用户名: 密码:    忘记密码   注册   在线充值
基于五种能力的嵌入式系统性能评价方法  
 【申请号】  CN201610130317.6  【申请日】  2016-03-08
 【公开号】  CN105740126A  【公开日】  2016-07-06
 【申请人】  西北工业大学  【地址】  710072 陕西省西安市友谊西路127号
 【共同申请人】  
 【发明人】  朱怡安;罗殊彦;曾诚;张黎翔
 【国际申请】    【国际公布】  
 【进入国家日期】  
 【专利代理机构】  西北工业大学专利中心 61204  【代理人】  王鲜凯
 【分案原申请号】  
 【国省代码】  61
 【摘要】  本发明公开了一种基于五种能力的嵌入式系统性能评价方法,用于解决现有嵌入式系统性能评价方法评价结果全面性差的技术问题。技术方案是对五种能力的指标体系进行构建,对指标得分进行计算,最后进行综合评价。在指标体系构建中,选取能反映五种能力的指标,剔除重复项,独立交叉项,合并同类项,使得指标具备可操作性。在指标得分计算中,对于难以量化的指标,采用黑箱法进行测试。通过归一化的方式把随机数值指标转化为[0,1]之间的数值;指标测试项为布尔命题的测试结果为0或1;对于部分指标测试项无法用数值表示的,采用经验法对其进行量化。最后通过雷达图进行展示。该方法评价结果完整全面,科学地反映了嵌入式系统的性能。
 【主权项】  一种基于五种能力的嵌入式系统性能评价方法,其特征在于包括以下步骤:步骤一、构建指标体系;设U代表评价指标ui所组成的集合,ui代表下一层评价指标uij所组成的子集合,评价者l为p个,评价灰类e为g个,dijp为各个指标的评分值,则具体的评价流程如下:确立评价样本矩阵D,计算方法如公式(1)所示;根据评价样本矩阵D把评价灰类等级值进行向量化得到其评分向量C,计算方法为公式(2)所示;式中,di为标准化后的指标评分;C=(d1,d2,…,dg)###(2)评价者l对评价指标uij的灰色评价数记为Xije,其计算方法如公式(3)所示;<mrow><msub><mi>X</mi><mrow><mi>i</mi><mi>j</mi><mi>e</mi></mrow></msub><mo> =</mo><munderover><mo>&Sigma;</mo><mrow><mi>t</mi><mo> =</mo><mn>1</mn></mrow><mi>p</mi></munderover><msub><mi>f</mi><mi>e</mi></msub><mrow><mo>(</mo><msub><mi>d</mi><mrow><mi>i</mi><mi>j</mi><mi>t</mi></mrow></msub><mo>)</mo></mrow><mo>-</mo><mo>-</mo><mo>-</mo><mrow><mo>(</mo><mn>3</mn><mo>)</mo></mrow></mrow>根据Xije,最终计算出各评价灰类的总灰色评价数Xij,其计算方法如公式(4)所示;<mrow><msub><mi>X</mi><mrow><mi>i</mi><mi>j</mi></mrow></msub><mo> =</mo><munderover><mo>&Sigma;</mo><mrow><mi>e</mi><mo> =</mo><mn>1</mn></mrow><mi>g</mi></munderover><mrow><mo>(</mo><msub><mi>X</mi><mrow><mi>i</mi><mi>j</mi><mi>e</mi></mrow></msub><mo>)</mo></mrow><mo>-</mo><mo>-</mo><mo>-</mo><mrow><mo>(</mo><mn>4</mn><mo>)</mo></mrow></mrow>所有评价者就评价指标uij,对受评对象主张第e个灰类的灰色评价权,记为rje,其计算方法如公式(5)所示;<mrow><msub><mi>r</mi><mrow><mi>i</mi><mi>j</mi><mi>e</mi></mrow></msub><mo> =</mo><mfrac><msub><mi>X</mi><mrow><mi>i</mi><mi>j</mi><mi>e</mi></mrow></msub><msub><mi>X</mi><mrow><mi>i</mi><mi>j</mi></mrow></msub></mfrac><mo>-</mo><mo>-</mo><mo>-</mo><mrow><mo>(</mo><mn>5</mn><mo>)</mo></mrow></mrow>综合ui所属指标uij对于评价灰类的灰色评价权向量,计算得到受评者对指标ui的灰色评价权矩阵Ri,其计算方法如公式(6)所示;:<mrow><msub><mi>R</mi><mi>i</mi></msub><mo> =</mo><mfenced open = "[" close = "]"><mtable><mtr><mtd><msub><mi>r</mi><mrow><mi>i</mi><mn>1</mn></mrow></msub></mtd></mtr><mtr><mtd><msub><mi>r</mi><mrow><mi>i</mi><mn>2</mn></mrow></msub></mtd></mtr><mtr><mtd><mo>&CenterDot;</mo></mtd></mtr><mtr><mtd><mo>&CenterDot;</mo></mtd></mtr><mtr><mtd><mo>&CenterDot;</mo></mtd></mtr><mtr><mtd><msub><mi>r</mi><mrow><mi>i</mi><mi>j</mi></mrow></msub></mtd></mtr></mtable></mfenced><mo> =</mo><mfenced open = "[" close = "]"><mtable><mtr><mtd><msub><mi>r</mi><mrow><mi>i</mi><mn>11</mn></mrow></msub></mtd><mtd><msub><mi>r</mi><mrow><mi>i</mi><mn>12</mn></mrow></msub></mtd><mtd><mo>...</mo></mtd><mtd><msub><mi>r</mi><mrow><mi>i</mi><mn>1</mn><mi>p</mi></mrow></msub></mtd></mtr><mtr><mtd><msub><mi>r</mi><mrow><mi>i</mi><mn>21</mn></mrow></msub></mtd><mtd><msub><mi>r</mi><mrow><mi>i</mi><mn>22</mn></mrow></msub></mtd><mtd><mo>...