BP神經(jīng)網(wǎng)絡(luò)優(yōu)化網(wǎng)絡(luò)科技文獻(xiàn)共享評價體系

馮世杰，譚 瑛，王 艷(太原科技大學(xué)復(fù)雜系統(tǒng)與計算智能實驗室，太原 030024)

評價自古以來就廣泛存在于人們的社會生活中[1]，到了近代，隨著社會生產(chǎn)力的快速發(fā)展，物質(zhì)及精神文明高度豐富，人們在長期的實踐評價中形成了百余種的評價方法和評價理論[2]。

評價指標(biāo)體系是評價的基礎(chǔ)，是根據(jù)評價對象的各個方面的特征以及之間的相互關(guān)系定義多個多層指標(biāo)。如何對構(gòu)建的指標(biāo)體系進(jìn)行優(yōu)化，避免人為的情感干擾，使之更加科學(xué)合理，成為現(xiàn)在研究的熱點。傳統(tǒng)的優(yōu)化方法(德爾菲法、主成分法等)，主要還是憑借專家的經(jīng)驗及感受，并且數(shù)據(jù)量小，使得評價結(jié)果具有一定的不穩(wěn)定性。而BP神經(jīng)網(wǎng)絡(luò)方法是神經(jīng)網(wǎng)絡(luò)中成熟且應(yīng)用廣泛的方法，其非線性擬合及聯(lián)想記憶功能強使其在優(yōu)化評價指標(biāo)體系中具有一定的先進(jìn)性，目前BP神經(jīng)網(wǎng)絡(luò)方法還沒有在優(yōu)化網(wǎng)絡(luò)科技文獻(xiàn)共享評價指標(biāo)體系上得到應(yīng)用。本文的實例應(yīng)用也是對網(wǎng)絡(luò)科技文獻(xiàn)共享方面評價的創(chuàng)新。

1 研究對象及指標(biāo)構(gòu)建

本文是從網(wǎng)絡(luò)科技文獻(xiàn)共享方面進(jìn)行研究。自從進(jìn)入知識經(jīng)濟(jì)時代，日益增加的科技信息量和人們對科技信息的有效獲取成了不可避免的一對矛盾。而網(wǎng)絡(luò)科技文獻(xiàn)共享平臺就作為科技文獻(xiàn)資源的載體為人們擁護(hù)提供方便、快捷的科技文獻(xiàn)資源，極大的滿足了人們對科技文獻(xiàn)資源的需求?？萍嘉墨I(xiàn)以共享機制為核心的網(wǎng)絡(luò)平臺建設(shè)在政府的大力支持下，在近些年得到了長足的發(fā)展，取得了顯著地成績，但是作為公共財政投資建設(shè)的共享平臺，以往對的評估監(jiān)測大多處于自我評價狀態(tài)，評估結(jié)果很難做到客觀公正。隨著互聯(lián)網(wǎng)技術(shù)的廣泛應(yīng)用和普及，其所具有的開放性和公眾參與性，使得從第三方角度對網(wǎng)絡(luò)科技文獻(xiàn)共享程度進(jìn)行公正科學(xué)的評估成為可能。本文以各省、市地方科技信息研究所的科技文獻(xiàn)共享為對象，構(gòu)建指標(biāo)。

首先通過文獻(xiàn)的調(diào)閱、小組討論以及對專家學(xué)者請教訪問，列出評價的指標(biāo)，其次按照評價指標(biāo)的構(gòu)建原則、構(gòu)建內(nèi)容和構(gòu)建程序進(jìn)行歸納綜合，得出一個三層指標(biāo)的指標(biāo)結(jié)構(gòu)，初步形成網(wǎng)絡(luò)科技文獻(xiàn)共享的評價指標(biāo)結(jié)構(gòu)[3-4]，如圖1所示。

2 指標(biāo)體系的主要評價方法

目前國內(nèi)外常用的指標(biāo)體系評價方法有德菲爾法(Delphi)[5]、主成分分析法(Principal Component)[6]、模糊綜合評判法[7]、灰色系統(tǒng)評價法[8]、層次分析(AHP)法[9]、數(shù)據(jù)包絡(luò)分析法(DEA)[10]、人工神經(jīng)網(wǎng)絡(luò) (ANN)[11]等。

