[发明专利]一种食品企业信用等级评价方法

摘要

一种食品企业信用等级评价方法，涉及一种评价方法，尤其涉及一种利用模糊积分以及相关算法进行企业信用等级评价方法，包括以下步骤：A、确定用于信用等级评价的属性特征，B、根据以往企业信用等级评价的数据，得到（m,n+1）维的属性值-评价值对，C、将步骤B中得到的数据归一化到[0,1]闭区间内，D、执行粒子群和梯度下降的混合算法，E、根据步骤D的输出得到模糊测度，F、根据上述结果，输入实际数据，进行等级划分。采用本发明提供的技术方案，利用粒子群算法的快速、准确的收敛能力来从已知的数据中学习模糊测度，采用Choquet积分进行最后的融合，从而得到以后的等级划分，这样能克服专家或者主观确定属性权重的主观性，使预测、评价更加客观、公正。

主权项

1.一种食品企业信用等级评价方法，其特征在于：该方法包括以下步骤：A、确定用于信用等级评价的属性特征，B、根据以往企业信用等级评价的数据，得到（m,n+1）维的属性值-评价值对，，其中x_i，i=1，2，...，n为属性特征，f_ij,i=1，2，...，m,j=1，2，...，n为属性值，E_i，i=1，2，...，m为综合评价值即信用等级评价的值，C、将步骤B中得到的数据归一化到[0,1]闭区间内，D、执行粒子群和梯度下降的混合算法，包括以下步骤：Step1:随机初始化种群,包括两部分，一部分是粒子的位置信息，每一个粒子位置代表一个测度密度,记为μ_i={μ_ij}；另一部分是粒子的速度，每一个粒子速度代表在一次迭代过程中粒子位置的改变值,记为v_i={v_ij},其中μ_ij[0，1]，v_ij[-1，1],i=1，2，...，m,j=1，2，...，n,m代表粒子的数量,n为属性个数，然后初始化pbest_i=0和gbest=0,其中pbest_i代表第i个粒子迭代过程中的最好的位置，gbest代表整个种群到目前位置到达的最好的位置；Step2:使用牛顿法求解得到λ值，利用λ律得到其他集合上的模糊测度值；计算每个粒子的适应度，适应度函数定义为,其中e由以下公式计算,更新pbest_i和gbest：如果gbest的适应度值大于事先给定的阈值或者迭代次数大于给定的阈值，则终止迭代跳到Step8;否则,跳到Step3；Step3:根据以下公式更新粒子的速度:v_ij(t+1)=w_iv_ij(t)+c₁rand()(pbest_ij(t)-μ_ij(t))+c2rand()(gbest_j(t)-μ_ij(t))w_i定义为其中t表示第t次迭代，rand()表示在[0,1]内的随机数，c1=c2=2，t_max表示指定的最大迭代次数，w_initial表示初始惯性权重值，w_final表示终止的惯性权重值，l表示给定的系数；如果速度v_ij>v_max，则v_ij=v_max；如果v_ij<-v_max，则v_ij=-v_max，指定v_max=1；Step4:根据以下公式更新粒子的位置:μ_ij(t+1)=μ_ij(t)+v_ij(t+1)其中t表示第t次迭代；如果粒子的位置μ_ij>1或者μ_ij<0,则；Step5:从当前的种群中随机选择一个粒子μ_p,其中p表示在[1,N]内的整数；Step6:对于当前的训练集合(fⁱ，E_i)，计算误差，记μ_p(0)，μ_p(1)，...，μ_p(n)为fⁱ涉及路径的节点值；值得注意的是μ_p(0)=μ_p(φ)=0，μ_p(n)=μ_p(X)=1；Step7:根据下面公式计算第p个粒子的新位置：μ_p(j)=μ_p(j)-αε(f_*ⁱ(n-j)-f_*ⁱ(n-i-j))其中α[0,1]是指定的参数，f_*ⁱ(j)表示当fⁱ升序排列的时候的第j个值，n表示属性个数；重复Step7，对于j=1,2,...,n-1按照下列规则:(1)如果ε>0,从μ(1),μ(2),...,μ(n-1)开始;(2)如果ε<0,从μ(n-1),μ(n-2),...,μ(1)开始；对于所有的训练集合，重复Step6-Step7Num次,其中Num是事先指定的固定值；返回Step2；Step8:输出gbest和对应的误差e；E、根据步骤D的输出得到模糊测度μ，F、根据上述结果，输入实际数据，进行等级划分。