</mo></mtd><mtd><msub><mi>r</mi><mrow><mi>i</mi><mn>2</mn><mi>p</mi></mrow></msub></mtd></mtr><mtr><mtd><mo>&CenterDot;</mo></mtd><mtd><mo>&CenterDot;</mo></mtd><mtd><mo>&CenterDot;</mo></mtd><mtd><mo>&CenterDot;</mo></mtd></mtr><mtr><mtd><mo>&CenterDot;</mo></mtd><mtd><mo>&CenterDot;</mo></mtd><mtd><mo>&CenterDot;</mo></mtd><mtd><mo>&CenterDot;</mo></mtd></mtr><mtr><mtd><mo>&CenterDot;</mo></mtd><mtd><mo>&CenterDot;</mo></mtd><mtd><mo>&CenterDot;</mo></mtd><mtd><mo>&CenterDot;</mo></mtd></mtr><mtr><mtd><msub><mi>r</mi><mrow><mi>i</mi><mi>j</mi><mn>1</mn></mrow></msub></mtd><mtd><msub><mi>r</mi><mrow><mi>i</mi><mi>j</mi><mn>2</mn></mrow></msub></mtd><mtd><mo>...</mo></mtd><mtd><msub><mi>r</mi><mrow><mi>i</mi><mi>j</mi><mi>p</mi></mrow></msub></mtd></mtr></mtable></mfenced><mo>-</mo><mo>-</mo><mo>-</mo><mrow><mo>(</mo><mn>6</mn><mo>)</mo></mrow></mrow>对ui进行次级指标的综合评价,对受评者综合状况分类的描述按照最大原则确定受评者所属灰类等级,对ui评价结果记为Bi,其计算方法如公式(7)所示;Bi=AiRi=(bi1,bi2,…,big)###(7)由公式(1)#(34)的评价结果Bi得出受评者U所属指标ui对于各评价灰类的灰色评价权矩阵B,其计算方法如公式(8)所示;<mrow><mi>B</mi><mo> =</mo><mfenced open = "[" close = "]"><mtable><mtr><mtd><msub><mi>B</mi><mn>1</mn></msub></mtd></mtr><mtr><mtd><msub><mi>B</mi><mn>2</mn></msub></mtd></mtr><mtr><mtd><mo>&CenterDot;</mo></mtd></mtr><mtr><mtd><mo>&CenterDot;</mo></mtd></mtr><mtr><mtd><mo>&CenterDot;</mo></mtd></mtr><mtr><mtd><msub><mi>B</mi><mi>m</mi></msub></mtd></mtr></mtable></mfenced><mo> =</mo><mfenced open = "[" close = "]"><mtable><mtr><mtd><msub><mi>B</mi><mn>11</mn></msub></mtd><mtd><msub><mi>B</mi><mn>12</mn></msub></mtd><mtd><mo>...</mo></mtd><mtd><msub><mi>B</mi><mrow><mn>1</mn><mi>g</mi></mrow></msub></mtd></mtr><mtr><mtd><msub><mi>B</mi><mn>21</mn></msub></mtd><mtd><msub><mi>B</mi><mn>22</mn></msub></mtd><mtd><mo>...</mo></mtd><mtd><msub><mi>B</mi><mrow><mn>2</mn><mi>g</mi></mrow></msub></mtd></mtr><mtr><mtd><mo>&CenterDot;</mo></mtd><mtd><mo>&CenterDot;</mo></mtd><mtd><mo>&CenterDot;</mo></mtd><mtd><mo>&CenterDot;</mo></mtd></mtr><mtr><mtd><mo>&CenterDot;</mo></mtd><mtd><mo>&CenterDot;</mo></mtd><mtd><mo>&CenterDot;</mo></mtd><mtd><mo>&CenterDot;</mo></mtd></mtr><mtr><mtd><mo>&CenterDot;</mo></mtd><mtd><mo>&CenterDot;</mo></mtd><mtd><mo>&CenterDot;</mo></mtd><mtd><mo>&CenterDot;</mo></mtd></mtr><mtr><mtd><msub><mi>B</mi><mrow><mi>m</mi><mn>1</mn></mrow></msub></mtd><mtd><msub><mi>B</mi><mrow><mi>m</mi><mn>2</mn></mrow></msub></mtd><mtd><mo>...</mo></mtd><mtd><msub><mi>B</mi><mrow><mi>m</mi><mi>p</mi></mrow></msub></mtd></mtr></mtable></mfenced><mo>-</mo><mo>-</mo><mo>-</mo><mrow><mo>(</mo><mn>8</mn><mo>)</mo></mrow></mrow>最后计算出受评者的综合评价结果B,其计算方法如公式(9)所示;<mrow><mi>B</mi><mo> =</mo><mi>A</mi><mi>R</mi><mo> =</mo><mi>A</mi><mfenced open = "[" close = "]"><mtable><mtr><mtd><mrow><msub><mi>A</mi><mn>1</mn></msub><msub><mi>R</mi><mn>1</mn></msub></mrow></mtd></mtr><mtr><mtd><mrow><msub><mi>A</mi><mn>2</mn></msub><msub><mi>R</mi><mn>2</mn></msub></mrow></mtd></mtr><mtr><mtd><mo>&CenterDot;</mo></mtd></mtr><mtr><mtd><mo>&CenterDot;</mo></mtd></mtr><mtr><mtd><mo>&CenterDot;</mo></mtd></mtr><mtr><mtd><mrow><msub><mi>A</mi><mi>m</mi></msub><msub><mi>R</mi><mi>m</mi></msub></mrow></mtd></mtr></mtable></mfenced><mo>-</mo><mo>-</mo><mo>-</mo><mrow><mo>(</mo><mn>9</mn><mo>)</mo></mrow></mrow>则综合评价值Z为:Z=BCT*100###(10)步骤二、智能控制能力综合评价;根据各指标的测试方法计算出智能控制能力所有的底层指标的分值;对于那些不是[0,1]范围的测试结果需要进行归一化,方法如公式(11)所示;<mrow><mi>u</mi><mo> =</mo><mfrac><mrow><msub><mi>n</mi><mn>1</mn></msub><mo>+</mo><msub><mi>n</mi><mi>a</mi></msub></mrow><mrow><mi>n</mi><mo>+</mo><msub><mi>n</mi><mi>a</mi></msub></mrow