估的应用中。
20.为便于对本实施例进行理解，首先对本发明实施例所公开的一种结合区间评价与云模型的科研人员能力增量评估方法进行介绍，如图1所示，该方法包括如下步骤：步骤s102，获取科研人员能力增量评估指标体系表；其中，科研人员能力增量评估指标体系表中包括至少一个层级的科研人员能力增量的多个评估指标，以及每个评估指标的权重。
21.上述科研人员能力增量评估指标体系表中通常包括多个层级的科研人员能力增量的评估指标以及每个评估指标的权重，每个层级的科研人员能力增量的评估指标的数量
可以是一个或多个；比如，第一层级包括专业素养能力增量、问题研究能力增量、成果生成能力增量和培养人来能力增量这四个评估指标，专业素养能力增量的下一层级的评估指标包括：技术基础能力增量、总体设计能力增量和分析评估能力增量指标等；具体层级的数量和每个层级包含的评估指标的数量及权重都可以根据实际需求进行设置。
22.步骤s104，针对每个无下级节点的第一评估指标，获取针对目标科研人员的该第一评估指标对应的多个区间分值。
23.上述第一评估指标的数量可以是一个或多个，如果数量为多个，则多个第一评估指标可能归属于同一上级评估指标，也可能归属于多个不同的上级评估指标；上述目标科研人员可以是研究人员等；在实际实现时，对于某个目标科研人员，可以由多个专家对各个无下级节点的第一评估指标分别进行打分，为了降低专家评估难度，专家可以对各个第一评估指标给出区间分值，比如，区间分值为[72，76]等；比如，如果有十个专家进行打分，则对于该目标科研人员来说，每个第一评估指标都有十个区间分值。
[0024]
步骤s106，基于多个区间分值，计算该第一评估指标对应的第一指标云模型。
[0025]
在得到每个第一评估指标对应的多个区间分值后，可以对区间分值进行转化，得到每个第一评估指标对应的第一指标云模型。
[0026]
步骤s108，判断第一指标云模型是否稳定。
[0027]
步骤s110，如果每个第一指标云模型均稳定，基于每个第一评估指标的权重和每个第一指标云模型，确定除每个第一评估指标之外的其他每个层级的第二评估指标的第二指标云模型。
[0028]
在确定每个第一评估指标对应的第一指标云模型后，需要判断每个第一指标云模型是否稳定，如果某个第一评估指标对应的第一指标云模型不稳定，通常认为专家组对该第一评估指标打分的一致性较差，此时，通常需要专家组讨论后再为该第一评估指标进行重新打分，直至该第一评估指标对应的第一指标云模型稳定。在确定每个第一指标云模型均稳定后，可以结合每个第一评估指标的权重，确定其他每个层级的第二评估指标的第二指标云模型，比如，可以采用向上聚合方式，依次计算每个第二评估指标的第二指标云模型等。
[0029]
步骤s112，基于每个第一指标云模型和每个第二指标云模型确定目标科研人员的每个评估指标的评估结果和指标评分。
[0030]
在计算得到每个第一指标云模型和每个第二指标云模型后，就可以确定出该目标科研人员的每个评估指标的评估结果和指标评分，比如，针对每个第一指标云模型，可以将该第一指标云模型与代表不同定性评价标准的多个标准云模型进行相似度比对，将相似度最高的标准云模型所对应的定性评价标准确定为该第一指标云模型对应的评估指标的评估结果，也即该目标科研人员对应的该评估指标的评估结果，比如，评估结果为“优”或“良”等，可以将该第一指标云模型的期望值作为该目标科研人员在这个评估指标下的指标评分，比如，70分等。
[0031]
上述结合区间评价与云模型的科研人员能力增量评估方法，获取科研人员能力增量评估指标体系表；其中，科研人员能力增量评估指标体系表中包括至少一个层级的科研人员能力增量的多个评估指标，以及每个评估指标的权重；针对每个无下级节点的第一评估指标，获取针对目标科研人员的该第一评估指标对应的多个区间分值；基于多个区间分
；（3）计算云滴隶属度 。
[0037]
逆向云发生器实现从定量到定性的转化。通过n个精确样本值输出云模型特征，具体计算公式如下：式中，表示样本均值；表示样本的一阶绝对中心矩；表示样本方差；表示第i个样本值。
