基于BP神经网络的高校科技成果转化的综合评价

1、统计与决策2009年第17期(总第293期三级指标R &D 人员-X 1开发研究经费-X 2知识资本存量-X 3科研机构数-X 4国内外发表核心论文篇数-X 5国家级以上成果奖励项数-X 6国内外专利授权数-X 7人均技术开发项目-X 8人均技术开发经费-X 9技术开发项目完成率-X 10技术引进经费-X 11技术转让合同数-X 12全部技术转让实际收入-X 13科技成果使用率-X 14技术改造经费-X 15高、新技术产品销售收入-X 16技术进步贡献率-X 17单位GDP 耗能状况-X 18二级指标科技成果转化潜力科技成果开发能力科技成果转化能力科技成果转化效益表1高校科技成果转化评

2、价指标体系基金项目:江苏省教育厅基金项目(08SJD8800085周宏(淮阴师范学院,江苏淮安223300摘要:文章通过高校科技成果转化评价指标体系的构建并借助于BP 人工神经网络方法实现了对高校科技成果转化的综合评价。BP 人工神经网络评价方法通过学习和训练的自组织功能,科学合理确定各指标的权重进而达到评价目的。聚类分析的结果进一步验证了BP 人工神经网络评价的合理性;其分析结果为政府或高校改进科技成果转化政策、建立或重构科技成果转化机制提供了理论依据和实践基础。关键词:BP 人工神经网络;聚类分析;科技成果转化绩效中图分类号:F224.9文献标识码:A文章编号:1002-6487(2009

3、17-0079-03基于BP 神经网络的高校科技成果转化的综合评价高校科技成果转化是高校科技成果与社会生活的结合点,是高校科技工作在社会生活中的价值体现。高校科技成果转化的能力与效率不仅直接关系着一所高校的学术水平和竞争能力,也直接关系着一个国家的经济竞争力和综合国力。因此,对高校科技成果转化进行全面客观的评价意义重大。传统的评价方法,或者使用客观赋权法,或者使用主观赋权法,很少考虑到了二者的有机结合。本文引入BP 神经网络模型,利用其自学习,自适用的特点,可以有效减少此类影响,提高评价的精确度。1高校科技成果转化评价指标体系为了对高校科技成果转化进行全面综合的评价,我们在坚持系统性、科学性、

4、可比性、可测性、可行性等原则的基础上,以资料的可获取性为前提,以既能体现现有高校科技成果转化的能力,又能反映未来的转化潜力为目标,着重从高校科技成果的转化潜力、开发能力、转化能力和转化效益四个方面出发,设计和筛选出了由18个具体指标组成的高校科技成果转化评价指标体系(见表1。(1科技成果转化潜力。科技成果转化潜力是高校科技成果转化的潜在能力,是高校拥有的包括科技方面的人力投入、经费投入、智力投入、科研机构等能促使高校科技成果转化的潜在资源总和。主要评价指标包括:R &D 人员(X 1;开发研究经费(X 2;知识资本存量(X 3;科研机构数(X 4;国内外发表核心论文篇数(X 5;国家级

5、以上成果奖励项数(X 6;国内外专利授权数(X 7。(2科技成果开发能力。科技成果开发能力是反映高校科技成果转化的第一个环节的工作能力与工作效果,是对高校人均技术开发项目等类指标的综合反映。具体评价指标包括:人均技术开发项目(X 8;人均技术开发经费(X 9;技术开发项目完成率(X 10;技术引进经费(X 11。(3科技成果转化能力。科技成果转化能力是反映高校对科学研究与技术开发所产生的具有实际应用价值的科技成果进行后续实验、开发、应用、推广直至形成新产品、新工艺、新材料,以及发展新产业等活动的能力。主要评价指标包括:技术转让合同数(X 12;全部技术转让实际收入(X 13;科技成果使用率(X

6、 14;技术改造经费(X 15。(4科技成果转化效益。科技成果转化效益是反映高校科技成果转化工作绩效的关键性指标,体现为高校科技成果转化活动所带来的直接经济效益、社会效益和生态效益。主要评价指标包括新产品或高新技术产品销售收入(X 16;技术进步贡献率(X 17;单位GDP 耗能状况(X 18。2BP 人工神经网络及其评价方法2.1BP 人工神经网络结构79典型的BP神经网络是一个由输入层、隐含层和输出层构成的三层前馈阶层网络。它不仅具有很强的自学习和自组织等能力,而且具有非线性、非凸性等特点。它通过反向调整目标输出与实际的误差,来修正连接权值,以实现网络预测的精确性。实践证明,一个三层BP网

