基于感應學習網(wǎng)絡的科技成果轉(zhuǎn)移預測模型與仿真

汪杰

（北京化工大學，北京 100089）

社會的發(fā)展離不開科技的進步，科學技術是第一生產(chǎn)力，我國每年均在鼓勵社會各界進行科技創(chuàng)新，社會每年都在產(chǎn)生著大量科技成果?？萍汲晒霓D(zhuǎn)化是科技成果變?yōu)樯鐣a(chǎn)力、創(chuàng)造價值的重要一步，科技成果的轉(zhuǎn)化過程主要包含3 個步驟，分別是基礎研究、技術研究與產(chǎn)品研究。首先在基礎研究上，科研院所通過相關基礎理論的研究在某一領域形成知識形態(tài)；接著研發(fā)部門根據(jù)市場信息進行技術研發(fā)，將理論轉(zhuǎn)化為技術，形成準商品；最終在產(chǎn)品研發(fā)階段，技術產(chǎn)品轉(zhuǎn)移至生產(chǎn)企業(yè)，企業(yè)經(jīng)產(chǎn)品孵化，借助規(guī)模化的成品產(chǎn)生社會價值[1-6]。

科技成果的轉(zhuǎn)移是一項涉及面廣、流程復雜的系統(tǒng)工程，在這一過程中，會花費大量的人力、財力資源。若能夠在科技成果孵化為產(chǎn)品之前即可通過智能化的算法預測其社會收益，則對于科學合理地進行科技項目立項、規(guī)劃科技投資具有重要的指導意義[7-16]。基于以上目的，該文對科技成果的轉(zhuǎn)移預測進行了相關研究，并對科技成果的轉(zhuǎn)移流程進行數(shù)學建模，同時介紹該文使用的感應學習網(wǎng)絡理論，使用生產(chǎn)中的實際數(shù)據(jù)進行仿真，從而驗證該文模型與算法的有效性。

1 理論基礎

1.1 系統(tǒng)建模

在該文的引言階段，已對科技成果轉(zhuǎn)化的各個階段內(nèi)容進行了簡要說明。該文的目的在于通過引入先進的計算機算法，利用科技成果轉(zhuǎn)化過程中的多方面數(shù)據(jù)，預估成果轉(zhuǎn)移的社會效益。因此，仍需對上述過程進行數(shù)學化的抽象。通過研究發(fā)現(xiàn)，從數(shù)學建模的角度出發(fā)，科技成果的轉(zhuǎn)移過程可以分為成果的形成、小型試驗、中期試驗與產(chǎn)品誕生4 個階段。為了承接這4 個階段中的數(shù)據(jù)流，該文設計了科技成果轉(zhuǎn)移過程流程圖，如圖1 所示。

圖1 中包含4 個子系統(tǒng)與系統(tǒng)間的數(shù)據(jù)流向，這4 個子系統(tǒng)分別是針對科技成果進行技術研發(fā)的子系統(tǒng)H1；對科技成果進行技術改進的子系統(tǒng)H2；進行中期試驗的中試轉(zhuǎn)化系統(tǒng)H3 與進行新產(chǎn)品生產(chǎn)的系統(tǒng)H4。每個子系統(tǒng)均有其需要的初始啟動費用Wi；在各個系統(tǒng)實驗中，又會引入新的經(jīng)費投入Qi；在科技成果轉(zhuǎn)移過程中，每個階段均會產(chǎn)生一定的成果Ri；系統(tǒng)中還存在表征成果轉(zhuǎn)移效率的變量Ki。系統(tǒng)的變量說明如圖2 所示。

在圖2(d)中，根據(jù)其定義方法，計算方式如下：

圖1 科技轉(zhuǎn)化流程建模

圖2 系統(tǒng)中變量說明

1.2 感應神經(jīng)網(wǎng)絡

1.1節(jié)中建立了科技成果轉(zhuǎn)移的數(shù)學模型，該模型可以定量描述科技成果轉(zhuǎn)移過程中的數(shù)據(jù)流向。為了通過這些數(shù)據(jù)流向準確地預測一項新的科技成果的社會效益，需要再引入計算機智能算法，該文使用的計算機智能算法是感應神經(jīng)網(wǎng)絡。在機器學習理論中，將無監(jiān)督的神經(jīng)網(wǎng)絡稱為感應神經(jīng)網(wǎng)絡，而自組織神經(jīng)網(wǎng)絡即是一個典型的感應神經(jīng)網(wǎng)絡，其基本結構如圖3 所示。

圖3 自組織神經(jīng)網(wǎng)絡結構

自組織神經(jīng)網(wǎng)絡的學習過程分為3 個子過程：競爭、合作與自適應。

1）競 爭

對于一個自組織網(wǎng)絡，其輸入為x、輸入層到競爭層的連接向量wj分別可以記為式（2）。

其中，網(wǎng)絡在競爭層中有l(wèi) 個單元，式（2）中的j=1，2，…，l。

競爭的依據(jù)為x與wj間的歐式距離或余弦距離。x與wj間距離最小的輸入向量為競爭的勝利者，其對應的輸入神經(jīng)元被選擇為當前網(wǎng)絡的輸入神經(jīng)元。兩種距離各自的計算方法，如式（3）所示。