[0038]
由式（1）可知，传统云模型的逆向云发生器是针对点数值样本。即需要专家组给出指标的点数值评分才能将评分有效转化为对应的指标云模型。
[0039]
该方法包括如下步骤：步骤一，获取科研人员能力增量评估指标体系表；其中，科研人员能力增量评估指标体系表中包括至少一个层级的科研人员能力增量的多个评估指标，以及每个评估指标的权重。
[0040]
步骤二，针对每个无下级节点的第一评估指标，获取针对目标科研人员的该第一评估指标对应的多个区间分值。
[0041]
考虑到科研人员能力增量的评价指标大多需要专家进行定性评价，为降低专家评估难度，应允许专家对指标进行区间评价。邀请多名专家对科研人员的能力增量进行指标评估，同时允许专家在为各项指标打分时根据其自身认知给出指标最可能的区间分值。
[0042]
不同于式（1）所给的点数值转化方法，区间型分值的转化需要分析转化机理并给出完全不同的转化方式。对此，首先分析各专家所给指标区间值的理论含义。
[0043]
定义2 若随机变量x服从某任意分布且在区间[e, g]内取值，则称其为服从一般分布的区间型变量。
[0044]
对科研人员能力增量评估的某一同层指标来说，设为专家编号，为第p个评
估指标对应的区间变量， 表示第k个专家给第p个评估指标的区间值。则对于第p个评估指标的区间变量，其第k个专家所给的区间分值 为一般分布区间数，记其对应的区间变量为。鉴于各专家的打分权重均等，因此指标评分等可能出现在所有n个专家的打分区间内（若某些专家的话语权较高，则各专家打分需乘以其对应的权重系数）。
[0045]
以此为依据，则区间变量的分布函数为n个服从一般分布随机变量的综合。即区间变量的分布函数为： （2）由此可得，区间变量的密度函数 为：由均值定义和式（3）可得，第p个评估指标的均值为：式中，为一般分布区间变量的均值；表示第k个专家给出的第k个区间变量的密度函数。由此可知，评估指标的均值可由n个专家所给区间分值均值的平均计算得到。
[0046]
由一阶绝对中心矩定义和式（4）可得，第p项评估指标的一阶绝对中心矩为：(5)由方差定义和式（4）可得，第p项评估指标的方差为：
鉴于、为常数，根据积分性质、、，可将式（6）转化为：式中，为一般分布区间变量的标准差。由此可知，评价指标的方差可由n个专家所给区间分值的均值与标准差计算得到。
[0047]
对于任意的区间分布形式打分，均可由式（4）、式（5）、式（7）计算指标的均值、一阶绝对中心矩和方差。这使得专家在打分时，不仅可以给出指标的最可能区间值，还能够根据自身认知经验给出指标在分值区间中取值的最可能分布。如专家可以对某项指标给分[82,85]且满足正态分布，则意味着该专家认为该项指标的最可能值为83.5且有99.73%的概率在区间[82,85]内。而在通常情况下，专家在给出区间分值时会忽略小概率事件，从而认为该项指标值在区间内满足均匀分布，即指标分在区间内呈现等概率出现。对此，接下来给出针对均匀分布形式的指标均值、一阶绝对中心矩以及方差的计算方法。
[0048]
设，其概率密度函数、均值、标准差为：
ꢀꢀ
(8)步骤三，基于多个区间分值，计算该第一评估指标的均值、一阶绝对中心矩和方差。
[0049]
当专家给出的区间分值均为均匀分布型等分布形式时，可以计算得到每个第一评估指标的均值、一阶绝对中心矩和方差；具体的，该步骤三具体可以通过以下公式计算得到：
ꢀ
（9）其中，表示第p个评估指标的均值；n表示第p个评估指标对应的区间分值的数量；k表示第p个评估指标对应的第k个区间分值；和分别表示第p个评估指标对应的第k个区间分值中的分值下限和分值上限；表示第p个评估指标对应的一阶绝对中心矩；表示第p个评估指标对应的第k个区间分值对应的概率密度函数；表示第p个评估指标的方差。
[0050]
步骤四，根据均值、一阶绝对中心矩和方差，计算该第一评估指标对应的第一指标云模型。
[0051]
