基于OPCA-IGAFNN 的NQI 综合服务信息平台服务质量评价

唐求，吴娟，滕召胜，马俊

（湖南大学电气与信息工程学院，湖南长沙 410082）

我国将计量、标准、认证认可和检验检测四要素统称为国家质量基础设施（National Quality Infrastructure，NQI），在产业转型升级、技术创新、提高产业生产效率等方面，都有着积极的推动作用［1-2］.NQI综合服务信息平台（以下简称“NQI 平台”）利用计算机网络技术、信息技术以及标准化理论将这四要素整合于一体以便实现国家资源优化配置［3］.为更好地管理NQI 平台从而提升平台的服务质量，使平台发挥最大能效，对NQI 平台的服务质量进行准确、合理评价显得尤为重要.

NQI 平台服务质量的评价是一个科学的研究过程，评价的关键是建立科学的评价模型.早期的评价模型中，指标的选取数量以及各指标的权重系数都是人为确定的，决策者的专业水平对评价结果的准确率产生较大影响，导致评价的有效性和科学性不够［4］.因此，结合数学分析［5］对NQI 平台服务质量进行多因素的综合评价具有广泛的应用前景.

常用的数学分析模型有层次分析模型、模糊综合评价、模糊神经网络（Fuzzy Neural Network，FNN）等.文献［6］利用层次分析构建不同的指标因子层次结构，建立适用于弹性城市评价的指标体系，具有较高的实用性.然而，这种层次分析模型将定性分析与定量分析相结合［7］，在确定权重时，往往因专家或评价者的价值观和偏见而产生差异，使得评价结果有很强的主观性.文献［8］利用熵权模糊综合评价模型对水润滑尾轴承性能进行评估，建立了较为准确的水润滑尾轴承评估体系.但模糊综合评价模型在评价过程中确定指标权重这一过程，仍是由人为给定或专家提供［9］，导致评价结果并不客观.

模糊神经网络模型是模糊数学理论与人工神经网络相融合的产物，具备建模方便、预测精度高、评价客观等优点，已被广泛应用于各类综合评价问题中［10-11］.文献［12］利用FNN 构建第三方电商结汇平台评价体系，可帮助商家针对性地选择合适的结汇平台.但在实际应用中，传统FNN 模型仍旧存在不足，在综合评价时评价模型容易陷入局部最优解且模型收敛速度较慢［13］.

由于NQI 平台的服务质量在评估过程中存在高维度非线性优化问题，传统的评价算法无法满足其需求.因此，针对传统FNN 的缺陷，提出基于优化主成分分析法（Optimized Principal Component Analysis，OPCA）与改进遗传算法（Improved Genetic Algorithm，IGA）的FNN 智能评价方法，由OPCA 实现网络输入的降维，再利用IGA 增强FNN 的泛化能力，提高对NQI平台服务质量的整体评估性能.

1 NQI平台服务质量评价指标构建

1.1 NQI平台

NQI 平台涉及工程机械、生物医药、电子电器、材料等多个行业，为产业转型升级提供全流程的NQI 资源服务.通过在线整合计量服务资源、标准服务资源、检验检测服务资源和认证认可服务资源，实现计量服务、标准服务、检验检测服务和认证认可服务等功能.NQI平台服务示意图如图1所示.

图1 NQI平台服务示意图Fig.1 Service schematic diagram of NQI platform

由图1 可知，需求方（企业、政府、相关研究单位等）在NQI 平台发布计量、标准、检验检测等服务需求，通过平台的关键技术进行服务需求与服务机构的高效匹配，方便快捷实现供需双方间的沟通，并对服务内容、服务效果等快速形成有效共识.服务机构也可向平台发布服务资源信息，为平台提供关键技术支撑以及仪器设备共享，从而更好地解决需求方的服务需求.服务需求解决后，需求方可向平台提供服务满意度反馈，为平台的高质量发展提供指导性建议.

1.2 NQI平台评价指标选择

为推动NQI 平台的高质量发展，建立合适的评价模型必不可少，首要步骤便是构建评价指标体系，对平台服务质量进行量化.对于NQI 平台这一复杂的非线性系统，用单个指标很难体现系统的主要特征，应对平台的功能属性进行分析，从计量、标准、合格评定等方面进行技术创新，多视角、全方位评价技术提供方和企业用户方.因此，评价指标的设计应从NQI 平台的功能与特点出发，兼顾企业用户对NQI 平台的需求以及专家的指导性建议，从而建立健全的评价指标体系，以提高评价结果的可信性与准确度.