2）合 作

競爭僅是確立了最佳的輸入神經(jīng)元，但一個網(wǎng)絡僅依靠一個神經(jīng)元是不具備較強的分類性能。因此，自組織神經(jīng)網(wǎng)絡還會在最佳神經(jīng)元的鄰域內(nèi)選擇合作神經(jīng)元。該鄰域以最佳神經(jīng)元為圓心，以距離hj,i為半徑，該鄰域的確定依托于兩個條件：

1）當鄰域內(nèi)的神經(jīng)元到最佳神經(jīng)元的距離di,j＝0 時，hj,i最大；

2）hj,i是關于di,j的單調(diào)遞減函數(shù)。

根據(jù)上述的兩個條件，該文選擇的di,j與hj,i關系函數(shù)為Guass 函數(shù)，如式（4）所示。

通過引入式（3），使得hj,i只受合作神經(jīng)元與最佳神經(jīng)元距離影響，剔除了最佳神經(jīng)元坐標變換引起的抖動。對于二維的神經(jīng)元網(wǎng)格，其di,j的計算方法如式（5）所示。

在自組織神經(jīng)網(wǎng)絡訓練的過程中，為了保證訓練的效果，可以將式（4）中ξ設置為關于訓練時間的變量，如式（6）所示。

其中，n=0，1，2…。根據(jù)式（6），hj,i的最終形式可寫為式（7）。

3）自適應

自適應過程是指在訓練過程中，網(wǎng)絡連接權值隨誤差反向傳播而更新，隨著網(wǎng)絡自適應進程的推進，自組織網(wǎng)絡逐漸達到理想的輸出。在每一次迭代中，權值的變化定義如下：

其中，η是網(wǎng)絡的學習率；g(yj)是一個線性函數(shù)，如式（9）所示。

將yi寫成(yj)=hj,i(x)。此時，Δwj如式（10）所示。

最終可以得到n到n+1 時刻權值wj(n+1)的變化公式，如式（11）所示。

2 方法實現(xiàn)

2.1 算法流程設計

基于以上分析，將自組織神經(jīng)網(wǎng)絡與科技成果轉(zhuǎn)移預測的系統(tǒng)模型相結合，設計基于感應學習網(wǎng)絡的科技成果轉(zhuǎn)移預測模型的方法流程，如圖4所示。

該文選取的數(shù)據(jù)是某科技集團的30 個科技項目。在數(shù)據(jù)的預處理上，按照圖1 的數(shù)據(jù)模型進行整理，并將數(shù)據(jù)進行歸一化。在數(shù)據(jù)集的劃分上，選取其中20 組作為模型的訓練數(shù)據(jù)、10 組作為測試數(shù)據(jù)。模型的參考函數(shù)選擇K-G 多項式，其形式如下：

圖4 算法流程圖

式（10）中，共包含5 個初始模型，初始模型的集合為式（13）。

隨后，根據(jù)圖4 將輸入向量交叉并獲得神經(jīng)元，每個神經(jīng)元均有一個函數(shù)序列，如式（14）所示。

在此過程中，神經(jīng)元的復雜性從y=A0開始遞增，每一次遞增的過程中，通過最小二乘法確定神經(jīng)元的系數(shù)，判定標準為PESS，如式（15）所示。

2.2 仿真結果

根據(jù)圖1 中的科技成果轉(zhuǎn)移數(shù)據(jù)流程，共包含了H1、H2、H3、H4 4 個子系統(tǒng)。每個子系統(tǒng)均可用一個自組織網(wǎng)絡進行描述，通過圖4 的流程，可以得到4 個訓練好的自組織網(wǎng)絡。以H1 技術研發(fā)子系統(tǒng)為例，得到的網(wǎng)絡模型如圖5 所示。

圖5 H1網(wǎng)絡參數(shù)結構

圖5 所示技術研發(fā)子系統(tǒng)的網(wǎng)絡參數(shù)，如表1所示。

表1 模型參數(shù)

使用得到的自組織網(wǎng)絡與剩余的5 組測試數(shù)據(jù)進行網(wǎng)絡性能的測試，為了更直觀地評估模型性能，使用回歸分析模型進行對比。表2 中給出了這5 個科技項目的實際社會收益、在回歸分析法下及感應學習模型下的預測收益；表3 給出了兩個模型的相對誤差。

表2 科技項目轉(zhuǎn)移效益預測結果 單位：億元

表3 算法誤差統(tǒng)計

可以看出，該文提出的算法在該組數(shù)據(jù)下的平均相對誤差為2.23%，相較于回歸分析法的4.24%提升了約2%，誤差的最大值為3.12%，而回歸分析法的最大誤差為5.71%。文中算法的誤差在平均值附近波動較小，在針對某一項目進行預測時，更接近其真實值。但值得注意的是，回歸分析法的預測結果大多小于實際的社會效益，數(shù)據(jù)具有較好的一致性。使用回歸分析法進行預測時，只要將其預測值進行一定量的增加，即可接近實際的科技項目轉(zhuǎn)移獲得的社會收益。

3 結束語

該文對于科技成果的轉(zhuǎn)移過程進行了抽象化的數(shù)學建模，該模型可以準確地描述轉(zhuǎn)移過程中復雜的數(shù)據(jù)流向。該文模型的提出，方便了計算機智能化算法在科技成果轉(zhuǎn)移領域的應用。在未來，科學地分析科技成果的轉(zhuǎn)移效率對于科技項目立項、研發(fā)經(jīng)費投入均具有重要的指導意義。