7、络可以以任何精度逼近函数,从而对非线性关系问题有了更加直接有效的解决方法。2.2BP人工神经网络算法BP人工神经网络的学习过程由信息的正向传播和误差的反向传播组成。当给定网络一组输入模式时,BP网络将依次对这组输入模式按如下方式学习:首先,把输入模式从输入层传输到隐含层单元,经隐含层单元逐层处理后,产生一个输入模式传送到输出层,这一过程称为正向传播;然后将输出结果和期待值进行比较,如果没有达到所预计的期望,则转变为误差的反向传播(Error Back Propagation,将误差沿原路径返回,通过修改各层神经元的连接权值,使误差信号变小。这种正向传播和反向传播相互交替,看成一个“记忆训练”的

8、过程。系统不断地循环这两个过程,重复学习,一直到输出值和期待值的误差减小到规定范围内,系统停止学习。此刻将新样本输入到已经训练好的网络,就可以得到相应的输出值。在BP人工神经网络模型中,隐含层数和隐含层节点数的确定是模型运行优劣的关键。对隐含层数来说,Kolmogrov 理论已经证明:对于任意给定的连续函数:XY,XR n, Y0,1m,则可以精确地由一个三层神经网络来实现,并且采用二层以上的隐含层几乎没有任何益处,且采用的隐含层数越多,训练的时间就会越长。对此,本文选择隐含层数为1层。对隐含层节点数的确定来说,节点数太少,会降低神经网络的容错性,网络难以处理较复杂的问题,即训练不出理想的结果

9、;节点数过多,将使网络训练时间急剧增加,而且过多的处理单元容易使网络具有过多的信息处理能力,甚至将训练数据中没有意义的信息也记住,这时网络就难以分辨数据中真正的模式。对于此问题,本文根据隐含层节点数的传统经验公式s=(0.43mn+0.12m2+2.54n+0.77m+0.351/2+0.51来确定隐含层节点数为6。2.3三层BP神经网络学习步骤三层前馈神经网络是典型的BP人工神经网络,其学习步骤为:设有k个样本向量,网络输入层神经元个数为n,中间层神经元个数为p,输出层神经元个数为m,网络输入向量P k=(x1,x2,x n,输出向量Y k=(y1,y2,y m,期望输出向量T k=(t1,

10、t2,t m,w ji为输入层到中间层的连接权,v sj为中间层到输出层的连接权,j为中间层单元的阈值,s为输出层单元的阈值,其中i=1,2,n,j=1,2,p,s=1, 2,m。对样本向量进行归一化处理,将数据处理为(0,1之间的数据,给权值和阈值赋予(-1,1之间的随机初值,选取一组输入和目标样本提供给网络。计算隐含层和输出层各单元的输入和相应的输出。U j=ni=1W ji X i+jh j=f(Ujd s=v(sjh j+v sO s=f(ds根据网络输出计算输出层误差和隐层误差。s=(o s-t s(1-o s=ms=1sj v sjh j(1-h j利用误差调整值对各层权值和阈值进

11、行调整。v sj=v sj+s h jw ji=w ji+j x is=s+sj=j+j选取下一个学习样本向量提供给网络,返回步骤2,直到全局误差E小于预先设定值,则学习结束。2.4模型结构确定指标高校高校1高校2高校3高校4高校5高校6高校7高校8高校9高校10高校11高校12高校13高校14高校15高校16高校17高校18高校19高校20X10.650.530.830.570.250.200.800.170.230.480.910.230.420.430.560.760.110.250.290.61X20.870.670.740.550.630.900.650.260.720.320.30

12、0.150.180.280.310.340.430.210.290.33X30.920.230.340.440.540.610.620.600.900.440.550.320.710.720.330.430.100.220.510.40X40.300.120.840.430.190.170.650.660.710.210.270.280.260.430.410.850.850.710.520.63X50.150.710.570.860.230.760.900.180.480.490.320.310.410.450.650.610.620.640.420.33X60.210.320.380.54

13、0.570.800.910.230.410.610.780.730.650.230.210.650.610.180.250.29X70.130.250.280.760.800.650.670.580.920.550.560.750.860.390.160.410.530.270.320.47X80.870.570.830.420.650.760.140.320.460.760.990.170.850.720.280.210.610.320.250.21X90.670.580.920.550.560.760.900.180.480.320.300.150.180.280.310.530.830.

