基于RBF網絡的制造業設計能力評價

韓鵬 余開朝

摘 要：根據我國制造業發展的現狀以及相關部門出臺的關于我國制造業現階段提升設計能力的相關指標和數據，對制造業的30個產業的設計能力進行研究。以反應我國制造業設計能力的13個指標原始數據，通過對30個樣本進行數據擬合，基于RBF神經網絡構建了我國制造業設計能力評價模型，根據該模型對我國制造業進行設計能力進行了評價。結果表明，與其他神經網絡相比，RBF神經網絡的泛化能力強，模型精度高;并從6個方面對我國制造業設計能力提升提出了建議，為制造業相關企業和政府部門提供決策參考。

關鍵詞：中國制造業;設計能力;RBF神經網絡;能力評價

中圖分類號：TP183 文獻標識碼：A DOI：10.3969/j.issn.1003-6970.2021.02.003

本文著錄格式：韓鵬，余開朝.基于RBF網絡的制造業設計能力評價[J].軟件，2021，42（02）：011-014+034

Evaluation of Manufacturing Design Ability Based on RBF Network

HAN Peng， YU Kaichao

（College Faculty of Mechanical and Electrical Engineering Kunming University of Science and Technology， Kunming? Yunnan? 650500）

【Abstract】：According to the status quo of my country's manufacturing industry and relevant indicators and data released by related departments on the improvement of design capabilities of my country's manufacturing industry at this stage， the design capabilities of 30 industries in the manufacturing industry are studied. Based on the original data of 13 indicators reflecting the design capability of my countrys manufacturing industry， through data fitting of 30 samples， an evaluation model of my countrys manufacturing design capability is constructed based on the RBF neural network. According to this model， the design capability of my countrys manufacturing Evaluation. The results show that compared with other neural networks， the RBF neural network has strong generalization ability and high model accuracy; it also provides suggestions for improving the design capacity of my country's manufacturing industry from six aspects， and provides decision-making reference for manufacturing-related enterprises and government branch.

【Key words】：chinese manufacturing;designing ability;RBF neural network;ability evaluation

0 引言

制造業在國民經濟中占有決定性地位，是經濟高速增長的來源，同時制造業的發展水平也是一個國家或者地區是否強大的標志。2008年金融危機后，美國重新確定了以制造業為領導地位;德國在工業4.0中，將智能化穿插于整個制造業的全過程中，并且在醫藥技術、信息技術等十七個重點領域進行重點突破;日本的《制造業白皮書》也指出通過在醫療、機器人、汽車、3D打印等方面重點發展。我國也于2015年5月提出了《中國制造2025》，重點進行制造業數字化建設;2019年10月十三部聯合應發了《制造業設計能力提升專項行動計劃（2019-2020年）》，并提出制造業轉型升級的瓶頸之一是設計能力不足[1];2021年2月科技部指出，將會按照中央要求盡快制定出《基礎研究十年行動方案（2021—2030）》，這一行動方案的目的也是提升我國制造業設計能力，從而提高我國制造業在全球的經濟地位[2]。

設計能力不足是我國現階段制造業發展的瓶頸，同時制造業轉型升級、設計能力如何高效的提升是制造業和我國政府所重視的一個問題。而對制造業的設計能力進行評估，能使各制造業更好地明白自身設計能力的現狀與潛在問題，通過與其他制造業進行對比分析來拔高自身優勢和彌補劣勢，對于中國制造業整體水平的提高具有一定的指導作用。同時我國政府也能根據評估結果，出臺相應的政策，給制造業產業提供最大程度的資金、技術支持以及相關優惠政策。

目前對于能力評價方面的評價方法有許多，鐘巍[3]利用層次分析和熵權法結合的方法對各指標賦權，對沈陽市的裝備制造業創新能力進行了實例研究。葉金平[4]運用熵值法和灰色關聯投影法對我國31省市的制造業綠色創新進行了分析，研究表明基礎設施支撐不足是影響制造業創新能力的主要原因，其中西部地區創新能力最好。譚智斌[5]采用因子分析法對我國的通信制造業技術創新能力進行了研究，研究表明，我國大部分產業仍處于模仿創新階段，且自主創新力弱。陳忠誼等人[6]運用數據包絡分析（DEA）法從創新投入和產出兩個方面對溫州市的高新技術制造業的創新能力進行了分析，最后提出高新制造業提升創新能力的6條建議。徐雪等人[7]通過因子分析和BP神經網絡對我國23個主要省市的指標數據進行實例分析，研究表明除長三角和珠三角這兩個地區制造能力強以外，另外山東省的智能制造能力評分也高，這和近幾年山東省創新支撐力強，創新體系逐漸完善有關。

