CN112668822A - 科技成果转化平台共享系统、方法、存储介质、手机app - Google Patents

Abstract

本发明公开一种科技成果转化平台共享系统、方法、存储介质、手机APP，涉及数据处理技术领域，数据采集，进行数据源选择、信息抽取；构建科技成果转化平台评价指标决策数据库，从所选择的数据源、抽取的信息几个方面进行多角度分析；构建出科技成果转化决策模型；对采集的数据进行预处理，再进行综合评估求解，选取最优方案；基于高性能的容积卡尔曼滤波进行超参数估计；最后获取科技成果转化价值信息。本发明对原有系统产生的性能影响进行评估，检验其系统性能是否满足原有性能达到服务要求。本发明以预测科技成果转化平台有效性为实验证明了得到的超参数能够使得支持向量回归机的泛化能力更强，预测精度更高。

Description

科技成果转化平台共享系统、方法、存储介质、手机APP

技术领域

本发明公开涉及数据处理技术领域，尤其涉及一种科技成果转化平台共享系统、方法、存储介质、手机APP。

背景技术

目前，现有技术通过技术创新取得了大量科技成果，带动了经济发展，为各行业持续健康发展作出了重要贡献。现有技术由于缺乏科技成果共享信息平台，出现了科技成果信息不对称、科技成果共享难、共享成本高、转化使用率低等问题，使得科技成果的价值不能得到充分的利用甚至导致重复开发，造成了资源的浪费。

为解决上述问题，现有技术一：一种科技成果共享系统CN110781358A，包括：

注册模块，所述注册模块用于注册成果发布者与需求者的个人信息；

发布模块，所述发布模块用于所述成果发布者上传发布科技成果信息，所述需求者发布个人需求信息；

审核模块，所述审核模块用于审核所述个人信息，科技成果信息和个人需求信息；

预警模块，所述预警模块用于记录失信者信息；

数据库，所述数据库用于存储所述科技成果信息；

检索模块，所述检索模块用于所述需求者检索需要的所述科技成果信息；

评估模块，所述评估模块用于评估所述科技成果信息；

交易模块，所述交易模块用于存储所述成果发布者与需求者之间的交易信息。

科技成果共享系统的具体操作流程：

S1、成果发布者与需求者注册个人信息；

S2、审核个人信息，若个人信息真实有效，则通过注册，若个人信息虚假，则将该信息上传至预警模块4，拒绝注册；

S3、注册成功的成果发布者上传科技成果信息，科技成果信息经过审核真实，符合法律规定，则发布，并存储在数据库5中；否则上传至预警模块4拒绝发布。

S4、需求者发布个人需求信息，个人需求信息经过审核真实，符合法律规定，则发布；否则上传至预警模块4拒绝发布。

S5、需求者根据个人需求浏览或检索科技成果信息；

S6、成果发布者可以根据需求者发布的个人需求信息将自己发布的成果信息发给需求者；

S7、需求者根据满足需求的科技成果信息与成果发布者沟通达成交易协议。

但是，对于专利保护范围窄、经济价值低、实施转化率低、专利维持时间短等质量问题。不能进行在线上匹配到相互需求具有知识产权的客户知识产权需求客户，提升成果转化速率效果不理想。

为解决上述问题，现有技术二：一种科技成果转化系统CN109523432A，包括第三方服务端口、需求提交端口和终端服务器；所述的需求提交端口包括服务需求提交模块和成果需求模块；通过系统中收集到的需求和被需求的数据能够进行快速的匹配，同时将为其算出最优的服务机构，进而有效的提升了成果转化的速度。

但上述技术，科技成果转化的工作缺乏完整、可行的系统流程支撑，一些企业提出的科技成果转化系统和流程，要么虎头蛇尾，要么缺乏关键环节，导致科技成果转化工作无法持续、高质量、高效益开展。科技成果转化管理机制、奖励机制不健全，导致科技工作者参与科技成果转化的热情不高。

为解决上述问题，现有技术三：一种科技成果转化信息服务方法CN109801042A，首先科技成果完成人将科技成果相关项目上传至科技成果转化管理客户端，发送给科技成果转化企业端，完成意向洽谈和意向签订后，同时制定可行性研究报告，科技成果转化管理客户端根据制定的可行性研究报告指定最终的可行性研究报告，如果科技成果相关项目是否可行，则向科技科技成果转化企业端和科技成果完成端发送合同签订指令，科技成果转化企业和科技成果完成人完成合同签订。

但是，对于上述技术，构建的共享平台产生的性能影响是否满足到服务要求，缺乏有效监测，对于构建的共享平台预测准确度有可能产生偏差，造成实用性差。而且现有技术这些方法是以专利自身的价值特征作为出发点或引入了简单的外部特征对专利价值进行研究。造成目前的方法不能对专利的真实价值就难以被挖掘出来，不能对专利价值进行精准检测，对于获取的专利信息是否能进行应用，仍存在缺陷。

发明内容

为克服相关技术中存在的问题，本发明公开实施例提供了一种科技成果转化平台共享系统、方法、存储介质、手机APP。所述技术方案如下：

根据本发明公开实施例的第一方面，提供一种科技成果转化平台共享方法，包括：

步骤一，数据采集，进行数据源选择、信息抽取；选择数据源：确定数据源，分别为专利信息，公司年报信息以及电子商务商品信息；

信息抽取：对专利数据，从中抽取专利的摘要，权利要求书，说明书的文本信息；然后，对年报数据，抽取公司的主营业务，经营范围的文本信息，还抽取净资产收益率，投资收益率，净利润率，流动比率，毛利率五个公司相对稳定的指标；对商品数据，抽取商品介绍，规格包装的文本信息，还抽取商品价值，评论数量的商品指标；

步骤二，构建科技成果转化平台评价指标决策数据库，从所述步骤一选择的数据源、抽取的信息几个方面进行多角度分析；构建出科技成果转化决策模型，准则层为评价指标层，根据准则层中的指标的评价值对不同方案进行综合评价得到综合评价值；目标层通过对不同方案综合评价值进行比较；

