[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

摘要

本发明提供了一种基于支持向量机的企业自主创新能力预测方法。首先建立动态参数层D的层次结构模型，确立动态参数层D的要素组和指标集合之间的关系；将动态参数层D的要素组和静态参数层S的要素组经过一定预处理后组成样本集，并分为训练集和测试集两部分；然后通过训练集对模型的四个支持向量机分别进行训练，得到四个回归函数，其中，输入是动态参数层D的要素组，输出是S要素组四个要素中的一个；通过测试集对其中的参数进行调整优化，最终确定这四个回归函数；最后应用这个模型对样本自主创新能力的各方面进行预测评价。本方法建立的模型具有精度高、处理速度快、泛化能力强等优点，而且在预测方面也有突破。

主权项

1、一种基于支持向量机的企业自主创新能力预测方法，其特征在于，该方法包括如下步骤：步骤一，建立动态参数层D的层次结构模型；第一步，采集数据；选择g家企业做问卷调查，其中g≥10，且为整数，分别对动态参数层D的要素组{D₁，D₂，D₃，D₄}所分别对应的指标集合{D₁₁，D₁₂，D₁₃，D₁₄，D₁₅，D₁₆，D₁₇，D₁₈，D₂₁，D₂₂，D₂₃，D₂₄，D₂₅，D₂₆，D₂₇，D₂₈，D₃₁，D₃₂，D₃₃，D₃₄，D₃₅，D₃₆，D₃₇，D₃₈，D₄₁，D₄₂，D₄₃，D₄₄，D₄₅，D₄₆，D₄₇，D₄₈}中各量在{1，2，3，4，5}范围内进行评分；其中1分为最低分，5分为最高分；其中，D₁₁表示研发资金投入强度，D₁₂表示保障资金持续供给，D₁₃表示开发人员素质，D₁₄表示拥有核心研发技术，D₁₅表示知识产权重组与有效管理，D₁₆表示预言投入，D₁₇表示主导产品成本优势，D₁₈表示现金技术动态把握，D₂₁表示协作配合，D₂₂表示交流和共享，D₂₃表示文化交流，D₂₄表示组织结构扁平化和层级淡化，D₂₅表示创新战略协调和协作方式，D₂₆表示利益分配和激励机制，D₂₇表示各部分一致性，D₂₈表示效果整体最优化，D₃₁表示创新系统的完善度，D₃₂表示科学的决策系统，D₃₃表示领导的倾向，D₃₄表示利于创新的组织情景，D₃₅表示激励机制，D₃₆表示技术人员培训的重视，D₃₇表示合适人选的安排，D₃₈表示人员绩效考核，D₄₁表示成果开发设计，D₄₂表示成果转化模式，D₄₃表示产权归属，D₄₄表示成果产权转让模式，D₄₅表示成果转化表现形式，D₄₆表示组织体系影响，D₄₇表示转化形态，D₄₈表示转化的特殊性与计划性；第二步，确定动态参数层D的层次结构模型；首先，建立该要素的成对比较矩阵；该矩阵通过进行该要素的指标之间的两两比较来得到，比较时采用1～9尺度，即利用a_ij表示第i个要素相对于第j个要素的比较结果，其中i，j是任意正整数，从而构成成对比较矩阵；然后，计算各要素的成对比较矩阵的最大特征值及其对应的特征向量，具体是将判断矩阵的每一列元素做归一化处理，然后将处理后的矩阵按行相加，对新求得的向量进行归一化处理即得到所要的权向量；利用一致性指标CI、随机一致性指标RI和一致性比率CR做一致性检验；当一致性比率CR＜0.1时，认为判断矩阵的一致性程度在容许范围之内，选用该判断矩阵对应的向量作为其权向量，否则需要重新构造成对比较矩阵；通过对四个要素的上述运算，要素组的四个要素的四个权向量ω₁、ω₂、ω₃和ω₄得以确定；最后，通过将动态参数层D的要素组{D₁，D₂，D₃，D₄}所分别对应的各指标集合{D₁₁，…，D₁₈}、{D₂₁，…，D₂₈}、{D₃₁，…，D₃₈}和{D₄₁，…，D₄₈}分别与权向量ω₁、ω₂、ω₃和ω₄矩阵相乘，得到动态参数层D的要素组{D₁，D₂，D₃，D₄}，其中D₁＝{D₁₁，…，D₁₈}·ω₁，D₂＝{D₂₁，…，D₂₈}·ω₂，D₃＝{D₃₁，…，D₃₈}·ω₃和D₄＝{D₄₁，…，D₄₈}·ω₄，D₁表示研发，D₂表示产学研协同，D₃表示组织管理，D₄表示科研成果转化；其中，一致性指标CI=κ-nn-1,]]>κ为n阶正互反阵的最大特征根，其中n为大于1的正整数，κ∈[1，n]，κ也是整数；随机一致性指标RI=CI1+CI2+···+CI500500]]>是500个根据随机发生的判断矩阵计算的一致性指标的平均值；1～11阶矩阵的RI值通过查表得出，n值表示矩阵的阶数；其中，CI₁，CI₂，…，CI₅₀₀为随机进行的500次测试的一致性指标；一致性比率CR=CIRI,]]>CI，RI含义同上；步骤二，建立SVM样本集；动态参数层D指标集合通过步骤一的计算得到动态参数层D的要素组{D₁，D₂，D₃，D₄}，进行数据归一化处理，即De′=De-DeminDemax-Demin,]]>其中，D_emin是D_e