14、570.250.91X100.860.230.760.900.180.480.490.320.310.410.320.710.720.330.430.100.760.110.250.29X110.630.900.650.260.720.320.300.490.320.310.410.450.650.610.620.730.650.230.210.65X120.610.180.490.320.310.410.230.480.910.230.420.430.560.430.410.850.850.610.180.25X130.570.860.230.760.900.180.480.490.320.

15、170.850.720.280.210.490.320.310.410.450.65X140.550.630.900.650.260.720.320.300.310.410.450.650.610.620.210.650.610.180.250.42X150.570.250.200.800.170.230.480.910.610.780.730.650.230.210.650.610.410.530.270.32X160.470.320.300.490.320.310.410.450.650.610.140.320.460.760.990.410.450.650.610.62X170.910.

16、230.410.610.780.730.650.760.140.320.460.760.990.170.310.410.320.710.720.33X180.650.260.720.320.300.490.320.310.230.420.430.560.430.410.850.460.760.990.170.85表2高校科技成果转化评价样本数据表注:原始数据进行标准化后,用1减去负相关指标转化为0-1正相关指标,所有数据均采用四舍五入法保留小数点后两位。图1BP神经网络的高校科技成果转化评价模型结构80统计与决策2009年第17期(总第293期统计与决策2009年第17期(总第293期绩效评价

17、等级优秀良好中等一般较差综合测评值表3高校科技成果转化评价标准类指标均值转化绩效第一类优第二类良第三类12、13、18、19、20中等第四类一般第五类较差表5最小距离聚类分析结果表高校科技成果转化绩效等级分类根据以上的分析,本文高校科技成果转化评价的神经网络模型设计为18-6-1;即输入层单元数为18项,隐含层单元数为6,输出层单元数为1,人工神经网络层数为3。模型结构如图1所示。3高校科技成果转化评价的实证分析3.1采集数据样本集样本的有效性是确保评价科学合理的基本条件。通过比较筛选并充分利用相关统计数据,本文采集了江苏省2006年15所普通本科高校的样本指标。经标准化处理后的样本数据指标见

18、表2。3.2评价标准的设计评价集是整个评价过程的关键,其设置的好坏将影响评价的客观性,一般地,将评价集设为好、较好、一般、较差、差5个等级。由于各等级之间具有一定的模糊性,笔者认为可用如下原则评价,见表3。3.3网络的训练及结果按照选定的网络及其各项参数的设定进行训练,即网络结构模型由3层组成,输入层节点数为18,输出层节点数为1,包含1个隐含层,隐含层节点数为6。由于系统是非线性的,初始值对于学习是否达到局部最小和是否能收敛的关系很大,一个重要的要求是希望初始权在输入累加时使每个神经元的状态值接近于零。利用前10所高校对神经网络进行训练,以确定权值与阈值。训练时训练参数最高迭代次数为7785

19、次,目标误差为1e-5,训练函数为traincgb(Powell-Beale算法,动量系数mc 为0.092,网络学习率lr 为0.053。当程序迭代0次时,误差为7.45424e-005;当程序迭代50次后,误差达到4.45316e-005;当程序迭代60次时,误差达到9.23388e-006,说明训练达到设计要求。我们利用神经网络模型训练得到的理论权值和阈值,对后10所高校进行仿真后得到表4的评价结果。从上述评价标准可以看出当前我国各高校科技成果转化的平均水平,这是制定我国在国家创新时期新的高校科技成果转化政策的一个基点,它能为正确认识我国当前高校科技成果转化的综合效用提供直观的量化表述,并能为制定新的高校科技成果转化政策提供客观依据,进而为衡量今后科技成果转化绩效起到良好的借鉴作用。为了验证基于人工神经网络BP 算法的高校科技成果转化评价的客观性、准确性与科学性,笔者进一步将高校11高校20数据进行最小距离法聚