步骤三，对采集的数据进行预处理，再进行综合评估求解，选取最优方案；根据对上述评价指标的采集来源进行分类，分为两类：第一类为：专利信息，公司年报信息以及电子商务商品信息从各域系统服务日志中提取；第二类为：专利的摘要，权利要求书，说明书的文本信息有效性和正常服务质量正确性从系统使用用户评价中进行抽取；

评价指标根据评价方式采用定性评价，将用户评价分为非常满意A、比较满意B、一般满意C、不满意D和非常不满意E五个选项，对应的量化区间值为9-10、7-8、5-6、3-4、0-2；

对采集的数据进行预处理中定性评价的量化处理包括：

(1)数据时效加权：以时间参数为基准，如下公式：

式中，a为某一条评价指标A的所有评价记录经计算后得到的一个最终值，a_i是该条评价指标的第i条数据，n是总数据的条数，g(i)是时间加权函数，具体公式如下：

式中t_i为该条评价指标中第i条记录的时间值，单位为天：d；结合上述两个公式，计算出各项评价指标的最终值，也是原始参数；

(2)原始参数的规范化处理：

原始参数划分成两类：正参数和逆参数，正参数指参数值越大，对系统性能的评估结果越好，逆参数则相反，服务可持续性、服务可用性指标属于正参数，而公开时间、服务成本指标则属于逆参数；先将逆参数转换成正参数，在此处，采用差式变换公式：Y_new＝C₁-C₂Y_old，其中C₁，C₂为常数，Y_old是原始参数，Y_new是经过规范化得得到初始参数；

经过处理，得到多个性能评价指标服务B的评价值集合b＝{b₁，b₂，……，b_n}，b_i(i＝1，2，……n)为第i个性能b的评价值集合；设b_min＝mm{b₁，b₂，……，b_n}，b_max＝max{b1_，b2_，……，b_n}，C₁＝b_min+b_max，C₂＝1，得到如下公式：

b_inew＝b_min+b_max-b_i

公式中b_inew为第i个性能评价指标B经过规范化处理后得到的值。

步骤四，选择组合函数作为支持向量机的核函数，把组合函数的组合系数嵌入到核函数参数与回归参数组成的超参数状态向量当中，将选取的最优策略选择问题转换成一个非线性系统的状态估计问题，然后基于高性能的容积卡尔曼滤波进行超参数估计；最后获取科技成果转化价值信息。

优选地，步骤三中，组合函数包括：

K_local(x_i，x_j)，K_global(x_i，x_j)分别为局部核函数与全局核函数，则组合函数K_mix(x_i，x_j)的表达式为：

K_mix(x_i，x_j)＝p1·K_local(x_i，x_j)+p2·K_global(x_i，x_j)；

其中，0≤p1，p2≤1为组合函数中两种核函数的组合系数，且满足p1+p2＝1。

优选地，组合函数支持向量回归机模型超参数的选择方法包括：

利用k-折交叉验证法将原始数据集分成k组，选择局部核函数和全局核函数确定组合函数，基于该组合函数用k个子LIBSVM训练此数据集，并将预测输出嵌入到容积卡尔曼滤波器当中，将模型的超参数作为系统的状态向量，则整个超参数的调整问题就作为一个非线性动态系统的滤波估计问题。

优选地，参数滤波估计模型的建立包括：

建立超参数非线性模型

γ(k)＝γ(k-1)+w(k)

y(k)＝h(γ(k))+v(k)

其中，γ(k)是超参数状态向量，y(k)是观测输出，过程噪声w(k)和观测噪声v(k)均是均值为零的高斯白噪声，且方差分别为Q和R。

由于待求的最优超参数是固定不变的，所以建立关于超参数的线性状态方程，其次对于任何一个状态向量γ(k)，经过LIBSVM训练预测之后每一个原始数据都有一个预测输出，建立式非线性观测方程。

优选地，支持向量回归机找到一个回归函数f：R^D→R，使得y＝f(x)＝w^Tφ(x)+b；

其中，φ(x)是一个将数据x从低维映射到高维特征空间的函数；w是一个权重向量，并且b是一个上下平移的数值；标准支持向量回归机采用ε-不灵敏函数，假设所有训练数据在精度ε下用线性函数拟合；把问题转化为求优化目标函数最小化问题：

s.t.w^Tφ(xi)+b-y_i≤ε+ξ_i，i＝1，2，K，l

式中，ξ_i，

是松弛因子，当拟合有误差时，ξ_i，

都大于0，误差不存在时为0，优化函数第一项使拟合函数更为平坦；第二项为减小误差；常数C＞0表示对超出误差ε的样本的惩罚程度。

容积卡尔曼滤波方法包括：时间更新及测量更新。

根据本发明公开实施例的第二方面，提供一种科技成果转化平台共享系统，所述科技成果转化平台共享系统包括：

数据采集抽取模块，用于进行数据源选择、信息抽取；

科技成果转化平台评价指标决策数据库构建模块，从所述选择的数据源、抽取的信息几个方面进行多角度分析；构建出科技成果转化决策模型，准则层为评价指标层，根据准则层中的指标的评价值对不同方案进行综合评价得到综合评价值；目标层通过对不同方案综合评价值进行比较；

最优方案获取模块，对采集的数据进行预处理，再进行综合评估求解，选取最优方案；

科技成果转化价值信息获取模块，用于选择组合函数作为支持向量机的核函数，把组合函数的组合系数嵌入到核函数参数与回归参数组成的超参数状态向量当中，将选取的最优策略选择问题转换成一个非线性系统的状态估计问题，然后基于高性能的容积卡尔曼滤波进行超参数估计；最后获取科技成果转化价值信息。

根据本发明公开实施例的第三方面，提供一种接收用户输入程序存储介质，所存储的计算机程序使电子设备执行所述包括下列步骤：

进行数据源选择、信息抽取；

科技成果转化平台评价指标决策数据库构建，从所述选择的数据源、抽取的信息几个方面进行多角度分析；构建出科技成果转化决策模型，准则层为评价指标层，根据准则层中的指标的评价值对不同方案进行综合评价得到综合评价值；目标层通过对不同方案综合评价值进行比较；

