科技产出影响因素分析与预测研究——基于多元回归和BP神经网络的途径

发布时间：2021-10-24 22:28

　　首先通过文献研究和网络调查等定性分析方法梳理出科技产出能力的所有可能的影响因素,并在数据可获得性的前提下,以1996-2008年为时间维,采集科技产出能力及其影响因素的相关数据,然后对科技产出能力及其影响因素之间的相互关系进行二元相关分析,并利用多元线性回归分析方法从所有相关因素中筛选出影响程度较高的因素,构建科技产出能力的影响因素分析与预测模型。最后基于二元相关分析的结果,选择相关程度较高的因素,利用目前流行的BP神经网络预测方法对科技产出能力进行预测研究,并与多元回归分析预测模型的预测性能进行比较。 

【文章来源】：科学学研究. 2012,30(07)北大核心CSSCI

【文章页数】：13 页

【图文】：

BP神经网络模型

训练函数为traingdm时对应的最小均方误差曲线

BP神经网络预测程序的训练性能曲线

【参考文献】：
期刊论文
[1]基于多元线性回归的公路客运量发展预测模型[J]. 方庚明.  工程与建设. 2011(02)
[2]中国市场化指数的测度与评价:1978-2008[J]. 曾学文,施发启,赵少钦,董晓宇.  中国延安干部学院学报. 2010(04)
[3]科研经费的有效使用特征及其影响因素——基于扎根理论[J]. 李燕萍,郭玮,黄霞.  科学学研究. 2009(11)
[4]专利申请量与R&D经费支出关系的研究[J]. 朱月仙,方曙.  科学学研究. 2007(01)
[5]专利申请量与R&D支出之关系的定量分析[J]. 孙婷婷,唐五湘.  北京机械工业学院学报. 2003(04)
[6]B-P网络隐含层对水质评价结果的影响分析[J]. 马细霞,贺晓菊,赵道全,王效宇.  水电能源科学. 2002(03)
[7]BP人工神经网络模型的进一步改进及其应用[J]. 李晓峰.  吉林化工学院学报. 2000(04)
[8]三层BP网隐层节点数确定方法的研究[J]. 伍春香,刘琳,王葆元.  武汉测绘科技大学学报. 1999(02)
[9]网络信息资源评价方法研究综述[J]. 侯立宏,朱庆华.  情报学报. 2006 (05)



本文编号：3456103