></mfrac><mo>-</mo><mo>-</mo><mo>-</mo><mrow><mo>(</mo><mn>11</mn><mo>)</mo></mrow></mrow>式中,u为该项指标的归一化得分;N为测试项理论集合中包含的数值;n1为测试项的实际集合中包含的数值;na为新增加的测试项集合中包含的数值;根据底层指标分值及其权重系数计算二级指标的最终评分Pi,计算方法如公式(12)所示;<mrow><msub><mi>P</mi><mi>i</mi></msub><mo> =</mo><mfrac><mrow><munderover><mo>&Sigma;</mo><mrow><mi>i</mi><mo> =</mo><mn>1</mn></mrow><mi>m</mi></munderover><msub><mi>u</mi><mi>i</mi></msub><mo>*</mo><msub><mi>w</mi><mi>i</mi></msub></mrow><mrow><munderover><mo>&Sigma;</mo><mrow><mi>i</mi><mo> =</mo><mn>1</mn></mrow><mi>m</mi></munderover><msub><mi>w</mi><mi>i</mi></msub></mrow></mfrac><mo>-</mo><mo>-</mo><mo>-</mo><mrow><mo>(</mo><mn>12</mn><mo>)</mo></mrow></mrow>式中,m为三级指标的数量;ui为三级指标项所对应的分值;wi为三级指标项所对应的权重值;计算嵌入式系统各子系统的最终智能水平LIQ,计算方法如公式(13)所示;由于对不同类型的嵌入式系统关注点不同,因此为每个计算机都设置了相应的权值;<mrow><msub><mi>L</mi><mrow><mi>I</mi><mi>Q</mi></mrow></msub><mo> =</mo><munderover><mo>&Sigma;</mo><mrow><mi>n</mi><mo> =</mo><mn>1</mn></mrow><mi>m</mi></munderover><mrow><mo>(</mo><msub><mi>Q</mi><mi>n</mi></msub><mo>*</mo><msub><mi>w</mi><mi>n</mi></msub><mo>)</mo></mrow><mo>*</mo><mn>100</mn><mo>-</mo><mo>-</mo><mo>-</mo><mrow><mo>(</mo><mn>13</mn><mo>)</mo></mrow></mrow>式中,m为一级指标的个数,在本模型中,m的取值是8;Qn为该一级指标的得分;wn为权值;步骤三、互联互通能力综合评价;建立指标矩阵并进行归一化处理;建立指标矩阵如公式(14)所示;R=(rij)m*ni=1,2,…,m;j=1,2,…n###(14)式中,rij为第i个样本的第j项指标;m为样本数;n为指标数,本模型中指标数为5;为消除指标单位和量级的差异,对指标进行归一化处理,处理方法如公式(15)所示;<mrow><msub><mi>x</mi><mrow><mi>i</mi><mi>j</mi></mrow></msub><mo> =</mo><msub><mi>r</mi><mrow><mi>i</mi><mi>j</mi></mrow></msub><mo>/</mo><msup><mrow><mo>(</mo><munderover><mo>&Sigma;</mo><mrow><mi>i</mi><mo> =</mo><mn>1</mn></mrow><mi>m</mi></munderover><msup><mrow><mo>(</mo><msub><mi>r</mi><mrow><mi>i</mi><mi>j</mi></mrow></msub><mo>)</mo></mrow><mn>2</mn></msup><mo>)</mo></mrow><mrow><mn>1</mn><mo>/</mo><mn>2</mn></mrow></msup><mo>-</mo><mo>-</mo><mo>-</mo><mrow><mo>(</mo><mn>15</mn><mo>)</mo></mrow></mrow>处理后得到新的无量纲指标矩阵,如公式(16)所示;X=(xij)m*n###(16)确定各指标权重;采用熵权法对指标进行赋权;第j项指标的熵权计算方法如公式(17)所示;<mrow><msub><mi>&omega;</mi><mi>j</mi></msub><mo> =</mo><mrow><mo>(</mo><mn>1</mn><mo>-</mo><msub><mi>&eta;</mi><mi>j</mi></msub><mo>)</mo></mrow><mo>/</mo><munderover><mo>&Sigma;</mo><mrow><mi>j</mi><mo> =</mo><mn>1</mn></mrow><mi>n</mi></munderover><mrow><mo>(</mo><mn>1</mn><mo>-</mo><msub><mi>&eta;</mi><mi>j</mi></msub><mo>)</mo></mrow><mo>-</mo><mo>-</mo><mo>-</mo><mrow><mo>(</mo><mn>17</mn><mo>)</mo></mrow></mrow>其中,ηj计算方法如公式(18)所示,hij计算方法如公式(19)所示;<mrow><msub><mi>&eta;</mi><mi>j</mi></msub><mo> =</mo><mo>-</mo><mfrac><mn>1</mn><mrow><mi>ln</mi><mi>m</mi></mrow></mfrac><munderover><mo>&Sigma;</mo><mrow><mi>i</mi><mo> =</mo><mn>1</mn></mrow><mi>m</mi></munderover><msub><mi>h</mi><mrow><mi>i</mi><mi>j</mi></mrow></msub><mi>ln</mi><mi> </mi><msub><mi>h</mi><mrow><mi>i</mi><mi>j</mi></mrow></msub><mo>-</mo><mo>-</mo><mo>-</mo><mrow><mo>(</mo><mn>18</mn><mo>)</mo></mrow></mrow><mrow><msub><mi>h</mi><mrow><mi>i</mi><mi>j</mi></mrow></msub><mo> =</mo><mrow><mo>(</mo><mn>1</mn><mo>+</mo><msub><mi>x</mi><mrow><mi>i</mi><mi>j</mi></mrow></msub><mo>)</mo></mrow><mo>/</mo><munderover><mo>&Sigma;</mo><mrow><mi>i</mi><mo> =</mo><mn>1</mn></mrow><mi>m</mi></munderover><mrow><mo>(</mo><mn>1</mn><mo>+</mo><msub><mi>x</mi><mrow><mi>i</mi><mi>j</mi></mrow></msub><mo>)</mo></mrow><mo>-</mo><mo>-</mo><mo>-</mo><mrow><mo>(</mo><mn>19</mn><mo>)</mo></mrow></mrow>求得指标权重向量W,如公式(20)所示;W=(ω12,...,ωn)T###(20)计算加权标准化矩阵;将归一化处理后的指标矩阵与相应的指标权重相乘,得到加权标准化矩阵如公式(21)所示;Y=(yij)m*n=(ωjxij)m*n###(21)确定正理想解和负理想解;正理想解由正向指标的最大值和负向指标的最小值构成,负理想解由负向指标的最大值和正向指标的最小值构成,计算方法分别如公式(22)、公式(23)所示;<mrow><msup><msub><mi>Y</mi><mn>0</mn></msub><mo>+</mo></msup><mo> =</mo><mrow><mo>(</mo><munder><mrow><mi>m</mi><mi>a</mi><mi>x</mi></mrow><mrow><mn>1</mn><mo>&le;</mo><mi>i</mi><mo>&le;</mo><mi>m</mi></mrow></munder><msub><mi>y</mi><mrow><mi>i</mi><mi>j</mi></mrow></msub><mo>|</mo><mi>j</mi><mo>&Element;</mo><msup><mi>j</mi><mo>+</mo></msup><mo>|</mo><mo>,</mo><munder><mi>min</mi><mrow><mn>1</mn><mo>&le;</mo><mi>i</mi><mo>&le;</mo><mi>m</mi></mrow></munder><msub><mi>y</mi><mrow><mi>i</mi><mi>j</mi></mrow></msub><mo>|</mo><mi>j</mi><mo>&Element;</mo><msup><mi>j</mi><mo>-</mo></msup><mo>|</mo><mo>)</mo></mrow><mo> =</mo><mrow><mo>(</mo><msup><msub><mi>y</mi><mn>1</mn></msub><mo>+</mo></msup><mo>,</mo><msup><msub><mi>y</mi><mn>2</mn></msub><mo>+</mo></msup><mo>,</mo><mo>...</mo><mo>,</mo><msup><msub><mi>y</mi><mi>m</mi></msub><mo>+</mo></msup><mo>)</mo></mrow><mo>-</mo><mo>-</mo><mo>-</mo><mrow><mo>(</mo><mn>22</mn><mo>)</mo></mrow></mrow><mrow><msup><msub><mi>Y</mi><mn>0</mn></msub><mo>-</mo></msup><mo> =</mo><mrow><mo>(</mo><munder><mi>min</mi><mrow><mn>1</mn><mo>&le;</mo><mi>i</mi><mo>&le;</mo><mi>m</mi></mrow></munder><msub><mi>y</mi><mrow><mi>i</mi><mi>j</mi></mrow></msub><mo>|</mo><mi>j</mi><mo>&Element;</mo><msup><mi>j</mi><mo>+</mo></msup><mo>|</mo><mo>,</mo><munder><mi>max</mi><mrow><mn>1</mn><mo>&le;</mo><mi>i</mi><mo>&le;</mo><mi>m</mi></mrow></munder><msub><mi>y</mi><mrow><mi>i</mi><mi>j</mi></mrow></msub><mo>|</mo><mi>j</mi><mo>&Element;</mo><msup><mi>j</mi><mo>-</mo></msup><mo>|</mo><mo>)</mo></mrow><mo> =</mo><mrow><mo>(</mo><msup><msub><mi>y</mi><mn>1</mn></msub><mo>-</mo></msup><mo>,</mo><msup><msub><mi>y</mi><mn>2</mn></msub><mo>-</mo></msup><mo>,</mo><mo>...</mo><mo>,</mo><msup><msub><mi>y</mi><mi>m</mi></msub><mo>-</mo></msup><mo>)</mo></mrow><mo>-</mo><mo>-</mo><mo>-</mo><mrow><mo>(</mo><mn>23</mn><mo>)</mo></mrow></mrow>其中,j+为正向指标,指标值越大越优;j#为负向指标,指标值越小越优;计算样本到正理想解和负理想解的欧氏距离;假设样本i正理想解和负理想解之间的欧氏距离分别为Si+和Si#,其计算公式分别如公式(24)、公式(25)所示;<mrow><msup><msub><mi>S</mi><mi>i</mi></msub><mo>+</mo></msup><mo> =</mo><msup><mrow><mo>&lsqb;</mo><munderover><mo>&Sigma;</mo><mrow><mi>j</mi><mo> =</mo><mn>1</mn></mrow><mi>n</mi></munderover><mrow><msub><mi>&omega;</mi><mi>j</mi></msub><msup><mrow><mo>(</mo><msub><mi>y</mi><mrow><mi>i</mi><mi>j</mi></mrow></msub><mo>-</mo><msup><msub><mi>y</mi><mi>j</mi></msub><mo>+</mo></msup><mo>)</mo></mrow><mn>2</mn></msup></mrow><mo>&rsqb;</mo></mrow><mrow><mn>1</mn><mo>/</mo><mn>2</mn></mrow></msup><mo>,</mo><mi>i</mi><mo> =</mo><mn>1</mn><mo>,</mo><mn>2</mn><mo>,</mo><mo>...</mo><mo>,</mo><mi>m</mi><mo>-</mo><mo>-</mo><mo>-</mo><mrow><mo>(</mo><mn>24</mn><mo>)</mo></mrow></mrow><mrow><msup><msub><mi>S</mi><mi>i</mi></msub><mo>-</mo></msup><mo> =</mo><msup><mrow><mo>&lsqb;</mo><munderover><mo>&Sigma;</mo><mrow><mi>j</mi><mo> =</mo><mn>1</mn></mrow><mi>n</mi></munderover><mrow><msub><mi>&omega;</mi><mi>j</mi></msub><msup><mrow><mo>(</mo><msub><mi>y</mi><mrow><mi>i</mi><mi>j</mi></mrow></msub><mo>-</mo><msup><msub><mi>y</mi><mi>j</mi></msub><mo>-</mo></msup><mo>)</mo></mrow><mn>2</mn></msup></mrow><mo>&rsqb;</mo></mrow><mrow><mn>1</mn><mo>/</mo><mn>2</mn></mrow></msup><mo>,</mo><mi>i</mi><mo> =</mo><mn>1</mn><mo>,</mo><mn>2</mn><mo>,</mo><mo>...