基于压缩感知的协同创新评价方法研究

摘要： 为促进高等教育与科技、经济、文化的有机结合，我国实施“2011计划”，积极推动协同创新。本文以协同创新基本结构为基础，提出以协同创新中心为主体的协同创新评价理论，构建协同创新评价指标体系，同时，建立基于压缩感知的协同创新评价模型，通过样本测试，使之应用于协同创新评价，对实际工作提供借鉴。

Abstract： In order to promote the organic combination of higher education and science and technology， economy， culture， the 2011 Plan is implemented in China and collaborative innovation is actively promoted. Based on the basic structure of collaborative innovation， the paper puts forward the cooperative innovation evaluation theory dominated by collaborative innovation center， builds the cooperative innovation evaluation index system， and builds the cooperative innovation evaluation model based on compressive sensing. It passed the sample tests， and will be applied to the collaborative innovation evaluation， providing reference for the actual work.

关键词： 压缩感知；协同创新；评价方法；模型

Key words： compressive sensing；collaborative innovation；evaluation methods；model

中图分类号：F062.4 文献标识码：A 文章编号：1006-4311（2013）05-0001-04

0 引言

为促进高等教育与科技、经济、文化的有机结合，我国实施“2011计划”，积极推动协同创新，加强政产学研合作，并按照培育组建、评审认定、绩效评价三个阶段建设一批“2011协同创新中心”[1]。在协同创新评价方法方面，国内学者或提出了一些政策建议，或在企业的角度提出协同创新评价的方法，如李祖超探析了协同创新运行机制，并提出要建立健全以创新质量为导向的考核评价机制[2]；赵川面向客户协同创新工作，提出基于BP神经网络的协同创新评价方法，并进行验证[3]；李晓利提出协同创新环境下的客户知识共享绩效预测模型，并开展预测[4]；辛冲开展了企业组织与技术的协同创新研究，采用线性回归方法分析组织创新与技术创新的协同关系[5]。本文基于协同创新基本结构，研究以协同创新中心为主体的协同创新评价理论构架，提出协同创新评价指标体系，建立基于压缩感知的评价系统，通过样本测试，使之应用于实际的协同创新评价，对实际工作提供借鉴。

1 协同创新评价理论构架

1.1 协同创新模型基本结构 协同创新模型由三个单元构成，基本组织单元是由企业、高校和科研院所构成的基本要素，三者的互动是协同创新的基础。位于中间的是合作组织单元，即技术创新联盟，它是基本要素各关联体或创新体之间最聚焦的合作创新方向，是未来协同创新重大成果的产出方向。位于正中心的是中心组织单元，即协同创新中心，它是协同创新体的“指挥部”，负责整个协同创新体的管理和运转。

1.2 协同创新评价的理论构架 协同创新中心是一个创新单位，是一个具有自组织功能的动态系统，要保持长期稳定的发展，内部必须要保持一定的平衡关系，也就是说在系统受到外力干扰时，自身具有恢复平衡的能力，开展自动校正和调控。高水平研究型大学对下属学院开展科研评价，就是要通过机制调控给予学院外力干预，打破原有平衡，建立新的平衡。

协同创新结构是由协同质量、协同规模、协同效益和协同组织构成的四维空间，四要素的协同发展成为协同创新发展的重要保证。在此基础上，本文提出认受度（协同质量）、宽窄度（协同规模）、延伸度（协同效益）、组织度（协同组织）四维坐标（见图2），建立高水平研究型大学对下属学院开展科研评价的分析框架。

协同质量、协同规模、协同效益和协同组织构成了协同创新中心创新评价的四维空间，四个维度的结合，综合反映了整个协同创体的创新贡献。具体而言：①认受度，反映了协同创新中心的标志性成果的水平，集中体现在重大项目、重大成果、重大平台、高层次科研团队等指标，代表了协同创新中心核心竞争力的大小，是协同创新中心“质”的表征。而对于协同创新中心而言，科研方面的标志性成果有被多数人认可的客观衡量指标，可以列入指标体系。②宽窄度，反映了协同创新中心的科研规模，是学院“量”的表征。协同创新中心系统需要有一定的科研规模来支撑，有助于协同创新中心科研系统的稳定、进化和平衡。对于具有统计规律的科研数据，以总量、均量、增幅等统计数据形成科研指标，系统反映了科研规模。③延伸度，体现了协同创新中心在人才培养、学科建设、对经济、社会的贡献度等方面产生的综合效益。④组织度，反映了协同创新中心的创新组织能力，协同创新中心应围绕重大战略需求凝练重大科学问题，解决重大瓶颈问题，没有强有力的科研组织，完善的管理服务机制保障，无法顺利完成各项科研任务。在学校的部署下，协同创新中心必须建立和完善自身的创新组织体系，决定协同创新中心持续的科研竞争力。

