基于SOM网络的高校科研能力评价

2020-07-08郝海霞

晋中学院学报 2020年3期

郝海霞，武梅

（晋中学院数学学院，山西晋中030619）

高校是科研成果产出的重要基地.科研的能力是反映一所高校综合实力的重要指标.现有的评价高校科研能力的方法大多存在繁琐、滞后等缺点，如何快速准确地评价高校科研能力成为一个亟待解决的问题［1］.评价科研能力的智能方法有Hopfield网络、BP网络，本文用自组织特征映射网络（Self-Organizing Feature Map，SOM）对其进行分类评价，同时也弥补了上面两种网络的不足之处.

1 高校科研能力的评价指标

高校科研能力的影响因素有很多，本文以较为重要的11个因素作为评价指标［2］.这11个因素分为静态因素和动态因素.

静态因素是高校开展科研活动的基础，我们考虑有5个方面：

X1：科研的相关队伍.它是主要的人力因素.

X2：科研的有关基地，是外力因素，包括实验用的仪器设备、设施等.

X3：科研的参考资料及载体，比如图书情报资料等.

X4：科研的可使用经费，它是科研的主要财力因素.

X5：科研的相关管理，是保证科研活动能够顺利进行的前提条件.

动态因素有6个方面：

X6：处理信息的能力.它指的是高校接收信息、分析信息、加工处理信息的速度和方法.

X7：积累、储备和应用各种旧知识和新知识的能力.

X8:知识、方法、技术的创新能力.创新是科技发展的第一动力，没有创新就没有发展.

X9：知识的释放能力.科研需要深入的钻研、探索和创新，创造出新理论新技术，这些本身就是一个知识释放的过程.

X10：自适应的调节能力.高校要学会适应和调节学校内部不同的学科之间、不同的研究机构之间和不同的管理部门之间的关系.

X11：科学决策的能力.高校不同科研方向的确定和课题与实施到科研团队的选择都需要决策.

高校科研能力一般分为五个等级：很强（1）、较强（2）、一般（3）、较差（4）以及很差（5）.

2 SOM神经网络算法

自组织特征映射网络（SOM）是较为广泛应用于聚类的神经网络，1981年由Teuvo Kohonen提出［3］1.它由输入层和竞争层组成，是一种由两层全连接的神经网络，竞争层是二维平面阵列，具有无教师、自组织、自学习的特点.

SOM网络可以对数据进行无监督学习聚类.它的思想很简单，本质上是一种只有输入层——隐藏层的神经网络.隐藏层中的一个节点代表一个需要聚成的类.训练时采用“竞争学习”的方式，每个输入的样本在隐藏层中找到一个和它最匹配的节点，称为激活节点.紧接着用随机梯度下降法更新激活节点的参数.同时，和激活节点临近的点也根据它们距离激活节点的远近而适当地更新参数.

SOM算法可以自己找到输入的不同的数据之间的相似程度，将相似的输入数据在得到的网络上就近进行配置.具体的运算算法［4］83～91如下：

1）初始化：随机初始化输入层与竞争层的连接权值wj（0），wj=（wj1，wj2，…，wjm），j=1，2，…，l，其中l为竞争层神经元的数目.

2）取样：把输入向量 x=（x1，x2，…，xm）′输入给输出层.

3）相似性匹配：在时间步n使用最小距离准则寻找最匹配的神经元j*，

4）权值更新：修正输出神经元j*及其邻接神经元的权值，

其中η（n）是学习率参数，是一个大于0小于1的数，随着时间的变化逐渐下降到0.

5）判断是否已经达到预先设定好的要求：如果达到了，则算法终止；没有达到的话，则返回步骤2，进入下一轮的学习，直到达到为止.

表1 20所高校的科研能力等级及对应的评价指标

3 数值实验

对20所高校的科研能力进行评价分类［5］［6］，科研能力等级与11个评价指标之间的关系如表1所示.

通过matlab神经网络工具箱建立网络，训练网络，然后进行仿真［7］117～122，网络分类结果如表2所示：

Hopfield网络和BP网络对高校科研能力也能进行评价，但是这两种网络都有一定的局限，当高校存在相当明显的优势和劣势时，这两种网络就有可能不能对其进行准确的分类.例如，当某一所高校（第21所）的 11 个科研能力的指标为：93、49、78、78、91、64、46、26、82、51、65 时，BP 网络和 Hopfield 网络就不能对其准确地分类.但是SOM网络则可以对其进行分类，结果见表3.