基于多智能体的高校科技成果转化实施知识管理的组织形式研究.doc

《基于多智能体的高校科技成果转化实施知识管理的组织形式研究.doc》由会员分享，可在线阅读，更多相关《基于多智能体的高校科技成果转化实施知识管理的组织形式研究.doc（5页珍藏版）》请在沃文网上搜索。

1、摘要：针对高校科技成果转化具有一定模糊性的特点,本文利用模糊神经网络具有模糊化和良好泛化（预测）能力，在给出高校科技成果转化评价指标的基础上，建立了高校科技成果转化评价的模糊神经网络模型。实例验证了该模型具有较好的学习能力，可以较好地对高校科技成果转化进行评价。关键词：高校科技成果转化；模糊神经网络；评价体系中图分类号： G311 文献标识码：AEvaluation for Scientific and Technological Achievement Transformation of Universities based on Fuzzy Neural NetworkWANG Gui-y

2、ue1，2, Wang Shuen2（1 School of Information Management, Shandong Economic University, Jinan, 250014, China 2. College of Management, Tianjin University, Tianjin 300072，China）高等院校作为科技成果的重要创新源头之一,其成果转化率的高低直接关系着我国经济的发展和综合国力的提高。目前,关于高校科技成果转化评价,是新时期高等院校科研改革的热点和难点问题。国内外的研究大多定位于从宏观角度对全国的科技成果转化进行评价，针对高校科技成果转

3、化这个新问题进行的研究比较少，所用测度指标过于简单，缺乏系统的设计和严格界定，一些衡量高校科技成果转化的重要信息得不到全面反映。另外，在设置指标体系的时候，没有有效区分科技成果的类型，把不同类型的科技成果使用相同的指标体系进行评价，当然不能够达到应有的评价效果。目前,我国高校科技成果转化率比较低，有大量科技成果被束之高阁，高校科技成果无法转化为现实生产力，造成了大量人力、财力、物力浪费，所以有必要建立合理的指标体系和评价模型来对高校的科技成果转化给予评价，以促进高校科技成果转化工作，为国家创造出更多的经济效益和社会效益1。由于高校科技成果转化具有一定的模糊性,一些学者采用模糊综合评价方法建立了

4、高校科技成果转化评价的综合评价体系2 3；也有一些学者运用网络层次分析法对高校科技成果转化进行评价1。然而,从上述的评价指标体系可以看到,各个指标之间往往并不是相互独立的,常会出现某些指标之间相互影响、相互支配的情况,传统的方法无法做出更为准确的评价。本文在以上研究的基础上,借鉴模糊神经网络法(FNN)的相关研究进展,在构建高校科技成果转化的评价指标体系上进行了部分改进，建立了高校科技成果转化评价的模糊神经网络模型，为科学地评价高校科技成果转化提供定量依据。1.高校科技成果转化评价体系的构建高校科技成果分成了基础类科技成果和应用类科技成果两类，由于基础类科技成果和应用类科技成果有着各自的特点，

5、所以进行科技成果转化评价时要兼顾二者的特点。评价体系指标的选择应该比较全面地体现高校科技成果转化评价目的的要求，比较全面地反映科技成果转化的各方面特征，能够科学、客观的体现评价对象的特征，而且，要考虑到现实的可能性，指标体系应适应于评价的方式，适用于指标使用者对指标的理解接受程度和判断能力。基于以上原则，本文选择的高校科技成果转化评价指标如下：（1）科技创新能力：反映高校科技成果转化过程中的科技创新能力,主要包括师资力量、硬件基础（图书馆和仪器设备等）、科研基地实力、学术每年交流数。（2）科技成果的转化能力：反映科技成果转化状况的指标,包括科技成果转让成功率、技术转让收入、学校的支持力度、成果

6、转化的经费投入。（3）研发能力：它反映了高校基本的和最具核心竞争力的研发水平，主要包括科研项目每年申请数、科研与技术开发项目完成率、专利每年申请数、每年人均研发经费、专职研发人员人均配备。（4）经济和社会效益：它反映科技成果转化活动所带来的社会效益、经济效益和技术进步对经济增长的贡献。2.基于模糊神经网络的高校科技成果转化评价模型2.1模糊神经网络模糊神经网络是将模糊逻辑与神经网络适当的结合起来,适合表达模糊或定性的知识,推理方式类似于人的思维模式,能够处理不确定性、非线性的问题,并具有并行计算、分布式信息存储、容错能力强以及具备自适应学习功能等优点4。图1模糊神经元的模型模糊神经网络的基本单