根据上述分析，可以计算得到第p个评估指标对应的期望、熵及超熵，该步骤四具体可以通过以下以下步骤40-步骤42计算得到：步骤40，将所述均值确定为该第一评估指标的期望；步骤41，将所述一阶绝对中心矩与预设系数相乘，得到该第一评估指标的熵；步骤42，基于该第一评估指标的方差和熵，得到该第一评估指标的超熵。
[0052]
具体可以通过以下公式（10）计算得到第一评估指标对应的期望、熵和超熵，由此，本实施例根据机理分析实现了对区间型评价指标的云模型转化。
[0053] (10)其中，表示第p个评估指标对应的期望；表示第p个评估指标对应的熵；表示第p个评估指标对应的超熵。
[0054]
步骤五，将第一指标云模型的熵除以三，得到第一比值结果。
[0055]
步骤六，比较指标云模型的超熵与第一比值结果。
[0056]
步骤七，如果超熵小于第一比值结果，确定第一指标云模型稳定。
[0057]
步骤八，如果超熵不小于第一比值结果，确定第一指标云模型不稳定。
[0058]
下面介绍基于云模型的指标打分进行有效性评价的方法，超熵he是熵en离散程度的度量，即熵的熵。随着超熵的不断增大，云模型中云滴的离散度增大。该雾化现象的出现使云图变得模糊。由云模型的3西格玛原则性质可知：
①
当云模型超熵he《en/3时，有99.73％的云滴在下限边界和上限边界之间，此时云图的雾化程度较低、泛正态性较好。
[0059]
②
当he≥en/3时，云图的雾化状态明显，反映了专家组对评价指标认知的不确定性较大。因此，可通过将he与en/3的大小比较作为评判云模型是否雾化严重的基准。
[0060]
即在专家组对评价指标进行打分后，通过上述方法将区间型指标评价值转化为云模型，再比较云模型特征he与en/3的大小。若he《en/3则认为专家组为该指标打分的一致性较好，该指标的评价云模型较为稳定；反之，若he≥en/3则认为专家组对该指标打分的一致性较差，所形成的指标评价云模型不稳定。此时，需要专家组在进行讨论后为该指标重新打分； 由此，则可以规避专家组对指标的不稳定性评价，得到较为稳定的评估结果。
[0061]
步骤九，如果每个第一指标云模型稳定，基于每个第一评估指标的权重和每个第一指标云模型，采用向上聚合的方式，按层级从低到高的顺序，依次确定除每个第一评估指标之外的其他每个层级的第二评估指标的第二指标云模型。
[0062]
由于科研人员能力增量评估存在一定的不确定性，因此采用定性语言更能体现评估中存在的模糊性和随机性。根据云的3西格玛原则，通过式（11）将双边约束区间[e, g]转化为云模型。由此，建立出由多个定性评价标准所对应形成的标准云图。
[0063]
式中，为给定常数，用于反映评价值的随机性。而考虑到评价标准的左右边界确定性最强，取半正态云模型，即当时，，；当时，，。
[0064]
采用两步法进行综合评估：首先结合多个指标云模型生成综合评价云，再计算其与标准云的相似度从而确定评价的最终等级。
[0065]
根据云运算规则，将各同层指标权重与指标云特征相结合得到综合云模型：式中，m表示该评估层中所包含的同层指标数；表示由区间转化得到的第p个同层指标权重。
[0066]
步骤十，获取多级定性评价标准，以及每级定性评价标准分别对应的定量区间。
[0067]
上述多级定性评价标准可以根据需求进行设置，每级定性评价标准对应的定量区间也可以根据实际需求进行设置，比如，多级定性评价标准为“优”、“良”、“中”和“差”，其
中，“优”对应的定量区间为[90,100]，“良”对应的定量区间为[80,90），“中”对应的定量区间为[60,80），“差”对应的定量区间为[0,60）。
[0068]
步骤十一，基于每级定量区间，确定每级定性评价标准分别对应的标准云模型。
[0069]
可以按照式（11），根据每级定量区间，计算每级定性评价标准分别对应的标准云模型，比如，继续以上述步骤十中的举例为例，则可以得到“优”、“良”、“中”和“差”分别对应的标准云模型为：、、和。
[0070]
步骤十二，针对每个目标指标云模型，分别计算该目标指标云模型与每个标准云模型之间的相似度；其中，目标指标云模型包括：第一指标云模型和第二指标云模型。
[0071]
