本发明专利技术提供一种基于神经网络的企业创新能力评估及预测装置、方法，基于评估企业创新能力的三级指标系统；根据待评估企业的所属门类确定企业类型i，通过KAN神经网络与组成二级指标的所有三级指标归一化后的数据量化待评估企业的二级指标；通过待评估企业所有二级指标的量化值所围成的雷达图面积相对于最大可能面积的占比确定一级指标的量化值以作为企业创新能力的量化值，依此评价待评估企业的创新能力；通过待评估企业历年的企业创新能力训练结合注意力机制的双向长短期记忆网络模型；并结合Dropout方法预测待评估企业未来的企业创新能力并构造95%置信区间，依此预测待评估企业的未来创新发展趋势。
1、企业创新是现代企业发展的核心驱动力，也是企业保持竞争优势和适应不断变化的市场环境的关键。现有的企业创新能力评估方案大多存在局限性，主要体现在评估指标单一、数据来源有限，无法全面、准确地反映企业的真实创新能力。此外，许多企业缺乏对自身创新能力的未来预测，导致在战略规划和资源配置上缺乏前瞻性和科学性，对当前企业发展，自身状况的评估缺乏科学和客观的指导意义。
2、当前，随着大数据产业、人工智能和机器学习产业的发展，相关产品层出不穷，但在企业创新评估方面，尚未有利用相关技术发展解决以上企业创新评估和预测的可靠模型或者技术。
1、因此，本专利技术通过引入数据挖掘技术和神经网络技术对企业创新能力进行评估与预测，通过从大量的异构数据中挖掘潜在的模式和关系，以提高评估的准确性和全面性。同时，利用神经网络的强大预测能力可以帮助企业预测未来的创新趋势，为决策提供有力支持，从而促进企业持续健康发展。
2、本专利技术提供的方案当中，结合kan神经网络、结合注意力机制的双向长短期记忆网络与dropout能够帮助企业更准确、有效地评估当前的企业创新能力，并对未来的创新发展趋势做出合理的预测。
>5、用于评估企业创新能力的三级指标系统；6、根据企业门类建立的企业门类数据库di，用于存储各门类企业经归一化处理的三级指标数据；
7、二级评估模块，用于根据待评估企业的所属门类确定企业类型i，通过kan神经网络与组成二级指标的所有三级指标归一化后的数据量化待评估企业的二级指标；
8、一级评估模块，通过待评估企业所有二级指标的量化值所围成的雷达图面积相对于最大可能面积的占比确定一级指标的量化值以作为企业创新能力的量化值，依此评价待评估企业的创新能力；
9、以及，预测模块，通过待评估企业历年的企业创新能力训练结合注意力机制的双向长短期记忆网络模型；并通过训练好的双向长短期记忆网络模型与dropout方法预测待评估企业未来的企业创新能力并构造95％置信区间，依此预测待评估企业的未来创新发展趋势。
10、进一步地，所述三级指标系统由1个一级指标、5个二级指标和15个三级指标构成；其中，一级指标为企业创新能力i，一级指标i由管理创新i1、创新基础i2、创新投入i3、创新产出i4和营销创新i5共5个二级指标组成，二级指标i1由管理人员总数i11、管理人员硕士及以上学历占比i12和高级管理员比例i13共3个三级指标组成，二级指标i2由现有已授权专利数量i21、现有软著数量i22和已注册商标数量i23共3个三级指标组成，二级指标i3由研发投入金额i31、研发投入占营业收入比例i32和研发人员数量占比i33共3个三级指标组成，二级指标i4由年专利占比i41、人均专利占比i42和专利技术专利占比i43共3个三级指标组成，二级指标i5由投入与产出之间的比例i51、营业利润i52和净利润i53共3个三级指标组成。
11、进一步地，所述归一化处理的具体方式为：对于三级指标i12、i13、i21、i22、i23、i31、i32、i33、i41、i42、i43、i52和i53，归一化后的值m＝1,2,…,m；对于三级指标i11和i51归一化后的值m＝1,2,…,m，其中，xc表示待评估企业某三级指标归一化前的原始数据，min(xm)表示该企业门类中该三级指标的最小值，max(xm)表示该企业门类中该三级指标的最大值，m表示数据库di中的企业总数量。
12、进一步地，所述通过kan神经网络与组成二级指标的所有三级指标归一化后的数据量化待评估企业的二级指标的具体方法如下：
13、数据库di中，第m家企业的第j个二级指标记为j＝1,2,…,5，其中，k＝1,2,3表示数据库di中组成该企业第j个二级指标的第k个归一化后的三级指标；
14、所述神经网络kan由输入层、隐层和输出层组成；
