本發(fā)明涉及人工智能，特別涉及一種基于貝葉斯網(wǎng)絡的能力評價方法和系統(tǒng)。

背景技術：

1、能力評價是指通過一定的方法和手段，對個體或集體在某一特定領域的現(xiàn)有能力水平進行測定和評估的過程。旨在全面、客觀地反映評價對象的能力狀況，為改進能力提升、優(yōu)化資源配置、制定科學決策等提供依據(jù)。為了更好地了解評價對象的能力現(xiàn)狀，發(fā)現(xiàn)問題，制定改進措施，從而推動能力的提升和發(fā)展具有重要意義。

2、cn112508442b公開了一種基于自動化和可解釋機器學習的暫態(tài)穩(wěn)定評估方法及系統(tǒng)，包括：獲取電力系統(tǒng)故障清除時刻的監(jiān)測數(shù)據(jù)，并從所述監(jiān)測數(shù)據(jù)中提取關鍵特征數(shù)據(jù)；將所述關鍵特征數(shù)據(jù)輸入至預設的自動化和可解釋機器學習模型，以使所述自動化和可解釋機器學習模型根據(jù)所述關鍵特征數(shù)據(jù)對所述電力系統(tǒng)進行暫態(tài)穩(wěn)定狀況評估，生成暫態(tài)穩(wěn)定評估結果，并計算各所述關鍵特征數(shù)據(jù)對于所述暫態(tài)穩(wěn)定評估結果的貢獻度；其中，所述自動化和可解釋機器學習模型包括暫態(tài)穩(wěn)定評估子模型以及可解釋子模型，所述暫態(tài)穩(wěn)定評估子模型用于判斷所述電力系統(tǒng)的暫態(tài)穩(wěn)定狀況，所述可解釋子模型用于計算各所述關鍵特征數(shù)據(jù)對于所述暫態(tài)穩(wěn)定評估結果的貢獻度；所述暫態(tài)穩(wěn)定評估子模型的構建方法包括：從預設的暫態(tài)穩(wěn)定數(shù)據(jù)庫中獲取原始特征數(shù)據(jù)；基于catboost算法構建初始暫態(tài)穩(wěn)定分類器，并根據(jù)所述原始特征數(shù)據(jù)對所述初始暫態(tài)穩(wěn)定分類器進行初步訓練；計算每一所述原始特征數(shù)據(jù)的重要程度，并根據(jù)每一所述原始特征數(shù)據(jù)的重要程度提取關鍵訓練特征數(shù)據(jù)；根據(jù)所述關鍵訓練特征數(shù)據(jù)對所述初始暫態(tài)穩(wěn)定分類器重新進行迭代訓練，并在迭代訓練時通過預設的貝葉斯優(yōu)化模型對所述暫態(tài)穩(wěn)定分類器的超參數(shù)進行自動調優(yōu)；在確定所述初始暫態(tài)穩(wěn)定分類器的準確率、召回率以及roc曲線下方的面積均符合預設閾值標準時，生成已訓練暫態(tài)穩(wěn)定分類器，將所述已訓練暫態(tài)穩(wěn)定分類器作為所述暫態(tài)穩(wěn)定評估子模型；所述可解釋子模型的構建方法包括：獲取各所述關鍵訓練特征數(shù)據(jù)，計算各所述關鍵訓練特征數(shù)據(jù)的shap值；根據(jù)各所述關鍵訓練特征的shap值構建所述可解釋子模型。

3、cn114169682a公開了一種駕駛能力過程性評價方法，包括以下步驟：s1，采集駕駛人員在學車過程中的駕駛過程數(shù)據(jù)，構建駕駛能力過程化評價模型；s2，根據(jù)所述駕駛能力過程化評價模型，進行基于所述駕駛過程數(shù)據(jù)的駕駛能力過程化評價；s3，對所述駕駛能力過程化評價的評價結果進行一致性驗證。

4、cn114444201b公開了一種基于貝葉斯網(wǎng)絡的對地攻擊無人機自主能力評估方法，具體包括下列步驟：步驟一、分析準備階段首先分析使命任務和作戰(zhàn)流程，對地攻擊無人機有多種使命任務：(1)戰(zhàn)略支援：對地攻擊無人機不直接參與攻擊行動，而是為其它作戰(zhàn)單元提供信息保障和支援；(2)隱蔽突防：利用隱身能力和機動能力，規(guī)避敵方防空設備的偵察，突破敵方嚴密的防空網(wǎng)絡去打擊高價值目標；(3)壓制防空：通過火力壓制或電磁壓制手段摧毀或癱瘓敵地面防空系統(tǒng)，或降低敵一體化防空體系等級；對地攻擊無人機執(zhí)行作戰(zhàn)任務具有過程性和階段性特點，其作戰(zhàn)過程分為：(1)任務準備階段，無人機指揮所領受作戰(zhàn)任務，研究分析并制定作戰(zhàn)計劃，向對地攻擊無人機裝訂任務規(guī)劃結果；在機務工作準備完畢后，無人機起飛并飛抵指定任務空域；(2)突防階段，飛抵指定任務空域后，如果不滿足敵防區(qū)外發(fā)射武器的條件，則無人機需要綜合依靠隱身、電子干擾和機動能力對敵防空火力網(wǎng)進行突防；(3)偵察搜索階段，突破敵防空系統(tǒng)后，無人機憑借機載傳感器和探測雷達獲取態(tài)勢信息，并進行信息融合，為攻擊決策提供數(shù)據(jù)支撐；(4)攻擊階段，形成攻擊決策后，根據(jù)無人機和地面目標的相對位置進行火控解算，進行攻擊；(5)返航階段，作戰(zhàn)任務完成后，無人機進行機動逃逸、返航著陸；其次，構建面向任務階段的對地攻擊無人機自主能力指標體系。