步骤十三，将相似度最大的值所对应的定性评价标准确定为目标科研人员的该目标指标云模型对应的评估指标的评估结果；步骤十四，将该目标指标云模型的期望确定为目标科研人员的该目标指标云模型对应的评估指标的指标评分。
[0072]
接下来比较与各标准云之间的相似度，将具有最高相似度标准云所对应的标准作为指标的评估结果，即云的灰色聚类。采用云的灰色聚类方法计算云模型的隶属度，则云间相似度的具体计算方法如算法1所示：定义3 云正向产生n个云滴。设其中第i个云滴在云中的隶属度为，则云与之间的相似度为。
[0073]
算法1：云模型间相似度的具体计算方法1. 给定云模型与。
[0074]
2. for i=1:1:n1）在云中以为期望和标准差生成正态随机数；2）在云中以为期望和标准差生成云滴；3）将云滴带入云中计算其隶属度 。
[0075]
end3. 输出云与之间的相似度为 。
[0076]
计算综合云模型与各标准云模型间的相似度。将所对应标准云的所属标准作为综合云模型的评判等级。
[0077]
综合云模型的期望ex表示该项指标评分的均值；熵en表示该项指标评分的可靠性；超熵he表示该项指标评分的稳定性。因此与经典加权平均法相同，将综合云模型期望作为科研人员能力增量的指标评分。而在为指标评分排序时，优先考虑指标评判等级，其次考虑指标评分大小。指标评分排序共分为4种情况：（1）若评定指标归属于其期望所属同级标准，则以期望大小为指标排序；（2）若评定指标归属于其期望所属上级标准，则与其期望所属上级指标相比，该指标排序更低。而与其期望所属同级指标相比，该指标排序更高；（3）若评定指标归属于其期望所属下级标准，则与其期望所属下级指标相比，该指标排序更高。而与其期望所属同级指标相比，该指标排序更低；（4）在比较评定指标不归属于其期望所属同级标准的同类指标时，以指标评分大小为指标排序。不同科研人员间的能力增量排序方式与上述方法相同。
[0078]
综上，科研人员能力增量评估的完整算法流程如算法2所示：算法2：结合区间评价与云模型的科研人员能力增量评估方法1. 给定标准云模型~，云滴数n。
[0079]
2. 专家给出各层级指标的区间分值，并由式（9）计算各指标的均值、一阶绝对中心矩和方差。
[0080]
3. 根据式（10）将专家组的区间型评价转化为对应的指标云模型。
[0081]
4. 比较各指标云模型特征he与en/3的大小。若he《en/3则指标的评价云模型较为稳定，继续步骤5；反之则指标的评价云模型不稳定，返回步骤2。
[0082]
5. 根据式（12）将各同层指标权重与指标云特征相结合得到综合云模型。
[0083]
6. 根据算法2计算综合云模型与各标准云模型间的相似度。
[0084]
7.判断所对应标准云的所属标准。
[0085]
8.将综合云模型期望ex作为科研人员能力增量的指标评分。
[0086]
9.输出综合云模型及其评判等级与评分。
[0087]
上述结合区间评价与云模型的科研人员能力增量评估方法，通过机理分析给出区
间型评价指标到云模型的转化方法，以此实现区间评价与云模型的有效结合。该方法允许专家采用区间型评价方式进行指标评估。在分析出区间型指标所满足的概率密度分布函数后，依据概率论定义直接推导区间型评价指标到云模型的转化公式，实现了区间型评价指标到云模型的有效转化，并以此为基础，根据转化后云模型熵与超熵间的关系，给出反向分析指标评价有效性的具体方法。由此，通过两者间的有效结合，即可以在降低专家评估难度的同时，分析专家组对指标评价的稳定性，找出专家评判一致性较弱的指标，以此增强专家组的评估准确性。
[0088]
为进一步理解上述实施例，下面以需求研究论证为主的科研人员为例进行分析说明，根据《训练大纲》可以将科研人员的能力评价要素总的概括为：专业素养能力、问题研究能力、成果生成能力、团队协作能力、培养人才能力等。不同岗位类型科研人员可针对各自岗位特点细化不同能力项，参见图3所示的一种科研人员能力增量评价指标及其权重示意图。
[0089]