依据评价指标体系构建原则和NQI 平台的功能与特点，梳理用户对NQI 平台的使用需求，结合专家建议并参考国内外已有的服务平台评价指标体系，确立由计量发展水平和服务能力、标准发展水平和服务能力、合格评定发展水平和服务能力、便利性和专业规范性5 个一级指标和21 个二级指标的NQI 平台服务质量评价指标体系，具体如表1所示.

表1 NQI平台服务质量评价指标Tab.1 Service quality evaluation index of NQI platform

1.3 NQI平台评价指标量化处理

基于表1所确立的NQI平台服务质量评价指标，为了建立后续的NQI 平台服务质量评价体系，需要对这些列出的NQI 平台评价指标进行规范的量化操作，包括评价指标赋值与指标归一化处理.

指标赋值是进行指标量化评价的前提.借鉴相关公共平台服务质量评价的国家标准与相关科研成果［14］，咨询领域内有经验的专家，将所建立的每个指标按其特点分为5 个等级进行评分，评分越高性能越强.以计量发展水平和服务能力（A1）为例，相应评价指标的量化结果如表2 所示，其中的等级划分是依据用户以及专家的实际体验确定的.以仪器设备的多样性为例，“较少”表明该指标处于第一个等级，其评分最低，表明用户对该指标的满意度最差.

表2 计量发展水平和服务能力指标（A1）的量化Tab.2 Quantification of the measurement development level and service capability indicator（A1）

对各个指标完成量化后，需要规范各评价指标的属性值，也就是将这些值归一化到［0，1］内，参阅文献［15］，利用效益型指标规范方法实现对NQI 平台服务指标属性的归一化处理.依据不同的指标属性值将最终评价等级分为非常满意（V1）、满意（V2）、不满意（V3）、非常不满意（V4）.

在完成对NQI 平台服务质量指标的选取与量化后，需要合适的评价模型并结合这些质量指标对NQI 平台的服务质量进行具体的评价.提出基于OPCA-IGAFNN 的NQI 平台服务质量评价模型用于对NQI平台的评价分析.

2 NQI平台服务质量评价模型研究

2.1 基于OPCA的NQI平台评价数据降维

为提高评价模型的收敛速度，提高NQI 平台的评价效率，利用OPCA依据NQI输入指标之间的相关性，对输入指标进行降维.

在传统PCA 分析时，对每一个指标变量赋予相同比重，忽略了指标变量的重要性.因此，利用斯皮尔曼（Spearman）相关系数法对PCA 加以优化，对原始数据的指标变量与最终评价值之间的关联度系数进行计算并分析.

对于N个样本、n个评价指标的数据集X为：

OPCA 降维过程可描述为：利用Spearman 相关系数分析获得每个评价指标变量的相关系数矩阵Rnn；参阅文献［16］，对原始评价指标数据进行标准化操作，得到xij的标准化值为：

由相关系数矩阵与标准化后的评价数据的乘积组合得到新的矩阵PNn，计算矩阵PNn的特征值(λ1，λ2，…，λn)，λ按从大到小的顺序排列；然后，通过计算累计方差贡献率Cp，选取Cp大于90%的前p个特征值作为主成分，有

将选取的前p个主成分作为新的评价指标引入NQI 平台服务质量评价模型中，以降维后的数据作为评价模型的输入，进行后续的评价分析.

2.2 基于FNN的NQI平台评价模型

在得到降维后的输入评价指标数据后，利用FNN 模型对NQI 平台开展进一步的评价分析.模糊神经网络结构如图2所示.

图2 FNN结构图Fig.2 Structure diagram of FNN

第1 层为输入层，将NQI 评价模型输入指标U=［x1，x2，…，xn］T传送到下一层.第2 层为模糊化层，也称为隶属度函数层，用于计算每个输入指标隶属于各评价结果的隶属度函数，即

式中：n表示输入指标的维度；mi是xi的模糊分割数；cij和σij分别代表隶属函数的中心值和宽度.

第3 层为模糊推理层，用来计算每条模糊规则的适应度αj，匹配规则为：

第4层为归一化层，即

第5 层为输出层，实现反模糊化处理，进行清晰计算，即

式中：wij表示yi的第j个评价值隶属度函数的中心点.

在确定各输入分量的模糊分割数之后，FNN 利用梯度算法［17］优化模糊化层的隶属函数的中心值cij和宽度σij(i=1，2，…，n；j=1，2，…，m).