对采集的数据进行预处理，再进行综合评估求解，选取最优方案；

选择组合函数作为支持向量机的核函数，把组合函数的组合系数嵌入到核函数参数与回归参数组成的超参数状态向量当中，将选取的最优策略选择问题转换成一个非线性系统的状态估计问题，然后基于高性能的容积卡尔曼滤波进行超参数估计；最后获取科技成果转化价值信息。

根据本发明公开实施例的第四方面，提供一种存储在计算机可读介质上的计算机程序产品，包括计算机可读程序，供于电子装置上执行时，提供用户输入接口以实施所述的方法。

根据本发明公开实施例的第五方面，提供一种手机APP设备，包括存储器和处理器，所述存储器存储有计算机程序，所述计算机程序被所述处理器执行时，使得所述处理器执行如下步骤：

进行数据源选择、信息抽取；

科技成果转化平台评价指标决策数据库构建，从所述选择的数据源、抽取的信息几个方面进行多角度分析；构建出科技成果转化决策模型，准则层为评价指标层，根据准则层中的指标的评价值对不同方案进行综合评价得到综合评价值；目标层通过对不同方案综合评价值进行比较；

对采集的数据进行预处理，再进行综合评估求解，选取最优方案；

选择组合函数作为支持向量机的核函数，把组合函数的组合系数嵌入到核函数参数与回归参数组成的超参数状态向量当中，将选取的最优策略选择问题转换成一个非线性系统的状态估计问题，然后基于高性能的容积卡尔曼滤波进行超参数估计；最后获取科技成果转化价值信息。

本发明公开的实施例提供的技术方案可以包括以下有益效果：

相较于现有方法，本方法所采用的技术手段和效果体现主要体现在：

本发明整个方法和系统通过自动网络爬虫，关联数据挖掘，以及自动采样方法等机器学习算法实现，专利共享及评价完全自动化。

其突出的技术优势表现在：相较于现有方法，该方法在建模过程中充分考虑了专利价值的不确定性、相对性、多维性、关联性及其价值联动规律等，使其价值表达更加符合价值特征和价值规律，价值度量更加精准，另外，该方法将专利估值过程交由知识关联环境、市场数据、价值联动，通过数据挖掘和机器学习算法自动实现，整个过程无需要人工参与，摒弃了人工参与的主观性，让估值更加智能，估值结果更加准确客观。

本发明对原有系统产生的性能影响进行评估，检验其系统性能是否满足原有性能达到服务要求。

本发明基于混合的核函数提出了一种新的容积卡尔曼滤波支持向量回归机模型选择方法。将组合函数的组合系数嵌入到核函数参数与回归参数组成的超参数状态向量当中，基于LIBSVM对原始数据集做预测输出，然后用容积卡尔曼滤波对超参数进行自动调整估计。最后以预测科技成果转化平台有效性为实验证明了基于本发明所提方法得到的超参数能够使得支持向量回归机的泛化能力更强，预测精度更高。

当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本公开。

附图说明

此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本公开的实施例，并与说明书一起用于解释本公开的原理。

图1是本发明实施例提供的科技成果转化平台共享方法流程图。

图2是本发明实施例提供的科技成果转化平台共享系统示意图。

图2中：1、数据采集抽取模块；2、科技成果转化平台评价指标决策数据库构建模块；3、最优方案获取模块；4、科技成果转化价值信息获取模块。

图3是本发明实施例提供的MKF-CKF-SVR算法的回归预测图；

其中，a、MKF-CKF-SVR算法对训练样本回归预测结果图；b、MKF-CKF-SVR算法对测试样本回归预测结果图。

图4是本发明实施例提供的RBF-GA-SVR算法的回归预测图；

其中，a、RBF-GA-SVR算法对训练样本回归预测结果图；b、RBF-GA-SVR算法对测试样本回归预测结果图。

具体实施方式

这里将详细地对示例性实施例进行说明，其示例表示在附图中。下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本公开相一致的所有实施方式。相反，它们仅是与如所附权利要求书中所详述的、本公开的一些方面相一致的装置和方法的例子。

如图1所示，本发明公开实施例所提供的一种科技成果转化平台共享方法，包括：

S101，数据采集，进行数据源选择、信息抽取；选择数据源：确定数据源，分别为专利信息，公司年报信息以及电子商务商品信息。

信息抽取：对专利数据，从中抽取专利的摘要，权利要求书，说明书的文本信息；然后，对年报数据，抽取公司的主营业务，经营范围的文本信息，还抽取净资产收益率，投资收益率，净利润率，流动比率，毛利率五个公司相对稳定的指标；对商品数据，抽取商品介绍，规格包装的文本信息，还抽取商品价值，评论数量的商品指标。

S102，构建科技成果转化平台评价指标决策数据库，从所述步骤S101选择的数据源、抽取的信息几个方面进行多角度分析；构建出科技成果转化决策模型，准则层为评价指标层，根据准则层中的指标的评价值对不同方案进行综合评价得到综合评价值；目标层通过对不同方案综合评价值进行比较。

S103，对采集的数据进行预处理，再进行综合评估求解，选取最优方案；根据对上述评价指标的采集来源进行分类，分为两类：第一类为：专利信息，公司年报信息以及电子商务商品信息从各域系统服务日志中提取；第二类为：专利的摘要，权利要求书，说明书的文本信息有效性和正常服务质量正确性从系统使用用户评价中进行抽取。

评价指标根据评价方式采用定性评价，将用户评价分为非常满意A、比较满意B、一般满意C、不满意D和非常不满意E五个选项，对应的量化区间值为9-10、7-8、5-6、3-4、O-2；

对采集的数据进行预处理中定性评价的量化处理包括：

(1)数据时效加权：以时间参数为基准，如下公式：

式中，a为某一条评价指标A的所有评价记录经计算后得到的一个最终值，a_i是该条评价指标的第i条数据，n是总数据的条数，g(i)是时间加权函数，具体公式如下：

式中t_i为该条评价指标中第i条记录的时间值，单位为天：d；结合上述两个公式，计算出各项评价指标的最终值，也是原始参数；

(2)原始参数的规范化处理：

原始参数划分成两类：正参数和逆参数，正参数指参数值越大，对系统性能的评估结果越好，逆参数则相反，服务可持续性、服务可用性指标属于正参数，而公开时间、服务成本指标则属于逆参数；先将逆参数转换成正参数，在此处，采用差式变换公式：Y_new＝C₁-C₂Y_old，其中C₁，C₂为常数，Y_old是原始参数，Y_new是经过规范化得得到初始参数；