</mo><mo>,</mo><mi>m</mi><mo>-</mo><mo>-</mo><mo>-</mo><mrow><mo>(</mo><mn>25</mn><mo>)</mo></mrow></mrow>计算样本到正理想解和负理想解的灰色关联度;(a)样本i与正理想解关于指标j的灰色关联系数计算方法如公式(26)所示;<mrow><mtable><mtr><mtd><mrow><msup><msub><mi>&mu;</mi><mrow><mi>i</mi><mi>j</mi></mrow></msub><mo>+</mo></msup><mo> =</mo><mfrac><mrow><munder><mi>min</mi><mi>i</mi></munder><munder><mi>min</mi><mi>j</mi></munder><msub><mi>&Delta;y</mi><mrow><mi>i</mi><mi>j</mi></mrow></msub><mo>+</mo><mi>&rho;</mi><munder><mi>max</mi><mi>i</mi></munder><munder><mi>max</mi><mi>j</mi></munder><msub><mi>&Delta;y</mi><mrow><mi>i</mi><mi>j</mi></mrow></msub></mrow><mrow><msub><mi>&Delta;y</mi><mrow><mi>i</mi><mi>j</mi></mrow></msub><mo>+</mo><mi>&rho;</mi><munder><mi>max</mi><mi>i</mi></munder><munder><mi>max</mi><mi>j</mi></munder><msub><mi>&Delta;y</mi><mrow><mi>i</mi><mi>j</mi></mrow></msub></mrow></mfrac></mrow></mtd><mtd><mrow><msub><mi>&Delta;y</mi><mrow><mi>i</mi><mi>j</mi></mrow></msub><mo> =</mo><mo>|</mo><msup><msub><mi>y</mi><mi>j</mi></msub><mo>+</mo></msup><mo>-</mo><msub><mi>y</mi><mrow><mi>i</mi><mi>j</mi></mrow></msub><mo>|</mo><mo>;</mo><mi>&rho;</mi><mo>&Element;</mo><mo>&lsqb;</mo><mn>0</mn><mo>,</mo><mn>1</mn><mo>&rsqb;</mo></mrow></mtd></mtr></mtable><mo>-</mo><mo>-</mo><mo>-</mo><mrow><mo>(</mo><mn>26</mn><mo>)</mo></mrow></mrow>式中,为两级最小差;为两级最大差;ρ为分辨系数;得到灰色关联系数矩阵为如公式(27)所示;<mrow><msup><mi>T</mi><mo>+</mo></msup><mo> =</mo><mfenced open = "[" close = "]"><mtable><mtr><mtd><mrow><msup><msub><mi>&mu;</mi><mn>11</mn></msub><mo>+</mo></msup></mrow></mtd><mtd><mrow><msup><msub><mi>&mu;</mi><mn>12</mn></msub><mo>+</mo></msup></mrow></mtd><mtd><mo>...</mo></mtd><mtd><mrow><msup><msub><mi>&mu;</mi><mrow><mn>1</mn><mi>n</mi></mrow></msub><mo>+</mo></msup></mrow></mtd></mtr><mtr><mtd><mrow><msup><msub><mi>&mu;</mi><mrow><mi>2</mi><mn>1</mn></mrow></msub><mo>+</mo></msup></mrow></mtd><mtd><mrow><msup><msub><mi>&mu;</mi><mn>22</mn></msub><mo>+</mo></msup></mrow></mtd><mtd><mo>...</mo></mtd><mtd><mrow><msup><msub><mi>&mu;</mi><mrow><mn>2</mn><mi>n</mi></mrow></msub><mo>+</mo></msup></mrow></mtd></mtr><mtr><mtd><mo>&CenterDot;</mo></mtd><mtd><mo>&CenterDot;</mo></mtd><mtd><mrow></mrow></mtd><mtd><mrow></mrow></mtd></mtr><mtr><mtd><mo>&CenterDot;</mo></mtd><mtd><mo>&CenterDot;</mo></mtd><mtd><mrow></mrow></mtd><mtd><mrow></mrow></mtd></mtr><mtr><mtd><mo>&CenterDot;</mo></mtd><mtd><mo>&CenterDot;</mo></mtd><mtd><mrow></mrow></mtd><mtd><mrow></mrow></mtd></mtr><mtr><mtd><mrow><msup><msub><mi>&mu;</mi><mrow><mi>m</mi><mn>1</mn></mrow></msub><mo>+</mo></msup></mrow></mtd><mtd><mrow><msup><msub><mi>&mu;</mi><mrow><mi>m</mi><mn>2</mn></mrow></msub><mo>+</mo></msup></mrow></mtd><mtd><mo>...</mo></mtd><mtd><mrow><msup><msub><mi>&mu;</mi><mrow><mi>m</mi><mi>n</mi></mrow></msub><mo>+</mo></msup></mrow></mtd></mtr></mtable></mfenced><mo>-</mo><mo>-</mo><mo>-</mo><mrow><mo>(</mo><mn>27</mn><mo>)</mo></mrow></mrow>样本i与正理想样本的灰色关联度计算方法如公式(28)所示;<mrow><msubsup><mi>T</mi><mi>i</mi><mo>+</mo></msubsup><mo> =</mo><mfrac><mn>1</mn><mi>n</mi></mfrac><munderover><mo>&Sigma;</mo><mrow><mi>j</mi><mo> =</mo><mn>1</mn></mrow><mi>n</mi></munderover><msup><msub><mi>&mu;</mi><mrow><mi>i</mi><mi>j</mi></mrow></msub><mo>+</mo></msup><mo>,</mo><mi>i</mi><mo> =</mo><mn>1</mn><mo>,</mo><mn>2</mn><mo>,</mo><mo>...