基于数据挖掘和证据理论的综合评价的研究

在综合评价中存在2个问题:(1)对于大规模的评价对象,由于分类、优化、搜索等操作,使其时间和空间复杂度爆炸性增长,导致大量内存被占用,从而他们既要存储在数据库或数据仓库中,又要及时以成果形式放在桌面上,导致现有方法难以给出合理、科学的评价结果;(2)同类中的数据比较接近,可区分度小,评价对象难以精确划分。从结果的角度,综合评价可分为分类评价、排序评价、分类排序评价。针对上述问题,基于数据挖掘理论,选择适当的挖掘算法,并同时根据DS理论实现的信息融合技术,提出了一种新的分类排序评价方法,其前一部分利用数据挖掘做分类评价,后一部分利用证据推理做排序评价。实例的运算结果表明,面对数据库评价对象,数据挖掘技术将其分成了不同层次的类;经信息融合后,得到了精确的排序评价结果;评价目标的可区分度明显增大,不确定度大大降低;可信度增强,评价结果得到了改善。