经过处理，得到多个性能评价指标服务B的评价值集合b＝{b₁，b₂，……，b_n}，b_i(i＝1，2，……n)为第i个性能b的评价值集合；设b_min＝min{b₁，b₂，……，b_n}，b_max＝max{b₁，b₂，……，b_n}，C₁＝b_min+b_max，C₂＝1，得到如下公式：

b_inew＝b_min+b_max-b_i

公式中b_inew为第i个性能评价指标B经过规范化处理后得到的值。

S104，选择组合函数作为支持向量机的核函数，把组合函数的组合系数嵌入到核函数参数与回归参数组成的超参数状态向量当中，将选取的最优策略选择问题转换成一个非线性系统的状态估计问题，然后基于高性能的容积卡尔曼滤波进行超参数估计；最后获取科技成果转化价值信息。

步骤三S103中，组合函数包括：

K_local(x_i，x_j)，K_global(x_i，x_j)分别为局部核函数与全局核函数，则组合函数K_mix(x_i，x_j)的表达式为：

K_mix(x_i，x_j)＝p1·K_local(x_i，x_j)+p2·K_global(x_i，x_j)；

其中，0≤p1，p2≤1为组合函数中两种核函数的组合系数，且满足p1+p2＝1。

在本发明中，组合函数支持向量回归机模型超参数的选择方法包括：

利用k-折交叉验证法将原始数据集分成k组，选择局部核函数和全局核函数确定组合函数，基于该组合函数用k个子LIBSVM训练此数据集，并将预测输出嵌入到容积卡尔曼滤波器当中，将模型的超参数作为系统的状态向量，则整个超参数的调整问题就作为一个非线性动态系统的滤波估计问题。

参数滤波估计模型的建立包括：

建立超参数非线性模型

γ(k)＝γ(k-1)+w(k)

y(k)＝h(γ(k))+v(k)

其中，γ(k)是超参数状态向量，y(k)是观测输出，过程噪声w(k)和观测噪声v(k)均是均值为零的高斯白噪声，且方差分别为Q和R。

由于待求的最优超参数是固定不变的，所以建立关于超参数的线性状态方程，其次对于任何一个状态向量γ(k)，经过LIBSVM训练预测之后每一个原始数据都有一个预测输出，建立式非线性观测方程。

支持向量回归机找到一个回归函数f：R^D→R，使得

y＝f(x)＝w^Tφ(x)+b；

其中，φ(x)是一个将数据x从低维映射到高维特征空间的函数；w是一个权重向量，并且b是一个上下平移的数值；标准支持向量回归机采用ε-不灵敏函数，假设所有训练数据在精度ε下用线性函数拟合；把问题转化为求优化目标函数最小化问题：

s.t.w^Tφ(x_i)+b-y_i≤ε+ξ_i，i＝1，2，K，l

式中，ξ_i，

是松弛因子，当拟合有误差时，ξ_i，

都大于0，误差不存在时为0，优化函数第一项使拟合函数更为平坦；第二项为减小误差；常数C＞0表示对超出误差ε的样本的惩罚程度。

容积卡尔曼滤波方法包括：时间更新及测量更新。

如图2所示，本发明提供一种科技成果转化平台共享系统，包括：

数据采集抽取模块1，用于进行数据源选择、信息抽取。

科技成果转化平台评价指标决策数据库构建模块2，从所述选择的数据源、抽取的信息几个方面进行多角度分析；构建出科技成果转化决策模型，准则层为评价指标层，根据准则层中的指标的评价值对不同方案进行综合评价得到综合评价值；目标层通过对不同方案综合评价值进行比较。

最优方案获取模块3，对采集的数据进行预处理，再进行综合评估求解，选取最优方案。

科技成果转化价值信息获取模块4，用于选择组合函数作为支持向量机的核函数，把组合函数的组合系数嵌入到核函数参数与回归参数组成的超参数状态向量当中，将选取的最优策略选择问题转换成一个非线性系统的状态估计问题，然后基于高性能的容积卡尔曼滤波进行超参数估计；最后获取科技成果转化价值信息。

下面结合具体实施例及仿真实验对本发明作进一步描述。

实施例1

综合评估求解步骤

QoS算法综合评估基于上述各评价指标的数据，为了得到理想的评估结果，需要对采集的数据进行预处理，再带入算法进行综合评估求解，选取最优方案。本发明的评估算法主要内容分两部分，第一部分是对参数的处理，第二部分是求解过程，具体内容如下：

1)数据采集及处理

根据对上述评价指标的采集来源进行分类，可以分为两类：第一类为：正常事件公开时间、安全事件公开时间、安全服务成本、安全服务可持续性、安全服务可用性是从各域系统服务日志中提取；第二类为：安全服务质量正确性、安全服务质量有效性、正常服务质量有效性和正常服务质量正确性从系统使用用户评价中进行抽取。

本发明对的评价指标根据评价方式定性评价两种。此外，由于数据数据存在着时间因素的影响，在数据处理时需要考虑记录的时效性才能保证评估结果的准确性。

①定性评价的量化处理

在第二类评价指标中，如“服务质量正确性”等通常由系统使用用户在使用完本系统服务结束后对本次服务做出的评价，本发明将这些用户评价分为：“非常满意”、“比较满意”、“一般满意”、“不满意”和“非常不满意”五个选项，每个选项对应的等级和量化区间值表述如下表1所示。

表1定性评价等级量化关系

②数据时效加权

由于历史评价记录的时间不同，不同时间间隔的相邻两个评价会在一定程度上影响最终的评价结果，为了减小时差间不同评价对结果的影响，本发明以时间参数为基准，设计如下公式：

公式1中，a为某一条评价指标A的所有评价记录经计算后得到的一个最终值，a_i是该条评价指标的第i条数据，n是总数据的条数，g(i)是时间加权函数，其具体公式如下：

