謝 娜,吳蘇朋

(1.咸陽職業(yè)技術(shù)學(xué)院,陜西 咸陽 712000;2.陜西科技大學(xué),陜西 西安 710021)

膠粘劑企業(yè)要樹立開拓創(chuàng)新意識(shí),以技術(shù)創(chuàng)新為核心,不斷學(xué)習(xí)優(yōu)秀創(chuàng)新模式,這樣才能夠有效地實(shí)現(xiàn)新常態(tài)下的轉(zhuǎn)型升級(jí)[1]。將現(xiàn)代信息技術(shù)融入到化工企業(yè)創(chuàng)新創(chuàng)業(yè)中,有效解決了化工產(chǎn)業(yè)聚集過程中所面臨的人才、技術(shù)、資源短板問題,為化工企業(yè)創(chuàng)新創(chuàng)業(yè)的精準(zhǔn)布局與發(fā)展提供多層次支撐[2]。對(duì)全球經(jīng)濟(jì)背景下膠粘劑企業(yè)技術(shù)創(chuàng)新和轉(zhuǎn)型升級(jí)進(jìn)行了分析,指出高效、環(huán)保、安全是膠粘劑企業(yè)未來發(fā)展的新方向,要通過創(chuàng)新創(chuàng)業(yè)管理能力的提升來為企業(yè)的轉(zhuǎn)型升級(jí)打下堅(jiān)實(shí)的基礎(chǔ)[3]。創(chuàng)新創(chuàng)業(yè)是社會(huì)發(fā)展的必然,對(duì)工科大學(xué)生創(chuàng)新創(chuàng)業(yè)能力評(píng)價(jià)指標(biāo)體系構(gòu)建進(jìn)行研究,采用層次分析法最終構(gòu)建了包含4個(gè)一級(jí)指標(biāo)、9個(gè)二級(jí)指標(biāo)、35個(gè)三級(jí)指標(biāo)的大學(xué)生創(chuàng)新創(chuàng)業(yè)能力評(píng)價(jià)指標(biāo)體系,對(duì)提升大學(xué)生的創(chuàng)新創(chuàng)業(yè)能力提供了參考[4]。對(duì)產(chǎn)業(yè)集群內(nèi)企業(yè)創(chuàng)新能力提升管理進(jìn)行了研究,指出企業(yè)創(chuàng)新能力的提升應(yīng)該有效借助區(qū)域高校人才培養(yǎng)優(yōu)勢(shì),強(qiáng)化自身品牌與市場(chǎng)定位,加強(qiáng)企業(yè)內(nèi)部互動(dòng)交流,注重創(chuàng)新文化培育[5]。對(duì)新時(shí)期大學(xué)生農(nóng)村創(chuàng)新創(chuàng)業(yè)實(shí)踐進(jìn)行了分析,指出當(dāng)代大學(xué)生應(yīng)該不斷地提升自身的創(chuàng)新創(chuàng)業(yè)能力,才能更好地確保自身未來的健康發(fā)展[6]?；つz粘企業(yè)實(shí)施創(chuàng)新創(chuàng)業(yè)既是自身發(fā)展的要求,同時(shí)也是社會(huì)發(fā)展的要求,要持續(xù)提升企業(yè)的創(chuàng)新創(chuàng)業(yè)管理能力?；诖?采用蝙蝠優(yōu)化算法(BA)對(duì)反向傳播(BP)神經(jīng)網(wǎng)絡(luò)的初始權(quán)重與偏差進(jìn)行優(yōu)化,提出BA-BP網(wǎng)絡(luò)的化工膠粘企業(yè)創(chuàng)新創(chuàng)業(yè)管理能力預(yù)測(cè)模型,并應(yīng)用于實(shí)際的企業(yè)中,驗(yàn)證預(yù)測(cè)模型的有效性。

