基于BP神经网络的科研绩效评价模型结构

张友海

(安徽职业技术学院，安徽 合肥 230011)

科研绩效评价是对科研从事人员所取得的科研成果的综合评估。目前，国内高校的现有科研绩效评价体系中，就评价技术而言，具有指标体系和评价系统设计不合理等问题。总的来说，应采用怎样的方法来提升科研绩效评价系统的合理性和正确性，减少盲目性，激发科研活力，是当前各高校都十分关注的热点问题。BP神经网络作为最接近人类大脑思维方式的技术手段，对于构建智能化的科研绩效评价系统有着重要作用。

1 BP神经网络结构

1985年，BP(Error Back Propagation )算法是Williams、Hinton以及Rumelhart提出的，是一种前馈型神经网络其主要思想是通过一边向后传递误差，一边修正误差的方法来不断调节网络参数(权、阈值)，以实现或逼近所希望的输入、输出映射关系。它可以较好的解决多层网络中隐含单元连接权及阈值的学习问题，其结构有3层，分别是输入层、隐含层、输出层，其中输入层和输出层均有1个，而隐含层的数量则不确定，可以是1个，也可以是多个，如图1所示。

图1 神经网络结构

采用BP神经网络建模的的一个重要前提条件就是要有足够多的典型性好和精度高的样本集。而且为了保证学习过程中不发生“过拟合”及有效监控、评价建立的网络模型的性能和泛化能力，必须将收集到的数据集随机的分成训练样本、检验样本和测试样本3部分。在进行网络训练的过程中，我们需要对隐层节点与输入节点的连接权值、输出节点和隐层节点之间的连接权值进行不断的调整，进而使得网络模型输出值和已知的训练样本输出值之间的偏差平方和达到最小或小于某一期望值。BP神经网络在经过有限样本的学习训练之后，找到数据所蕴含的规律。

2 基于主成分分析法的BP神经网络的建模

主成分分析法即为分析样本集中的相关性，将多个相关变量化为少数几个不相关变量。目前，在高校的科研绩效评价中，主要的评价指标有：发表论文的类型及数量如SCI收录论文数等、主办学术会议次数及级别、发表论文的作者排序、科研项目类型及数量、科研或教学成果奖励等级和项数、团队精神与创新文化建设、科研交流与活动、外派访问学者人数、获奖成果总数、科技专著总数、发表论文的刊物影响因子、科技奖励及成果、科研经费与项目、知识产权转让或使用授权数、省部级成果奖励项数、召开学术报告次数、发明专利等级、科研项目资助规模、地市级成果奖励项数、国家自然科学基金项目金额、科研成果鉴定、唯一主编著作篇数、科技成果转化专利授权及著作专利、发明专利项数、专著总部数、合作主编著作篇数、科研总经费、科研时间、科研项目类别、国家自然科学基金项目数量等[6]。使用MATLAB软件对某院校2017年的科研数据进行主成分分析得到9个主成分特征值，按特征值从大到小的顺序得到贡献率和累计贡献率如表1所列。

表1 各主成分的贡献率和累计贡献率表

注：主成分1：学术论文；主成分2：科技奖励；主成分3：科研成果；主成分4：专利授权及相关知识产权；主成分5：学术著作；主成分6：科研经费与项目；主成分7：科研交流与活动；主成分8：人才队伍；主成分9：科研平台。

在进行科研绩效的评价时，很多评价指标之间具有相关性，这会使获取的信息具有重叠的问题。在这种情况下，我们可以使用基于主成分分析法的BP网络神经系统来进行科研绩效的评价。如上所述，我们利用MATLAB工具筛选出9个不相关的主成分指标，以此构建一个新的评价体系。在该体系中，仅保留了主成分样本数据，这样会使输入样本初始化工作大大减少，在此状态下，输入指标将会大幅的锐减，由原来的几十项减少为现在的九项，这样减少的主要目的是提高BP神经网络的收敛速度，并且提升其工作效率。

3 基于主成分的BP网络模型的训练

对主成分BP网络模型进行训练时的步骤如下：

(1)样本划分。根据上述的科研绩效评价数据，在BP神经网络原型之下，使用MATLAB工具，将上边筛选出来的9个指标数据作为输入层节点，最终得分就是输出层节点。随机抽取某个月份的绩效数据，将其作为训练样本，然后选取另外月份的绩效数据作为验证样本，同时还要选取其他月份的绩效数据数据作为预测样本。

(2)确定隐含层节点数。确定时，一般可以根据经验公式来进行，“凑试”就是一种十分有效的的方法。在使用时，首先确定一个十分小的隐含层结点数，在确定之后对其进行训练，在训练时，如果训练次数已经十分多，或者已经达到了规定的训练次数，但是收敛仍然没有实现，在这种情况下，需要停止训练。然后增加隐含层结点数，再次进行训练；

(3)网络训练。在进行网络训练时，先将训练样本输入在系统中，然后使用MATLAB进行样本训练工作，使程序不断的进行学习，不断的降低误差值，使其能够缩小至0.001之下，当误差值缩小至0.001之下时，结束计算，网络将会完成收敛。

4 结束语

本文主要阐述了基于主成分BP神经网络在科研绩效评价中的建模方法，力争缩小评价的主观性，提升客观性和科学性，在后续功能完善后将可以直接应用解决类似问题。因此我们可以大胆的设想，在科研绩效评价体系中，基于主成分的BP神经网络将会具有良好应用前景和应用价值。