公式(2)中t_i为该条评价指标中第i条记录的时间值，单位为天：d。结合上述两个公式，可以计算出各项评价指标的最终值，也是本评估算法的原始参数，接下来对原始参数进行规范化处理。

原始参数的规范化处理

在本发明中，原始参数划分成两类：正参数和逆参数，其中正参数指参数值越大，对系统性能的评估结果越好，逆参数则相反，本发明中“服务可持续性”、“安全服务可用性”等指标属于正参数，而“公开时间”、“服务成本”等指标则属于逆参数。本发明需要先将逆参数转换成正参数，在此处，采用现有的差式变换公式：Y_new＝C₁-C₂Y_old，其中C₁，C₂为常数，Y_old是原始参数，Y_new是经过规范化得得到初始参数。

经过上述步骤的处理，可以得到多个性能QoS评价指标服务B的评价值集合b＝{b₁，b₂，……，b_n}，b_i(i＝1，2，……n)为第i个性能b的评价值集合。设b_min＝min{b₁，b₂，……，b_n}，b_max＝max{b₁，b₂，……，b_n}，C₁＝b_min+b_max，C₂＝1，得到如下公式：

b_inew＝b_min+b_max-b_i (3)

公式(3)中b_inew为第i个性能评价指标B经过规范化处理后得到的值。

2)综合评估算法设计

在本发明的准则层中，选取的指标较多，在对系统性能进行评估时，本发明采用采用主成分分析法对指标进行筛选，分析出对评估结果影响比较大的指标。

数据标准化。假设参与评估的性能集合为d_k∈{d₁，d₂，……，d_p}，性能的原始参数集合q_j∈{q₁，q₂，……，q_m}，经过量化及规范化处理后得到的性能初始参数矩阵如表2所示：

表2性能初始参数矩阵

由于评估指标的性质不同，所取的值也会差异，因此应对表2进行标准化处理，处理公式如下：

建立变量关系矩阵。Z＝(z_ij)_m×m，其中，

求Z的特征根及其对应的特征向量。令特征根λ₁≥λ₂≥λ₃≥…≥λ_m≥0，对应的特征向量为T₁，T₂，T₃，…，T_M。

确定主成分。第j个主成分Q_j的累计方差贡献率为

为了减少主成分个数，取方差贡献率较高的做主成分，本发明中方差贡献率Ψ_q设为80％，即Ψ_q＞80％时，取前q个主成分Q。

确定权重值，计算QoS综合评价值。经过前面的步骤，得到主成分Q＝{Q₁，Q₂，…，Q_q)及其相应的特征根λ＝{λ₁，λ₂，…，λ_q}。主成分Q_j的权重为

最后系统性能QoS的综合评价值计算公式为：

当Z值大于M值时(M值是系统性能指标规定的合格值)，则判断该系统性能合格，即在增加信息安全机制的前提下，整个系统满足系统性能要求。

实施例2

组合函数

支持向量机的关键是核函数的引入。当数据集在低维空间时，往往难以将其分开；当把数据集映射到高维空间时，新形成的数据集则较容易分开，而这种方法的计算工作量是巨大的。核函数的引入使得直接在变换后的高维特征空间的运算量得到减少，避免了“维数灾难”问题。目前，有四类核函数广泛运用在支持向量机的研究和应用中。

(1)线性核函数

K(x_i，x_j)＝x_i·x_j (6)

基于线性核函数得到的支持向量机是样本空间中的超平面。

(2)多项式核函数

K(x_i，x_j)＝((x_i·x_j)+c)^q (7)

其中，c，q为核参数且满足c≥0，q∈N，基于此核函数得到的是q阶多项式分类器。当c＝1时的核函数是常用的一个多项式核。

(3)高斯核函数(RBF核)

K(x_i，x_j)＝exp(-||x_i-x_j||²/σ²) (8)

其中，σ＞0为核参数，基于高斯核函数得到的支持向量机是一个径向基函数的学习机，它的每一个基函数中心对应一个支持向量。与一般的核函数相比，高斯核函数只需要确定一个参数，建立核函数模型相对简单。因此，RBF核函数是目前被应用最广的一种核函数。

(4)Sigmoid核函数

其中，λ，

为核参数且满足λ＞0，

基于Sigmoid核函数得到的支持向量机是一个包含隐层的多层感知器。

核函数巧妙地解决了低维向量映射到高维时所带来的维数灾难问题，提高了机器学习的非线性处理能力。而每一种核函数都有各自的特性，基于不同核函数得到的支持向量回归机具有不同的泛化能力。目前，核函数主要分为两大类：全局核函数与局部核函数。局部核函数善于提取样本的局部性，核函数的值只受距离很近的数据点影响，插值能力较强，因此其学习能力强。常用的核函数当中，RBF核函数属于局部核函数。全局核函数善于提取样本的全局特性，核函数的值只受距离很远的数据点影响，因此其泛化能力强。与局部核函数相比，全局核函数插值能力较弱。常用的核函数当中，线性核函数、多项式核函数、和Sigmoid核函数都属于全局核函数。总之，局部核函数学习能力强，而其泛化能力弱；全局核函数泛化能力强，但是其学习能力弱。因此考虑把这两类核函数组合起来，使得新的混合的核函数具有很好的学习能力的同时也具有很好的泛化能力。

记K_local(xi，xj)，K_global(x_i，x_j)分别为局部核函数与全局核函数，则组合函数K_mix(x_i，x_j)的表达式为：

K_mix(x_i，x_j)＝p1·K_local(x_i，x_j)+p2·K_global(x_i，x_j) (10)

其中，0≤p1，p2≤1为组合函数中两种核函数的组合系数，且满足p1+p2＝1。显然，组合函数是局部核函数与全局核函数的凸组合。理论证明函数只要满足Mercer条件都可选为核函数，并且Mercer核的非负线性组合仍然是Mercer核^[23]。组合函数的引入，弥补了单一使用全局核函数和局部核函数的不足。