5、目前，針對組織的能力評價過程常采用分層次地以固定權重的方式進行打分，固定權重難以反映組織在不同發(fā)展階段或者不同環(huán)境下的動態(tài)變化。組織的能力是隨著時間、資源、技術和市場環(huán)境等因素的變化而變化的，固定的權重設置可能無法準確捕捉這些變化，最終難以反映能力現(xiàn)狀的真實情況。

技術實現(xiàn)思路

1、長期實踐發(fā)現(xiàn)，在能力評價過程中，設定權重時，往往存在主觀判斷的成分，導致評價結果與實際情況存在偏差，固定權重會進一步放大這種主觀性，且權重一旦設定，就很難進行調整無法適應動態(tài)變化，因素權重設置操作復雜且解釋性差。影響能力值變化的相關因素很多，與能力值的關聯(lián)關系難以確認，且隨著時間、資源、技術和市場環(huán)境等因素變化，固定的權重設置無法快速準確捕捉這些變化，不能根據(jù)實際情況的變化進行實時調整等技術問題。

2、有鑒于此，本發(fā)明旨在提出一種基于貝葉斯網(wǎng)絡的能力評價方法包括：

3、步驟s1，采集能力評價的歷史數(shù)據(jù)，所述歷史數(shù)據(jù)至少包括影響因素集、能力維度集、能力值集，采用李克特量表將所述影響因素集、所述能力維度集、所述能力值集中的元素分別設置有多個選項值，得到第一數(shù)據(jù)集；所述影響因素集為，

4、v＝(v1，v2，v3，…，vn)

5、所述能力維度集為，

6、d＝(d1，d2，d3，…，dm)

7、其中，vn為第n個影響因素，dm為第m個能力維度，每個能力維度包括多個能力值；

8、步驟s2，根據(jù)所述影響因素集v和所述能力維度集d作為輸入，所述能力值集y作為輸出，建立映射關系為f，

9、y＝f(v，d)

10、并將所述第一數(shù)據(jù)按照比例設置為訓練集和測試集；

11、步驟s3，構建貝葉斯網(wǎng)絡模型，包括節(jié)點及依賴關系，初始化模型參數(shù)，采用極大似然估計方法計算得到模型參數(shù)集θ，輸出貝葉斯網(wǎng)絡模型；

12、步驟s4，將所述貝葉斯網(wǎng)絡模型中的所述影響因素集v和所述模型參數(shù)集θ設置為己知變量，再將所述能力維度集d作為隱變量，采用em算法計算得到所述能力維度集d，再將所述訓練集中的所述影響因素集v針對貝葉斯網(wǎng)絡模型進行訓練；采用所述測試集針對所述貝葉斯網(wǎng)絡模型進行測試，若所述貝葉斯網(wǎng)絡模型輸出評價結果數(shù)據(jù)的準確率達到預設精度后，輸出訓練好的貝葉斯網(wǎng)絡模型；

13、步驟s5，采集影響能力評價的影響因素集v1，根據(jù)步驟s4計算得到所述能力維度集d，輸入訓練好的所述貝葉斯網(wǎng)絡模型進行評價，輸出能力值集y并可視化。

14、在一個實施例中，在步驟s1中，將所述第一數(shù)據(jù)集進行標準化處理。

15、在一個實施例中，在步驟s3中，隨機生成數(shù)據(jù)對模型參數(shù)進行初始化。

16、在一個實施例中，若所述貝葉斯網(wǎng)絡模型經(jīng)過預設次數(shù)的訓練后，輸出評價結果數(shù)據(jù)的準確率仍達不到預設精度，重新回到步驟s3進行計算。

17、在一個實施例中，在步驟s3中，構建貝葉斯網(wǎng)絡模型節(jié)點之間的依賴關系通過主觀判定方法或機器學習方法得到，其中，主觀判定方法包括德爾菲法，機器學習方法包括基于搜索評分的方法或圖神經(jīng)網(wǎng)絡。

