神经网络在科研人员项目申报评价中的应用

发布时间：2021-07-31 13:06

　　当今世界科技发展日新月异,综合国力竞争日益激烈,这些都要求我们大力发展科学技术,提高自主创新能力。立足于国内外发展现状,我国在科研管理过程中,运用不同评价指标进行量化的办法虽然在一定程度上提高了科研人员的研究热情,但是各个评价指标往往限于孤立,对于个体科研人员的科研能力缺少综合评价,而且存在评价结果不够客观、准确性差等问题。针对科研人员项目申报的能力与个人承担项目、成果、收录转载文摘、奖项之间存在着复杂的非线性关系,本文尝试利用人工神经网络本身具有的并行处理、良好容错、自适应和自学习以及较好的非线性功能等特性,在系统分析现有评价指标的基础上,将RBF神经网络与BP神经网络应用在科研人员项目申报的评价上,并建立了综合评价模型,取得了一定的成绩。本文所做主要工作如下:1、讨论了科研评价的现状,分析了评价过程中存在的问题。2、建立了科研人员项目申报的评价体系,综合考虑历史数据与当年数据对研究对象的影响,采用加权、量化的方法计算期望输出值,从而减少了期望输出结果中人为因素的干扰。3、采用了科研评价文献中未见使用的RBF神经网络,并基于该神经网络建立了科研人员项目申报评价模型。为了验证RBF神经... 

【文章来源】：中南民族大学湖北省

【文章页数】：58 页

【学位级别】：硕士

【部分图文】：

基于BP网络评价模型测试数据期望输出与实际输出间的误差值

图 5.2 基于 RBF 网络评价模型测试数据期望输出与实际输出间的误差值通过对图 5.2 的分析可以看出，误差值的分布范围为（-0.02，0.025），并且大部分样本的误差值分布集中在（-0.005，0.01）区间内。通过仿真得到测试数据的MSE 值为 5.0273e-005，该值远小于设定的误差均值 0.1%，达到目标。5.3 基于 RBF 与 BP 网络评价模型实验结果的对比本文采用的两种神经网络虽然都是三层的网络结构，但在神经元激发函数、网络参数等方面有着本质区别：BP 神经网络的隐层激发函数采用 S 型函数，训练算法采用 L-M 算法；RBF 神经网络的隐层（即径向基层）采用高斯函数。为了分析两种神经网络在本文应用实例中的优缺点，通过计算实验结果与期望输出结果排序的错序率、网络训练的时间及测试结果输出误差的均方值等方面对网络进行比较：

【参考文献】：
期刊论文
[1]SCI、中文核心期刊与高校科研论文水平的评价[J]. 鄢琦,鄢佳程.  经济师. 2008(12)
[2]利用论文产出量分析评价科研管理成效[J]. 肖永红,徐应军,张潇.  科技管理研究. 2008(08)
[3]高校科研项目的综合评价模型研究[J]. 毛钟红.  科技管理研究. 2008(08)
[4]模糊神经网络在燃气轮机故障诊断专家系统中的研究与应用[J]. 陈旸,肖民,杨朔,蒋磊.  科学技术与工程. 2008(15)
[5]RBF神经网络的火箭发动机成本预测[J]. 于靖,关云,王雪坤.  火力与指挥控制. 2008(06)
[6]澳大利亚RQF科研评价制度述评[J]. 丁宇,黄艳霞.  科学学与科学技术管理. 2008(05)
[7]基于BP神经网络的科技成果转化项目技术经济可行性评价研究[J]. 尹航.  科学学与科学技术管理. 2008(05)
[8]基于BP神经网络的抚河水环境质量评价研究[J]. 刘金生,周焕银,刘金辉.  东华理工大学学报(自然科学版). 2008(01)
[9]改进BP神经网络在企业网络营销绩效评价中的应用[J]. 汪克亮,杨力,查甫更.  商业研究. 2008(03)
[10]基于BP神经网络的员工素质评价模型[J]. 田中禾,刘俊宏,何莉.  统计与决策. 2008(05)

硕士论文
[1]基于神经网络的伙伴选择智能协商系统的应用研究[D]. 陶秋立.燕山大学 2007



本文编号：3313522