很明显，当组合系数p1＝0或者p2＝0时，组合函数就退化成单一的核函数。实际应用中，组合函数(3)中的组合系数p1，p2往往是根据经验而事先设计好的，因而，组合系数并不一定符合实际情况，更不是最优的。基于单个核函数的支持向量回归机的模型选择仅仅是在选择单个核函数内部的参数，而以组合函数为核的支持向量回归机的模型选择既要选择局部核函数内部的参数，还有选择全局核函数内部的参数，同时还要确定这两种核函数的组合系数，使得基于组合函数得到的支持向量回归机的性能最优。

参数选择

下面推导支持向量回归机模型超参数的选择方法，并给出所提算法的具体步骤。超参数调整系统，首先利用k-折交叉验证法将原始数据集分成k组，选择局部核函数和全局核函数确定组合函数，基于该组合函数用k个子LIBSVM训练此数据集，并将它的预测输出嵌入到容积卡尔曼滤波器当中，将模型的超参数作为系统的状态向量，则整个超参数的调整问题就可作为一个非线性动态系统的滤波估计问题。

参数滤波估计模型的建立

建立如下超参数非线性系统

γ(k)＝γ(k-1)+w(k) (11)

y(k)＝h(γ(k))+v(k) (12)

其中，γ(k)是超参数状态向量，y(k)是观测输出，过程噪声w(k)和观测噪声v(k)均是均值为零的高斯白噪声，且方差分别为Q和R。

由于待求的最优超参数可以看做是固定不变的，所以可以建立式(11)所示的关于超参数的线性状态方程，其次对于任何一个状态向量γ(k)，经过LIBSVM训练预测之后每一个原始数据都有一个预测输出，故可建立式(12)所示的非线性观测方程。为了CKF算法的运行，需要对系统模型加入人工过程白噪声和观测白噪声。

支持向量回归机

支持向量回归机的最终目的是找到一个回归函数f：R^D→R，使得

y＝f(x)＝w^Tφ(x)+b (13)

其中，φ(x)是一个将数据x从低维映射到高维特征空间的函数。w是一个权重向量，并且b是一个上下平移的数值。标准支持向量回归机采用ε-不灵敏函数，假设所有训练数据在精度ε下用线性函数拟合。这时，把问题转化为求优化目标函数最小化问题：

式中，ξ_i，

是松弛因子，当拟合有误差时，ξ_i，

都大于0，误差不存在时为0，优化函数第一项使拟合函数更为平坦，从而提高泛化能力；第二项为减小误差；常数C＞0表示对超出误差ε的样本的惩罚程度。

将核函数组合系数p1，p2、局部核函数的参数、全局核函数的参数以及惩罚参数C作为支持向量回归机的超参数γ，令k₁为局部核函数的核参数向量，k₂为全局核函数的核参数向量，则模型(11)中的超参数状态向量γ＝[p1，p2，k1，k2，C]^T。

求解(14)式的凸二次优化问题，引入Lagrange乘子αi，

支持向量回归机的原始问题(14)转换成如下对偶形式：

通过求解该对偶问题得到原始问题的解

从而构造决策函数。将核函数K(x，x′)代替目标函数(11)中的内积(x_i·x_j)，则得到决策函数为：

其中，

按如下方式计算：选择开区间中的

或

若选到的是

则

若选到的是

则

预测输出函数

假设支持向量回归机的原始样本数据集合为D＝{(x_i，y_i)|i∈I}，其中指标集合I＝{1，2，K，N}，yi为数据的目标向量，运用k-折交叉验证方法将样本数据分成k组，即

D_j＝{(x_i，y_i)|i∈I_j} (19)

其中j∈{1，2，K，k}，并且所有组的指标集I_j满足I₁ U I_j UL UI_k＝I，所有组的数据集D_j满足D₁ U D₂UL UD_k＝D。在每一次支持向量回归的迭代运算中，使用其中任意一组数据D_p用作预测，剩下的k-1组数据作为训练数据库，给定初始的超参数γ₀利用LIBSVM^[25]训练支持向量回归机。设此时训练结果为

和

则此时的决策函数为

其中，

将数据组D_p代入式(11)，即可得到D_p的预测输出值

分别将数据组D_i，i∈{1，2，K，k}作为预测数据组，其余的数据组D₁，K，D_i-1，D_i+1，K，D_k作为支持向量回归机训练数据组，经过k-折交叉验证回归预测之后，样本数据集D中的每一个数据有且仅有一个预测输出值。故对于超参数向量γ，可定义如下预测输出函数：

y＝h(γ) (22)

其中，y＝(y(1)，y(2)，K，y(N))^T。

容积卡尔曼滤波

基于公式(11)、(12)所建立的超参数模型以及预测输出函数(22)，下面给出容积卡尔曼滤波算法部分的主要步骤，包括2个过程，即时间更新过程和测量更新过程：

时间更新

1)假设在k时刻状态误差协方差矩阵已知，按下式分解

P(k-1|k-1)＝S(k-1|k-1)S^T(k-1|k-1) (23)

2)按下式计算容积点(i＝1，2，L，m)

其中，m＝2n_x，

如若状态维数为2，则[1]∈R²，表示集合点

且[1]i表示该集合中的第i个向量点。

3)计算传播容积点(i＝1，2，L，m)

4)计算一步状态预测

5)一步预测误差协方差阵为

测量更新

1)按下式分解一步预测误差协方差阵

P(k|k-1)＝S(k|k-1)S^T(k|k-1) (28)

2)计算容积点(i＝1，2，L，m)

3)基于预测输出函数(14)-(17)计算传播容积点

Y_i(k|k-1)＝h(X_i(k|k-1)) (30)

4)一步测量预测为

5)新息协方差矩阵为

6)计算互协方差矩阵

7)计算增益矩阵

8)更新估计状态

9)状态误差协方差矩阵为

P(k|k)＝P(k|k-1)-K(k)P_yy(k|k-1)K^T(k) (36)

由于CKF算法运用了径向积分和球形积分方法，该算法本身比UKF算法具有更高的估计精度。从容积卡尔曼滤波算法对超参数的估计过程来看，主要是在测量更新步骤(30)式中，需要将LIBSVM训练得到的预测输出函数嵌入到传播容积点的计算当中。