2 协同创新评价指标建立

2.1 构建原则 为了对协同创新中心科研工作进行公正、客观、权威的综合评价，最大限度发挥科研评价工作的功能，指标体系的构建应遵循如下原则：

①引导性原则。协同创新中心的建设以改革体制机制为纽带，评价指标体系应有利于明确创新重点、完善管理机制、提高科研能力、培养创新团队，引导和带动整个协同创新体提升创新质量和贡献，聚焦标志性成果，完善科技创新体系。

②科学性原则。下属学院科研评价指标体系应准确反映学院科研的实际情况，综合表征认受度（协同质量）、宽窄度（协同规模）、延伸度（协同效益）、组织度（协同组织），指标全面、权重合理、范围明确，既能系统地、科学地反映学院科研的实际状况，又能促进其自身发展。

③可操作性原则。指标体系设有8个一级指标和34个二级指标，定量指标与定性指标相结合，计算方法科学，指标清晰，操作简单。

2.2 指标体系 根据协同创新中心建设要求，提出在平衡和系统视角下用维度表征反映了认受度（协同质量）、宽窄度（协同规模）、延伸度（协同效益）、组织度（协同组织）的评价要素。具体见表1。

3 基于压缩感知的评价模型

压缩感知（Compressive Sensing，CS）由美国数学家Candes和Donoho在相关研究基础上于2006年首先提出[6，7]，其核心突破了香农采样定理的瓶颈，使得高分辨率信号的采集成为可能。压缩感知理论自提出以来极大地丰富了信号获取理论，并对其他相关领域的研究提供了新技术和新思路。2008年Wright等人将压缩感知用于模式分类，提出了基于CS理论的人脸识别算法，其有效地构建了基于CS理论的模式分类算法框架，即测试样本在由训练样本构成的过完备字典上的线性表示通常是稀疏的，根据稀疏表示实现模式分类[8]。本文研究的协同创新评价可以通过对由评价指标构成的模式空间进行分类达到评价的目标。

3.1 压缩感知理论基础 压缩感知理论是应用数学和信号处理领域的一个新兴理论，主要由三个部分组成，即信号的稀疏表示、编码测量和重构算法，其中和基于压缩感知的模式分类方法密切相关的是信号的稀疏表示与重构算法。

3.1.1 信号的稀疏表示 信号的稀疏性是压缩感知理论的基础，也是实现信号的模式分类的基本条件，这里首先给出稀疏性的定义，在压缩感知理论中信号的稀疏性由稀疏向量的稀疏度表示。近年来研究表明，信号的稀疏表示基不仅仅局限于是正交的，当前过完备字典分解方法已经成为信号表示理论的研究热点之一，该方法的产生使得利用压缩感知完成模式分类成为可能。

3.1.2 信号的重构 信号重构算法是压缩感知理论最重要的内容，对于一般信号而言，已知某一测量矩阵Ф∈RM×N（M■N）以及某一未知信号x在该矩阵下的线性测量值y∈RM，其中：y=Фx。所谓信号重构的问题就是利用原信号x在测量矩阵Ф下的线性投影y重构信号x的过程。对于一般信号，很显然，由于线性投影y的维数M远远小于原信号x的维数（投影的意义所在），根据线性方程组基本理论，上述方程的解由解系构成，即有无穷多个解。因此对于一般信号而言，该问题是不适定的。但是，当原始信号x满足稀疏性时，同时测量矩阵Ф和线性投影y满足一定条件时（y的维数M必须满足？詛0范数），可以证明信号x可以由测量值y利用求解最优？詛0范数精确重构：

■=arg min||x||0 s.t. y=Фx（1）

其中，||x||0表示向量x的？詛0范数，即向量中非零元素的个数。上述最优化问题貌似简单，实质上是一个NP-hard问题，需要穷举x中非零值的所有C■■（K是信号的稀疏度）中排列可能，因此几乎不可能在有限时间内得到最优解。鉴于信号重构算法是压缩感知理论的核心，为此，近年来各国学者提出了一系列求解方法，较为典型的是最小？詛1范数法、匹配追踪系统方法、迭代门限法等。

3.2 基于压缩感知的模式分类一般理论 近年来研究表明，信号的稀疏表示基，即测量矩阵的列向量，不仅仅局限于是正交的，当前利用过完备字典（overcomplete dictionary）分解方法已经成为信号表示理论的研究热点之一。在基于压缩感知的模式识别算法中，通过用所有训练样本组成一部过完备字典，获得测试样本在其上的投影，由于测试样本在这部过完备字典的表示中，仅有对应的目标类别的系数较大，因此测试样本在过完备字典上的线性表示通常是稀疏的，根据这一稀疏表示就可以实现对信号的分类。图3为测试样本、过完备字典（训练样本构成）和稀疏表示之间的关系示意图。由于这样的稀疏表示具有空间可分性，因此利用这一投影可以实现对测试样本的分类。

