科技奖励的智能评审模型，本文主要内容关键词为：模型论文,智能论文,科技论文，此文献不代表本站观点，内容供学术参考，文章仅供参考阅读下载。
中图分类号：G311;C934 文献标识码：A 文章编号：1001-8409(2002)05-0006-04
一、引言
科技成果奖励的评审是一项要求严格、程序复杂的系统工程。目前对科技成果奖励的评审多采用定性的方法，即由多名专家组成评审小组，通过看请奖申请书、成果鉴定书、专利证书及其他相关资料等，然后由评审小组做出最终评价。这种方法使得请奖人员的文字表达能力及回避问题的能力显得非常重要，并在一定程度上对评审结果产生影响；同时评审小组成员的知识背景、实践经验、工作能力及人品等也会在一定程度上对评审结果产生影响。因此难以对科技成果做出全面、中肯、有说服力的评价。
本文提出一种定性和定量相结合的方法来实现对科技成果奖励的智能评审。在本文中，将尝试采用近年来得到蓬勃发展的人工神经网络模型以及模糊系统的理论和方法，以此建立科技成果奖励的评审结果与其影响因素间的非线性关系，并最终实现对科技成果奖励的智能评审。
二、科技成果奖励的综合评价指标体系
要实现对科技成果奖励的智能评审，首先必须建立科技成果奖励的综合评价指标体系。本文以国家自然科学奖、国家发明奖、国家科学技术进步奖三大奖为例来说明科技成果奖励综合评价指标体系的建立方法及依据。
1.综合评价指标体系要突出国家关于三大科技成果奖励的规定
三种奖励有三个不同的内容重点。国家自然科学奖以基础研究为主，其成果体现在自然规律的揭示；发明奖励其成果因是获得专利权之后申报的，当然具有新颖性、创造性和实用性，这种成果奖励应重点体现在发明的创造性以及它创造或潜在创造的经济效益；国家科学技术进步奖励，其成果以它创新技术而产生的经济效益和社会效益为体现。为此本文对各奖励的相关体现予以较高的关注。
2.效率指数
一项科技成果的产出，一方面由反应成果多个内容来评价它的价值，另一方面也应以该成果完成的效率来评价，即以该成果产生的经济效益除以完成该成果所付出的人数、时间、成本三者的乘积来定义，以此评价效率因子等级。利用这一指标来评审科技成果奖励可促进科技研究人员的效率，促进多出成果、快出成果、出好成果，产生更大的效益，促进国民经济发展。
3.评审因子的确定
(1)国家自然科学奖
国家自然科学奖的奖励对象是自然科学研究中具有重大发现的基础理论研究成果和应用基础研究成果。基础理论研究成果，是指在从事科学研究中，为探索未被发现的自然现象、特征、规律而得出的科学论断、定理（定律、原理），它创造和扩大人类的知识，对发展生产、促进人类文明进步有指导作用。应用基础研究成果属于应用科学的研究，在于它目的性明确、周期短，是可解决某一生产领域中的基础理论而展开的研究，但仍是规律性的研究。
根据上述国家自然科学奖研究成果的特点，评审内容由以下五项组成：
①理论规律的新颖性先进性程度。
②论文的质量和数量：质量指被国家四大检索工具收录的本项成果的论文数量及引用次数，论文的数量指国内外重要刊物发表的本项成果的论文数。
③成果的指导及应用范围及生命周期。
④产生的经济效益和社会效益或可能产生的经济效益和社会效益。
⑤效率：经济效益／（人×时间×成本）。
(2)国家发明奖
发明是一种重大的科学技术成就。且必须具有前人所没有的，即具有新颖性、创造性和实用性。所谓新颖性是指在世界所有出版物上没有刊登过，也没有为公众所知道和使用过；创造性是指发明必须在技术上具有突出的实质性特点和显著的进步；实用性是指能再现、生产，为社会服务，产生效益。因此三种性质特别是创造性和经济效益为发明成果奖励的评审主要内容。有的发明因历史条件的限制而无法实现实用，但可以预测，一旦解决其中关键技术即可实现，同样应按具有实用性或可能产生的经济效益及社会效益对待。