以上的這些評價方法在評價過程中容易出現主觀性較強、權重取值不合理、可行度不高等問題，因而會容易致使評價結果不準確的現象。而RBF神經網絡不僅有普通神經網絡的一些特點，還具有很強的聚類分析能力、客觀性強，能夠處理非線性數據，運算效率高，結果準確性強等優點，為了使評價的結果更加客觀、準確，所以對我國制造業設計能力的評價模型構建選擇RBF神經網絡。

1 RBF神經網絡介紹與模型構建

1.1 RBF神經網絡介紹

RBF神經網絡最早是在1989年J.Moody與C.Darken兩人研究出來的，這個模型是三層結構的前饋網絡模型，且隱含層只有一層，RBF神經網絡模擬的是人大腦對于局部區域知識的感知。該模型的結構如圖1所示，該模型的結構特點是，輸入直接與隱含層相連，通過RBF的高斯函數為激活函數，將低維的指標數據映射到高維空間，從而進行線性可分;而隱含層到輸出層是直接線性加權，所以這是一種線性的映射方式，因此，這種結構方式能夠大大提升訓練效率，并且避免了局部不收斂的情況。

1.2 RBF神經網絡模型構建

RBF神經網絡模型構建需要設計基函數中心和擴散常數，以及隱含層到輸出層的權值。由于在隱含層中的各個神經元所對應的中心位置不一樣，且與中心相應的寬度也會隨之變化，所以當輸入的樣本數據不同時，隱含層的神經元也能通過此特性進行很大程度得表示出來。

（1）數據中心計算。通過將各個隱含層的神經元的中心分量按照從小到大的方式進行以相同距離的排序，這樣即使輸入的樣本數據的信息含量較弱，也能在神經元的中心周圍產生比較大的響應。并且距離的大小可以通過神經元數量進行調控，所以，通過這種試錯的方法來進行數據中心的設計是很合理的，能充分體現不同的輸入樣本數據的特征能在不同的神經元上體現出來[8]。計算的公式如下：

（1）

式中，j為隱含層的神經元，i為輸入的神經元，min i是輸入的樣本數據中第i個特征的所有輸入值中最小值，max i是輸入的樣本數據中第i個特征的所有輸入值中最大值，p為隱含層神經元的總個數。

（2）擴展常數計算。RBF神經網絡中隱含層的擴展常數（半徑、寬度）主要是作用于隱含層對于輸入樣本數據的響應程度上面，寬度越小，所對應的高斯基函數作用函數的半徑也就越小，所以對于處于隱含層中的其他神經元中心位置的信息在此神經元處的響應也就相對要弱一些。通過隱含層神經元的中心最大距離來計算，計算方法見式1-2。

（2）

式中，dji是第j個中心對于第i個輸入的基函數的半徑;df是調節對數據反應程度的寬度調節系數;cji是數據中心，N是輸入神經元的數量。

（3）權值的更新。對于RBF神經網絡的三組權值的更新采用的是梯度下降的方法，這三組都是通過考慮上次的權值的改變對于此次的效率的影響從而不斷學習來進行權值的調整[9]，計算方法如下：

（3）

（4）

（5）

式中，η指的是學習效率，E指的是代價函數，這里一般用的是均方差，具體表達式為

（6）

式中，olk指的是第一個輸入的樣本數據在第k個輸出神經元上的期望輸出，ylk指的是第一個輸入的樣本數據在第k個輸出神經元上的實際輸出。

（4）最終輸出確定。RBF神經網絡的隱含層到輸出層的計算是通過線性的加和來計算的，即：

（7）

式中，m指的是神經網絡輸出的數量。

2 制造業設計能力實例分析

MATLAB是一款強大的計算與模擬仿真軟件，且在這軟件中有對于神經網絡開發與應用的工具箱，包括了BP神經網絡、RBF神經網絡等在內的常用模型，所以對于網絡模型的參數確立、模型的測試很適用，所以本文選擇利用MATLAB來進行我國制造業設計能力的評價與研究[10]。