</mo><mo>,</mo><mi>m</mi><mo>-</mo><mo>-</mo><mo>-</mo><mrow><mo>(</mo><mn>28</mn><mo>)</mo></mrow></mrow>(b)计算第i个样本与负理想样本关于第j个指标的灰色关联系数;计算方法如公式(29)所示;<mrow><mtable><mtr><mtd><mrow><msup><msub><mi>&mu;</mi><mrow><mi>i</mi><mi>j</mi></mrow></msub><mo>-</mo></msup><mo> =</mo><mfrac><mrow><munder><mi>min</mi><mi>i</mi></munder><munder><mi>min</mi><mi>j</mi></munder><msub><mi>&Delta;y</mi><mrow><mi>i</mi><mi>j</mi></mrow></msub><mo>+</mo><mi>&rho;</mi><munder><mi>max</mi><mi>i</mi></munder><munder><mi>max</mi><mi>j</mi></munder><msub><mi>&Delta;y</mi><mrow><mi>i</mi><mi>j</mi></mrow></msub></mrow><mrow><msub><mi>&Delta;y</mi><mrow><mi>i</mi><mi>j</mi></mrow></msub><mo>+</mo><mi>&rho;</mi><munder><mi>max</mi><mi>i</mi></munder><munder><mi>max</mi><mi>j</mi></munder><msub><mi>&Delta;y</mi><mrow><mi>i</mi><mi>j</mi></mrow></msub></mrow></mfrac></mrow></mtd><mtd><mrow><msub><mi>&Delta;y</mi><mrow><mi>i</mi><mi>j</mi></mrow></msub><mo> =</mo><mo>|</mo><msup><msub><mi>y</mi><mi>j</mi></msub><mo>-</mo></msup><mo>-</mo><msub><mi>y</mi><mrow><mi>i</mi><mi>j</mi></mrow></msub><mo>|</mo><mo>;</mo><mi>&rho;</mi><mo>&Element;</mo><mo>&lsqb;</mo><mn>0</mn><mo>,</mo><mn>1</mn><mo>&rsqb;</mo></mrow></mtd></mtr></mtable><mo>-</mo><mo>-</mo><mo>-</mo><mrow><mo>(</mo><mn>29</mn><mo>)</mo></mrow></mrow>则各样本与负理想样本的灰色关联系数矩阵为公式(30)所示;<mrow><msup><mi>T</mi><mo>-</mo></msup><mo> =</mo><mfenced open = "[" close = "]"><mtable><mtr><mtd><mrow><msup><msub><mi>&mu;</mi><mn>11</mn></msub><mo>-</mo></msup></mrow></mtd><mtd><mrow><msup><msub><mi>&mu;</mi><mn>12</mn></msub><mo>-</mo></msup></mrow></mtd><mtd><mo>...</mo></mtd><mtd><mrow><msup><msub><mi>&mu;</mi><mrow><mn>1</mn><mi>n</mi></mrow></msub><mo>-</mo></msup></mrow></mtd></mtr><mtr><mtd><mrow><msup><msub><mi>&mu;</mi><mrow><mi>2</mi><mn>1</mn></mrow></msub><mo>-</mo></msup></mrow></mtd><mtd><mrow><msup><msub><mi>&mu;</mi><mn>22</mn></msub><mo>-</mo></msup></mrow></mtd><mtd><mo>...</mo></mtd><mtd><mrow><msup><msub><mi>&mu;</mi><mrow><mn>2</mn><mi>n</mi></mrow></msub><mo>-</mo></msup></mrow></mtd></mtr><mtr><mtd><mo>&CenterDot;</mo></mtd><mtd><mo>&CenterDot;</mo></mtd><mtd><mrow></mrow></mtd><mtd><mrow></mrow></mtd></mtr><mtr><mtd><mo>&CenterDot;</mo></mtd><mtd><mo>&CenterDot;</mo></mtd><mtd><mrow></mrow></mtd><mtd><mrow></mrow></mtd></mtr><mtr><mtd><mo>&CenterDot;</mo></mtd><mtd><mo>&CenterDot;</mo></mtd><mtd><mrow></mrow></mtd><mtd><mrow></mrow></mtd></mtr><mtr><mtd><mrow><msup><msub><mi>&mu;</mi><mrow><mi>m</mi><mn>1</mn></mrow></msub><mo>-</mo></msup></mrow></mtd><mtd><mrow><msup><msub><mi>&mu;</mi><mrow><mi>m</mi><mn>2</mn></mrow></msub><mo>-</mo></msup></mrow></mtd><mtd><mo>...</mo></mtd><mtd><mrow><msup><msub><mi>&mu;</mi><mrow><mi>m</mi><mi>n</mi></mrow></msub><mo>-</mo></msup></mrow></mtd></mtr></mtable></mfenced><mo>-</mo><mo>-</mo><mo>-</mo><mrow><mo>(</mo><mn>30</mn><mo>)</mo></mrow></mrow>样本i与正理想样本的灰色关联度计算方法如公式(31)所示;<mrow><msubsup><mi>T</mi><mi>i</mi><mo>-</mo></msubsup><mo> =</mo><mfrac><mn>1</mn><mi>n</mi></mfrac><munderover><mo>&Sigma;</mo><mrow><mi>j</mi><mo> =</mo><mn>1</mn></mrow><mi>n</mi></munderover><msup><msub><mi>&mu;</mi><mrow><mi>i</mi><mi>j</mi></mrow></msub><mo>-</mo></msup><mo>,</mo><mi>i</mi><mo> =</mo><mn>1</mn><mo>,</mo><mn>2</mn><mo>,</mo><mo>...