支持向量机在科研项目评审中应用研究.docVIP

支持向量机在科研项目评审中应用研究 　　[摘要]科研项目评审是科研项目管理工作的重要内容之一。传统的评审方法已不能满足越来越多的科研项目评审工作需要。为了提高科研项目评审的效率，以基于统计学习理论的支持向量机为基础，重点分析支持向量机分类理论，提出二分类支持向量机算法的二叉树多级分类方法，并将该方法应用于科研项目评审。 　　[关键词]支持向量机 科研项目评审 核函数 同行评议 　　中图分类号：TP391文献标识码：A 文章编号：1671－7597(2008)0920119－02 　　 　　一、引言 　　 　　科研项目评审是科研项目管理工作的重要内容之一。传统的评审方法已不能满足越来越多的科研项目评审工作需要。基于统计学习理论的支持向量机[1]（Support Vector Machine, SVM）是在结构风险最小化原则的基础上发展起来的通用有效的学习方法，目前主要应用于分类[2]和回归问题。本文采用二分类SVM算法的二叉树多级分类方法对申请的科研项目进行智能评审，从而提高科研项目管理工作的效率。 　　 　　二、SVM分类理论 　　 　　（一）SVM二分类器模型[3] 　　设样本集， ，每个样本可表示为一个二元组(xi,yi)，其中 ，对应于第i个样本的属性集，yi表示类标号，i=1,…,l。给定核函数K(xi,xj), K对应某特征空间z中的内积，即 　　 。变换： 将样本从输入空间映射到特征空间。设计基于SVM的二分类器，就是在Z中寻找一定意义下的最优超平面-b=0。 　　若样本集在Z中线性可分，SVM的学习任务是使分类间隔最大，可形式化描述为以下二次规划问题： 　　 　　若样本集在Z中线性不可分，SVM学习算法必须考虑分类间隔和线性决策边界允许的训练错误数目，使分类间隔和分类错误达到某种折中，即求解： 　　 　　其中是松弛变量, C为正则化参数，C越大对错误的惩罚越重。 　　通常情况下不直接求解公式(1)和(2)，而是求解它们的对偶问题： 　　 　　其中，，是公式(1)中不等式约束 　　或者公式(2)中不等式约束所对应的拉格朗日（Lagrange）乘积因子；Hessian矩阵Q是半正定的； 　　 。 　　求解上述规划问题，得到一个二分类器： 　　 　　若，样本 称为非支持向量；若称为支持向量；若 　　 称为有界支持向量；若称为非有界支持向量。 　　（二）SVM多分类器模型 　　在实际应用中多数情况下需要解决多分类问题。本文根据科研项目评审的实际情况，采用一对多方法（one-against-rest）与树分类方法[4]相结合的方法。 　　一对多方法是对k类问题构造k个分类器，第i个SVM用第i类中的训练样本作为正的训练样本，将其他的样本作为负的训练样本。树分类方法是将k个分类合并为2个大类，每个大类里面再分成2个子类，如此下去，直到最基本的k个分类，这样形成不同的层次。 　　依据一对多方法和树分类方法构造一个科研项目评审的多分类器二叉树模型。首先对项目进行分类，即给定一个k类分类问题，构造k-1个SVM机，分类过程中样本数会逐渐减少，最终可得到k-1个决策函数，对每一级SVM训练后，找出对应该级的支持向量，建立最优分类平面。然后对项目进行评审，即对分类后的正例构造SVM′机，最终 　　可得到相应的决策函数，对每一类项目，找出对应的支持向量，建立最优分类平面。 　　 　　三、科研项目评审指标 　　 　　科研项目评审指标是在同行评议专家定量评估指标基础之上，参考某大学科技处多年工作经验，归纳整理扩展后，建立了科研项目评审指标体系。该指标体系分为一级指标和二级指标。 　　一级指标包括，研究目标、研究内容、研究方法、创新性、研究价值与应用前景、研究队伍状况、经费预算。 　　二级指标在一级指标基础之上细化分： 　　1．研究目标细分为，研究目标的先进性和前瞻性；研究目标是否清晰、明确。 　　2．研究内容细分为，研究内容与研究目标是否一致；研究内容是否系统、详实、具体；重点解决的关键科学问题和创新点是否准确、合适。 　　3．研究方法细分为，研究技术的先进性；研究方法的可行性。 　　4．创新性细分为，项目研究在新发现、新概念、新理论和新方法等方面取得原创新成果的可能性；研究成果的预期水平。 　　5．研究价值与应用前景细分为，项目成果的科学价值；项目研究可否促进技术和工程创新，潜在的经济效益如何；潜在的社会效益如何。 　　6．研究队伍状况细分为，申请者的学术造诣；申请者的研究时间投入；研究队伍整体水平、结构是否合理。 　　7．经费预算细分为，项目经费预算总额和支出明细是否合理。 　　 　　四、应用研究 　　 　　（一）SVM用于科研项目分类的