基于稀疏表示的模式分类的算法其数学语言描述如下：

设由k类训练样本构成的过完备字典A=[A1 A2…Ak]，其中每类Ai有ni个训练样本组成，即：

Ai=[v■ v■ …v■]（2）

其中vi，j∈Rm则：

A∈R■，y∈Rm，x∈R■

对于第i类的测试样本y，那么：

y=[v■ v■ …v■]α■α■┆α■（3）

所以y关于A的线性表示可写成：

y=Ax（4）

其中x=[0，…，0，αi，1，αi，2，…，α■，0，…，0]T是一个第i类对应值为非零，其余的值为零的系数矢量，此系数矢量是一个稀疏向量，根据这一系数矢量中的非零值即可判别测试样本所属的类别。因此基于CS理论的协同创新评价过程就是计算稀疏向量x的过程。

4 应用研究

根据上文所述，基于压缩感知的协同创新评价的基本步骤如下：

步骤1、利用训练样本构建过完备字典A，在本文中过完备字典A由500个样本组成，其中每一类（即评价结果为：好、较好、一般、较差、差）包括100个训练样本，字典A的行数等于单个训练样本的长度34，即评价指数的种类，过完备字典的结构示意图如图4。

步骤2、令一个测试样本为y，利用式（4）和压缩感知算法得到最小？詛0范数向量x。

步骤3、计算[m，n]=max（x），其中m为稀疏向量x的最大元素，n为最大元素对应的列数。

步骤4、当0

由此完成基于压缩感知的协同创新评价。利用五组分别代表好、较好、一般、较差、差的指标向量：

y1=[0.5，0.07，0.32，0.6，0.2，0.49，0.73，0，0.97，1，1，1，

0.078，0.63，1，1，0.31，1，0，1，0.57，0.92，0，1，1，1，0.5，0.94，0.99，0.67，0.25，1，1，1]

y2=[0.74，0.13，0.22，0.23，0，0.18，0.37，0.83，0.46，

0.57，0.75，0.62，0.003，0.36，0.57，0.78，1，0.732，0，0.65，

0.09，0.56，0.5，1，0.5，1，0.67，0.9，0.81，0.74，0.13，1，1，1]

y3=[0.44，0.04，0，0.2，0.06，0.32，0.12，0.74，0.31，0.07，

0.75，0.77，0.048，0.92，0.21，0.38，0.53，0.724，0，0.57，0.47，1，0，0，0，0，0.31，0.37，0.41，0.39，0，0.5，0.5，0.8]

y4=[0.27，0.11，0.17，0.22，0.07，1，0.03，0，0.19，0，0，

0.29，0.146，1，0，0.05，0.35，0.293，0，0.12，1，0.61，0，0，0，0，0.01，0.02，0.02，0.17，0，0.1，0.3，0.8]

y5=[0.08，0，0.22，0.12，1，0.57，0.01，0，0.07，0，0，0.03，

1，0.09，0.03，0，0，0，0，0.01，0，0.07，0，0，0，0，0.01，0.07，

0.15，0.12，0，0.1，0.2，0.8]

利用压缩感知算法得到的x1，x2，x3，x4，x5分别如图5的a，b，c，d，e所示，从图5可知，五个稀疏向量的最大值分别出现在不同的区间上，由此可见，本文的算法可以正确的完成对测试样本的评价。

5 结束语

协同创新是一项复杂的科学技术工程，本文借鉴压缩感知方法，通过研究协同创新基本结构，提出以协同创新中心为主体的协同创新评价理论，构建协同创新评价指标体系，建立协同创新评价模型，通过样本测试，以期对实际工作起到重要参考作用。

参考文献：

[1]教技[2012]6号文件，“教育部财政部关于实施高等学校创新能力提升计划的意见”[Z].

[2]李祖超，梁春晓.协同创新运行机制探析——基于高校创新主体的视角[J].中国高教研究，2012，（7）：81-84.

[3]赵川，杨育，杨洁.基于BP神经网络的客户协同创新工作评价研究[J].科技管理研究，2009，（7）：164-167.

[4]李晓利，杨育，张晓冬，王小磊，曾强.协同创新环境下的客户知识共享绩效预测模型[J].科技进步与对策，2010，27（12）：112-115.

[5]辛冲，冯英俊.企业组织与技术的协同创新研究[J].研究与发展管理，2011，23（1）：37-43.

[6]Donoho D L. Compressed sensing[J]. IEEE Transactions on Information Theory， 2006， 52（4）： 1289-1306.

[7]Candes E， Romberg J， Tao T. Robust uncertainty principles： exact signal reconstruction from highly incomplete frequency information[J]. IEEE Transactions on Information Theory， 2006， 52（2）： 489-509.

[8]Wright J， Yang A Y， Ganesh A， and et al. Robust Face Recognition via Sparse Representation[J]. IEEE Transactions on Pattern Analysis and Machine Intelligence. 2009， 31（2）：210-227.