基于神经网络的科技进步技术开发类成果评价

摘要：文中首先对比研究了现有各种评价方法优缺点，认为人工神经网络方法是定性与定量分析的结合，兼顾模糊推理和专家评议优势。然后以黑龙江省科学技术进步奖评审细则为基础，细化评奖指标并赋值权重。建立的三层BP神经网络评价模型校正集相关系数0.912，预测集相关系数0.903，校正集标准误差0.00736，预测集标准误差0.00692，校正集变异系数8.02%，预测集变异系数7.36%，数据表明评价结果精度高，普适性好。

关键词：神经网络； 技术开发；成果；评价；指标

Abstract: The method of artificial neural networks is the combination qualitative analysis with quantitative analysis and both fuzzy reasoning and expert appraisal advantage after all methods of evaluation are studied in the paper. Then refinement awards indicators and defining the weight on science and technology progress award conditions of Heilongjiang. The correlation coefficient of the calibration set is 0.912 and that of prediction set is 0.903. The standard error of calibration set is 0.00736 and that of prediction set is 0.00692. The variation coefficient of calibration set is 8.02% and that of prediction set is 7.36%. Evaluation results show that the data is high accuracy and adaptability general.

Keywords: Neural network; Technology development; Achievement; Evaluation; Index

中图分类号：TN711 文献标识码：A 文章编号：

1前言

2012年我国科研经费支出高达10240亿元，各类科技成果登记数量较往年都有大幅增长。在技术发展的关键时期，科技成果不该只重数量，更应该关注质量。一直以来被各级各类权力机关普遍采用的是专家评议法，其简单实用但是主观性太强。与专家评议不同的是德尔菲法采用背对背方式评价，避免了专家之间互相干扰，缺点是求同存异沟通周期过长[1、2]。20世纪60年展起来文献计量法，开创了量化评价新纪元，但也未免刻板单一无法推广[3、4]。70年代美国运筹学家Saaty T．L教授提出层次分析法(AHP)，该方法将主观评价客观量化，使定性和定量分析结合，拓展了量化评价新内涵[5、6]。近年有学者提出模糊综合评价法，是专家系统定量转化的又一完美体现，但是隶属函数的多样性使得该方法不具备标准化可能[7、8]。人工神经网络从1943年的MP模型提出至今成功解决了许多非线性系统建模、判决、优化等问题。适当选取科技成果属性作为神经网络输入元，通过学习机制训练可以得到一个类专家判断结果[9、10]。采用专家定性评价作为输入神经元，非线性映射模拟专家思维过程，输入至推理过程兼顾了模糊推理和专家评议优势，神经元输出数字结果，清晰明了。

2技术开发科学技术进步奖指标分解

在各类科技成果中基础理论和软科学成果适合用文献计量法定量客观评价，而应用型技术成果由于涉及学科领域差异大，成果形式差异大，适合运用神经网络模型非线性评价。

黑龙江省科学技术进步类奖根据科技成果特点划分为社会公益类项目、技术开发类项目、重大工程类项目、技术改造类项目分别评定。以技术开发类科技成果评价为例说明神经网络评价过程，其他类别项目同样适用。现行黑龙江省技术开发进步奖评审一级指标及其权重如下表一所示（指标来源于黑龙江省科学技术奖励办法实施细则）。考虑到这些指标比较含义比较大，有实际操作困难，细化各类指标并分配权重（咨询有关专家）得到二级指标及其权重。

表一指标及权重

Table1 Index and weight

专家评价对象过程尊重主观思维特点，只需针对27个二级指标作出定性判断，即优加、优秀、良加、良好、中加、中等、一般。模糊输入归一化后对应1.0，0.9，0.8，0.7，0.6，0.5，0.4数字量。

3神经网络评价模型

神经网络通过期望输出与实际输出之间差值反向影响输入到输出的路径，自适应调整训练过程，目标使偏差最小达到期望输出。本研究中拟用BP算法训练神经网络模型。

以三层结构BP网络为例。输入向量；隐含层输出向量；输出层输出向量；期望输出向量；输入层到隐含层之间的权值矩阵用表示，；隐含层到输出层之间的权值矩阵用表示，，则网络输出误差、权值变化率如下公式（1）（2）定义，其中为学习速率。

有50个待评估科技成果，划分30个为校正集合，20个为预测集。30位专家针对二级指标给出模糊评价量化之后，与二级指标权重乘积作为三层BP神经网络输入向量。

BP神经网络中， 隐含层节点数的选择对网络的性能影响较大。若隐含层节点数过少，则局部极小值过多，不能达到网络训练的效果；若隐含节点数过多，网络拟合函数复杂，容易过拟合，使得网络泛化能力变差。根据公式：

式中m为输入节点数，n为输出节点数，为隐含层节点数，a为1~10之间的常数。

输入节点数为17，输出节点数为1，计算出，分别采用5～14作为隐含层节点个数，多次训练结果表明隐含层节点数为6的时候，模型预测效果最好。各层的激活函数均采用S型函数，目标误差为0.01，最大迭代次数为1000次。网络输出用a，b，c，d分别表示一等、二等、三等奖和落选，其期望值分别是0.9，0.7，0.5，0.3，校正集和预测集合泛化结果见表二。

表二 神经网络模型评价结果分析

Table2 Analysis of neutral network evaluation

评价结果分析表明，基于BP神经网络的评价模型相关系数较高，误差较小，满足目标要求，复现性较高，可应用于实际技术开发类科技进步奖项评定。

[1] 刘学毅. 德尔菲法在交叉学科研究评价中的运用. 西南交通大学学报(社会科学版)[J]. 2007(8),2: 21-25.

[2] 刘明寿. 采用德尔菲法评价高校学报学术影响力. 贵州大学学报(自然科学版) [J].2004(21),4:437-440.

[3] 张凤. 采用文献计量法评价高校科研水平. 鞍山师范学院学报[J]. 2005(7),2：98-100

[4] 李兴敏. 利用文献计量法分析国内成人教育管理改革方向. 成人教育[J]. 2012(306),7:20-21.

[5] 刘仁山, 孟祥宏.基于层次分析法的信息系统安全评价研究. 河北工业科技[J]. 2013(30),1:17-21.

[6] 赵昱, 刘行, 徐佳等. 基于层次分析法—灰色聚类的PFI 模式下公租房建设的风险评价方法工程管理学报[J].2013(27),1:69-73.

[7] 王琳; 刘保东随机可变模糊识别模型在清洁生产评价中的应用. 山东大学学报(工学版) [J].2012(42),6:1-10.

[8] 彭亮. Groupon模式下团购网站消费者信任度的模糊综合评价. 企业经济[J]. 2011(366),2:85-88.

[9] 李雪, 刘长发, 王磊. 基于BP人工神经网络的海水水质综合评价(英文). Marine Science Bulletin[J]. 2011(13),2:62-71.

[10] 张文鸽, 李会安, 蔡大应. 水质评价的人工神经网络方法. 东北水利水电[J]. 2004(243),22:42-46.