</mo><mo>,</mo><mi>m</mi><mo>-</mo><mo>-</mo><mo>-</mo><mrow><mo>(</mo><mn>31</mn><mo>)</mo></mrow></mrow>计算样本到正理想解和负理想解的相对贴近度;(c)分别对所求得的欧氏距离(si+,si#)和灰色关联度(ti+,ti#)进行无量纲化处理,计算方法分别如公式(32)、(33)所示;<mrow><msup><msub><mi>s</mi><mi>i</mi></msub><mo>+</mo></msup><mo> =</mo><mfrac><mrow><msup><msub><mi>S</mi><mi>i</mi></msub><mo>+</mo></msup></mrow><mrow><munder><mrow><mi>m</mi><mi>a</mi><mi>x</mi></mrow><mrow><mn>1</mn><mo>&le;</mo><mi>i</mi><mo>&le;</mo><mi>m</mi></mrow></munder><mrow><mo>(</mo><msubsup><mi>S</mi><mi>i</mi><mo>+</mo></msubsup><mo>)</mo></mrow></mrow></mfrac><mo>;</mo><msup><msub><mi>s</mi><mi>i</mi></msub><mo>-</mo></msup><mo> =</mo><mfrac><mrow><msup><msub><mi>S</mi><mi>i</mi></msub><mo>-</mo></msup></mrow><mrow><munder><mrow><mi>m</mi><mi>a</mi><mi>x</mi></mrow><mrow><mn>1</mn><mo>&le;</mo><mi>i</mi><mo>&le;</mo><mi>m</mi></mrow></munder><mrow><mo>(</mo><msup><msub><mi>S</mi><mi>i</mi></msub><mo>-</mo></msup><mo>)</mo></mrow></mrow></mfrac><mo>-</mo><mo>-</mo><mo>-</mo><mrow><mo>(</mo><mn>32</mn><mo>)</mo></mrow></mrow><mrow><msup><msub><mi>t</mi><mi>i</mi></msub><mo>+</mo></msup><mo> =</mo><mfrac><mrow><msup><msub><mi>T</mi><mi>i</mi></msub><mo>+</mo></msup></mrow><mrow><munder><mrow><mi>m</mi><mi>a</mi><mi>x</mi></mrow><mrow><mn>1</mn><mo>&le;</mo><mi>i</mi><mo>&le;</mo><mi>m</mi></mrow></munder><mrow><mo>(</mo><msup><msub><mi>T</mi><mi>i</mi></msub><mo>+</mo></msup><mo>)</mo></mrow></mrow></mfrac><mo>;</mo><msup><msub><mi>T</mi><mi>i</mi></msub><mo>-</mo></msup><mo> =</mo><mfrac><mrow><msup><msub><mi>T</mi><mi>i</mi></msub><mo>-</mo></msup></mrow><mrow><munder><mrow><mi>m</mi><mi>a</mi><mi>x</mi></mrow><mrow><mn>1</mn><mo>&le;</mo><mi>i</mi><mo>&le;</mo><mi>m</mi></mrow></munder><mrow><mo>(</mo><msup><msub><mi>T</mi><mi>i</mi></msub><mo>-</mo></msup><mo>)</mo></mrow></mrow></mfrac><mo>-</mo><mo>-</mo><mo>-</mo><mrow><mo>(</mo><mn>33</mn><mo>)</mo></mrow></mrow>(d)计算相对贴近度;相对贴近度(πi)反映了待评样本与正理想解或负理想解在态势变化上的接近程度;计算方法如公式(34)、(35)和(36)所示;πi=Ωi+/(Ωi+i#)##i=1,2,...,m;###(34)Ωi+=β1*si#2*ti+;###(35)Ωi#=β1*si+2*ti####(36)式中:Ωi+:样本与正理想解的贴近程度;Ωi#:样本与负理想解的贴近程度;β1:决策者对位置的偏好程度;β2:决策者对形状的偏好程度;且β12=1;样本优劣排序;根据计算的相对贴近度,依据πi的大小对样本进行排序;π×100越大,待评样本越贴近正理想样本,样本越优;反之πi越小,待评样本越贴近负理想样本,样本越劣;最后计算得到评测的第i台嵌入式计算机联网能力的综合评价值Ei,计算方法如公式(37)所示;Ei=πi×100###(37)步骤四、安全可靠能力综合评价确定评价对象和指标,如公式(38)所示;式中,n为评价对象个数;m为评价指标项目数;嵌入式安全性能指标;(e)白化权函数的建立;(f)确定嵌入式安全性能各项评价指标灰类的聚类系数,如公式(39)所示:<mrow><msub><mi>w</mi><mrow><mi>j</mi><mi>t</mi></mrow></msub><mo> =</mo><mfrac><msub><mi>A</mi><mrow><mi>j</mi><mi>t</mi></mrow></msub><mrow><munderover><mo>&Sigma;</mo><mrow><mi>j</mi><mo> =</mo><mn>1</mn></mrow><mi>m</mi></munderover><msub><mi>A</mi><mrow><mi>j</mi><mi>t</mi></mrow></msub></mrow></mfrac><mo> =</mo><mfrac><msub><mi>A</mi><mrow><mi>j</mi><mi>t</mi></mrow></msub><mrow><msub><mi>A</mi><mrow><mn>1</mn><mi>t</mi></mrow></msub><mo>+</mo><msub><mi>A</mi><mrow><mn>2</mn><mi>t</mi></mrow></msub><mo>+</mo><mo>...