圖1 網(wǎng)絡(luò)科技文獻(xiàn)共享評價指標(biāo)初選

德爾菲法是一種主觀、定性的方法，通過多次多輪專家對問卷問題的看法，經(jīng)過反復(fù)的征詢、反饋和歸納，匯成基本一致的看法。此方法可以充分反映人們對評價對象的感性的認(rèn)識，得出具有直接性和可理解性的結(jié)果。但是由于依靠評價者的主觀判斷加上調(diào)查評價周期較長以及參評人員價值偏向等問題，容易使評價出的結(jié)果可靠性較低。

主成分法是把給定的一組組相關(guān)變量通過線性變換轉(zhuǎn)成一組不相關(guān)的變量，在總方差不變的情況下，新的變量按照方差依次遞減的順序排列。由于這種對數(shù)據(jù)的相關(guān)性判斷不能代表對指標(biāo)的價值判斷，所以常出現(xiàn)一些錯誤，使其不能解決實際問題。

模糊綜合評價法是一種基于模糊數(shù)學(xué)的綜合評價方法。該方法根據(jù)模糊數(shù)學(xué)的隸屬度理論把定性評價轉(zhuǎn)化為定量評價，即用模糊數(shù)學(xué)對受到多種因素制約的事物或?qū)ο笞龀鲆粋€總體的評價。它具有結(jié)果清晰，系統(tǒng)性強的特點，能較好地解決模糊的、難以量化的問題，適合各種非確定性問題的解決。

灰色系統(tǒng)評價法是對系統(tǒng)中所包含的相互聯(lián)系、相互影響、相互制約的指標(biāo)之間，在發(fā)展過程中，其同步(或同向)變化的程度進(jìn)行比較的一種定量研究方法。它可以反映各因素隨時間而演變的動態(tài)關(guān)系，可以理順與分清系統(tǒng)中因素的“主次”或“親疏”關(guān)系，為進(jìn)一步闡明系統(tǒng)發(fā)展過程的主要特征和客觀規(guī)律提供科學(xué)依據(jù)。

層次分析法是指將一個復(fù)雜的多目標(biāo)決策問題作為一個系統(tǒng)，將目標(biāo)分解為多個目標(biāo)或準(zhǔn)則，進(jìn)而分解為多指標(biāo)的若干層次，通過定性指標(biāo)模糊量化方法算出層次單排序和總排序，以作為多指標(biāo)、多方案優(yōu)化決策的系統(tǒng)方法。層次分析法的特點是在對復(fù)雜的決策問題的本質(zhì)、影響因素及其內(nèi)在關(guān)系等進(jìn)行深入分析的基礎(chǔ)上，利用較少的定量信息使決策的思維過程數(shù)學(xué)化，從而為多目標(biāo)、多準(zhǔn)則或無結(jié)構(gòu)特性的復(fù)雜決策問題提供簡便的決策方法。該方法比較適合于具有分層交錯評價指標(biāo)的目標(biāo)系統(tǒng)，而且目標(biāo)值又難于定量描述的決策問題。

數(shù)據(jù)包絡(luò)分析法是一種用來對一組具有多輸入和多輸出的決策單元的相對效率進(jìn)行評價的數(shù)學(xué)規(guī)劃方法。該方法以相對效率為基礎(chǔ)，根據(jù)多指標(biāo)投入與多指標(biāo)產(chǎn)出對相同類型的決策單元進(jìn)行相對有效性評價。

人工神經(jīng)網(wǎng)絡(luò)是一整套簡化、抽象、模擬人腦功能的極其復(fù)雜的非線性動力學(xué)系統(tǒng)，它是在現(xiàn)代神經(jīng)科學(xué)研究成果的基礎(chǔ)上提出的，通過模擬大腦神經(jīng)網(wǎng)絡(luò)的功能及結(jié)構(gòu)的若干基本特征，依靠著系統(tǒng)的復(fù)雜性以及通過調(diào)整內(nèi)部各節(jié)點之間的相互關(guān)系，來達(dá)到模仿眾多的神經(jīng)元達(dá)到模仿人腦對信息的處理能力，人工神經(jīng)網(wǎng)絡(luò)法為非線性系統(tǒng)的指標(biāo)優(yōu)化提供了一種有效的方法。它是以核心指標(biāo)作為網(wǎng)絡(luò)輸出，其他因素指標(biāo)作為網(wǎng)絡(luò)輸入，通過網(wǎng)絡(luò)來刻畫出輸入和輸出之間的相關(guān)性。這種方法可以合理地選擇需要的指標(biāo)變量，排除不合理指標(biāo)變量，其建模過程可以大為簡化，精度也有較大的提高。

