论文部分内容阅读
战略性新兴产业，是以重大技术突破和重大发展需求为基础，具有全局性、长期性和新技术处于产业化初级阶段等特点，对经济社会全局和长远发展具有重大引领带动作用。浙江省战略性新兴产业发展，应该把产学研协同创新作为培育和发展战略性新兴产业的重要抓手，以协同创新支撑引领浙江省战略性新兴产业的发展。绩效评价是掌握产学研协同创新绩效水平的手段，是科学分析产学研协同创新的重要工具。本研究在上述背景条件下，以全国主要省市战略性新兴产业产学研协调创新为研究对象，通过构建产学研协同创新绩效评价体系，借助基于遗传算法的神经网络搭建产学研协同创新绩效评价模型，客观地测量产学研协同创新绩效水平，发现战略性新兴产业以及产学研协同创新存在的不足，以方便政府以此出台相应的政策措施。
BP神经网络
BP神经网络是一种采用误差反向传播学习算法和梯度搜索技术的单向传播多层前向网络，具备任意精度的函数逼近能力。典型的BP网络主要由输入层、隐藏层和输出层组成，如图一所示。
BP神经网络的学习过程，主要包括以下三个阶段：①正向传播阶段。在正向传播阶段，输入样本从输入层传输到各隐层再到输出层。②判断是否转入反向传播阶段。在这个阶段中，如果输出层实际输出与期望输出有差别，就可以转入反向传播阶段。③误差反向传播阶段。该阶段实质就是误差以某种形式在各层表示，用来修正各层单元的权值，直到网络输出的误差减少到可接受的程度为止。
但是因为BP神经网络采用的是梯度搜索技术，因此还存在一些缺点，具体如下：目标函数存在多个极值点，采用梯度搜索技术进行学习，很容易陷入局部极小值;需要寻优的参数比较多，收敛速度慢。
基于遗传算法的BP神经网络
遗传算法因为具有简单通用、鲁棒性强、适用于并行处理等特点，已经广泛应用于不同领域。
作为一种全局优化搜索算法，遗传算法优化BP神经网络主要分为三个部分：确定BP神经网络结构、优化遗传算法和预测BP神经网络。首先，根据拟合函数输入输出参数个数来确定BP神经网络结构，进而确定遗传算法个体的长度。采用遗传算法来优化BP神经网络权值和阈值时，因为种群中每个个体都包含了一个网络的所有权值和阈值，个体适应度值是个体通过适应度函数来计算，最优适应度值对应个体是遗传算法通过选择、交叉和变异操作找到。用遗传算法得到最优个体对网络初始权值和阈值的赋值，网络经过训练后得到预测函数输出来完成BP神经网络预测。
BP神经网络评价指标体系构建
本文首先通过文献研究及逻辑框架法，构建了战略性新兴产业产学研协同创新绩效评价指标体系。该指标体系根据协同创新的逻辑框架划分为协同投入、协同过程、协同产出和协同影响等四大评价目标模块，并形成若干二级指标以及若干三级指标;然后，再对指标体系进行筛选和检验，筛选和检验的主要方法可以采取信度效度分析、隶属度分析、相关性分析以及专家咨询等方法;本文最后确定了4个二级指标以及15个三级指标。
在确定产学研协同创新绩效评价指标4个二级指标以及15个三级指标体系的基础上，针对协同创新指标体系存在随机性、糊糊性和结构多层次性等特点，考虑构建基于遗传算法的BP神经网络产学研协同创新绩效评价模型。本文将该方法应用于战略性新兴产业产学研协同创新绩效评价，会有效解决误差反向传播（Back Propagation，BP）神经网络容易陷入“局部最小”、收敛速度慢等问题，进而给出战略性新兴产业产学研协同创新协调度定义及评价模型。最后，运用构建的战略性新兴产业产学研协同创新的绩效评价指标体系和评价模型，根据《中国科技统计年鉴》等相关资料对国内31个重点省市战略性新兴产业产学研协同创新绩效进行评价。本文从投入与产出角度出发，构建了产学研合作协同创新绩效评价指标体系，该指标体系如表一所示。
案例仿真
结合全国31个省市战略性新兴产业产学研协同创新绩效水平，我们通过建立产学研合作协同创新绩效评价指标体系，采用基于遗传算法的BP神经网络评价模型进行了仿真。仿真结果，如图二所示。
结论
本文重点研究了基于遗传算法的BP神经网络，用以克服一般BP神经网络容易存在陷入局部最小和收敛速度慢等缺点，建立了产学研协同创新绩效指标体系，并对全国31个省市产学研投入和产出绩效进行了仿真，仿真结果表明经过遗传算法改进的BP神经网络在准确性方面得到了改善，收敛速度也有了提高，为后续进一步完善产学研协同创新评价方法提供了参考。
参考文献
[1]赵川等.遗传算法改进的BP神经网络在协同创新评价中的应用[J].设计与研究，2010（8）.
[2]王玉梅等.基于BP人工神经网络方法的组织知识创新与创新人才素质提高系统发展评价[J].科技进步与对策，2013（5）.
