中国区域创新能力评价的SVM建模研究.pdf

《中国区域创新能力评价的SVM建模研究.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7期ScienceandTec科hn技olo管gy理M研an究agementResearch2010No．7文章莳号：1000—7695(2010)07—0050—03中国区域创新能力评价的SVM建模研究李文博(浙江师范大学工商管理学院，浙江金华321004)摘要：支持向量机(SVM)是一种基于结构风险最小化原理的学习技术，也是一种新的具有很好泛化性能的回归算法。文章基于SVM建模研究区域创新能力评价问题，同时研究了网络参数的优化选择，仿真试验表明：采用该算法获得的结果是令人满意的。关键词：区域

2、创新能力；支持向量机；神经网络中图分类号：F061．5文献标识码：A目前，区域创新能力评价问题已成为创新研究领域的主要热点之一，引起了国内外有关学者的广泛关注，其意义在于从规范与实证结合的角度来研究区域创新能力的确定问题，同时也探求构建区域创新能力的一般途径。在国外，Mi—chaelFritsch(2001)运用知识生产函数方法测量和比较了11个欧洲区域创新系统的质量。Mafia(2001)分析比较了对创新和集群政策评估的不同方法的差异，发现其中的共同点是都着重创新过程中的相互作用，为此他将参与性评价方法(

3、participatoryevaluation)引入创新系统。在国内，柳卸林(2002，2005)认为区域创新能力是一个地区生产出与商业相关的创新流的潜能，是一个地区将知识转化为新产品、新工艺、新服务的能力J，并在系统的指标体系下，基于大量的数据处理，对2004年中国区域创新能力做了分析和排名J。周立，吴玉鸣(2006)采用因素分析与聚类分析相结合的综合集成评估方法，对我国大陆31个省级区域的创新能力进行了定量评价及比较。任胜刚、彭建华(2007)运用因子分析法对中国31个省级地区进行分析，对比东、中、西部

4、区域创新能力，并将区域创新能力与经济发展水平进行相关分析。但由于影响区域创新能力的因素较多，且各因素间存在非线性关联，常具有模糊性、不确定性，因此，常规的数学建模方法难以解决本质非线性问题。而以统计学习理论、Huber稳健回归理论和Wolfe对偶规划理论为基础的支持向量机(Sup—portVectorMachine，SVM)方法具有拟合精度高、推广能力强和全局最优等特点，为解决有限样本情况下的机器学习问题提供了有力的理论基础和行之有效的解决方法。SVM方法最初用来解决模式识别问题，随着Vapnik的不敏感损

5、失函数的引入，SVM已扩展为解决非线性回归估计问题，目前已在不同领域得到成功应用J。基于此，本文首次将SVM的理论方法rd一(f)一6≤占+‘引入区域创新能力评价的建模研究中，并以实例说明建模以及参数优化的过程，最后证实了模型的有效性。s．f．?似(f)+b—d≤+L，I>01SVM原理及算法。SVM最初于2O世纪90年代由Vapnik提出，近年来在其理论研究和算法实现都取得了突破性进展，开始成为克服“非线性和维数灾难问题”、“过学习问题”和“局部极小点问题”等传统困难的有力手段。SVM是为了解决分类问题，

6、收稿日期：2009—09—25。修回日期：2009—11—24基金项目：教育部人文社会科学研究一般项目“产业集群中知识网络演化问题的解释、测度与行动：架构设计与实证研究”(O9YJC630210)。李文博：中国区域创新能力评价的SVM建模研究51一(s+一d+(5fi)+6)_(s+一dl+3算法实现与仿真试验()一b)本研究采用Matlab7．0软件和LS-SVMIab1．5工具箱，一(+，7)，其中，OL‘，。’，町，田≥0使用一insensitive损失函数，应用SMO训练方法，对学习样，函数￡应对，

7、6，。，最小化，对ol，o／，。，r／i最大化，本进行训练，找出最理想的SVM网络。分别采用RBF核函数、Polynomial核函数和Sigmoid核函数训练SVM网络，并对解得，=∑(o／一)()，可得到支持向量回归估计函数‘I计算结果进行对比分析，计算结果如表2、表3所汞。n为I)：∑(O／一)k(，f)+b。表2学习样本拟合计算结果表其中，K(，)为核函数，它需要满足Mercer条件，该函数RBF核函数Polynomial核函数Sigmoid核函薮可在不知非线性变换的具体形式下实现算法的非线性化，这D

8、=5，=0．0o32编号样本值8=0．13相对a：0．1536．相对相对样就免去了在高维空间计算复杂的点积运算。采用不同的函C：0l．01o01误(％差)bC=0：．100O02。．误(％差)0C：0=．10o00l误差数作为SVM的核函数，就可以构造实现输入空间不同类型的=8：0．00l(％)￡=0．00l非线性决策面的学习机器，常用的核函数形式包括：多项式核154．8255．11780．543354．5933