同样我们对发明成果奖励评审的部分内容分成如下五类：
①发明成果具有新颖性、创造性、实用性的程度。
②经济效益及社会效益。
③效率：经济效益／（人×时间×成本）。
④应用范围及生命周期。
⑤论文的质量和数量。
(3)国家科学技术进步奖
科学技术进步奖是奖励科学技术的进步，即奖励比现在更为先进的技术、产品、工程项目等。它的技术是创新技术，对推动国民经济建设，提高经济效益和社会效益具有重大作用。因此，在评审科学技术进步奖时，重点应放在经济效益和社会效益上。为此下面给出评审科学技术进步奖五类内容：
①技术成果的经济效益和社会效益。
②技术的创新程度。
③效率：经济效益／（人×时间×成本）。
④应用范围及生命周期。
⑤论文的质量和数量。
由以上分析可见，三大奖评奖时虽然各有其侧重点，但有些评价指标是相同的。相同的指标只取一个，这样我们共取10个因子构成国家三大奖的科技成果奖励综合评价指标体系，具体见表1。
另外，目前国家还设立了国家最高科学技术奖，此奖不在此评审模型内。
三、科技成果奖励的智能评审方法
以上所建立的科技成果奖励的综合评价指标体系是针对国家三大科技成果奖励问题提出的。对不同级别、不同要求的科技成果奖励问题，例如国家级科技成果奖、省部级科技成果奖、理论研究成果奖、工程应用成果奖以及科普类、教学类等不同类型、不同级别的科技成果奖励问题，其评价的重点肯定不会相同。因此，在综合评审科技成果时，要根据具体的奖励级别及类型来确定不同的指标权重。而权重的合理分配一直是人们普遍关心的问题。如果由专家来确定指标权重，将会使评审结果容易受人为因素的影响，并存在一定的随机性。
表1 国家三大奖成果奖励结合评价指标体系
鉴于人工神经网络具有自组织、自适应和自学习能力，以及具有非线性、非局域性、非定常性和非凸性等特点，本文将采用人工神经网络来确定各指标的权重，以此来克服人为因素及模糊随机性的影响。
在基于神经网络的综合评价模型中，多层前馈神经网络(Multi-layer Feedforward Neural Network,MFNN)是选择最多的一种。这是因为这种网络是目前神经网络研究与应用中最基本的网络模型之一。关于多层前馈神经网络的研究有很多有意义的成果。多层前馈网络由一个输入层、一个输出层和若干个隐含层组成。同层之间的节点没有联接，相邻两层之间的节点两两相连，前一层节点的输出即为后一层节点的输入。前馈神经网络采用有教师的学习方法，其基本运行机制是：对网络赋予初始权值和阈值，按照给定的学习样本前向计算网络的实际输出，根据实际输出与希望输出之间的差的函数反向修改网络权值或阈值，如此反复训练使差的函数达到最小，从而用得到的网络模拟未知系统的输入输出关系。其结构如图1所示。
图1 前馈神经网络结构图
由文献[6]知，前馈神经网络应用的数学基础是Kolmogorov定理：
给定任意连续函数Φ：E[n]→R[,m]，Φ(X)=Y,E[n]是n维单位立方体，Φ可以精确地由一个三层神经网络实现。
因此，我们选取前馈神经网络的层数为3。
由于在我们所建立的综合评价指标体系中，对每个评价指标的评语都是模糊变量，因此，我们将使用模糊神经网络的方法实现对科技成果的综合评价。具体方法如下：
1.网络输入层的确定