3 BP神經(jīng)網(wǎng)絡(luò)簡介

根據(jù)上述對各種主流方法的簡介，采用比較新型、人為干擾小、建模簡便及計算精度高的人工神經(jīng)網(wǎng)絡(luò)作為優(yōu)化評價指標(biāo)體系的建模工具。

BP神經(jīng)網(wǎng)絡(luò)[12]作為眾多神經(jīng)網(wǎng)絡(luò)中應(yīng)用最多和成熟的神經(jīng)網(wǎng)絡(luò)算法，是RumeChart等人1985年在反向傳播算法的基礎(chǔ)上發(fā)展起來的，是一種多層次反饋型網(wǎng)絡(luò)，是有導(dǎo)師學(xué)習(xí)算法，它的學(xué)習(xí)過程有正向傳播與誤差的反向傳播組成的。輸入樣本從輸入層輸入，經(jīng)過隱層逐層處理，傳向輸出層。若輸出與期望的結(jié)果不符，則將誤差以某種形式通過隱層傳向輸入層，并分?jǐn)偨o各層神經(jīng)元，此時誤差將作為修正單位權(quán)重的依據(jù)，不斷調(diào)整各單位誤差，直至輸出的誤差減少到規(guī)定的范圍內(nèi)[13]。網(wǎng)絡(luò)結(jié)構(gòu)如圖2.

圖2 BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)

BP神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)算法步驟[14]：

(1)設(shè)置初始參數(shù)w和θ(w為初始權(quán)值，θ為臨界值，均為隨機較小的數(shù))；

(2)將樣本數(shù)據(jù)加到網(wǎng)絡(luò)上，利用一下公式計算網(wǎng)絡(luò)輸出；

(1)

(2)

上述一式中f(x)為單極性Sigmoid函數(shù)，二式為純線性purelin函數(shù)；i、j、k分別為神經(jīng)網(wǎng)絡(luò)的輸入、輸出和隱層單元，m、p分別為輸入和隱層神經(jīng)單元數(shù)；wki、wjk分別為輸入神經(jīng)元i到隱含神經(jīng)元k的鏈接權(quán)和輸出神經(jīng)元j到隱含神經(jīng)元k的鏈接權(quán)；

(3)各層權(quán)值的調(diào)整

調(diào)整量： △w=ηδjyj

(3)

其中，η為比例系數(shù)，即學(xué)習(xí)率，在計算中一般設(shè)置為[0，1]區(qū)間上一個較小的數(shù)；xj在隱節(jié)點為網(wǎng)絡(luò)輸入，在輸出節(jié)點則為隱節(jié)點的輸出；dj為期望輸出數(shù)據(jù)；δj是一個與輸出偏差相關(guān)的值，即(dj-yj)；

對于輸出節(jié)點：

δj=ηj(1-yj)(dj-yj)

(4)

對于隱層節(jié)點有：

(5)

其中k指要把上層(輸出層)節(jié)點取遍，誤差δj是從輸出層反向逐層計算的；

各層神經(jīng)元調(diào)整后的權(quán)值為：

wki(t)=wki(t-1)+△wki

(6)

其中t為學(xué)習(xí)次數(shù)，這個算法是個迭代過程，每一輪將各神經(jīng)元間的權(quán)值調(diào)整一遍，這樣一直迭代下去，直到輸出誤差小于某一允許范圍為止。

4 應(yīng)用分析

發(fā)放調(diào)查表收集樣本數(shù)據(jù)，問卷的評分是根據(jù)每個指標(biāo)對上一級指標(biāo)影響的重要程度進(jìn)行打分，除去殘缺及具有明顯個人不認(rèn)真等不合格的數(shù)據(jù)樣本，本文選取55為學(xué)者(研究人員)的打分作為樣本數(shù)據(jù)。其中50人的打分?jǐn)?shù)據(jù)作為訓(xùn)練樣本，5人的打分?jǐn)?shù)據(jù)作為測試樣本。