7、元是模糊神经元，模糊神经元的模型见图1。模糊神经元的输入均为以隶属度表示的模糊量, 。模糊神经元按照适当的模糊算子对输入量进行处理，并产生一个模糊输出量。图2 模糊神经网络的结构模糊神经网络的结构见图2，整个网络由4层组成，分别为输入层、模糊化层、推理层和输出层5。(1)输入层。如果该层有个神经元，那么输入层的输出为 （1）(2)模糊化层。该层对输入量进行模糊化处理，如果有个模糊语言值时，其模糊向量为，若有论域,=“优秀”，“良”，“中”，“差”，那么就有4个模糊子集，则一共要6个参数，其隶属度函数的计算方法为A.当时，隶属度函数为 （2）B.当时，隶属度函数为 （3）C.当时，隶属度函数为

8、（4）该层的输出为各评价指标在隶属度函数作用下的模糊变量值 （5）其中，为语言变量的第个语言值的隶属函数，输出是第个指标与第个评语具有模糊关系的程度。(3)模糊推理层。该层完成对某一输入向量的综合模糊评价，按评价语言论域，得到相应的模糊评价向量，其输出为： （6）（4）输出层。输出层进行模糊判决，根据一定的模糊规则和运算法则，对输入进行评判，该层输出也是网络的最终输出，即模糊评价的结果，其输出为： （7）式中，为模糊判决函数。2.2 模糊神经网络的算法在进行高校科技成果转化评价时，采用改进的误差反传算法，模糊神经网络的结构采用2.1节的结构，设有学习样本，为样本数。如果输出的期望值为，网络实际

9、输出值为,则误差函数为 （8）学习过程采用的是优化算法中的梯度下降法，即沿着误差函数随变化的负梯度方向对进行修正，则其迭代公式为 （9）式中，为学习效率，为惯性常数。利用公式（9）进行迭代，当输出误差达到要求时，就可以结束训练。3.实例分析我们利用建立的模糊神经网络对高校科技成果转化进行评价,输入层包含4个输入，即四个评价指标,有4个神经元,模糊化层有12个神经元,模糊推理层有三个神经元,1个输出。（1）评价指标。科技创新能力，其中，权重，；。科技成果的转化能力，其中，权重，；。研发能力，其中，权重，；。经济和社会效益，其中，权重，；。（2）隶属度函数。根据公式（2）-（4）计算。（3）网络训

10、练。选取各个指标的最大值、最小值和平均值作为神经网络训练样本的一部分输入，训练第二层和第三层神经网络的连接权值，直到满足精度为止；其中取，。（4）网络输出。输出量在模糊评价论域中某一子集上分量大小表示高校科技成果转化效果的好坏。选取10项高校科技成果作为样本6,其中7项作为训练样本,3项作为检验样本；7个训练样本确定权值,最后把3个检验样本代入已经训练好的模型中,并与科技成果实际结果进行比较,见附表1：表1 预测值与实际值比较样本编号123预测值0.9130.7910.867实际值0.9090.7940.871误差+0.44%-0.38%-0.46%预测值与实际值的误差小于0.5%,说明此模型

11、有较好的学习能力,能较好地对高校科技成果的转化进行评价。结论目前,我国高校科技成果转化率比较低，有大量科技成果被束之高阁，高校科技成果无法转化为现实生产力，造成了大量人力、财力、物力浪费，所以有必要建立合理的指标体系和评价模型来对高校的科技成果转化给予评价，以促进我国高校的科技成果转化工作。本文根据高校科技成果转化具有一定模糊性的特点,利用神经网络的良好泛化（预测）能力给出了高校科技成果转化的评价指标，建立了高校科技成果转化评价的模糊神经网络模型。实例验证了该模型具有较好的学习能力，可以较好地对高校科技成果转化进行评价。参考文献:1 刘威, 陈艾菊.基于ANP的高校科技成果转化绩效评价. 科技

12、管理研究J，2008（6）：192-1942 阎为民, 周飞跃.高校科技成果转化绩效模糊评价方法研究.研究与发展管理J, 2006(6):129-1333 汪小梅, 白利娟, 袁薇.陕西高校科技成果转化评价体系研究J.工业工程, 2007, 1 (10): 95-984 田启华, 杜义贤.基于模糊神经网络的机械产品性能评价.中国制造业信息化J, 2004(9):124-1265 陈振斌, 张庆普. 基于模糊神经网络的企业知识管理风险评价.科学学研究J, 2008(8):774-7796 刘希宋, 成勇. 基于神经网络的科技成果转化评价. 科技进步与对策J，2007(1):47-49重点项目：2007年国家软科学研究计划项目（编号：2007GXQ4B110）作者简介：王桂月（1979），女，汉族，山东济南人，山东经济学院信息管理学院，讲师，天津大学管理学院管理科学与工程博士研究生，研究方向为科技管理、科技创新、知识管理、科技与社会的系统研究等；王树恩（1945），男，汉族，河北唐山人，天津大学管理学院教授、博士生导师，研究方向为科技管理、科技创新、科技与社会的系统研究等。 .5