由于指标集由10项因素组成，所以，我们取输入层神经元的个数为10，分别代表表1中所列10个综合评价指标。由于输入变量均为模糊变量，本文中它们的隶属函数均取为三角形函数，其图象见图2。
图2 三角形隶属函数
2.隐层神经元个数的确定
长期以来，由于没有足够的理论指导，神经网络的结构确定（即神经网络隐层神经元个数的确定）带有很大的主观性和艺术性，常通过有经验的专家采用摸索方法确定，为了保障精度往往使网络结构偏向于冗余。这往往导致以下两种情况发生：第一，网络训练过程所需时间加长，增加了学习算法在训练速度上的负担，不利于网络的在线适应性；第二，所得网络的高精度很可能是冗余节点存在的结果，因而极易具有病态，表现为对于训练样本之外的数据其精度急剧下降，网络的泛化能力弱。
我们知道，BP算法在前馈神经网络的学习中起着举足轻重的作用，尽管现在前馈神经网络有很多不同的学习算法，但这些算法基本上都是在BP算法的基础上进行改进和发展而得到的。而BP算法只能对具有合适拓扑结构的前馈神经网络才能在权空间上实现梯度下降。也就是说，只有当网络结构被正确选择时它才有用。因此，如何确定前馈神经网络的结构是一个十分重要的问题。
为了确定前馈神经网络的结构，本文中我们采用进化规划与逐步二次规划法的组合来优化神经网络的结构。为了降低计算时间，我们采用实数编码方案，这可免去大量的编码解码时间。同时，由于采用进化规划与逐步二次规划法的组合，使我们的方法可以实现网络的结构与权植同时优化，这比仅仅优化网络的结构好得多。
本文中我们采用文献[7]所提出的算法来确定隐层神经元的个数，最终得到的神经元个数为4。具体算法步骤请参见文献[7]。
3.输出层神经元个数的确定
由于对某项科研成果而言，国家三大奖的评审结果只能是一等奖、二等奖、三等奖、四等奖以及不获奖中的一种，因此取网络输出神经元的个数为1。
由以上分析，我们可以建立一个前馈神经网络，其结构为10-4-1。
在这个前馈神经网络中，各层之间的连接权通过学习得到，它们反映了不同指标的权重，两层的作用函数均取S型函数tanh(x)，网络的学习采用BP学习算法。
在实际应用中，首先将专家给出的评价结果利用中心模糊消除器进行去模糊化处理，之后将其输入到前馈神经网络中，从所得输出即可直接获得综合评审结果。
4.学习样本的确定
一般而言，学习样本集的确定是一个十分重要的问题，它甚至可以决定神经网络性能的优劣。就目前来说还没有严格的理论来加以指导。但从经验来看，主要考虑的因素有三个：致密性、相溶性和遍历性。由于篇幅的原因，这里不再详述。有兴趣的读者可以参阅任何神经网络方面的专著。
四、评价结果分析
网络训练好之后，即可用于科研奖励的智能评审。当输入某请奖项目的10项指标后，就可以得到该项目评审结果的总得分。为了得到直观的评审结果，可以在全面分析的基础上给每个评审结果设定一个取值范围，这样就可以根据网络的输出结果和给出的各评审结果的取值范围而得出最终的评审结果。
具体评审时，在对请奖项目整体进行评审后，如果希望对项目的某一部分（例如创新性等方面）进行进一步的评审，可以将以上评审过程重新做一遍，只不过神经网络的输入维数要做相应的改变，隐层神经元的个数仍按文献[7]的方法得到，其余的不变。这样我们就可以得到更精确的评审结果，从而确定请奖项目是否获奖及获奖等级。
五、结论
本文采用定性定量相结合的方法实现对科技成果奖励的智能评审。所采用的方法既考虑到专家的意见，又不完全由专家来评审。本文的方法简便易行。对科技成果奖励的智能评审时考虑了各方面的因素，尤其克服了由专家决策所带来的人为因素的影响，与其它方法相比具有自己鲜明的特性。