模型参数选择

在超参数系统(11)-(12)中，观测向量y(k)的真实值在每一次迭代中都是不变的，且就是原始样本数据的目标值向量y(k)＝(y₁，y₂，K，y_N)^T，故可根据观测向量的真实值y(k)及预测输出值

对超参数状态向量γ做最优状态估计，使得真实值与预测输出值的方差达到最小。MKF-CKF-SVR算法同样是包括两个过程，即时间更新过程和测量更新过程：

时间更新：

由于该更新过程是对状态的预测更新，且状态方程是线性已知的，故可根据容积卡尔曼滤波算法的时间跟新过程进行MKF-CKF-SVR算法的时间更新。测量更新：

在测量更新的过程中需要用到预测输出函数，故不能直接利用CKF算法的公式(28)进行传播容积点的计算。需要由超参数状态向量γ(k)，利用LIBSVM训练数据集，再预测输出

Remark 3：基于组合函数和容积卡尔曼滤波算法的SVR算法将组合函数的组合系数与核参数及惩罚参数C作为超参数状态向量，然后利用k-折交叉验证法基于LIBSVM对数据集进行预测输出，最终用CKF算法迭代计算最优的的超参数状态向量。实际上，整个MKF-CKF-SVR算法的过程就是在迭代寻找最优的状态向量γ，使得样本真实目标值y(k)与支持向量回归机的预测输出

之间的误差方差最小。

仿真

预测科技成果转化平台有效性的实验：所有仿真均采用5-折交叉验证。本仿真组合函数的局部核函数选择RBF核函数，全局核函数选择Sigmoid核函数。则MKF-CKF-SVR算法的超参数向量

基于RBF核函数的遗传支持向量回归机算法(RBF-GA-SVR)的超参数向量γ＝[σ，C]^T。回归预测结果对比如图3、4和表3所示。

表3超参数估计结果表

从图3、图4可以看出，MKF-CKF-SVR算法与RBF-GA-SVR算法相比，能更好的对原始数据集进行拟合，预测精度更高。从表3的预测样本误差均方误差来看，MKF-CKF-SVR算法的预测样本误差均方误差大大小于RBF-GA-SVR算法，且基于MKF-CKF-SVR算法给出的局部核参数值σ远小于基于RBF-GA-SVR算法，因此，MKF-CKF-SVR算法泛化能力更强。

本发明基于混合的核函数提出了一种新的容积卡尔曼滤波支持向量回归机模型选择方法。将组合函数的组合系数嵌入到核函数参数与回归参数组成的超参数状态向量当中，基于LIBSVM对原始数据集做预测输出，然后用容积卡尔曼滤波对超参数进行自动调整估计。最后以预测科技成果转化平台有效性为实验证明了基于本发明所提方法得到的超参数能够使得支持向量回归机的泛化能力更强，预测精度更高。

本领域技术人员在考虑说明书及实践这里公开的公开后，将容易想到本公开的其它实施方案。本申请旨在涵盖本公开的任何变型、用途或者适应性变化，这些变型、用途或者适应性变化遵循本公开的一般性原理并包括本公开未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的，本公开的真正范围和精神由所附的权利要求指出。

应当理解的是，本公开并不局限于上面已经描述并在附图中示出的精确结构，并且可以在不脱离其范围进行各种修改和改变。本公开的范围应由所附的权利要求来限制。

Claims (10)

1.一种科技成果转化平台共享方法，其特征在于，所述科技成果转化平台共享方法包括：

步骤一，数据采集，进行数据源选择、信息抽取；选择数据源：确定数据源，分别为专利信息，公司年报信息以及电子商务商品信息；

信息抽取：对专利数据，从中抽取专利的摘要，权利要求书，说明书的文本信息；然后，对年报数据，抽取公司的主营业务，经营范围的文本信息，还抽取净资产收益率，投资收益率，净利润率，流动比率，毛利率五个公司相对稳定的指标；对商品数据，抽取商品介绍，规格包装的文本信息，还抽取商品价值，评论数量的商品指标；

步骤二，构建科技成果转化平台评价指标决策数据库，从所述步骤一选择的数据源、抽取的信息几个方面进行多角度分析；构建出科技成果转化决策模型，准则层为评价指标层，根据准则层中的指标的评价值对不同方案进行综合评价得到综合评价值；目标层通过对不同方案综合评价值进行比较；

步骤三，对采集的数据进行预处理，再进行综合评估求解，选取最优方案；根据对上述评价指标的采集来源进行分类，分为两类：第一类为：专利信息，公司年报信息以及电子商务商品信息从各域系统服务日志中提取；第二类为：专利的摘要，权利要求书，说明书的文本信息有效性和正常服务质量正确性从系统使用用户评价中进行抽取；

评价指标根据评价方式采用定性评价，将用户评价分为非常满意A、比较满意B、一般满意C、不满意D和非常不满意E五个选项，对应的量化区间值为9-10、7-8、5-6、3-4、0-2；

对采集的数据进行预处理中定性评价的量化处理包括：

(1)数据时效加权：以时间参数为基准，如下公式：

式中，a为某一条评价指标A的所有评价记录经计算后得到的一个最终值，a_i是该条评价指标的第i条数据，n是总数据的条数，g(i)是时间加权函数，具体公式如下：

式中t_i为该条评价指标中第i条记录的时间值，单位为天：d；结合上述两个公式，计算出各项评价指标的最终值，也是原始参数；

(2)原始参数的规范化处理：

原始参数划分成两类：正参数和逆参数，正参数指参数值越大，对系统性能的评估结果越好，逆参数则相反，服务可持续性、服务可用性指标属于正参数，而公开时间、服务成本指标则属于逆参数；先将逆参数转换成正参数，在此处，采用差式变换公式：Y_new＝C₁-C₂Y_old，其中C₁，C₂为常数，Y_old是原始参数，Y_new是经过规范化得得到初始参数；