[3]王小川等.MATLAB神经网络43个案例分析[M].北京：北京航空航天大学出版社，2013.
【本研究系浙江大学城市学院大学生科研项目X2015522062和X2015522063资助;浙江省高等学校课堂教学改革项目kg2013510资助;浙江大学城市学院课堂教学改革项目KG1203资助;浙江大学城市学院自动化专业核心课程群HX1203资助】
（作者单位：浙江大学城市学院;指导教师：王雪洁）
BP神经网络
BP神经网络是一种采用误差反向传播学习算法和梯度搜索技术的单向传播多层前向网络，具备任意精度的函数逼近能力。典型的BP网络主要由输入层、隐藏层和输出层组成，如图一所示。
BP神经网络的学习过程，主要包括以下三个阶段：①正向传播阶段。在正向传播阶段，输入样本从输入层传输到各隐层再到输出层。②判断是否转入反向传播阶段。在这个阶段中，如果输出层实际输出与期望输出有差别，就可以转入反向传播阶段。③误差反向传播阶段。该阶段实质就是误差以某种形式在各层表示，用来修正各层单元的权值，直到网络输出的误差减少到可接受的程度为止。
但是因为BP神经网络采用的是梯度搜索技术，因此还存在一些缺点，具体如下：目标函数存在多个极值点，采用梯度搜索技术进行学习，很容易陷入局部极小值;需要寻优的参数比较多，收敛速度慢。
基于遗传算法的BP神经网络
遗传算法因为具有简单通用、鲁棒性强、适用于并行处理等特点，已经广泛应用于不同领域。
作为一种全局优化搜索算法，遗传算法优化BP神经网络主要分为三个部分：确定BP神经网络结构、优化遗传算法和预测BP神经网络。首先，根据拟合函数输入输出参数个数来确定BP神经网络结构，进而确定遗传算法个体的长度。采用遗传算法来优化BP神经网络权值和阈值时，因为种群中每个个体都包含了一个网络的所有权值和阈值，个体适应度值是个体通过适应度函数来计算，最优适应度值对应个体是遗传算法通过选择、交叉和变异操作找到。用遗传算法得到最优个体对网络初始权值和阈值的赋值，网络经过训练后得到预测函数输出来完成BP神经网络预测。
BP神经网络评价指标体系构建
本文首先通过文献研究及逻辑框架法，构建了战略性新兴产业产学研协同创新绩效评价指标体系。该指标体系根据协同创新的逻辑框架划分为协同投入、协同过程、协同产出和协同影响等四大评价目标模块，并形成若干二级指标以及若干三级指标;然后，再对指标体系进行筛选和检验，筛选和检验的主要方法可以采取信度效度分析、隶属度分析、相关性分析以及专家咨询等方法;本文最后确定了4个二级指标以及15个三级指标。
在确定产学研协同创新绩效评价指标4个二级指标以及15个三级指标体系的基础上，针对协同创新指标体系存在随机性、糊糊性和结构多层次性等特点，考虑构建基于遗传算法的BP神经网络产学研协同创新绩效评价模型。本文将该方法应用于战略性新兴产业产学研协同创新绩效评价，会有效解决误差反向传播（Back Propagation，BP）神经网络容易陷入“局部最小”、收敛速度慢等问题，进而给出战略性新兴产业产学研协同创新协调度定义及评价模型。最后，运用构建的战略性新兴产业产学研协同创新的绩效评价指标体系和评价模型，根据《中国科技统计年鉴》等相关资料对国内31个重点省市战略性新兴产业产学研协同创新绩效进行评价。本文从投入与产出角度出发，构建了产学研合作协同创新绩效评价指标体系，该指标体系如表一所示。
案例仿真
结合全国31个省市战略性新兴产业产学研协同创新绩效水平，我们通过建立产学研合作协同创新绩效评价指标体系，采用基于遗传算法的BP神经网络评价模型进行了仿真。仿真结果，如图二所示。
结论
本文重点研究了基于遗传算法的BP神经网络，用以克服一般BP神经网络容易存在陷入局部最小和收敛速度慢等缺点，建立了产学研协同创新绩效指标体系，并对全国31个省市产学研投入和产出绩效进行了仿真，仿真结果表明经过遗传算法改进的BP神经网络在准确性方面得到了改善，收敛速度也有了提高，为后续进一步完善产学研协同创新评价方法提供了参考。
参考文献
[1]赵川等.遗传算法改进的BP神经网络在协同创新评价中的应用[J].设计与研究，2010（8）.
[2]王玉梅等.基于BP人工神经网络方法的组织知识创新与创新人才素质提高系统发展评价[J].科技进步与对策，2013（5）.
[3]王小川等.MATLAB神经网络43个案例分析[M].北京：北京航空航天大学出版社，2013.
【本研究系浙江大学城市学院大学生科研项目X2015522062和X2015522063资助;浙江省高等学校课堂教学改革项目kg2013510资助;浙江大学城市学院课堂教学改革项目KG1203资助;浙江大学城市学院自动化专业核心课程群HX1203资助】
（作者单位：浙江大学城市学院;指导教师：王雪洁）