基于OPCA 降维模型，可将p个NQI 平台评价指标作为FNN 的输入变量，即U=｛X1，X2，…，Xp-1，Xp｝.评价集由多名NQI 领域研究专家以及NQI 服务平台的相关行业用户对NQI 平台服务质量给出的4 个等级组成，即V=｛V1，V2，V3，V4｝.因此，本文评价模型中的输入节点个数为p，输出节点数为4.根据专家给出各评价指标对评价等级的隶属程度，构造隶属度矩阵G，通过对不同指标赋予权重，可计算NQI 平台的评价值Yi，并将其作为FNN的输出变量.

2.3 基于IGA的FNN模型参数优化

由于FNN评价模型学习算法梯度下降法会导致FNN 参数寻优陷入局部最优解，无法达到全局最优［18］，提出IGA优化FNN寻参性能，使隶属度函数的中心值cij和宽度σij获得最优解，最终通过最优中心值和宽度得到评价值.

传统遗传算法在寻优过程中交叉概率pc和变异概率pm保持初值不变，限制了其全局搜索性能［19］.因此，IGA 随着迭代次数自适应调整交叉概率与变异概率，在保证其优化性能的同时提高其搜索速度.交叉与变异概率的调整分别如式（9）和式（10）所示.

式中：pc和分别为初始与改进交叉概率；pm与分别为初始以及改进变异概率；k表示当前遗传代数；K表示最大遗传代数.

2.4 基于OPCA-IGAFNN 的NQI平台评价框图

结合OPCA 与IGAFNN，本节进一步提出基于OPCA-IGAFNN 的NQI 平台服务质量评价框图，如图3所示，描述如下.

图3 基于OPCA-IGAFNN 模型的评价框图Fig.3 Framework based on OPCA-IGAFNN model

1）对原始NQI 平台评价指标数据进行预处理，即数据归一化处理.

2）对归一化后的评价指标数据进行主成分分析，选出累计方差贡献率Cp≥90%的p个主成分作为模型输入的训练样本和测试样本.

3）选取隶属度函数并确定FNN 网络拓扑结构，利用IGA 算法对初始隶属度函数参数进行最优解搜索，给出隶属度函数的最优参数及FNN的最优权值.

4）利用新的NQI 平台评价数据测试样本及IGA算法给出的最优参数对NQI平台服务质量进行评价.

3 应用分析

3.1 NQI平台评价数据获取

为获取NQI 平台服务质量评价样本数据，采取线上与线下并行的方式对不同地区、不同行业的多家企业进行调研，主要涵盖工程机械、新能源汽车、生物医药以及仪器仪表等领域的企业用户以及研究专家进行NQI平台服务质量满意度调研.

本次问卷设计根据李克特五级量表法对表1 中的NQI 评价指标打分，分值包含1、2、3、4、5 分，分别对应从非常不满意到非常满意.线上调研主要是通过设计调查问卷，在问卷星平台发布，借助微信、邮箱等方式邀请NQI 平台用户以及专家进行填写.线下调研主要是通过对相关行业的企业用户进行实地调查走访.对问卷的填写质量进行严格把控，确保评价数据的真实性、有效性.本次共获取300 份有效问卷.

3.2 不同评价方法对比

结合采集到的NQI 平台的样本数据，将样本按训练集与测试集7∶3 的比例划分，设置网络最大迭代步数为200 次，学习率为0.01，学习目标设置为0.001，设置IGA 优化算法的种群数量和最大迭代次数分别为100 和700，选取累积方差贡献M≥90%的主成分因子作为后续NQI 平台服务质量评价模型的输入变量，使用MATLAB 工具对所提模型进行仿真验证.

为验证优化PCA-IGAFNN 模型（本文模型）的优越性，通过仿真试验对比基于其他智能优化算法优化的模糊神经网络，以及基于其他智能评价方法的评价模型，分别对NQI平台的服务质量进行评价.本文选择基于粒子群优化模糊神经网络（PSO-FNN）与基于优化PCA 的支持向量机（PCA-SVM）作为对比模型.不同NQI 评价模型收敛过程的均方误差对比如图4所示.