中的最小值，D_emax是D_e中的最大值，e＝1，2，3，4，得出动态参数层D的要素组归一化后的结果{D′₁，D′₂，D′₃，D′₄}；根据步骤一中得出的的动态参数层D的指标集合，专家对表示创新目标和结果的静态参数层S的各要素，进行评分；将动态参数层D的要素组{D₁，D₂，D₃，D₄}归一化后的结果{D′₁，D′₂，D′₃，D′₄}和表示创新目标和结果的静态参数层S的要素组作为样本集；从该样本集中抽出组样本作为训练集，将样本集剩余的组样本作为测试集，其中g≥10，且为整数；其中，静态参数层S的要素组{S₁，S₂，S₃，S₄}表示：S₁为创新效率，S₂为创新成果，S₃为创新专利，S₄为创新产品；步骤三，SVM的训练与优化；利用SVM在回归算法上的应用，建立动态参数层D的要素组归一化后的结果{D′₁，D′₂，D′₃，D′₄}和表示创新目标和结果的静态参数层S的要素组{S₁，S₂，S₃，S₄}间的关系，从而通过动态参数层D的要素组归一化后的结果{D′₁，D′₂，D′₃，D′₄}求出表示创新目标和结果的静态参数层S的要素组{S₁，S₂，S₃，S₄}；其中，SVM的输入是动态参数层D的要素组{D₁，D₂，D₃，D₄}，输出是S_q∈{S₁，S₂，S₃，S₄}，q∈{1，2，3，4}；对于线性回归问题，即假设l个数据{x_μ，y_μ}，μ＝1，…，l，l≥2，为整数，x_μ∈R^d，R^d表示d维实数向量，y_μ∈R，在精度ε下用线性函数拟合，ε∈R，求两类训练样本间的最大间隔等价于求：min12||w||2+CΣμ=1l(ξμ+ξμ*)]]>s.tyμ-(w,xμ)-b≤ϵ+ξμ(w,xμ)+b-yμ≤ϵ+ξμ*ξμ,ξμ*≥0]]>其中，w和b分别为线性拟合函数的法向量和偏移系数；C为惩罚因子；ζ_μ，ζ_μ^*为引进的松弛变量；变量x_μ和y_μ均为实数；转化为求二次规划问题，建立拉格朗日方程：l(w,ξμ,ξμ*)=12||w||2+CΣμ=1l(ξμ+ξμ*)-Σμ=1lαμ[ϵ+ξμ-yμ+(w,xμ)+b]-]]>Σμ=1lαμ*[ϵ+ξμ+yμ-(w,xμ)-b]-Σμ=1l(ημξμ+ημ*ξμ*)]]>其中η_μ，η_μ^*为ζ_μ，ζ_μ^*的系数；又通过对偶原理等价于求：max12Σμ,v=1l(αμ-αμ*)(αv-αv*)(xμ,xv)+Σμ=1lαμ(ϵ-yμ)+Σμ=1lαμ(ϵ+yμ)]]>s,tΣμ=1l(αμ-αμ*)=0αμ,αμ*∈[0,C]]]>通过这个二次规划求得a_μ，a_μ^*，偏移系数b为：b=y-Σμ=1l(aμ*-aμ)(xμ·x)]]>得到回归函数：y=Σμ=1l(aμ*-aμ)(xμ·x)+b]]>对于非线性回归问题，回归函数表示为：y=Σμ=1l(aμ*-aμ)K(x,xμ)+b]]>其中，b是一个常数而且对于一般带有纯数值项的容许的核函数，该项能够省略；系数a_μ，a_μ^*是拉格朗日系数，非零的a_μ，a_μ^*对应的输入量x_μ称为支持向量，支持向量位于分类边界或分类面上；二元函数K(x，y)为核函数；首先，确定SVM的核函数K(x，y)，本发明中支持向量机SVM的核函数选用径向基核函数K(x，y)＝exp(-γ||x-y||²)，其中γ为径向基核函数的宽度参数，x，y∈R^d，R^d表示d维实数向量；再对SVM参数进行选择，采用网格法选择最优的核函数的参数γ和惩罚因子C；其中，网格法是指对于几个在一定范围内的数，在各自区间内按一定间隔分别取值，最后形成网状最优解；然后，利用训练集对SVM进行训练，初步确定SVM的a_μ，a_μ^*和b；a_μ，a_μ^*通过二次规划求出，b通过b=y-Σμ=1l(aμ*-aμ)(xμ·x)]]>求出；最后，利用测试集对SVM的相关参数进行调整优化，确定SVM回归函数，其中相关参数包括拉格朗日系数a_μ，拉格朗日系数a_μ^*和偏移系数b；步骤四，模型的应用；利用层次分析法由动态参数层D的指标集合求出要素组{D₁，D₂，D₃，D₄}，然后将动态参数层D的要素组归一化后的结果{D′₁，D′₂，D′₃，D′₄}代入四个回归函数yχ=Σμ=1l(aμχ*-aμχ)exp(-γχ||xχ-xμχ||2)+bχ,]]>χ＝1，2，3，4求出静态目标层S的要素组{S₁，S₂，S₃，S₄}，进而对该样本自主创新能力进行预测评价；其中，对于一定的变量χ，b_χ是一个常数而且对于一般带有纯数值项的容许的核函数，该项能够省略；系数a_μχ，a_μχ^*是拉格朗日系数，非零的a_μχ，a_μχ^*对应的输入量x_μχ称为支持向量，支持向量位于分类边界或分类面上；γ_χ为径向基核函数的宽度参数；以上变量b_χ，a_μχ，a_μχ^*，γ_χ默认为任意实数。