18、在一個實施例中，在步驟s3中，采用極大似然估計方法計算能力值y的先驗概率p(y)和似然值p(v/y)，其中，y∈y，v∈v。

19、本發(fā)明還提供了一種根據(jù)上述基于貝葉斯網(wǎng)絡的能力評價方法的系統(tǒng)，所述系統(tǒng)包括，

20、采集單元，用于采集能力評價的歷史數(shù)據(jù)，所述歷史數(shù)據(jù)至少包括影響因素集、能力維度集、能力值集，采用李克特量表將所述影響因素集、所述能力維度集、所述能力值集中的元素分別設置有多個選項值，得到第一數(shù)據(jù)集；

21、所述影響因素集為，

22、v＝(v1，v2，v3，…，vn)

23、所述能力維度集為，

24、d＝(d1，d2，d3，…，dm)

25、其中，vn為第n個影響因素，dm為第m個能力維度，每個能力維度包括多個能力值；

26、預處理單元，用于根據(jù)所述影響因素集v和所述能力維度集d作為輸入，所述能力值集y作為輸出，建立映射關系為f，

27、y＝f(v，d)

28、并將所述第一數(shù)據(jù)按照比例設置為訓練集和測試集；

29、模型構建單元，用于構建貝葉斯網(wǎng)絡模型，包括節(jié)點及依賴關系，初始化模型參數(shù)，采用極大似然估計方法計算得到模型參數(shù)集θ，輸出貝葉斯網(wǎng)絡模型；

30、訓練單元，用于將所述貝葉斯網(wǎng)絡模型中的所述影響因素集v和所述模型參數(shù)集θ設置為己知變量，再將所述能力維度集d作為隱變量，采用em算法計算得到所述能力維度集d，再將所述訓練集中的所述影響因素集v針對貝葉斯網(wǎng)絡模型進行訓練；采用所述測試集針對所述貝葉斯網(wǎng)絡模型進行測試，若所述貝葉斯網(wǎng)絡模型輸出評價結果數(shù)據(jù)的準確率達到預設精度后，輸出訓練好的貝葉斯網(wǎng)絡模型；

31、評價單元，用于采集影響能力評價的影響因素集v1，根據(jù)步驟s4計算得到所述能力維度集d，輸入訓練好的所述貝葉斯網(wǎng)絡模型進行評價，輸出能力值集y并可視化。

32、在一個實施例中，所述訓練單元包括判斷模塊，用于判斷當所述貝葉斯網(wǎng)絡模型經(jīng)過預設次數(shù)的訓練后，輸出評價結果數(shù)據(jù)的準確率仍達不到預設精度，重新回到所述模型構建單元中進行計算。

33、本發(fā)明提供了一種電子設備，至少一個處理器；以及

34、與所述至少一個處理器通信連接的存儲器；其中，

35、所述存儲器存儲有可被所述至少一個處理器執(zhí)行的指令，所述指令被所述至少一個處理器執(zhí)行，以使所述至少一個處理器能夠執(zhí)行上述的基于貝葉斯網(wǎng)絡的能力評價方法。

36、本發(fā)明提供了一種機器可讀存儲介質，該機器可讀存儲介質上存儲有指令，該指令用于使得機器執(zhí)行本技術如上述的基于貝葉斯網(wǎng)絡的能力評價方法。

37、本發(fā)明公開的基于貝葉斯網(wǎng)絡的能力評價方法，通過采集能力評價的歷史數(shù)據(jù)，所述歷史數(shù)據(jù)至少包括影響因素集、能力維度集、能力值集，采用李克特量表將所述影響因素集、所述能力維度集、所述能力值集中的元素分別設置有多個選項值。根據(jù)所述影響因素集v和所述能力維度集d作為輸入，所述能力值集y作為輸出，建立映射關系。構建貝葉斯網(wǎng)絡模型，將所述貝葉斯網(wǎng)絡模型中的所述影響因素集v和所述模型參數(shù)集θ設置為己知變量初始化模型參數(shù)，采用極大似然估計方法計算得到模型參數(shù)集θ，輸出貝葉斯網(wǎng)絡模型；采集影響能力評價的影響因素集v1，根據(jù)步驟s4計算得到所述能力維度集d，輸入訓練好的所述貝葉斯網(wǎng)絡模型進行評價，輸出能力值集y并可視化。本發(fā)明還公開了一種用于上述基于貝葉斯網(wǎng)絡的能力評價方法的系統(tǒng)，該方法與系統(tǒng)能夠根據(jù)影響能力評價的影響因素集調整能力維度集d，采用李克特量表將能力維度集d和所述能力值集y進行量化分級。并將因素權重設置完全交給了貝葉斯網(wǎng)絡模型的訓練過程，影響能力值變化的相關因素也在網(wǎng)絡中進行了更為精準的表達，當時間、資源、技術和市場環(huán)境等因素變化，相應的權重也能夠快速準確捕捉這些變化，根據(jù)實際情況的變化進行實時調整，大大地提高了能力評價的客觀性和可解釋性。

38、本發(fā)明的其它特征和優(yōu)點將在隨后的具體實施方式部分予以詳細說明。