總體優(yōu)化方法，首先構(gòu)建神經(jīng)網(wǎng)絡(luò)模型，其主要是根據(jù)指標(biāo)體系結(jié)構(gòu)和多少來確定神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)及模型的訓(xùn)練參數(shù)；其次是訓(xùn)練專家學(xué)者打分的數(shù)據(jù)樣本，得到穩(wěn)定的訓(xùn)練結(jié)果；最后根據(jù)各個神經(jīng)元間的鏈接權(quán)值求取各項指標(biāo)的權(quán)重，得知各個指標(biāo)在整個指標(biāo)體系中的價值，進(jìn)而優(yōu)化初選的指標(biāo)體系。具體步驟如下：

4.1 確定神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)

本次優(yōu)化采用三層BP神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，即為輸入層、輸出層、隱含層。輸入為三級指標(biāo)，輸出為一級指標(biāo)，由于三級指標(biāo)數(shù)較多，優(yōu)化分為三個模型進(jìn)行樣本訓(xùn)練，即一個一級指標(biāo)對應(yīng)下面的三級指標(biāo)。隱含層是自行設(shè)定的，一般來說，問題越復(fù)雜需要的隱含層單元數(shù)就越多，但是過多的隱含層單元又會增加網(wǎng)絡(luò)訓(xùn)練的計算量，影響訓(xùn)練效能，所以根據(jù)經(jīng)驗遞減實驗的方法來確定隱含層單元的個數(shù)。網(wǎng)絡(luò)模型參數(shù)如表1.

4.2 網(wǎng)絡(luò)訓(xùn)練參數(shù)確定

確定神經(jīng)網(wǎng)絡(luò)模型的基本訓(xùn)練參數(shù)如表2.

4.3 訓(xùn)練網(wǎng)絡(luò)模型

對三級指標(biāo)的打分作為網(wǎng)絡(luò)的輸入數(shù)據(jù)，一級指標(biāo)的打分為網(wǎng)絡(luò)的輸出。應(yīng)用Matlab軟件編寫程序[15-16]，運行程序，得出神經(jīng)網(wǎng)絡(luò)的訓(xùn)練結(jié)果。由于有三個一級指標(biāo)對應(yīng)三級指標(biāo)，需要三次訓(xùn)練求取各指標(biāo)權(quán)重，方法是一樣的，所以本文以“三級指標(biāo)2”為例對可得性下的各個指標(biāo)權(quán)重進(jìn)行求取。訓(xùn)練誤差變換如圖3.

表1 神經(jīng)網(wǎng)絡(luò)模型參數(shù)

表2 神經(jīng)網(wǎng)絡(luò)訓(xùn)練參數(shù)

表3 三級指標(biāo)2網(wǎng)絡(luò)訓(xùn)練各神經(jīng)元鏈接系數(shù)

4.4 指標(biāo)權(quán)重的確定

表3中的數(shù)據(jù)只是反映了各個神經(jīng)元之間的權(quán)重(鏈接權(quán))，如要求取各個輸入指標(biāo)對輸出指標(biāo)的真實關(guān)系，還需對神經(jīng)元間的連接權(quán)值加以分析處理[17-18].

A、顯著性系數(shù)：

(7)

B、相關(guān)系數(shù)：

Rij=|(1-e-y)/(1+e-y)|
y=rij

(8)

C、絕對影響系數(shù)：

(9)

i、j、k分別為神經(jīng)網(wǎng)絡(luò)的輸入、輸出和隱層單元，m、p分別為輸入和隱層神經(jīng)單元數(shù)；wki、wjk分別為輸入神經(jīng)元i到隱含神經(jīng)元k的連接權(quán)和輸出神經(jīng)元j到隱含神經(jīng)元k的鏈接權(quán)。

圖3 BP神經(jīng)網(wǎng)絡(luò)訓(xùn)練誤差變換

4.5 計算指標(biāo)權(quán)重

根據(jù)公式7-9，計算出各個三級指標(biāo)的權(quán)重如表4.

5 總結(jié)

利用BP神經(jīng)網(wǎng)絡(luò)方法來確定各指標(biāo)的權(quán)重，可以清晰的看到各項指標(biāo)在整個指標(biāo)體系中的價值，從而優(yōu)化改善指標(biāo)初選指標(biāo)，確定最終的網(wǎng)絡(luò)科技文獻(xiàn)共享評價指標(biāo)體系。從上述權(quán)重表中可以得知，獲取費用適度性指標(biāo)在整個指標(biāo)體系中所占的非常小，可以去除或進(jìn)行替換。

