中國區(qū)域創(chuàng)新能力評價的SVM建模研究.pdf

《中國區(qū)域創(chuàng)新能力評價的SVM建模研究.pdf》由會員上傳分享，免費在線閱讀，更多相關內(nèi)容在行業(yè)資料-天天文庫。

1、2010年第7期ScienceandTec科hn技olo管gy理M研an究agementResearch2010No．7文章蒔號：1000—7695(2010)07—0050—03中國區(qū)域創(chuàng)新能力評價的SVM建模研究李文博(浙江師范大學工商管理學院，浙江金華321004)摘要：支持向量機(SVM)是一種基于結(jié)構(gòu)風險最小化原理的學習技術，也是一種新的具有很好泛化性能的回歸算法。文章基于SVM建模研究區(qū)域創(chuàng)新能力評價問題，同時研究了網(wǎng)絡參數(shù)的優(yōu)化選擇，仿真試驗表明：采用該算法獲得的結(jié)果是令人滿意的。關鍵詞：區(qū)域

2、創(chuàng)新能力；支持向量機；神經(jīng)網(wǎng)絡中圖分類號：F061．5文獻標識碼：A目前，區(qū)域創(chuàng)新能力評價問題已成為創(chuàng)新研究領域的主要熱點之一，引起了國內(nèi)外有關學者的廣泛關注，其意義在于從規(guī)范與實證結(jié)合的角度來研究區(qū)域創(chuàng)新能力的確定問題，同時也探求構(gòu)建區(qū)域創(chuàng)新能力的一般途徑。在國外，Mi—chaelFritsch(2001)運用知識生產(chǎn)函數(shù)方法測量和比較了11個歐洲區(qū)域創(chuàng)新系統(tǒng)的質(zhì)量。Mafia(2001)分析比較了對創(chuàng)新和集群政策評估的不同方法的差異，發(fā)現(xiàn)其中的共同點是都著重創(chuàng)新過程中的相互作用，為此他將參與性評價方法(

3、participatoryevaluation)引入創(chuàng)新系統(tǒng)。在國內(nèi)，柳卸林(2002，2005)認為區(qū)域創(chuàng)新能力是一個地區(qū)生產(chǎn)出與商業(yè)相關的創(chuàng)新流的潛能，是一個地區(qū)將知識轉(zhuǎn)化為新產(chǎn)品、新工藝、新服務的能力J，并在系統(tǒng)的指標體系下，基于大量的數(shù)據(jù)處理，對2004年中國區(qū)域創(chuàng)新能力做了分析和排名J。周立，吳玉鳴(2006)采用因素分析與聚類分析相結(jié)合的綜合集成評估方法，對我國大陸31個省級區(qū)域的創(chuàng)新能力進行了定量評價及比較。任勝剛、彭建華(2007)運用因子分析法對中國31個省級地區(qū)進行分析，對比東、中、西部

4、區(qū)域創(chuàng)新能力，并將區(qū)域創(chuàng)新能力與經(jīng)濟發(fā)展水平進行相關分析。但由于影響區(qū)域創(chuàng)新能力的因素較多，且各因素間存在非線性關聯(lián)，常具有模糊性、不確定性，因此，常規(guī)的數(shù)學建模方法難以解決本質(zhì)非線性問題。而以統(tǒng)計學習理論、Huber穩(wěn)健回歸理論和Wolfe對偶規(guī)劃理論為基礎的支持向量機(Sup—portVectorMachine，SVM)方法具有擬合精度高、推廣能力強和全局最優(yōu)等特點，為解決有限樣本情況下的機器學習問題提供了有力的理論基礎和行之有效的解決方法。SVM方法最初用來解決模式識別問題，隨著Vapnik的不敏感損

5、失函數(shù)的引入，SVM已擴展為解決非線性回歸估計問題，目前已在不同領域得到成功應用J?；诖?，本文首次將SVM的理論方法rd一(f)一6≤占+‘引入?yún)^(qū)域創(chuàng)新能力評價的建模研究中，并以實例說明建模以及參數(shù)優(yōu)化的過程，最后證實了模型的有效性。s．f．?似(f)+b—d≤+L，I>01SVM原理及算法。SVM最初于2O世紀90年代由Vapnik提出，近年來在其理論研究和算法實現(xiàn)都取得了突破性進展，開始成為克服“非線性和維數(shù)災難問題”、“過學習問題”和“局部極小點問題”等傳統(tǒng)困難的有力手段。SVM是為了解決分類問題，

6、收稿日期：2009—09—25。修回日期：2009—11—24基金項目：教育部人文社會科學研究一般項目“產(chǎn)業(yè)集群中知識網(wǎng)絡演化問題的解釋、測度與行動：架構(gòu)設計與實證研究”(O9YJC630210)。李文博：中國區(qū)域創(chuàng)新能力評價的SVM建模研究51一(s+一d+(5fi)+6)_(s+一dl+3算法實現(xiàn)與仿真試驗()一b)本研究采用Matlab7．0軟件和LS-SVMIab1．5工具箱，一(+，7)，其中，OL‘，?！?，町，田≥0使用一insensitive損失函數(shù)，應用SMO訓練方法，對學習樣，函數(shù)￡應對，

7、6，。，最小化，對ol，o／，。，r／i最大化，本進行訓練，找出最理想的SVM網(wǎng)絡。分別采用RBF核函數(shù)、Polynomial核函數(shù)和Sigmoid核函數(shù)訓練SVM網(wǎng)絡，并對解得，=∑(o／一)()，可得到支持向量回歸估計函數(shù)‘I計算結(jié)果進行對比分析，計算結(jié)果如表2、表3所汞。n為I)：∑(O／一)k(，f)+b。表2學習樣本擬合計算結(jié)果表其中，K(，)為核函數(shù)，它需要滿足Mercer條件，該函數(shù)RBF核函數(shù)Polynomial核函數(shù)Sigmoid核函藪可在不知非線性變換的具體形式下實現(xiàn)算法的非線性化，這D

8、=5，=0．0o32編號樣本值8=0．13相對a：0．1536．相對相對樣就免去了在高維空間計算復雜的點積運算。采用不同的函C：0l．01o01誤(％差)bC=0：．100O02。．誤(％差)0C：0=．10o00l誤差數(shù)作為SVM的核函數(shù)，就可以構(gòu)造實現(xiàn)輸入空間不同類型的=8：0．00l(％)￡=0．00l非線性決策面的學習機器，常用的核函數(shù)形式包括：多項式核154．8255．11780．543354．5933