将优、良、中、差四级评价标准作为科研人员能力增量的评估基准。通常情况下，定性语言与区间不是均等划分的。通过咨询专家，采用表1所示分布区间与四级评价标准对应。
[0090]
表1定性评价标准所对应的定量区间定性标准差中良优定量区间[0,60)[60,80)[80,90)[90,100]取超熵，根据式（11），可将表1所给的各定性评价标准区间转化为标准云模型：、、、。利用正向云发生器，将定性评价标准转化为云图，每个标准所对应云中包含10000个云滴，如图4所示的一种各定性评价标准所对应的标准云模型的示意图。可以看出，云模型中期望是最能代表定性评价标准的值。以评价标准“差”为例，在科研人员能力增量为0分时，其能力增量百分百体现为差。而随着能力增量评价值的增加，该科研人员能力增量为“差”的概率逐渐降低。在评价值为60分以上时，该科研人员仅有百分之0.135%的概率评价等级为差。
[0091]
（1）区间型评价指标的云生成试验以针对某一位科研人员的能力增量评估为例，邀请10位专家对图2中所示各无子节点的基本指标进行打分。允许专家在为指标打分时给出区间型的评价结果，由此得到各专家对指标的打分情况，如表2~5所示。
[0092]
表2专业素养能力增量指标评价情况
需求开发理论技术水平能力增量u
111
需求开发工具使用水平能力增量u
112
开展战略体系建设规划、装备建设总体方案设计能力增量u
121
需求梳理归纳能力增量u
131
基于建模仿真、多元数据融合的综合分析评估能力增量u
132
专家1[72,76][80,83][85,87][74,79][91,96]专家2[73,76][81,84][84,86][75,78][93,95]专家3[72,74][83,86][86,88][76,79][90,92]专家4[74,76][81,85][84,87][74,77][91,94]专家5[71,73][79,83][84,88][75,78][89,93]专家6[71,75][82,86][86,89][74,78][94,96]专家7[75,77][80,84][83,86][77,79][95,97]专家8[72,75][82,87][85,89][75,77][92,94]
专家9[74,78][83,85][87,88][74,76][91,95]专家10[71,75][84,87][84,89][73,76][90,93]
表3问题研究能力增量指标评价情况
发现提出问题能力增量u
21
问题机理分析与解决方案设计能力增量u
22
问题协调解决能力增量u
23
专家1[75,78][87,88][89,92]专家2[76,79][87,89][88,91]专家3[77,78][86,90][87,91]专家4[74,78][85,89][88,93]专家5[76,77][86,89][89,94]专家6[75,79][85,87][87,90]专家7[78,80][84,88][88,90]专家8[75,77][85,90][89,91]专家9[74,79][84,87][87,92]专家10[77,81][86,88][89,93]
表4成果生成能力增量指标评价情况
专家1专家2专家3专家4专家5专家6专家7专家8专家9专家10生成军事理论成果能力增量u
31
[68,71][69,73][70,74][67,72][68,74][69,73][68,72][67,72][70,73][70,72]
表5培养人才能力增量指标评价情况
专业理论指导能力增量u
41
军事问题研究指导能力增量u
42
军事成果生成指导能力增量u
43
专家1[73,75][87,89][67,72]专家2[74,77][87,91][68,73]专家3[74,76][86,92][70,72]专家4[73,78][86,90][67,73]专家5[72,76][85,88][66,72]专家6[73,77][87,92][69,74]专家7[74,78][88,93][67,71]专家8[75,77][87,90][68,74]专家9[74,79][88,91][70,73]专家10[73,76][86,89][69,72]