15、通过基于kolmogorov-arnold定理的神经网络kan计算二级指标i1的过程为：在输入层，接收的输入向量为m＝1,2,…,m；在隐层，首先，对每个输入变量k＝1,2,3和索引q，q＝1,2,…,7，通过两层全连接层与relu激活函数定义非线性变换函数其中，和为第一层全连接层的权重矩阵和偏置向量，和为第二层全连接层的权重矩阵和偏置向量，其次，对每个q将所有的输出累加得到最后，对每个sq通过两层全连接层和relu激活函数定义非线性变换函数其中，和为第一层全连接层的权重矩阵和偏置向量，和为第二层全连接层的权重矩阵和偏置向量；随机初始化kan网络参数在输出层，二级指标i1的量化值表示为其中，sig(·)为sigmoid激活函数，用于将的值映射到[0,1]；其他二级指标采用相同的计算过程；
16、所述kan神经网络所使用的损失函数表示为其中，m表示数据库di中的企业总数量。
17、进一步地，训练kan神经网络的方法为基于反向传播算法通过迭代对参数进行更新，当达到设定的迭代次数时，网络训练结束，此时的网络参数即为使损失函数loss1最小的网络参数
18、进一步地，所述通过待评估企业所有二级指标的量化值所围成的雷达图面积相对于最大可能面积的占比确定一级指标的量化值的具体方法如下：数据库di中，第m家企业的一级指标记为其中，j＝1,2,…,5表示数据库di中该企业的第j个二级指标的量化值；该企业二级指标所围成的雷达图面积为其中，雷达图最大可能面积为则该企业一级指标的量化值为
19、
20、进一步地，所述通过待评估企业历年的企业创新能力训练结合注意力机制的双向长短期记忆网络模型的具体方法如下：
21、将待评估企业每年的企业创新能力的量化值按照年份从小到大排序，得到数据集data＝{vt1,vt2,…,vtn}，其中vtn表示年份为tn时待评估企业的创新能力量化值；
22、构建包含输入层、bi-lstm层、注意力层、dropout层、输出层五层的bi-lstm+attention模型；在输入层，接受的时间序列数据为n＝1,2,…,n-5，其中，n为数据集data包含的数据点总数，分别为时间步1～5的输入；在bi-lstm层，前向lstm的隐藏状态表示为其中v(p)为第p个时间步的输入，与分别为前向lstm在第(p-1)个时间步的隐藏状态与细胞状态，后向lstm的隐藏状态表示为其中v(p)为第p个时间步的输入，与分别为后向lstm在第(p+1)个时间步的隐藏状态与细胞状态，将前向隐藏状态与后向隐藏状态拼接成双向隐藏状态向量hp，在注意力层，每个时间步p的注意力得分表示为ep＝tanh(wphp+bp)，其中，w本文档来自技高网...
【技术保护点】
1.一种基于神经网络的企业创新能力评估及预测装置，其特征在于，基于计算机系统，包括：
2.根据权利要求1所述的基于神经网络的企业创新能力评估及预测装置，其特征在于：所述三级指标系统由1个一级指标、5个二级指标和15个三级指标构成；其中，一级指标为企业创新能力I，一级指标I由管理创新I1、创新基础I2、创新投入I3、创新产出I4和营销创新I5共5个二级指标组成，二级指标I1由管理人员总数I11、管理人员硕士及以上学历占比I12和高级管理员比例I13共3个三级指标组成，二级指标I2由现有已授权专利数量I21、现有软著数量I22和已注册商标数量I23共3个三级指标组成，二级指标I3由研发投入金额I31、研发投入占营业收入比例I32和研发人员数量占比I33共3个三级指标组成，二级指标I4由年专利占比I41、人均专利占比I42和专利技术专利占比I43共3个三级指标组成，二级指标I5由投入与产出之间的比例I51、营业利润I52和净利润I53共3个三级指标组成。
3.根据权利要求2所述的基于神经网络的企业创新能力评估及预测装置，其特征在于：所述归一化处理的具体方式为：对于三级指标I12、I13、I21、I22、I23、I31、I32、I33、I41、I42、I43、I52和I53，归一化后的值对于三级指标I11和I51归一化后的值其中，xc表示待评估企业某三级指标归一化前的原始数据，min(xm)表示该企业门类中该三级指标的最小值，max(xm)表示该企业门类中该三级指标的最大值，M表示数据库Di中的企业总数量。
4.根据权利要求2所述的基于神经网络的企业创新能力评估及预测装置，其特征在于：
5.根据权利要求4所述的基于神经网络的企业创新能力评估及预测装置，其特征在于：训练KAN神经网络的方法为基于反向传播算法通过迭代对参数进行更新，当达到设定的迭代次数时，网络训练结束，此时的网络参数即为使损失函数Loss1最小的网络参数
