基于神经网络的高校科研项目前景预测系统研究与设计

　　摘 要：为了对高校科研项目前景进行有效预测，进一步提升科研成果转化率，本文提出了基于神经网络结合科研项目共享的网络平台，构建可靠的科研项目前景预测系统。通过将各类大量科研项目的特征参数化，利用BP(反向传播)神经网络的非线性映射能力、自适应能力和对离散数据的泛化能力生成模型后，用于从多维度对一个新项目生成可靠的前景预测。实验表明，BP神经网络算法在大量学习经过预处理的样本后所产生的预测结果是具有较高准确性的，且能够随着新的样本输入不断更新和适应，因此该方法具有较强的可行性。

　　关键词：高校科研项目;前景预测;神经网络

　　1 引言(Introduction)

　　在我国，科研成果转化率低已是老生常谈的话题，2018年4月18日国务院常务会议确定了“加大对科技成果转化的政策激励”的政策方针并提出了若干办法。但由于科研评价机制不合理、选题立项重复度高、科研资金管理存在漏洞[1]等问题，导致科研成果转化率低的现象至今依然存在。提高科研成果转化率，企业的参与是至关重要的，然而企业为了规避风险很注重项目的成熟度，偏向于投资前景已清晰的项目。这样便导致很多优秀的项目由于找不到投资者止步在“原始创新成果”阶段，失去了产业化、商品化的机会。而各个高校的科研项目展示页面更注重展示本校科研项目的创新性和技术高度，而忽略了展示方案的实现成本及产业化的难度[2]，这让企业难以理解其价值。

　　本文中所研究的采用SSM+MongoDB技术搭建的基于BP神经网络(反向传播神经网络)算法的高校科研项目前景预测系统，可实现对科研项目进行可靠的前景预测，帮助正在进行中的科研项目更直观地展示自身价值，降低企业投资风险，提高科研成果的转化率[3]。

　　2 技术简介(Technical brief)

　　基于BP神经网络算法的高校科研项目前景预测系统的技术选型使用SSM框架，数据库采用MySQL+MongoDB的形式，核心功能的实现使用了BP神经网络算法。

　　2.1 BP神经网络

　　BP神经网络是19世纪80年代由David Runelhart等科学家提出的概念，是一种对感知机网络的改进算法，解决了简单感知器不能解决的异或(Exclusive OR， XOR)和非线性学习等问题。BP神经网络在训练过程中通过反复调整系统中各种参数的值形成自己的学习能力，并将这种能力应用于更多样本的分类，因此被广泛应用于分类和识别领域。从收集到的资料可以得知：神经网络算法是一种对绩效评价比较理想的方法，而且很多开发者在不同领域中应用这种方法，如企业绩效评价、动态供应链绩效评价、高校院系绩效评价等。其学习流程可简单概括为：

　　(1)输入经过预处理的样本数据。

　　(2)乘以权重，增加偏置并激活，逐层传递。

　　(3)得到预测值并对比真实值得到损失值。

　　(4)利用损失值对偏置和权重求偏导。

　　(5)利用梯度下降的方法更新参数。

　　(6)循环以上流程直到损失值达到标准。

　　(7)训练完成。

　　BP神经网络的优势在于：(1)非线性映射能力：BP神经网络实质上实现了一个从输入到输出的映射功能，数学理论证明三层的神经网络就能够以任意精度逼近任何非线性连续函数。这使得其特别适于求解内部机制复杂的问题。(2)容错能力：BP神经网络在其局部的或者部分的神经元受到破坏后，对全局的训练结果不会造成很大的影响，也就是说即使系统在受到局部损伤时还是可以正常工作的，即BP神經网络具有一定的容错能力。但是BP神经网络仍有一些缺陷，比如：容易陷入局部极小值;神经网络收敛速度缓慢;神经网络结构选择没有统一的解决方案，只能凭经验判断;神经网络预测能力和训练能力的矛盾，可能导致“过拟合”的情况。这些缺陷有的已经有了解决方案，而有些缺陷的解决方案还有待探索。

　　推荐阅读：神经网络投稿什么期刊

期刊VIP网，您身边的高端学术顾问

文章名称： 基于神经网络的高校科研项目前景预测系统研究与设计

文章地址： http://www.qikanvip.com/jisuanjiwangluo/56653.html