BP神经网络在技术预见评价中的应用研究.pdf

《BP神经网络在技术预见评价中的应用研究.pdf》由会员上传分享，免费在线阅读，更多相关内容在行业资料-天天文库。

1、2010年第5期科技管理研究ScienceandTechnologyManagementResearch2010No．5文章编号：1000—7695(2010)05—0042—03BP神经网络在技术预见评价中的应用研究刘超，李云清，胡全连(江西师范大学计算机信息工程学院，江西南昌330022)摘要：技术预见是制订科技发展战略规划与决策的基础，未来技术评价是技术预见的核心，而未来技术评价属于多指标模糊综合评价问题。在分析多指标模糊综合评价基本含义和过程的基础上，提出了多指标模糊综合评价涉及的定量处理方法；依据BP神经网络模型的基本结构与原理，建立了评

2、价指数计算BP神经网络模型，阐明了模型应用与训练样本的构造方法，并对应用效果进行了检验分析。关键词：BP神经网络；技术预见；综合评价；信息产业；模糊评判中图分类号：G304：C934文献标识码：A技术预见是指在对科学、技术、经济、社会和环境的远效数；E一为熟悉程度的最大值。特别地对象指标属性等级期未来进行整体优化预测的基础上，选择具有战略意义的科数与专家熟悉程度等级数相同，且同等级的值相等。一般取学研究领域、关键技术和通用技术，利用市场的最优化配置五个等级，各等级的值通常分别取10、8、6、4、2，即E一手段最终实现经济与社会利益的最大化J。虽然技

3、术预见=10。把科学、技术、社会、经济和环境作为一个整体，但最终落1．2评价指标属性值的标准化处理脚点却是“技术”。在技术预见的研究准备、技术需求分评价指标属性值的标准化即是指标数据的无量纲化，也析、未来技术评价和规划决策等四个阶段中J，未来技术评就是把不同计量单位的指标数值改造成可以直接汇总的同度价是过程的核心。而未来技术评价对象指标属性值是非统计量化指标。由于相互关联、相互影响、相互制约的评价指性的定性指标，所以未来技术评价属于多指标模糊综合评价标具有不同的量纲，缺乏统一的衡量性，为了使各指标在整问题。个系统中具有可比性，必须对各指标进行标准化

4、处理，处理后的指标值才能作为对象评价指数计算的样本，使评价指标1多指标模糊综合评价的过程方法的考核处于一致化状态。1．1多指标模糊综合评价的过程无量纲化函数一般要求严格单调、取值区间明确、结果多指标综合评价是指以多个描述被评价对象不同方面且直观、意义明确、尽量不受指标正向或逆向的影响”。评价量纲不同的指标为基础，将多指标值转化成～个无量纲的评指标属性值无量纲化的方法很多，最常用的是隶属函数法。价值(可称为评价指数)，进而比较分析对象优劣程度的一隶属函数法根据指标特性，把指标分为效益型、制约型和区种管理决策活动，又称多变量(或多目标)综合评价J。当间

5、型三种，指标特性不同，属性值标准化的处理方法也不同。评价指标为非统计性时则为模糊综合评价。多指标模糊综合但对于非统计性定性指标，在调查问卷中可把制约型和区间评价一般包括五个环节：①明确评价目的和评价对象，建立型指标转变为效益型的，即等级越大越好，如“对环境影响”评价指标体系；②确定专家的意见统计方法，设计专家意见是制约型指标，越小越好，但可定义影响小则等级高。因此，问卷调查表；③组建专家库，发放问卷调查表，征求专家意任何特性定性指标的属性隶属度(即标准化)均为：见；④计算指标权重，统计分析评价对象的评价指数；⑤对U：Fr／V(2)评价结果进行评估检

6、验，做出决策J。为在等同实现评价的其中：U为第r个指标的属性隶属度，V一为指标属性匿名性、统计性和反馈性的基础上，加强收敛性]，则把德的最大值(通常为10)。尔菲法渗透到模糊评价的过程之中，使模糊评价②③④三个2评价指数BP神经网络的计算方法环节多次往复。在多指标模糊综合评价过程中，包含指标权重确定、评2．1BP神经网络模型的基本结构原理价指标属性值的标准化处理、评价指标专家意见汇聚和对象人工神经网络具有学习能力，只要输入一系列样本并加评价指数计算等四个方面的数量化处理问题，其中对象评价以训练，就能获得训练数据库中所具有的控制关系。输入指数计算是关

7、键，相应的数量化处理方法也很多。指标权重和输出之间的映射关系是非线性的，无需研究各因素之间的一般利用层次分析法来确定；评价指标专家意见汇聚可采作用机理和关系。BP神经网络(Back—PropagationNeural用加权平均法，即：Network)模型在诸多的人工神经网络模型中，应用最为广r泛，可用于函数逼近、模式识别、分类等。BP神经网络Fr=(E)／(TE)(1)模型的基本思想是通过多层前馈计算输出，采用误差反向传其中：为第r个指标的属性值，r为评价指标序号；播修正学习，属于多层前馈反向传播网络”。V为第s位专家对第r个指标给定的属性值，s为

8、专家序号；BP神经网络模型的基本结构是在输入层与输出层之间加E。为第S位专家对评价问题的熟悉程度值，T为专家问卷有上一层或