摘 要：為了對高校科研項目前景進行有效預測，進一步提升科研成果轉化率，本文提出了基于神經網絡結合科研項目共享的網絡平臺，構建可靠的科研項目前景預測系統。通過將各類大量科研項目的特征參數化，利用BP(反向傳播)神經網絡的非線性映射能力、自適應能力和對離散數據的泛化能力生成模型后，用于從多維度對一個新項目生成可靠的前景預測。實驗表明，BP神經網絡算法在大量學習經過預處理的樣本后所產生的預測結果是具有較高準確性的，且能夠隨著新的樣本輸入不斷更新和適應，因此該方法具有較強的可行性。

　　關鍵詞：高校科研項目;前景預測;神經網絡

　　1 引言(Introduction)

　　在我國，科研成果轉化率低已是老生常談的話題，2018年4月18日國務院常務會議確定了“加大對科技成果轉化的政策激勵”的政策方針并提出了若干辦法。但由于科研評價機制不合理、選題立項重復度高、科研資金管理存在漏洞[1]等問題，導致科研成果轉化率低的現象至今依然存在。提高科研成果轉化率，企業的參與是至關重要的，然而企業為了規避風險很注重項目的成熟度，偏向于投資前景已清晰的項目。這樣便導致很多優秀的項目由于找不到投資者止步在“原始創新成果”階段，失去了產業化、商品化的機會。而各個高校的科研項目展示頁面更注重展示本校科研項目的創新性和技術高度，而忽略了展示方案的實現成本及產業化的難度[2]，這讓企業難以理解其價值。

　　本文中所研究的采用SSM+MongoDB技術搭建的基于BP神經網絡(反向傳播神經網絡)算法的高校科研項目前景預測系統，可實現對科研項目進行可靠的前景預測，幫助正在進行中的科研項目更直觀地展示自身價值，降低企業投資風險，提高科研成果的轉化率[3]。

　　2 技術簡介(Technical brief)

　　基于BP神經網絡算法的高校科研項目前景預測系統的技術選型使用SSM框架，數據庫采用MySQL+MongoDB的形式，核心功能的實現使用了BP神經網絡算法。

　　2.1 BP神經網絡

　　BP神經網絡是19世紀80年代由David Runelhart等科學家提出的概念，是一種對感知機網絡的改進算法，解決了簡單感知器不能解決的異或(Exclusive OR， XOR)和非線性學習等問題。BP神經網絡在訓練過程中通過反復調整系統中各種參數的值形成自己的學習能力，并將這種能力應用于更多樣本的分類，因此被廣泛應用于分類和識別領域。從收集到的資料可以得知：神經網絡算法是一種對績效評價比較理想的方法，而且很多開發者在不同領域中應用這種方法，如企業績效評價、動態供應鏈績效評價、高校院系績效評價等。其學習流程可簡單概括為：

　　(1)輸入經過預處理的樣本數據。

　　(2)乘以權重，增加偏置并激活，逐層傳遞。

　　(3)得到預測值并對比真實值得到損失值。

　　(4)利用損失值對偏置和權重求偏導。

　　(5)利用梯度下降的方法更新參數。

　　(6)循環以上流程直到損失值達到標準。

　　(7)訓練完成。

　　BP神經網絡的優勢在于：(1)非線性映射能力：BP神經網絡實質上實現了一個從輸入到輸出的映射功能，數學理論證明三層的神經網絡就能夠以任意精度逼近任何非線性連續函數。這使得其特別適于求解內部機制復雜的問題。(2)容錯能力：BP神經網絡在其局部的或者部分的神經元受到破壞后，對全局的訓練結果不會造成很大的影響，也就是說即使系統在受到局部損傷時還是可以正常工作的，即BP神經網絡具有一定的容錯能力。但是BP神經網絡仍有一些缺陷，比如：容易陷入局部極小值;神經網絡收斂速度緩慢;神經網絡結構選擇沒有統一的解決方案，只能憑經驗判斷;神經網絡預測能力和訓練能力的矛盾，可能導致“過擬合”的情況。這些缺陷有的已經有了解決方案，而有些缺陷的解決方案還有待探索。

　　推薦閱讀：神經網絡投稿什么期刊