图4 不同NQI评价模型收敛过程的均方误差对比Fig.4 Mean square error comparison of convergence process in different NQI evaluation models

由图4 可知，PCA-IGAFNN 的寻优迭代效果要优于其他两种评价模型，该评价模型在迭代20 步就处于收敛状态，迭代100 步时均方误差达到0.000 86；PSO-FNN 评价模型迭代将近30 步时趋于收敛状态，而PCA-SVM 评价模型迭代将近38 步之后才收敛.虽然PSO-FNN 评价模型比PCA-SVM 评价模型的收敛速度快，但PCA-SVM 评价模型稳定时的均方误差要比PSO-FNN 的均方误差小.不同NQI评价模型的测试误差对比如图5所示.

图5 不同NQI评价模型的测试误差对比Fig.5 Measurement error comparison of different NQI evaluation models

为进一步验证所提模型的有效性，在测试集评估结果中补充对比了标准FNN 以及IGA-FNN 两种评价模型.不同NQI 评价模型的评价结果如表3所示.

表3 不同NQI评价模型的评价结果Tab.3 Evaluation result of different NQI evaluation models

由图5 和表3 可知，当模型运行数为50 时，标准FNN评价模型在测试集的均方误差为0.093 86，为几种评价模型中最差的评价模型，且收敛速度也是最慢的.针对两种对FNN 加入不同优化算法的评价模型，IGA-FNN 虽然在收敛速度上略逊于PSO-FNN，但在测试精度上要优于PSO-FNN 评价模型.虽然IGA-FNN 和PSO-FNN 的收敛速度优于PCA-SVM评价模型，但测试集的均方误差要比PCA-SVM 评价模型差很多.虽然PCA-SVM 和PCA-IGAFNN 评价模型的测试误差相差不大，但PCA-IGAFNN 模型的收敛速度要比PCA-SVM 模型的收敛速度快将近1倍.试验结果表明，本文提出的NQI平台评价模型在收敛速度和评价结果准确度方面都具有较好的效果.

3.3 NQI平台的改进建议

利用OPCA-IGAFNN 模型对NQI 平台进行服务质量评价，部分评价结果如表4 所示.表4 中，Y1～Y4分别表示NQI 平台4 个评价等级非常满意、满意、不满意与非常不满意的评价值；样本1～4分别为4个不同评价等级的样本.由表4 可知，本文评价模型具有较高准确度，例如样本4 中Y4评价值为0.999 999，评价值远高于Y1～Y3，由此样本4 的评价等级划归为非常不满意.

表4 NQI平台部分评价结果Tab.4 Partial evaluation results for NQI platform

为了对NQI 平台的发展和完善提供改进建议，选取测试集中OPCA-IGAFNN 模型评价结果为不满意与非常不满意的所有评价样本进行比较分析，结合用户对NQI 平台不同评价指标的评价得分发现，目前NQI 平台主要存在以下两点问题，其一是平台的计量技术在新兴领域相对落后，标准体系不够完善，检验检测服务机构较少，不能满足产业发展的需求；其二是地区间的NQI 资源发展不平衡，服务机构的数量和规模不能满足地方经济发展的需求.

NQI平台在未来的发展中，应对NQI配套设施进一步完善，融入多元化的NQI 供需方客户，加强平台与高校和科研机构仪器设备的共享，提升区域NQI水平，从而满足不同用户的需求.为此，提出以下几点建议.

1）整合更多服务资源，提高平台服务效率.整合不同区域、不同行业间的计量、标准等质量要素服务资源，打破区域资源分配不均衡的壁垒，不断提升NQI平台的服务质量.

2）加强国际交流，引进先进技术.我国部分新兴产业的技术还处于空白，NQI 综合体系不够完善，NQI平台的发展要符合国际标准，并引进国外NQI的建设经验及先进技术.

3）提升用户的体验感.为提升用户的使用体验，平台可以在主界面设置精确的服务类别导航；巧妙设计文字和图片的布局；在介绍服务资源时配套清晰的服务流程.

4 结论

本文搭建了一种基于OPCA-IGAFNN 的NQI 平台服务质量评价模型.利用OPCA 算法对NQI 评价指标数据进行适当处理，删除评价数据间的冗余信息，降低FNN 的输入维度；通过分析传统FNN 评价模型的不足，提出IGAFNN 评价模型，进而对NQI 平台服务质量进行科学合理评价，提高评价的准确性.通过与其他常用的评价模型进行对比分析，结果表明，所提出评价模型优化效果更好，具有精度更高、速度更快等优点.最后，针对试验采集的NQI平台服务质量评价数据，对我国NQI 平台的发展和完善提出了改进建议.