默认专家在给出区间分值时已经忽略了小概率事件，即专家所给出的指标分值在区间内满足均匀分布。则由式（9）计算各指标的均值、一阶绝对中心矩和方差，并根据式（10）将专家组的区间型评价转化为对应的指标云模型。所得结果展示在表6中。
[0093]
表6区间型评价指标的云模型转化结果
（2）基于云模型的指标评价有效性试验由表6可知，所有科研人员能力增量评价指标的打分结果均满足he《en/3的一致性要求。但专家组对该科研人员专业素养能力增量所含5项基本指标的评判一致性较弱（u
111
、u
112
、u
121
、u
131
、u
132 5项基本指标的打分结果较为逼近he=en/3的一致性极限）。对此，可以进一步细化专业素养能力增量所含5项基本指标的评估准则，以使专家在对指标评估时更加明确，从而达到一致性更强的评判效果。
[0094]
（3）基于云模型的指标综合性评估试验根据式（12）计算各上层指标的综合云模型：
①
三级指标云模型由四级指标聚合而成：由与得到三级指标技术基础能力增量的指标云模型为；由得到三级指标总体设计能力增量的指标云模型为；由与得到三级指标分析评估能力增量的指标云模型为。
[0095]
②
二级指标云模型由三级指标聚合而成：由、与得到二级指标专业素养能力增量的指标云模型为
；由、与得到二级指标问题研究能力增量的指标云模型为；由得到二级指标成果生成能力增量的指标云模型为。由三级指标、与得到二级指标培养人才能力增量的指标云模型为。
[0096]
④
一级指标云模型由二级指标聚合而成：由、、、得到一级指标科研人员能力增量评价的总体云模型为。
[0097]
接着通过计算各指标云模型跟标准云之间的相似度，从而确定各指标评价的最终等级。根据算法2，首先计算总体云模型与各标准云模型、、、间的相似度。取云滴数量为10000，计算结果如表7所示。
[0098]
表7总体云模型与各标准云模型间的相似度由表7可知，总体云模型与评价标准“中”所对应的标准云模型间的相似度最大，由此则可认定该科研人员能力增量的综合评价结果为“中”。如图5所示的一种总体云模型与各标准云模型的相似度对比示意图，其中对比展示了总体云模型与各标准云模型。
[0099]
同理，根据算法2计算所有指标云模型与各标准云模型、、、间的相似度，获得该科研人员各项能力增量指标的最终评判等级。仍取云滴数量为10000，计算结果如表8所示。
[0100]
表8科研人员各项能力增量指标的最终评判等级
将云模型期望作为科研人员能力增量的各指标评分，则该科研人员能力增量的总体评分为78.7235。接着对该科研人员能力增量的各项指标打分进行排序。对于二级指标来说，指标评分排序u3《 u4《 u2《 u1；对于三级指标来说，指标评分排序u
43
《 u
31
《 u
41
《 u
21
《 u
11
《 u
13
《 u
12
《 u
22
《 u
42
《 u
23
；对于四级指标来说，指标评分排序u
111
《 u
131
《 u
112
《 u
121
《 u
132
。
[0101]
综上可知，本发明能够实现区间型评价指标到云模型的有效转换。而通过分析转换所得指标云模型中he与en/3的大小关系，能够规避专家组对指标的不稳定性评价，并得到专家组对该科研人员能力增量评判一致性较弱的指标。以此，则有助于进一步细化相应
指标的评估准则，使专家给出一致性更强的评估结果。
[0102]
本发明实施例提供了一种结合区间评价与云模型的科研人员能力增量评估装置，如图6所示，装置包括：第一获取模块60，用于获取科研人员能力增量评估指标体系表；其中，科研人员能力增量评估指标体系表中包括至少一个层级的科研人员能力增量的多个评估指标，以及每个评估指标的权重；第二获取模块61，用于针对每个无下级节点的第一评估指标，获取针对目标科研人员的该第一评估指标对应的多个区间分值；计算模块62，用于基于多个区间分值，计算该第一评估指标对应的第一指标云模型；判断模块63，用于判断第一指标云模型是否稳定；第一确定模块64，用于如果每个第一指标云模型均稳定，基于每个第一评估指标的权重和每个第一指标云模型，确定除每个第一评估指标之外的其他每个层级的第二评估指标的第二指标云模型；第二确定模块65，用于基于每个第一指标云模型和每个第二指标云模型确定目标科研人员的每个评估指标的评估结果和指标评分。