1 化工膠粘企業(yè)創(chuàng)新創(chuàng)業(yè)管理能力評(píng)價(jià)體系

影響企業(yè)創(chuàng)新創(chuàng)業(yè)管理能力的因素是多方面的,結(jié)合相關(guān)參考文獻(xiàn),從創(chuàng)新創(chuàng)業(yè)意識(shí)、創(chuàng)新創(chuàng)業(yè)能力、創(chuàng)新創(chuàng)業(yè)水平、創(chuàng)新創(chuàng)業(yè)制度4個(gè)角度來構(gòu)建評(píng)價(jià)指標(biāo),具體如圖1所示。

圖1 創(chuàng)新創(chuàng)業(yè)管理能力評(píng)價(jià)指標(biāo)

由圖1可知,創(chuàng)新創(chuàng)業(yè)意識(shí)包括意愿和動(dòng)力2個(gè)方面,通過強(qiáng)有力的意愿和強(qiáng)大的動(dòng)力支持,才能夠使得企業(yè)的創(chuàng)新創(chuàng)業(yè)意識(shí)得到持續(xù)增強(qiáng)。創(chuàng)新創(chuàng)業(yè)能力包括機(jī)會(huì)、定位、實(shí)踐3個(gè)方面,企業(yè)在開展創(chuàng)新創(chuàng)業(yè)的過程中必須抓住機(jī)會(huì)、準(zhǔn)確定位,積極投入實(shí)踐中,才能夠擁有更為強(qiáng)大的創(chuàng)新創(chuàng)業(yè)能力。創(chuàng)新創(chuàng)業(yè)水平包括自我管理、相關(guān)知識(shí)、復(fù)雜環(huán)境處理3個(gè)方面,要持續(xù)提升企業(yè)員工的自我管理能力,確保員工具有豐富的知識(shí)以及處理復(fù)雜環(huán)境的水平,這樣才能夠更好地開展創(chuàng)新創(chuàng)業(yè)。創(chuàng)新創(chuàng)業(yè)制度包括團(tuán)隊(duì)建設(shè)水平、企業(yè)規(guī)章制度、企業(yè)人事管理3個(gè)方面,通過建設(shè)高水平的創(chuàng)新創(chuàng)業(yè)團(tuán)隊(duì),完善的規(guī)章制度和高水平的人事管理,從而為企業(yè)創(chuàng)新創(chuàng)業(yè)的開展提供制度保障。

2 化工膠粘企業(yè)創(chuàng)新創(chuàng)業(yè)管理能力預(yù)測(cè)模型

2.1 反向傳播神經(jīng)網(wǎng)絡(luò)

反向傳播(BP)神經(jīng)網(wǎng)絡(luò)是結(jié)合誤差逆?zhèn)鞑ニ惴▉碛?xùn)練的多層前饋網(wǎng)絡(luò),也常常被稱之為誤差逆?zhèn)鞑ド窠?jīng)網(wǎng)絡(luò)[7]。典型的BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)包括3層,分別為輸入層、輸出層和隱含層,具體如圖2所示。

圖2 典型BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)

BP神經(jīng)網(wǎng)絡(luò)采用的是誤差逆向傳播算法,通過誤差的逆向傳播來進(jìn)行反復(fù)迭代訓(xùn)練,最終確保網(wǎng)絡(luò)輸出值和實(shí)際輸出值之間的誤差滿足設(shè)定的誤差要求為止。BP神經(jīng)網(wǎng)絡(luò)訓(xùn)練的過程:

Step1:將訓(xùn)練數(shù)據(jù)集輸入到網(wǎng)絡(luò)的輸入層,然后經(jīng)過隱含層,最后到達(dá)輸出層,輸出結(jié)果,這是數(shù)據(jù)前向傳播的過程;

Step2:網(wǎng)絡(luò)輸出值和實(shí)際值之間存在誤差,那么計(jì)算輸出值和實(shí)際值的誤差,同時(shí)將該誤差由輸出層進(jìn)行反向傳播,最后到達(dá)輸入層;