2.1 數據收集與處理

在進行MATLAB訓練仿真以前需要進行數據的收集與處理，本文所用的數據來源2020年的《中國統計年鑒》和《中國科技統計年鑒》[11]。通過對我國制造業發展的現狀分析，以及結合2019年工業和信息部、國家發展和改革委員會等13部門聯合印發的設計能力提升專項計劃，選取了13個二級指標，由于評價對象是我國制造業的細分產業，按照國民經濟的行業分類，制造業分為31類，如農副食品加工業等[12]。由于廢棄物資源綜合利用的數據缺少，本文選取了其他30個行業，為了后面方便描述，下文將使用I1-I30依次代替。如果只使用這30個樣本數據進行神經網絡的訓練，會因為樣本量過少，訓練出的模型精度不高，所以通過統計學軟件SPSS20.0中非參數檢驗檢驗，對原始的30個樣本的13組指標數據進行分布規律分析，然后通過此軟件對原始數據進行同步仿真130組數據。再對樣本數據進行因子分析，提出了三個公共因子，并通過各公共因子所占的比重對相應的樣本數據進行期望值求取。

2.2 RBF神經網絡模型訓練

（1）數據集劃分。由于訓練的數據是體現我國制造業設計能力水平的指標數據，所以需要進行歸一化處理，避免因為某些指標的數據量太大，造成輸出飽和的現象。歸一化處理的主要程序如下：

data=xlsread（'original data.xlsx'） ;

data=mapminmax（data）;

其中，xlsread指令是讀取excel表中的數據，單引號中是數據所在的文件名;指令mapminmax指令是對數據進行歸一化處理，并且默認是歸一化是[-1 1]，所以無需對參數設定，這里對data進行轉置的原因是mapminmax指令進行歸一化時是對行向量進行歸一化的，由于進行原始數據收集時，行向量是樣本數據，縱向量是指標數據，所以進行轉置，歸一化完成后再進行轉置。

為了避免數據的偶然性造成訓練的模型精度不夠，采用了隨機產生訓練集和測試集的方法進行數據集劃分，處理主要流程如下：

k=rand（1，160）;

[m，n]=sort（k）;

num = 140;? %訓練樣本數

P_train = data（n（1：num），：）';

T_train = label（n（1：num），：）';

P_test = data（n（num+1：160），：）';

T_test =label（n（num+1：160），：）';

（2）RBF神經網絡模型構建。在MATLAB軟件的工具箱中，調用RBF神經網絡的格式有兩種，一種是Newrb，另外一種是Newrbe。Newrb函數與newrbe函數兩種的作用原理是差不多的，區別在于，newrb構建RBF神經網絡是一個逐漸完善的過程，通過調整神經元和個數，當實際輸出與期望輸出的誤差達到要求時，停止訓練。而newrbe函數是建立一個嚴格的神經網絡，由于本文是對于制造業設計能力的評價，需要建立一個精確的網絡模型，所以本文選擇通過newrbe函數來構建RBF神經網絡。函數調用如下：

net=newrbe（P，T，SPREAD）

其中，P為輸入的指標數據;T為期望輸出;SPREAD為徑向基函數的擴展速度，該值缺省時默認為1。

（3）RBF神經網絡模型訓練仿真。RBF神經網絡在MATLAB中實現的代碼主要如下：

net_rbf = newrbe（P_train，T_train，3）; %創建RBF網絡

T_sim_rbf = sim（net_rbf，P_test）;%RBF網絡仿真測試

error_rbf = abs（T_sim_rbf - T_test）./T_test;%性能評價，相對誤差

R2_rbf = （N * sum（T_sim_rbf .* T_test） - sum（T_sim_rbf） * sum（T_test））^2 / （（N * sum（T_sim_rbf.^2） - （sum（T_sim_rbf））^2） * （N * sum（（T_test）.^2） - （sum（T_test））^2））;%決定系數R2

RBF神經網絡的隱含層的神經元數目是通過網絡根據數據的需要來自行調試，對于擴散半徑最終選則3時訓練的效果最好。通過將數據導入構建的RBF神經網絡模型，進行模型的訓練仿真，以及對數據的測試，最終測試結果如圖2所示。

從預測的結果可以看出RBF神經網絡模型的精度很高，高達99.8%，這說明通過該神經網絡輸出的實際值與期望值很接近，這對后文我國制造業設計能力的評價提供了理論依據，同時得出的相關結論也將更有說服力。

（4）制造業設計能力評分。將我國制造業細分產業的30個樣本指標數據導入到訓練好的RBF神經網絡中就能得出評價結果數據。所以這里首先需要將30個制造業細分產業的指標數據給分離出來，具體的實現代碼如下：

f_data=（data（1：30，：））;

