基于神经网络的高校科研能力评估.ppt

基于神经网络的高校科研能力 评估 姓名：党峰 班级：计科0804 指导老师：程国建 主 要 内 容 一、内容概述 二、构建相应的指标体系 三、建立相应的高校科研能力评价模型 1、BP模型 2、Hopefeild模型 四、结束语 一、内容概述 主要步骤 四、结束语 THE END 谢谢大家 * * 一个高校科研能力的高低不仅影响着高校自身的排 名、发展，还对高校所在地区的经济发展有着十分巨大 的影响，科学研究能力已成为高等院校的一项核心功能。 因此，如何高效、准确地对高校的科研能力进行评价已 成高校面临的一个重要问题。 存在问题：由于影响高校科研能力的因素较多，且各因 素间互相交叉、互相影响和互相渗透，难以用确定的数 学模型进行准确地描述，因此采用传统的数学模型获得 评价结果准确率低。 优点：具有良好的可靠性、通用性、准确性，具有很强 的计算、分类能力。 二、构建相应的指标体系 高校科研能力评价指标体系的建立应该采用系统性、科学性和可控性原则。根据相关文献和作者对高校科研能力内涵的理解，从科研队伍、科研设备及条件、科研产出和科研管理能力四个方面构建了以下高校科研能力综合评价指标体系。具体如下图所示 三、建立相应的高校科研能力评价模型 1、BP模型 BP 网络是由Rumelhart，Hinton 和Williams 提出来的， 是一个高度复杂的非线性动力学 系统。它是一种多层前馈型神经网络，由于 其权值的调整采用反向传播（Back Propagation） 学习算法，因此也常称其为BP 网络。 它解决了多层网络中隐含单元连接权的学习问题。 BP 神经网络结构一般包括三层，一个输入层，一个或多 个隐含层，一个输出层，最基本的三层BP 神经网络如图。 输入信号从输入节点依次传过各隐含层，然后传到输出节点， 每一层节点的输出只影响下一层节点的输出。网络训练的每 个样本包括输入向量P 和期望输出量T，通过调整输入节点与 隐层节点的联接权值wij 和隐层节点与输出节点之间的联接权 值Tjk 以及阈值， 使网络输出值O 与期望输出值T 之间的偏 差沿梯度方向下降。经过反复学习训练，直到满足要求为止， 来确定与最小误差相对应的网络参数（权值和阈值）。此时 经过训练的BP 神经网络能对在输入范围内的输入信息自行处 理，然后输出经过非线性转换的误差最小的信息。 步骤1，原始数据样本集（ x ij） m×k的标准化 （其中m 为样本数， k 为输入因子数）。 步骤2，建立相关矩阵， 求算矩阵的特征值和特 征向量。利用标准化值计算变量之间的相关系数。 由k 个变量建立k 阶相关矩阵， 由此矩阵可获得 特征值λi（ i = 1 ， 2 ， …， k） ， k 个特征 值对应k个特征向量， 每一特征向量包含k 个分量。 步骤3，选取主成分。计算第i 个主成分对总方差的贡 献率，即方差贡献率%=λi ／ kΣj =1 λj，按贡献 率由大到小的顺序对k 个主成分进行排序，贡献率最 大的主成分称为第一主成分，其次称为第二主成分，以 此类推。选取主成分的个数取决于主成分的累计方差 贡献率，通常使累计方差贡献率大于85 %所需的主成 分数能够代表k 个原始变量所能提供的绝大部分信息。 步骤4，建立主成分方程，计算主成分值。各主成分值方程为ci=kΣj =1 ajxj。其中， aj （ j = 1 ，2 ， …， k）为对应于特征值λj特征向量的分量， x j为各变量的标准化数值。 2、Hopefeild模型 Hopfield 神经网络及学习算法最初是由美国物 理学家J. J Hopfield 于1982 年首先提出的, 它作为 一种全连接型的神经网络, 曾经为人工神经网络的 发展开辟了新的研究途径。Hopfield 最早提出的网 络是二值神经网络, 神经元的输出只取1 和- 1, 所 以也称离散Hopfield 神经网络( DHNN, Discrete Hopfield Neural Network) 。在离散Hopfield 网络中, 所采用的神经元是二值神经元, 因此所输出的离散 值1 和- 1 分别表示神经元处于激活和抑制状态, 它是一种单层、输出值为二值的反馈网络。 高校科研能力能力评价指标多，这些指标间相互关联，且呈高度非线性和复杂性，因此采用传统的数学模型无法建立准确的评价模型，离散Hopfield 神经网络具有较好的联想记忆功能，且，在信息不完备和有干扰的情况下，仍具有良好的分类识别能力，十分适用于高校科研能力评价。因此本文尝试将Hopfield 神经网络引入到高校科研能力评价问题的求解中。但Hopfield 神经网络并非适用与任何场合。当某所高校的优势与劣势并存且相当明显(