T-S模糊神經網絡在產品服務質量評估中的應用

宋 祥，魏振鋼，石 碩，姬曉飛

(中國海洋大學信息科學與工程學部，青島 266000)

0 引言

在產品服務質量的評估過程中，其評判等級能較為準確的反映出某類產品服務質量的優劣，所以對其的評價等級是進行產品服務質量評估[9]的前提和關鍵之處。在現如今復雜的評判體系之中，有許許多多的外在因素（模糊性，隨機性，不可預測性等）都會給最后的等級評估的結果產生一定的影響。而且就目前的評估方法還存在多種問題需要解決。例如：如何合理的對產品服務與其服務等級進行形式化描述，確定對服務質量評估機制、等級評估方法研究，以及服務與其評估等級之間的關系等。

近年來，對產品服務質量評估的研究吸引了許多國內外研究學者，它始終是當前評估領域的研究熱點。在其評估方式上，目前主要的方法有基于概率，基于熵權法[6]和基于層次分析法（AHP）[7]。但由于對產品服務質量等級的評估主觀性很高，且具有模糊性，隨機性等問題，以上方法的初始條件不易給出，其結論也需要依據專家或先前總結的歷史經驗，而且預測結果精度不高。因此設計一種能夠識別各種影響要素，并能夠確定其影響權重，從而能較為準確的得到對產品服務質量的評估值成為此次研究的關鍵。為此，本文提出了一種基于T-S模糊神經網絡的產品服務質量評估方法并在Wine-Data數據集上進行仿真模擬。

1 T-S模糊神經網絡

1.1 T-S模糊神經網絡結構

T-S（Takagi-Sugeno）模糊神經網絡[1～3]作為一種非線性模糊推理模型[10]，具有表達模糊推理規則、易于計算、有助于數學分析的特點。

如圖1所示，此網絡分為前件網絡與后件網絡兩部分。其輸入參數為產品服務質量實例的屬性值，輸出結果為該實例的產品服務質量等級評估值。

圖1 T-S模糊神經網絡結構

前件網絡由4層構成,分別是輸入層，模糊化層，模糊規則計算層以及輸出層。其作用是進行模糊匹配，并確定各個輸入參數的影響權重。

模糊化層：每個結點為一語義變量，用于計算各輸入分量的隸屬度μij(i=1,2,3…,n,j=1,2,3…,m)，n為輸入結點的個數，m為模糊分割數。

模糊規則計算層：每個結點代表一種模糊規則的匹配，其作用是計算每種規則的適應度。常用的計算方式有以下兩種：

輸出層：實現對模糊層輸出結果的歸一化操作，并以此值作為各屬性的權值。

后件網絡一共由3層構成，分別是輸入層，全連接層以及輸出層。其作用是接收輸入數據進行學習，并結合前件網絡的權重輸出最終結果。

全連接層：實現對輸入數據的訓練。

輸出層：輸出結果為前件網絡中的權值和后件網絡輸出結果xi(2)的加權值。

1.2 T-S模糊神經網絡學習算法

1 ）誤差計算：本文采用的誤差函數為均方誤差（MSE）；

2 仿真實驗與分析

本文實驗仿真數據集為Wine-Data數據集。其中，屬性1為類標識符代表葡萄酒的所屬類別。剩余的13列為每個樣本的對應屬性的樣本值。這些屬性分別為酒精、蘋果酸、灰、灰分的堿度、鎂、總酚、黃酮類化合物、非黃烷類酚類、原花色素、顏色強度、色調、稀釋葡萄酒的OD280/OD315、脯氨酸。本文以此數據集來模擬對產品服務質量等級評估。

2.1 實驗數據預處理

對實驗數據進行歸一化操作。操作方式如下：

確定模型評價屬性：通過主成分分析（PCA）確定屬性酒精、蘋果酸、灰、灰分的堿度、鎂5個屬性作為該網絡的輸入參數。

2.2 仿真模擬步驟

使用處理過的實驗數據對T-S模糊神經網絡進行學習訓練。并通過人工試錯的方式確定網絡結構為（5-8-1）。即5各輸入結點，8個模糊化結點以及1個輸出結點，網絡訓練采用的學習率為0.003，迭代次數為2000。

圖2 指標影響占比度

表1 模型準確率

由圖3和圖4可知，此網絡在學習過程中能夠快速收斂，且其預測值與真實值之間的趨勢基本一致。其在測試集上的準確率為97.4%，與傳統的基于概率、先驗經驗的模型相比，其準確度更高。所以將該模型應用與產品服務質量評估中，其預測結果能夠較為準確的反映真實的產品服務質量等級。

圖3 實際值與網絡預測值

圖4 網絡loss曲線

3 結語

在當前復雜的產品服務評價環境中，還存在著多種不可預測的因素（模糊性、隨機性、不確定性），些都可能對產品服務質量評價的結果產生影響。本文以此為研究背景，通過引入模糊控制與機器學習相關理論。提出了針對當前實際生產過程中對產品服務質量進行評估的方法，并通過仿真模擬，進一步驗證了基于T-S模糊神經網絡的產品服務質量評估方法的可行性與合理性。當然，此種評估方式還存在一些實際問題需要解決，比如文中模型采用離線訓練方式，其結果受當前數據所給屬性的影響，且需要通過多次訓練來確定其最優的模糊劃分數。在今后的研究中，將綜合考慮此類因素，以實現在線訓練和預測的模型。