Step3:數(shù)據(jù)反向傳播的過程中對(duì)隱含層和輸出層、輸入層和隱含層之間的連接參數(shù)進(jìn)行動(dòng)態(tài)調(diào)整,使得網(wǎng)絡(luò)輸出值和實(shí)際值之間的誤差不斷減少;

Step4:通過反復(fù)迭代,直到滿足設(shè)定的誤差要求或達(dá)到最大的迭代次數(shù),迭代終止,完成網(wǎng)絡(luò)的訓(xùn)練。

考慮到不同指標(biāo)輸入數(shù)據(jù)之間數(shù)值差別比較大,這將影響到網(wǎng)絡(luò)的訓(xùn)練,往往在輸入之前對(duì)數(shù)據(jù)進(jìn)行歸一化處理。常用的歸一化方法有最小最大歸一化、零均值歸一化,其中最小最大歸一化是對(duì)原始數(shù)據(jù)進(jìn)行線性變換,數(shù)據(jù)被映射到[0,1]。不妨設(shè)原始數(shù)據(jù)為X,那么最小最大歸一化計(jì)算公式[8]:

(1)

式中:x為歸一化數(shù)據(jù);Xmin為原始數(shù)據(jù)最小值;Xmax為原始數(shù)據(jù)最大值。

對(duì)原始數(shù)據(jù)采用最小最大歸一化方法進(jìn)行歸一化處理后得到歸一化數(shù)據(jù)集合,不妨設(shè)x1、x2、x3、x4為歸一化的輸入數(shù)據(jù);y為歸一化的輸出數(shù)據(jù),那么輸入數(shù)據(jù)和輸出數(shù)據(jù)之間有如下關(guān)系,即[9]

y=f2(w2·f1(w1x+b1)+b2)

(2)

式中:w、b、f分別為權(quán)重、偏差、神經(jīng)元傳輸函數(shù);下標(biāo)1為輸入層到隱含層;下標(biāo)2為隱含層到輸出層。

很明顯,BP神經(jīng)網(wǎng)絡(luò)的初始權(quán)重和偏差直接影響到網(wǎng)絡(luò)的訓(xùn)練效率和精度,選擇不科學(xué)很可能導(dǎo)致網(wǎng)絡(luò)訓(xùn)練陷入局部最優(yōu)的狀態(tài),采用智能優(yōu)化算法對(duì)BP神經(jīng)網(wǎng)絡(luò)初始權(quán)重、偏差進(jìn)行優(yōu)化能夠達(dá)到提升訓(xùn)練效率和精度的目的[10]。

2.2 蝙蝠算法

采用BA對(duì)BP神經(jīng)網(wǎng)絡(luò)的初始權(quán)值和偏差優(yōu)化,達(dá)到提升BP神經(jīng)網(wǎng)絡(luò)收斂速度和精度的目的。BA中的蝙蝠個(gè)體采用理想化方式進(jìn)行回聲定位,做出如下假設(shè)[11]:

(1)蝙蝠群體中個(gè)體均是采用回聲定位去感知距離;

(2)蝙蝠群體中的每一個(gè)個(gè)體均是隨機(jī)飛行,飛行過程中頻率保持不變,個(gè)體將通過和獵物間的距離大小來對(duì)波長(zhǎng)(λ)、脈沖響度(A0)自適應(yīng)調(diào)整;

(3)脈沖響度是動(dòng)態(tài)調(diào)整的,設(shè)定上限值為Amax,下限值為Amin。

設(shè)NP為種群規(guī)模,對(duì)種群中的個(gè)體位置初始化,記為Xi;同時(shí)蝙蝠個(gè)體搜索脈沖對(duì)應(yīng)的頻率范圍為[fmin,fmax];脈沖速率為r0;最大聲音值為A0;脈沖速率增強(qiáng)系數(shù)為γ;聲音響應(yīng)衰減系數(shù)為α。在計(jì)算蝙蝠個(gè)體適應(yīng)度值之后,如果沒有達(dá)到設(shè)定的最大迭代次數(shù),那么對(duì)脈沖頻率、蝙蝠速率及位置進(jìn)行更新,其數(shù)學(xué)模型[12]:

(3)

式中:t為當(dāng)前迭代次數(shù);β為區(qū)間[0,1]上的隨機(jī)數(shù);X*為當(dāng)前全局最優(yōu)解位置。

產(chǎn)生隨機(jī)數(shù)rand,同時(shí)判斷其與ri的大小。如果滿足rand>Ai,那么選擇最優(yōu)解集合中任意值;同時(shí),在所選擇的值附近產(chǎn)生局部最優(yōu)解[13]:

Xnew=Xold+εAt

(4)

式中:Xnew為最新解;Xold為原始解;ε為(-1,+1)的隨機(jī)數(shù);At為經(jīng)過t次迭代之后響應(yīng)平均值。

如果滿足rand

(5)

式中:μ和τ均為常量,取值范圍為0<μ<1,τ>1。

3 實(shí)例分析

3.1 數(shù)據(jù)來源

化工膠粘企業(yè)要通過持續(xù)提升創(chuàng)新創(chuàng)業(yè)管理水平,實(shí)現(xiàn)企業(yè)的綠色可持續(xù)發(fā)展。具體選擇某省400家化工膠粘企業(yè)作為案例,對(duì)其創(chuàng)新創(chuàng)業(yè)管理能力進(jìn)行評(píng)價(jià),評(píng)價(jià)結(jié)果作為原始數(shù)據(jù)。對(duì)原始數(shù)據(jù)采用最小最大歸一化公式進(jìn)行歸一化處理,歸一化處理后的數(shù)據(jù)作為分析數(shù)據(jù)。將歸一化后的數(shù)據(jù)集按照8∶2的比例劃分為訓(xùn)練集和測(cè)試集,其中訓(xùn)練集數(shù)據(jù)為320項(xiàng),測(cè)試集數(shù)據(jù)為80項(xiàng)。

3.2 結(jié)果分析

BA參數(shù)直接影響到BP參數(shù)優(yōu)化的結(jié)果,通過仿真試驗(yàn)最終確定參數(shù)的數(shù)值,結(jié)果如表1所示。

表1 BA參數(shù)設(shè)置Tab.1 BA parameter setting

采用相對(duì)誤差(Re)與總體平均誤差(Ae)來評(píng)價(jià)模型對(duì)企業(yè)創(chuàng)新創(chuàng)業(yè)管理能力的預(yù)測(cè)精度,Re和Ae的計(jì)算公式[15]

(6)

采用BA對(duì)BP神經(jīng)網(wǎng)絡(luò)的初始權(quán)重和偏差進(jìn)行優(yōu)化,得到迭代次數(shù)和適應(yīng)度關(guān)系曲線,結(jié)果如圖3所示。

由圖3可知,BA對(duì)BP神經(jīng)網(wǎng)絡(luò)的初始權(quán)重及偏差優(yōu)化收斂速度非?？?在迭代18次之后就可以獲得最優(yōu)解。采用BA-BP模型對(duì)企業(yè)創(chuàng)新創(chuàng)業(yè)管理能力進(jìn)行預(yù)測(cè),預(yù)測(cè)結(jié)果表明對(duì)企業(yè)創(chuàng)新創(chuàng)業(yè)管理能力預(yù)測(cè)的最小相對(duì)誤差為0.18%,最大相對(duì)誤差為10.62%,總體平均誤差為4.68%。