表4 三級指標(biāo)的權(quán)重

任何方法都不是萬能的，神經(jīng)網(wǎng)絡(luò)也不例外。隨著社會的發(fā)展和樣本基數(shù)的增多，神經(jīng)網(wǎng)絡(luò)模型的結(jié)構(gòu)會越來越復(fù)雜，訓(xùn)練的效率也會降低。陷入局部最小值和樣本數(shù)據(jù)過于復(fù)雜使訓(xùn)練難以收斂到要求的誤差范圍之內(nèi)，因此單純的BP神經(jīng)網(wǎng)絡(luò)就不能滿足評價需要。這就需要和其他一些算法[19]進(jìn)行結(jié)合應(yīng)用(如遺傳、粒子群等)，目前應(yīng)用粒子群(PSO)與BP神經(jīng)網(wǎng)絡(luò)結(jié)合的算法[20]來訓(xùn)練，能較大的提高訓(xùn)練的效率。

參考文獻(xiàn)：

[1] 蘇為華.多指標(biāo)綜合評價理論與方法研究[M].北京：中國物價出版社，2001.

[2] 王雪銘.評價方法的演變與分類研究[D].上海：上海交通大學(xué)，2009.

[3] 劉 仁，卞樹檀，于強.評估指標(biāo)體系構(gòu)建的方法研究[J].計算機設(shè)計工程，2013，21(1)：34-40.

[4] 蔡晶波.政府網(wǎng)站的服務(wù)性指標(biāo)體系研究[D].長春：吉林大學(xué)，2013.

[5] CHRISTINA SEGERHOLM.Researching Evaluation in National (State)Politics and Administration，A Critical Approach[J].American Journal of Evaluation，2003，24(3)：353-372.

[6] 王根蓓，趙晶，王慧敏.中國服務(wù)外包基地城市競爭力的演化-基于主成分方法的實證分析[J].經(jīng)濟(jì)與管理研究，2011(1)：23-26.

[7] 葉俊杰，劉業(yè)政.采用模糊C均值聚類改進(jìn)模糊綜合評判模型[J].計算機工程與應(yīng)用，2011，47(16)：33-36.

[8] 張淵淵，何佳，賈海云.改進(jìn)的灰色系統(tǒng)理論在匯率預(yù)測中的應(yīng)用[J].計算機仿真，2011，28(11)：21-24.

[9] GUISSEPPI A.Forgionnea，Rajiv Kohlib，Darniet Jenningsa.An AHP analysis of quality in AI and DSS journals[J].Omega，2002,30：171-183.

[10] 王婷，趙建.基于DEA/AHP混合模型的業(yè)務(wù)流程再造績效評價研究[J].北京理工大學(xué)學(xué)報，2010，30(11)：389-394.

[11] 劉天舒.BP神經(jīng)網(wǎng)絡(luò)的改進(jìn)研究及應(yīng)用[D].哈爾濱：東北農(nóng)業(yè)大學(xué)，2011.

[12] 張乃堯，閻平凡.神經(jīng)網(wǎng)絡(luò)與模糊控制[M].北京：清華大學(xué)出版社，1998.

[13] 韓力群.人工神經(jīng)網(wǎng)絡(luò)理論、設(shè)計及應(yīng)用[M].北京：化學(xué)工業(yè)出版社，2002.

[14] 魏海坤.神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)設(shè)計的理論與方法[M].北京：國防科技大學(xué)，2005.

[15] 傅薈璇，趙 紅.MATLAB神經(jīng)網(wǎng)絡(luò)應(yīng)用設(shè)計[M].北京：機械工業(yè)出版社，2010.

[16] 葛哲學(xué)，孫志強.神經(jīng)網(wǎng)絡(luò)理論與MATLABR2007實現(xiàn)[M].北京：電子工業(yè)出版社，2007.

[17] 孫會君，王新華.應(yīng)用人工神經(jīng)網(wǎng)絡(luò)確定評價指標(biāo)的權(quán)重[J].山東科技大學(xué)學(xué)報，2001，20(9)：84-86.

[18] 唐榮江.車內(nèi)品質(zhì)預(yù)測與控制技術(shù)研究[D].長春：吉林大學(xué)，2013.

[19] 曾建潮，崔志華.自然算法[M].北京：國防工業(yè)出版社，2012.

[20] 劉希玉，劉 弘.人工神經(jīng)網(wǎng)絡(luò)與微粒群優(yōu)化[M].北京：北京郵電大學(xué)出版社，2008.