接下來將分離開來的樣本指標數據導入訓練好的RBF神經網絡模型中進行評分求值，實現的主要代碼如下：

f_ ability=sim（net_rbf，f_data）;

xlswrite（'finaldata.xlsx'， f_ ability）

通過MATLAB軟件仿真出我國制造業細分產業的30個產業的設計能力評分值如表1所示，因篇幅原因，本文只列出排名前三和最后三名的制造業產業的設計能力評分值。

通過上表1的設計能力評分值以及排名可以發現，排名前三的制造業產業分別是計算機、通信和其他電子設備制造業I27、煙草制品業I4、電氣機械和器材制造業I26這幾個產業的基礎知識儲備很充足，設備和生產技術都是比較先進的。從人員配置上來看，前三的產業在博士和碩士占比上都在20%以上，而排在最后的儀器儀表制造業I29、其他制造業I29、木材加工和木、竹、藤、棕、制品業I8人員配比只有2%左右，從這里可以看出，高學歷的研究人員對于制造業的設計能力有很大影響。同時對于排名靠后的產業來說，大多屬于勞動密集型產業，對技術和設備的依賴程度低，供基礎研究的資金不足。

3 結語

制造業設計能力提升是我國制造業當前發展的重要任務之一。本文通過構建RBF神經網絡模型，并對我國制造業細分產業的30個產業進行了設計能力評價分析研究，從評價得分總結出我國大部分產業得分低于60分，說明整體的設計能力存在不足，對我國制造業轉型升級不利，因此可以從以下幾個方面對我國制造業設計能力進行提升。

（1）夯實制造業設計基礎，鼓勵企業與科學研究所或者高等學校加大合作力度，同時應該加強工業軟件的基礎研究，開發專用的APP，建立資源共享庫，實現資源共享;（2）推動重點領域設計突破，比如機器人、軌道交通、節能與新能源汽車等領域;（3）培育高端制造業設計人才，企業與高校共同培養出各領域交叉型、復合型人才，從而改善企業的人員配置，補齊制造業的短板;（4）培育壯大設計主體，企業培養出工業設計的中堅力量，建設國家級的工業設計中心，提升公共服務能力;（5）構建工業設計公共服務網絡，設計研究服務體系的建立，可以豐富我國行業數據資源庫，模型庫、材料數據庫等，同時發揮資源的優勢，借鑒國際上先進的經驗，促進成果的轉化，實現資源最大化利用;（6）建立保障措施，知識產權是技術創新的產物之一，也是基本保障，有條件的地區應該建立知識產權快速維權機制。同時政府也應該發揮政策引導作用，促進與支持制造業進行基礎研究、重點行業“母機”研發、創立設計類產業基金、鼓勵銀行為設計類企業放寬政策、相關產業提供全生命周期的資金服務。

參考文獻

[1] 工業和信息化部產業政策司，《智能制造》編輯部.五問"制造業設計能力提升專項行動計劃"[J].智能制造，2020（03）：29-31.

[2] 嚴雨程.科技部：《基礎研究十年行動方案（2021—2030）》將制定，支持冷門學科等發展[DB/OL].https：//baijiahao.baidu.com/s？id=1692749166923816995&wfr=spider&for=pc.

[3] 鐘巍.沈陽市裝備制造業技術創新能力評價研究[D].沈陽：沈陽大學，2018.

[4] 葉金平.我國區域制造業綠色創新能力評價研究[D].南昌：南昌大學，2020.

[5] 譚智斌，周勇.我國電子通信制造業技術創新能力評價分析[J].現代管理科學，2006（8）：33-34.

[6] 陳忠誼，阮愛清.溫州高新技術制造業企業創新能力評價[J].技術與創新管理，2020（1）：12-17.

[7] 徐雪，張藝，余開朝.基于BP神經網絡的智能制造能力評價研究[J].軟件，2018（8）：162-166.

[8] 楊淑瑩.模式識別與智能計算[M].北京：電子工業出版社，

2008.

[9] 王小川，史峰，郁磊.MATLAB神經網絡43個案例分析[M].北京：北京航空航天大學出版社，2013.

[10] PIETRUSZKA W D.MATLAB und simulink in der ingenieurpraxis[M].MATLAB? und Simulink? in Der Ingenieurpraxis：Modellbildung，Berechnung and Simulation， 2021.

[11] 國家統計局.中國統計年鑒[M].北京：中國統計出版社，2020.

[12] 向鐵梅，黃靜波.國民經濟行業分類與國際標準產業分類中制造業大類分類的比較分析[J].對外經貿實務，2008（11）：33-36.