[0103]
上述结合区间评价与云模型的科研人员能力增量评估装置，获取科研人员能力增量评估指标体系表；其中，科研人员能力增量评估指标体系表中包括至少一个层级的科研人员能力增量的多个评估指标，以及每个评估指标的权重；针对每个无下级节点的第一评估指标，获取针对目标科研人员的该第一评估指标对应的多个区间分值；基于多个区间分值，计算该第一评估指标对应的第一指标云模型；判断第一指标云模型是否稳定；如果每个第一指标云模型均稳定，基于每个第一评估指标的权重和每个第一指标云模型，确定除每个第一评估指标之外的其他每个层级的第二评估指标的第二指标云模型；基于每个第一指标云模型和每个第二指标云模型确定目标科研人员的每个评估指标的评估结果和指标评分。该方式基于每个第一评估指标的区间分值进行评估，降低了对每个第一评估指标的评估难度，并将每个第一评估指标转换为对应的第一指标云模型，在分析每个第一指标云模型均稳定后，再确认目标科研人员的每个评估指标的评估结果和指标评分，增强了评估结果的准确性。
[0104]
进一步的，计算模块62还用于：基于多个区间分值，计算该第一评估指标的均值、一阶绝对中心矩和方差；根据均值、一阶绝对中心矩和方差，计算该第一评估指标对应的第一指标云模型。
[0105]
进一步的，计算模块62还用于通过以下公式计算得到：
其中，表示第p个评估指标的均值；n表示第p个评估指标对应的区间分值的数量；k表示第p个评估指标对应的第k个区间分值；和分别表示第p个评估指标对应的第k个区间分值中的分值下限和分值上限；表示第p个评估指标对应的一阶绝对中心矩；表示第p个评估指标对应的第k个区间分值对应的概率密度函数；表示第p个评估指标的方差。
[0106]
进一步的，第一指标云模型包括该第一评估指标对应的期望、熵和超熵；计算模块62还用于：将所述均值确定为该第一评估指标的期望；将所述一阶绝对中心矩与预设系数相乘，得到该第一评估指标的熵；基于该第一评估指标的方差和熵，得到该第一评估指标的超熵。
[0107]
进一步的，第一指标云模型包括该第一评估指标对应的期望、熵和超熵；判断模块63还用于：将第一指标云模型的熵除以三，得到第一比值结果；比较指标云模型的超熵与第一比值结果；如果超熵小于第一比值结果，确定第一指标云模型稳定；如果超熵不小于第一比值结果，确定第一指标云模型不稳定。
[0108]
进一步的，第一确定模块64还用于：如果每个第一指标云模型稳定，基于每个第一评估指标的权重和每个第一指标云模型，采用向上聚合的方式，按层级从低到高的顺序，依次确定除每个第一评估指标之外的其他每个层级的第二评估指标的第二指标云模型。
[0109]
进一步的，第二确定模块65还用于：获取多级定性评价标准，以及每级定性评价标准分别对应的定量区间；基于每级定量区间，确定每级定性评价标准分别对应的标准云模型；针对每个目标指标云模型，分别计算该目标指标云模型与每个标准云模型之间的相似度；其中，目标指标云模型包括：第一指标云模型和第二指标云模型；将相似度最大的值所对应的定性评价标准确定为目标科研人员的该目标指标云模型对应的评估指标的评估结
果；将该目标指标云模型的期望确定为目标科研人员的该目标指标云模型对应的评估指标的指标评分。
[0110]
本发明实施例所提供的结合区间评价与云模型的科研人员能力增量评估装置，其实现原理及产生的技术效果和前述结合区间评价与云模型的科研人员能力增量评估方法实施例相同，为简要描述，结合区间评价与云模型的科研人员能力增量评估装置实施例部分未提及之处，可参考前述方法实施例中相应内容。
[0111]
