一种用于融媒体中心的评估系统及评估方法

技术特征：
1.一种用于融媒体中心的评估系统，其特征在于，包括投入数据评估部分、产出数据评估部分和dea评估部分，其中，所述投入数据评估部分用于对融媒体的机构建设评价，所述产出数据评估部分用于对融媒体的融合效果评价，所述dea评估部分的用于对融媒体的有效效率值进行评价；所述投入数据评估部分和产出数据评估部分均包括综合权重计算模块和评价模块，所述综合权重计算模块用于确定每个具体指标的综合权重b；所述评价模块采用神经网络模型，所述评价模块基于所述每个具体指标的综合权重b获得评价结果并将所述评价结果作为神经网络输出层的单个输出节点，所述神经网络模型输入层的输入节点为每个具体指标的客观数据；所述综合权重计算模块包括数据接收单元、数据ahp权重计算单元、数据熵权权重计算单元、组合赋权计算单元；所述数据接收单元用于接收h条均包括m个具体指标的主观数据和接收e条包括m个具体指标的客观数据；所述数据接收单元将所述h条均包括m个具体指标的主观数据送入数据ahp权重计算单元，其中，所述h条对应不相同的h个主观数据来源,所述数据接收单元将所述e条包括m个具体指标的客观数据送入数据熵权权重计算单元；所述数据ahp权重计算单元用于对接收到的h条均包括m个具体指标的主观数据进行一致性筛选得到n条包括m个具体指标的主观数据，其中n≤h，其中，n条对应不相同的n个主观数据来源；所述数据ahp权重计算单元用于通过n条包括m个具体指标的主观数据计算n个主观数据来源中每个所述数据来源的权重，根据所述每个所述数据来源的权重计算所述具体指标的权重 (t=1,2...m)；所述数据熵权权重计算单元用于通过e条包括m个具体指标的客观数据计算每个所述具体指标的权重 (j=1,2....m）；所述组合赋权计算单元根据所述具体指标的权重和所述具体指标的权重得到所述具体指标的综合权重b。2.根据权利要求1所述的一种用于融媒体中心的评估系统，其特征在于，所述数据ahp权重计算单元用于对接收到的h条均包括m个具体指标的主观数据进行一致性筛选得到n条包括m个具体指标的数据，其中n≤h，具体为：按照1-9标度构建关于多个具体指标的中任一两个所述具体指标的关系度矩阵：其中：、分别代表多个具体指标中不同的具体指标；代表不同两个具体指标与b
j
之间的关系度数值且=；对关系度矩阵每行元素连乘并开m次方，得到向量
ꢀꢀ
，其中:;对进行归一化处理，计算指标权重: 计算最大特征值:计算一致性比率cr： 通过一致性比率cr对所述h条m个具体指标的数据进行筛选得到n条包括m个具体指标的数据，其中n≤h。3.根据权利要求2所述的一种用于融媒体中心的评估系统，其特征在于，所述数据ahp
权重计算单元用于通过n条包括m个具体指标的主观数据计算n个主观数据来源中每个所述数据来源的权重，根据所述每个所述数据来源的权重计算所述具体指标的权重，具体为：所述数据ahp权重计算单元对n条包括m个具体指标的数据构建n条数据中每条数据与每个所述m个具体指标的权重矩阵:其中：为n条数据中第数据的；代表具体指标权重矩阵第行的行向量；所述数据ahp权重计算单元对所述权重矩阵进行去偏好化处理，具体为：计算权重矩阵第行与第j行的第一相关系数和第一相关系数的矩阵r其中：r=[r
ij
]
n
×
n
确定第二相关系数c
ij
和第二相关系数的矩阵c：其中： c = [c
ij
]
n
×
n
所述数据ahp权重计算单元计算所述不相同的数据来源的最大化权向量矩阵：；所述所述数据ahp权重计算单元计算所述不相同的数据来源的最大化权向量矩阵具体为，建立线性规划模型：其中：所述数据ahp权重计算单元对所述线性规划模型的最优解得到所述不相同的数据来源的最大化权向量矩阵：其中：；所述数据ahp权重计算单元根据所述不相同的数据来源的最大化权向量矩阵计算得到所述不相同的数据来源的权重：令通过求以下非线性规划的最优解得所述数据ahp权重计算单元计算所述具体指标的权重：。
4.根据权利要求3所述的一种用于融媒体中心的评估系统，其特征在于，所述数据熵权权重计算单元用于通过e条包括m个具体指标的客观数据计算每个所述具体指标的权重，具体为：所述数据熵权权重计算单元对所述客观数据矩阵进行处理得到每个所述具体指标的权重；所述数据熵权权重计算单元对矩阵中的每个元素进行归一化处理：（i=1,2....e;j=1,2....m）所述数据熵权权重计算单元计算所述权重矩阵第j项下第i个记录所占比重：所述数据熵权权重计算单元计算所述权重矩阵第j项的熵值：所述数据熵权权重计算单元计算所述权重矩阵第j项的差异系数：，(j=1,2,3......m)所述数据熵权权重计算单元计算所述权重矩阵第j项的权重：。5.根据权利要求4所述的一种用于融媒体中心的评估系统，其特征在于，所述组合赋权计算单元根据所述具体指标的权重和所述具体指标的权重得到所述具体指标的综合权重b，具体为：；其中，
、