</mo><mo>+</mo><msub><mi>A</mi><mrow><mi>m</mi><mi>t</mi></mrow></msub></mrow></mfrac><mo>-</mo><mo>-</mo><mo>-</mo><mrow><mo>(</mo><mn>39</mn><mo>)</mo></mrow></mrow>式中:K为评价灰类种数;Ajt为属于第t种灰类的第j项评价指标特征值;wjt为将评价对象归入t种灰类的第j项评价指标的系数;j的取值范围为j∈(1,2,…,m);t的取值范围为t∈(1,2,…,k);求嵌入式安全性能灰类的聚类值,如公式(40)所示;<mrow><msub><mi>&sigma;</mi><mrow><mi>i</mi><mi>t</mi></mrow></msub><mo> =</mo><munderover><mo>&Sigma;</mo><mrow><mi>j</mi><mo> =</mo><mn>1</mn></mrow><mi>m</mi></munderover><msub><mi>f</mi><mrow><mi>i</mi><mi>t</mi></mrow></msub><mrow><mo>(</mo><msub><mi>d</mi><mrow><mi>i</mi><mi>j</mi></mrow></msub><mo>)</mo></mrow><mo>*</mo><msub><mi>w</mi><mrow><mi>j</mi><mi>t</mi></mrow></msub><mo>-</mo><mo>-</mo><mo>-</mo><mrow><mo>(</mo><mn>40</mn><mo>)</mo></mrow></mrow>式中,j的取值范围为j∈(1,2,…,n);fit(dij)为第j项评价指标第t种灰类的白化权函数的权数取值;安全等级评定,如公式(41)所示;<mrow><msub><mi>&sigma;</mi><mrow><mi>i</mi><mi>t</mi></mrow></msub><mo> =</mo><munder><mrow><mi>m</mi><mi>a</mi><mi>x</mi></mrow><mrow><mn>1</mn><mo>&le;</mo><mi>t</mi><mo>&le;</mo><mi>k</mi></mrow></munder><mrow><mo>(</mo><msub><mi>&sigma;</mi><mrow><mi>i</mi><mi>t</mi></mrow></msub><mo>)</mo></mrow><mo>*</mo><mn>100</mn><mo>-</mo><mo>-</mo><mo>-</mo><mrow><mo>(</mo><mn>41</mn><mo>)</mo></mrow></mrow>式中,σit为对象i属于灰类t’,即等级处于t’类;步骤五、节能环保能力综合评价;第一步,根据各指标测试方法,计算出所有的底层指标的分值;第二步,根据底层指标分值及其权重系数计算二级指标的最终评分Pi,计算方法如公式(42)所示;<mrow><msub><mi>P</mi><mi>i</mi></msub><mo> =</mo><mfrac><mrow><munderover><mo>&Sigma;</mo><mrow><mi>i</mi><mo> =</mo><mn>1</mn></mrow><mi>m</mi></munderover><msub><mi>u</mi><mi>i</mi></msub><mo>*</mo><msub><mi>w</mi><mi>i</mi></msub></mrow><mrow><munderover><mo>&Sigma;</mo><mrow><mi>i</mi><mo> =</mo><mn>1</mn></mrow><mi>m</mi></munderover><msub><mi>w</mi><mi>i</mi></msub></mrow></mfrac><mo>-</mo><mo>-</mo><mo>-</mo><mrow><mo>(</mo><mn>42</mn><mo>)</mo></mrow></mrow>式中,m为三级指标的数量;ui为三级指标项所对应的分值;wi为三级指标项所对应的权重值;第三步,计算嵌入式系统各子系统的节能能力Csave,计算方法如公式(43)所示;由于对不同类型的嵌入式计算机关注点不同,因此为每个计算机都设置了相应的权值;<mrow><msub><mi>C</mi><mrow><mi>s</mi><mi>a</mi><mi>v</mi><mi>e</mi></mrow></msub><mo> =</mo><munderover><mo>&Sigma;</mo><mrow><mi>n</mi><mn>1</mn><mo> =</mo><mn>1</mn></mrow><mrow><mi>m</mi><mn>2</mn></mrow></munderover><mrow><mo>(</mo><msub><mi>P</mi><mrow><mi>n</mi><mn>1</mn></mrow></msub><mo>*</mo><msub><mi>w</mi><mrow><mi>n</mi><mn>1</mn></mrow></msub><mo>)</mo></mrow><mo>*</mo><munderover><mo>&Sigma;</mo><mrow><mi>n</mi><mn>2</mn><mo> =</mo><mn>1</mn></mrow><mrow><mi>m</mi><mn>2</mn></mrow></munderover><mrow><mo>(</mo><msub><mi>P</mi><mrow><mi>n</mi><mn>2</mn></mrow></msub><mo>*</mo><msub><mi>w</mi><mrow><mi>n</mi><mn>2</mn></mrow></msub><mo>)</mo></mrow><mo>*</mo><msub><mi>R</mi><mrow><mi>s</mi><mi>a</mi><mi>v</mi><mi>e</mi></mrow></msub><mo>*</mo><mn>100</mn><mo>-</mo><mo>-</mo><mo>-</mo><mrow><mo>(</mo><mn>43</mn><mo>)</mo></mrow></mrow>式中,m1、m2为节能指标的个数,m1、m2的和为10;Pn1、Pn2为节能的二级指标得分,由公式(42)计算;wn1、wn2为二级指标对应的权值;Rsave为平均节能率;步骤六、通过五种能力对比图进行展示。
 【页数】  28
 【主分类号】  G06F11/30
 【专利分类号】  G06F11/30;G06F11/34
   推荐下载阅读CAJ格式全文 查询法律状态
(不支持迅雷等加速下载工具,请取消加速工具后下载。)

 


专利产出状态分析  
本领域科技成果与标准  
发明人发表文献
申请机构(个人)发表文献
本专利研制背景
本专利应用动态
所涉核心技术研究动态
京 ICP 证 040431 号 网络出版服务许可证 (总)网出证(京)字第 271 号经营性网站备案信息 京公网安备 11010802020460 号
© 2010-2017 中国知网(CNKI) 《中国学术期刊(光盘版)》电子杂志社有限公司 KDN 平台基础技术由 KBASE 11.0 提供
服务热线:400-810-9888 订卡热线:800-810-6613
在线咨询:http://help.cnki.net 客服中心:http://service.cnki.net 电子邮件:help@cnki.net
可信网站 诚信网站