[发明专利]一种基于支持向量机的企业自主创新能力预测方法

说明书

技术领域

本发明属于人工智能应用领域，具体涉及一种基于支持向量机的企业自主创新能力预测方法。

背景技术

改革开放以来，我国科技发展水平和产业结构的技术构成发生了重大变化，劳动力素质也有了相当提高。但总的来看，面对日新月异的科学技术变革，面对日益强化的资源环境约束，面对以创新和技术升级为主要特征的激烈国际竞争，我国自主创新能力薄弱的问题已经日益成为发展的瓶颈制约。加快提高自主创新能力，是“十一五”时期引导我国经济发展的重要任务，这是加快转变经济增长方式的迫切需要，是推动产业结构优化升级的迫切需要，是增强我国综合国力和竞争力的迫切需要，也是在激烈的国际竞争中从根本上保障国家经济安全的迫切需要。而伴随着自主创新方针的贯彻执行，对于自主创新的主体企业，如何对其自主创新能力进行客观、科学和有效评价则引起了人们的注意。

山西省委党校副教授王翠芳在文章《提高国防科技工业自主创新能力的理念、制度和人才分析》中提出通过对提高国防科技工业能力的影响因素进行的分析，认为理念、制度和人才是影响和制约我国国防科技工业自主创新的主要因素。但是分析的影响因素不够具体，指标体系不够全面；哈尔滨工程大学的刘希宋等在文章《国防科技工业自主创新能力评价关键要素的识别》中提出采用群组决策特征根法对国防科技工业自主创新能力众多评价要素指标进行科学的筛选，理清了评价要素的主从地位，旨在为制定增强我国国防科技创新能力的政策及相关研究提供决策与参考。但是并未对这些具有主从地位的要素进行结构的架构；哈尔滨工程大学的陈伟等在文章《国防科技工业自主创新能力评价指标体系的构建》中提出分析影响国防科技工业自主创新能力的各方面因素的基础上，结合国防科技工业的现实情况，认为其评价指标体系是一个由多个相互联系的指标构成的复杂系统。但是并未具体建立一个方便实用的结构。上述研究中的评估指标体系普遍采用综合评价(Comprehensive Evaluation，筒称为CE)的方法，有专家评价法、层次分析法(Analytic Hierarchy Process，简称为AHP)、多目标决策、数据包络分析(Data Envelope Analytic，简称为DEA)和主成份分析法(PrimaryComponent Analysis，简称为PCA)等。虽然能够对多属性体系结构描述的系统采用的方法做出全局性、整体性的评价，但是具有需要样本多、精度低、处理速度慢、泛化能力差的缺点。同时，自主创新和创造力是动态的过程，既要考虑静态结果指标，如投入产出比、成果转化率等，又有创新过程中能力的动态指标参数，如研发(Research & Develop，简称为R&D)能力、组织管理能力等，如何根据过程数据对结果数据进行预测值得研究。

机器学习(Machine Learning，简称为ML)是预测的一种常用的新兴有效的方法，是继专家系统之后人工智能应用的又一重要研究领域，也是人工智能和神经计算的核心研究课题之一。研究从观测数据即样本出发寻找规律，利用这些规律对未来数据或无法观测的数据进行预测。至今，关于机器学习还没有统一的定义，其实现方法大致分为三种：

(1)参数估计方法

现有机器学习方法共同的重要理论基础之一是统计学。在基于传统统计学的参数方法中，参数的形式是已知的，用训练样本来估计参数的值。这种方法有两个缺点：首先，它需要已知样本分布形式，需要花费很多代价，有时是困难的，在低维空间中无法描述；其次，传统统计学研究的样本数目趋于无穷大的渐进理论，现有学习方法也多是基于此假设。但在实际问题中，样本数目往往是有限的，因此一些理论上很优秀的学习方法实际中表现却可能不尽人意。

(2)经验非线性方法

如人工神经网络(Artificial Neural Network，简称为ANN)等。这种方法利用已知样本进行训练，从而建立起非线性模型。经验非线性方法的优点是克服了传统参数估计方法的困难。不足的是，这种方法缺乏一种统一的数学理论，在实际应用中容易受经验条件的制约，存在着局部极小问题和过拟合问题等。

(3)统计学习理论