主成分模糊神经网在高校科研创新能力评价中的研究与应用

摘要

建设创新型国家，提高自主创新能力，高校是主力军，是创新技术的源泉。开展对高校科研创新能力评价，有利于提升高校科研效率和科研水平，对健全我国科研创新体系，意义重大。
　　 在借鉴国内外相关研究成果的基础上，本文开展了以下研究与设计工作:
　　 (1)构建了多级高校科研创新能力评价体系。
　　 本着科学合理原则，通过问卷调查、征求专家意见和参考相关研究成果，本文构建了多级高校科研创新能力评价指标体系。
　　 (2)研究了各种典型的评价模型和评价方法。
　　 研究了目前代表性的评价方法，重点研究了主成分分析法(PCA)、BP神经网、T-S型模糊神经网(FNN)和SOM神经网。经综合分析，本文提出了主成分BP神经网络(PCA-BP)和主成分模糊神经网络(PCA-FNN)两种评价模型。
　　 (3)分别运用PCA—BP和PCA-FNN对高校科研创新能力进行评价。
　　 先采用主成分分析法(PCA)在力保数据信息损失最小的原则下对评价指标数据进行有效降维，消除指标数据间的相关性和重叠性，保留贡献率大于90％的主成分，然后将其归一化分别作为BP神经网络和模糊神经网络的输入，经用Matlab编程训练、测试，验证，实现了高校创新能力的评价。且最后对预测精度较高的PCA-FNN结果聚类分组，而不是直接排名，消除了因得分微小差异而导致排名高低带来的片面性，聚类分组显示，结果令人满意。
　　 (4)对比分析了PCA-BP和PCA—FNN两种评价模型。
　　 从数据处理过程、训练次数、数据拟合程度及评价结果等四个方面对比了两种模型的异同，得出PCA-FNN评价模型拟合程度更好，预测率更高，是切实可行的结论。
　　 主成分模糊神经网络的研究与应用，为高校科研创新能力评价做了一次有意义的尝试，提供了一种新方法。

目录

声明

摘要

1 绪论

1．1 论文的研究背景和意义

1．2 国内外研究概况

1．2．1 国外高校科研能力评价的概况

1．2．2 国内高校科研能力评价的概况

1．3 研究内容及其组织安排

1．3．1 研究内容

1．3．2 论文组织安排

2 高校科研创新能力评价的目的、原则与主要方法

2．1 高校科研创新能力评价的目的和原则

2．1．1 高校科研创新能力评价的目的

2．1．2 高校科研创新能力评价的原则

2．2 高校科研创新能力评价的主要方法

2．2．1 德尔菲法

2．2．2 层次分析法

2．2．3 人工神经网络评价法

2．2．4 数据包络分析法

2．2．5 灰色决策评价方法

2．2．6 模糊综合评判法

2．2．7 主成分分析法

2．3 本章小结

3 高校科研创新能力评价指标体系的构建

3．1 高校科研创新能力评价指标体系基本结构

3．2 高校科研创新能力评价指标说明

3．3 本章小结

4 模糊数学与人工神经网络基本理论

4．1 模糊数学基本理论

4．1．1 模糊集合的定义及表示方法

4．1．2 模糊隶属度函数的确定和常用隶属函数介绍

4．1．3 模糊关系定义及合成

4．2 人工神经网络理论

4．2．1 基本人工神经元模型

4．2．2 人工神经网络模型的分类

4．2．3 神经网络常用学习算法

4．2．4 BP神经网络简介

4．2．5 自组织特征映射神经网络(SOM)简介

4．3 本章小结

5 模糊神经网络概述

5．1 模糊系统和神经网络结合的可能性

5．2 模糊系统和神经网络的结合方式

5．3 模糊神经网络结构

5．3．1 模糊系统的T-S模型

5．3．2 基于T-S模型的模糊神经网络结构

5．4 模糊神经网络学习算法简介

5．5 本章小结

6 高校科研创新能力评价实证研究与实现

6．1 基于主成分分析(PCA)的高校科研创新能力评价

6．1．1 高校科研创新能力评价主成分分析过程流程图

6．1．2 高校科研创新能力评价主成分分析具体实施步骤

6．2 基于PCA-BP模型的高校科研创新能力评价

6．2．1 PCA-BP评价模型的构建

6．2．2 BP网络拓扑结构的确定

6．2．3 BP网络各层神经元个数的确定

6．2．4 神经元数据的归一化

6．2．5 基于Matlab的PCA-BP高校科研创新能力评价模型的实现

6．3 基于PCA-FNN模型的高校科研创新能力评价

6．3．1 基于PCA-FNN模型的高校科研创新能力评价步骤

6．3．2 PCA-FNN模型的构建

6．3．3 基于Matlab的PCA-FNN高校科研创新能力评价编程实现

6．4 PCA-BP和PCA-FNN两种模型评价结果对比分析

6．5 本章小结

7 总结与展望

7．1 工作总结

7．2 工作展望

致谢

参考文献