经过处理，得到多个性能评价指标服务B的评价值集合b＝{b₁，b₂，......，b_n}，b_i(i＝1，2，......n)为第i个性能b的评价值集合；设b_min＝min{b₁，b₂，......，b_n}，b_max＝max{b₁，b₂，......，b_n}，C₁＝b_min+b_max，C₂＝1，得到如下公式：

b_inew＝b_min+b_max-b_i

公式中b_inew为第i个性能评价指标B经过规范化处理后得到的值；

步骤四，选择组合函数作为支持向量机的核函数，把组合函数的组合系数嵌入到核函数参数与回归参数组成的超参数状态向量当中，将选取的最优策略选择问题转换成一个非线性系统的状态估计问题，然后基于高性能的容积卡尔曼滤波进行超参数估计；最后获取科技成果转化价值信息。

2.如权利要求1所述的科技成果转化平台共享方法，其特征在于，步骤三中，组合函数包括：

K_local(x_i，x_j)，K_global(x_i，x_j)分别为局部核函数与全局核函数，则组合函数K_mix(x_i，x_j)的表达式为：

K_mix(x_i，x_j)＝p1·K_local(x_i，x_j)+p2·K_global(x_i，x_j)；

其中，0≤p1，p2≤1为组合函数中两种核函数的组合系数，且满足p1+p2＝1。

3.如权利要求1所述的科技成果转化平台共享方法，其特征在于，组合函数支持向量回归机模型超参数的选择方法包括：

利用k-折交叉验证法将原始数据集分成k组，选择局部核函数和全局核函数确定组合函数，基于该组合函数用k个子LIBSVM训练此数据集，并将预测输出嵌入到容积卡尔曼滤波器当中，将模型的超参数作为系统的状态向量，则整个超参数的调整问题就作为一个非线性动态系统的滤波估计问题。

4.如权利要求1所述的科技成果转化平台共享方法，其特征在于，参数滤波估计模型的建立包括：

建立超参数非线性模型

γ(k)＝γ(k-1)+w(k)

y(k)＝h(γ(k))+v(k)

其中，γ(k)是超参数状态向量，y(k)是观测输出，过程噪声w(k)和观测噪声v(k)均是均值为零的高斯白噪声，且方差分别为Q和R；

由于待求的最优超参数是固定不变的，所以建立关于超参数的线性状态方程，其次对于任何一个状态向量γ(k)，经过LIBSVM训练预测之后每一个原始数据都有一个预测输出，建立式非线性观测方程。

5.如权利要求1所述的科技成果转化平台共享方法，其特征在于，支持向量回归机找到一个回归函数f：R^D→R，使得

y＝f(x)＝w^Tφ(x)+b；

其中，φ(x)是一个将数据x从低维映射到高维特征空间的函数；w是一个权重向量，并且b是一个上下平移的数值；标准支持向量回归机采用ε-不灵敏函数，假设所有训练数据在精度ε下用线性函数拟合；把问题转化为求优化目标函数最小化问题：

s.t.w^Tφ(x_i)+b-y_i≤ε+ξ_i，i＝1，2，K，l

式中，ξ_i，

是松弛因子，当拟合有误差时，ξ_i，

都大于0，误差不存在时为0，优化函数第一项使拟合函数更为平坦；第二项为减小误差；常数C＞0表示对超出误差ε的样本的惩罚程度。

6.如权利要求1所述的科技成果转化平台共享方法，其特征在于，容积卡尔曼滤波方法包括：时间更新及测量更新。

7.一种实现如权利要求1-6任意一项所述科技成果转化平台共享方法的科技成果转化平台共享系统，其特征在于，所述科技成果转化平台共享系统包括：

数据采集抽取模块，用于进行数据源选择、信息抽取；

科技成果转化平台评价指标决策数据库构建模块，从所述选择的数据源、抽取的信息几个方面进行多角度分析；构建出科技成果转化决策模型，准则层为评价指标层，根据准则层中的指标的评价值对不同方案进行综合评价得到综合评价值；目标层通过对不同方案综合评价值进行比较；

最优方案获取模块，对采集的数据进行预处理，再进行综合评估求解，选取最优方案；

科技成果转化价值信息获取模块，用于选择组合函数作为支持向量机的核函数，把组合函数的组合系数嵌入到核函数参数与回归参数组成的超参数状态向量当中，将选取的最优策略选择问题转换成一个非线性系统的状态估计问题，然后基于高性能的容积卡尔曼滤波进行超参数估计；最后获取科技成果转化价值信息。

8.一种接收用户输入程序存储介质，所存储的计算机程序使电子设备执行权利要求1～6任意一项所述科技成果转化平台共享方法，包括下列步骤：

进行数据源选择、信息抽取；

科技成果转化平台评价指标决策数据库构建，从所述选择的数据源、抽取的信息几个方面进行多角度分析；构建出科技成果转化决策模型，准则层为评价指标层，根据准则层中的指标的评价值对不同方案进行综合评价得到综合评价值；目标层通过对不同方案综合评价值进行比较；

对采集的数据进行预处理，再进行综合评估求解，选取最优方案；

选择组合函数作为支持向量机的核函数，把组合函数的组合系数嵌入到核函数参数与回归参数组成的超参数状态向量当中，将选取的最优策略选择问题转换成一个非线性系统的状态估计问题，然后基于高性能的容积卡尔曼滤波进行超参数估计；最后获取科技成果转化价值信息。

9.一种存储在计算机可读介质上的计算机程序产品，包括计算机可读程序，供于电子装置上执行时，提供用户输入接口以实施如权利要求1～6所述的科技成果转化平台共享方法。

10.一种手机APP设备，其特征在于，包括存储器和处理器，所述存储器存储有计算机程序，所述计算机程序被所述处理器执行时，使得所述处理器执行如下步骤：

进行数据源选择、信息抽取；

科技成果转化平台评价指标决策数据库构建，从所述选择的数据源、抽取的信息几个方面进行多角度分析；构建出科技成果转化决策模型，准则层为评价指标层，根据准则层中的指标的评价值对不同方案进行综合评价得到综合评价值；目标层通过对不同方案综合评价值进行比较；

对采集的数据进行预处理，再进行综合评估求解，选取最优方案；

选择组合函数作为支持向量机的核函数，把组合函数的组合系数嵌入到核函数参数与回归参数组成的超参数状态向量当中，将选取的最优策略选择问题转换成一个非线性系统的状态估计问题，然后基于高性能的容积卡尔曼滤波进行超参数估计；最后获取科技成果转化价值信息。

Images