3.3 不同預(yù)測(cè)模型對(duì)比

采用不同的智能優(yōu)化算法對(duì)BP神經(jīng)網(wǎng)絡(luò)初始權(quán)值及偏差進(jìn)行優(yōu)化,可以得到不同的化工企業(yè)創(chuàng)新創(chuàng)業(yè)管理能力預(yù)測(cè)模型[16]。遺傳算法(GA)、粒子群算法(PSO)是常用的智能優(yōu)化算法,分別采用GA、PSO對(duì)BP神經(jīng)網(wǎng)絡(luò)初始權(quán)值及偏差進(jìn)行優(yōu)化,同時(shí)與BA進(jìn)行對(duì)比,結(jié)果如圖4所示。

圖4 3種優(yōu)化算法迭代曲線對(duì)比

由圖4可知,GA對(duì)BP神經(jīng)網(wǎng)絡(luò)初始權(quán)值及偏差優(yōu)化的收斂速度最慢,在迭代41次后才收斂獲最優(yōu)解。相對(duì)于GA,PSO對(duì)BP神經(jīng)網(wǎng)絡(luò)初始權(quán)值及偏差優(yōu)化的收斂速度比較快,在迭代20次后就收斂獲最優(yōu)解。相對(duì)于GA、PSO,BA的收斂速度更快,在迭代18次后就收斂獲最優(yōu)解。對(duì)比最優(yōu)解可知,盡管GA相對(duì)于PSO收斂速度比較慢,但獲得的最優(yōu)解優(yōu)于PSO;而PSO在優(yōu)化求解時(shí)陷入了局部最優(yōu)。通過3種優(yōu)化算法的對(duì)比可知,BA不僅收斂速度比較快,同時(shí)也避免了算法陷入局部最優(yōu)。

分別采用BP模型、GA-BP模型[17]、PSO-BP模型[18]對(duì)化工企業(yè)創(chuàng)新創(chuàng)業(yè)管理能力進(jìn)行預(yù)測(cè),同時(shí)與BA-BP模型進(jìn)行對(duì)比,結(jié)果如表2所示。

表2 不同模型預(yù)測(cè)性能對(duì)比Tab.2 Comparison of prediction performance of different models

由表2可知,采用智能優(yōu)化算法對(duì)BP神經(jīng)網(wǎng)絡(luò)模型的初始權(quán)值及偏差進(jìn)行優(yōu)化,所得到的改進(jìn)BP神經(jīng)網(wǎng)絡(luò)模型對(duì)化工企業(yè)創(chuàng)新創(chuàng)業(yè)管理能力的預(yù)測(cè)精度均有比較大的提升。對(duì)比GA-BP模型、PSO-BP模型以及BA-BP模型,BA-BP模型的預(yù)測(cè)精度最高,其次為GA-BP模型,PSO-BP模型的預(yù)測(cè)精度最低。

4 結(jié)語

化工膠粘企業(yè)轉(zhuǎn)型升級(jí)離不開創(chuàng)新創(chuàng)業(yè)水平的提升,精準(zhǔn)預(yù)測(cè)企業(yè)創(chuàng)新創(chuàng)業(yè)管理能力,為化工膠粘企業(yè)的發(fā)展規(guī)劃提供參考。構(gòu)建了化工膠粘企業(yè)創(chuàng)新創(chuàng)業(yè)管理能力評(píng)價(jià)指標(biāo)體系,采用BA對(duì)BP神經(jīng)網(wǎng)絡(luò)初始權(quán)值與偏差優(yōu)化,提出了化工膠粘企業(yè)創(chuàng)新創(chuàng)業(yè)管理能力預(yù)測(cè)的BA-BP模型。將該模型和BP模型、GA-BP模型、PSO-BP模型進(jìn)行對(duì)比,BA-BP模型對(duì)化工膠粘企業(yè)創(chuàng)新創(chuàng)業(yè)管理能力預(yù)測(cè)的精度明顯優(yōu)于其他3種模型,這對(duì)促進(jìn)化工膠粘企業(yè)轉(zhuǎn)型升級(jí)具有一定的參考價(jià)值。