使最小。6.一种用于融媒体中心的评估方法，其特征在于，包括如下步骤：s1、通过综合权重计算模块用于确定每个具体指标的综合权重b；s2、通过评价模块基于所述每个具体指标的综合权重b对所述神经网络模型进行优化；s3、通过效率评估模块的最优效率单元计算该决策单元的投入指标数据和产出指标数据的最优效率值;通过所述效率评估模块的最差效率单元计算该决策单元的投入指标数据和产出指标数据的最差效率值，根据所述最优效率值和所述最差效率值计算同一决策单元的有效效率值；所述通过综合权重计算模块确定每个具体指标的综合权重b具体为：通过数据接收单元接收h条均包括m个具体指标的主观数据和接收e条包括m个具体指标的客观数据；通过所述数据接收单元将所述h条均包括m个具体指标的主观数据送入数据ahp权重计算单元,其中，所述h条对应不相同的h个主观数据来源，通过所述数据接收单元将所述e条包括m个具体指标的客观数据送入数据熵权权重计算单元；通过数据ahp权重计算单元对接收到的h条均包括m个具体指标的数据进行一致性筛选得到n条包括m个具体指标的主观数据，其中n≤h，其中，n条对应不相同的n个主观数据来源；通过所述数据ahp权重计算单元根据n条包括m个具体指标的主观数据计算n个主观数据来源中每个所述数据来源的权重，根据所述每个所述数据来源的权重计算所述具体指标的权重
；通过所述数据熵权权重计算单元根据e条包括m个具体指标的客观数据计算每个指标的权重；通过组合赋权计算单元根据所述具体指标的权重和所述具体指标的权重得到所述具体指标的综合权重b。7.根据权利要求6所述的一种用于融媒体中心的评估方法，其特征在于，所述通过数据ahp权重计算单元对接收到的h条均包括m个具体指标的数据进行一致性筛选得到n条包括m个具体指标的数据，其中n≤h，其中，n条对应不相同的n个主观数据来源，具体为：按照1-9标度构建关于多个具体指标的中任一两个所述具体指标的关系度矩阵：其中：分别代表多个具体指标中不同的具体指标；代表不同两个具体指标b
i
与b
j
之间的关系度数值且=；对关系度矩阵每行元素连乘并开m次方，得到向量 ，其中:;对p进行归一化处理，计算指标综合权重: 计算最大特征值:计算一致性比率cr： 通过一致性比率cr对所述h条m个具体指标的数据进行筛选得到n条包括m个具体指标的数据，其中n≤h。8.根据权利要求7所述的一种用于融媒体中心的评估方法，其特征在于，所述通过所述数据ahp权重计算单元通过n条包括m个具体指标的主观数据计算n个主观数据来源中每个所述数据来源的权重，根据所述每个所述数据来源的权重计算所述具体指标的权重，具体为：所述数据ahp权重计算单元对n条包括m个具体指标的数据构建n条数据中每条数据与每个所述m个具体指标的权重矩阵
ꢀꢀ
其中:为n条数据中第数据的；代表具体指标权重矩阵第行的行向量；所述数据ahp权重计算单元对所述权重矩阵进行去偏好化处理，具体为：计算权重矩阵第行与第j行的第一相关系数和第一相关系数的矩阵r其中：r=[r
ij
]
n
×
n
确定第二相关系数c
ij
和第二相关系数的矩阵c：其中：c = [c
ij
]
n
×
n
所述数据ahp权重计算单元计算所述不相同的数据来源的最大化权向量矩阵：；所述所述数据ahp权重计算单元计算所述不相同的数据来源的最大化权向量矩阵具体为，建立线性规划模型：其中：所述数据ahp权重计算单元对所述线性规划模型的最优解得到所述不相同的数据来源的最大化权向量矩阵：其中：；所述数据ahp权重计算单元根据所述不相同的数据来源的最大化权向量矩阵计算得到所述不相同的数据来源的权重：令通过求以下非线性规划的最优解y*得所述数据ahp权重计算单元计算所述具体指标的权重： 。9.根据权利要求8所述的一种用于融媒体中心的评估方法，其特征在于，所述通过所述数据熵权权重计算单元根据e条包括m个具体指标的客观数据计算每个指标的权重，具体为：所述数据熵权权重计算单元对所述客观数据矩阵a进行处理得到每个所述具体指标的权重；所述数据熵权权重计算单元对矩阵中的每个元素进行归一化处理：（i=1,2....e;j=1,2....m）所述数据熵权权重计算单元计算所述权重矩阵第j项下第i个记录所占比重：所述数据熵权权重计算单元计算所述权重矩阵第j项的熵值：所述数据熵权权重计算单元计算所述权重矩阵第j项的差异系数：，(j=1,2,3......m)所述数据熵权权重计算单元计算所述权重矩阵第j项的权重：。
10.根据权利要求9所述的一种用于融媒体中心的评估方法，其特征在于，所述通过组合赋权计算单元根据所述具体指标的权重和所述具体指标的权重得到所述具体指标的综合权重b，具体为：；其中，
、
使最小。

技术总结
一种用于融媒体中心的评估系统，所述系统包括：包括综合权重计算模块和评价模块，其中，所述综合权重计算模块用于确定每个具体指标的综合权重B，所述评价模块采用神经网络模型，所述评价模块基于所述每个具体指标的综合权重B获得评价结果并将所述评价结果作为神经网络输出层的单个输出节点，通过综合权重计算模块确定每个具体指标的综合权重可以更全面的综合判断；综合权重计算模块的数据AHP权重计算单元对数据处理可以避免人为因素影响；评价模块基于所述每个具体指标的综合权重B获得评价结果并将所述评价结果作为神经网络输出层的单个输出节点，能够优化神经网络的隐藏层的权重。权重。权重。


技术研发人员：宋金宝 邓如意
受保护的技术使用者：中国传媒大学
技术研发日：2022.03.16
技术公布日：2022/4/12