6.根据权利要求4所述的基于神经网络的企业创新能力评估及预测装置，其特征在于：所述通过待评估企业所有二级指标的量化值所围成的雷达图面积相对于最大可能面积的占比确定一级指标的量化值的具体方法如下：数据库Di中，第m家企业的一级指标记为其中，表示数据库Di中该企业的第j个二级指标的量化值；该企业二级指标所围成的雷达图面积为其中，雷达图最大可能面积为则该企业一级指标的量化值为
7.根据权利要求6所述的基于神经网络的企业创新能力评估及预测装置，其特征在于：
8.根据权利要求7所述的基于神经网络的企业创新能力评估及预测装置，其特征在于：所述通过训练好的双向长短期记忆网络模型与Dropout方法预测待评估企业未来的企业创新能力并构造95％置信区间的具体方法如下：使用训练好的Bi-LSTM+Attention模型和时序数据进行时间序列预测时，启用Dropout，进行T次随机前向传播，获得一系列预测值T次预测值的均值表示为T次预测值的标准差表示为置信区间表示为将T次预测值的均值μ作为待评估企业未来一年的企业创新能力的量化值。
9.一种基于神经网络的企业创新能力评估及预测方法，基于根据权利要求1-8其中任一所述的基于神经网络的企业创新能力评估及预测装置，其特征在于：在收集各种类型企业的所有三级指标数据并进行归一化处理，输入并完善所述企业门类数据库的基础上，先后调用二级评估模块和一级评估模块，首先根据待评估企业的所属门类确定企业类型i，通过KAN神经网络与组成二级指标的所有三级指标归一化后的数据计算待评估企业二级指标的量化值；再通过待评估企业所有二级指标的量化值所围成的雷达图面积相对于最大可能面积的占比确定一级指标的量化值，依此评估企业的创新能力。
10.根据权利要求9所述的基于神经网络的企业创新能力评估及预测方法，其特征在于：基于所述企业门类数据库，调用预测模块，首先通过待评估企业历年的企业创新能力训练结合注意力机制的双向长短期记忆网络模型；然后通过训练好的双向长短期记忆网络模型与Dropout方法预测待评估企业未来的企业创新能力并构造95％置信区间，依此预测待评估企业的未来创新发展趋势。
...
【技术特征摘要】
1.一种基于神经网络的企业创新能力评估及预测装置，其特征在于，基于计算机系统，包括：
2.根据权利要求1所述的基于神经网络的企业创新能力评估及预测装置，其特征在于：所述三级指标系统由1个一级指标、5个二级指标和15个三级指标构成；其中，一级指标为企业创新能力i，一级指标i由管理创新i1、创新基础i2、创新投入i3、创新产出i4和营销创新i5共5个二级指标组成，二级指标i1由管理人员总数i11、管理人员硕士及以上学历占比i12和高级管理员比例i13共3个三级指标组成，二级指标i2由现有已授权专利数量i21、现有软著数量i22和已注册商标数量i23共3个三级指标组成，二级指标i3由研发投入金额i31、研发投入占营业收入比例i32和研发人员数量占比i33共3个三级指标组成，二级指标i4由年专利占比i41、人均专利占比i42和发明专利占比i43共3个三级指标组成，二级指标i5由投入与产出之间的比例i51、营业利润i52和净利润i53共3个三级指标组成。
3.根据权利要求2所述的基于神经网络的企业创新能力评估及预测装置，其特征在于：所述归一化处理的具体方式为：对于三级指标i12、i13、i21、i22、i23、i31、i32、i33、i41、i42、i43、i52和i53，归一化后的值对于三级指标i11和i51归一化后的值其中，xc表示待评估企业某三级指标归一化前的原始数据，min(xm)表示该企业门类中该三级指标的最小值，max(xm)表示该企业门类中该三级指标的最大值，m表示数据库di中的企业总数量。
4.根据权利要求2所述的基于神经网络的企业创新能力评估及预测装置，其特征在于：
5.根据权利要求4所述的基于神经网络的企业创新能力评估及预测装置，其特征在于：训练kan神经网络的方法为基于反向传播算法通过迭代对参数进行更新，当达到设定的迭代次数时，网络训练结束，此时的网络参数即为使损失函数loss1最小的网络参数
6.根据权利要求4所述的基于神经网络的企业创新能力评估及预测装置，其特征在于：...
【专利技术属性】
技术研发人员：张筱辰，陈志森，汤玲玲，李梓田，闫森，王琛，
申请(专利权)人：福建师范大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。