本发明实施例还提供了一种电子设备，参见图7所示，该电子设备包括处理器130和存储器131，该存储器131存储有能够被处理器130执行的机器可执行指令，该处理器130执行机器可执行指令以实现上述结合区间评价与云模型的科研人员能力增量评估方法。
[0112]
进一步地，图7所示的电子设备还包括总线132和通信接口133，处理器130、通信接口133和存储器131通过总线132连接。
[0113]
其中，存储器131可能包含高速随机存取存储器（ram，random access memory），也可能还包括非不稳定的存储器（non-volatile memory），例如至少一个磁盘存储器。通过至少一个通信接口133（可以是有线或者无线）实现该系统网元与至少一个其他网元之间的通信连接，可以使用互联网，广域网，本地网，城域网等。总线132可以是isa总线、pci总线或eisa总线等。所述总线可以分为地址总线、数据总线、控制总线等。为便于表示，图7中仅用一个双向箭头表示，但并不表示仅有一根总线或一种类型的总线。
[0114]
处理器130可能是一种集成电路芯片，具有信号的处理能力。在实现过程中，上述方法的各步骤可以通过处理器130中的硬件的集成逻辑电路或者软件形式的指令完成。上述的处理器130可以是通用处理器，包括中央处理器(central processing unit，简称cpu)、网络处理器(network processor，简称np)等；还可以是数字信号处理器(digital signal processor，简称dsp)、专用集成电路(application specific integrated circuit，简称asic)、现场可编程门阵列(field-programmable gate array，简称fpga)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。可以实现或者执行本发明实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。结合本发明实施例所公开的方法的步骤可以直接体现为硬件译码处理器执行完成，或者用译码处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存储器，闪存、只读存储器，可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器131，处理器130读取存储器131中的信息，结合其硬件完成前述实施例的方法的步骤。
[0115]
本发明实施例还提供了一种机器可读存储介质，该机器可读存储介质存储有机器可执行指令，该机器可执行指令在被处理器调用和执行时，该机器可执行指令促使处理器实现上述结合区间评价与云模型的科研人员能力增量评估方法，具体实现可参见方法实施例，在此不再赘述。
[0116]
本发明实施例所提供的结合区间评价与云模型的科研人员能力增量评估方法的计算机程序产品，包括存储了程序代码的计算机可读存储介质，所述程序代码包括的指令可用于执行前面方法实施例中所述的方法，具体实现可参见方法实施例，在此不再赘述。
[0117]
所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说
对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备（可以是个人计算机，服务器，或者网络设备等）执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：u盘、移动硬盘、只读存储器（rom，read-only memory）、随机存取存储器（ram，random access memory）、磁碟或者光盘等各种可以存储程序代码的介质。
[0118]
最后应说明的是：以上各实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述各实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的范围。