基于統計和自適應ParNet的產學研績效評價

張 睿，宋思琪，胡 靜，張永梅，柴艷峰

（1.太原科技大學 計算機科學與技術學院，太原 030024；2.北方工業大學 信息學院，北京 100144）

0 引言

教育部辦公廳于2020 年印發的《教育部產學合作協同育人項目管理辦法》中明確指出，“積極支持第三方機構開展項目評價，健全統計評價體系。強化監測評價結果運用，作為試點開展、激勵約束的重要依據”［1］?？梢?，構建完整、科學的績效智能評價體系和方法、開展科學合理的產學研績效智能化評價非常必要。在評價體系方面，Wang［2］圍繞產學研合作中有關知識共享的特征、目標和影響因素，設計出績效評價指標體系；常潔等［3］基于資源、知識、技術、風險四個協同要素提出的假設，總結了影響中小科技企業協同創新績效的因素；周廣亮等［4］以我國不同地區的30 個省份為研究對象，構建出分為科技成果產出和科技成果轉化兩階段的創新績效評價體系。綜上所述，現有產學研績效評價體系仍存在評價主體及評價角度單一、指標涵蓋范圍不夠全面的問題。在評價方法方面，由于評價樣本屬于非線性的一維離散序列，傳統的機器學習方法很難充分挖掘樣本非線性特征及指標間的關聯性特征，導致評價效果難以保障。

隨著深度學習技術的發展，深度分類模型為離散序列的分類決策提供了新的技術支持和新視野［5］。近年來，許多學者將深層神經網絡與績效評價進行了有效的組合創新，并利用神經網絡模型驗證評價系統的有效性，如：Li［6］以現有創業網絡研究為基礎，分析新公司之間的網絡關系，提出基于自組織映射神經網絡算法的社會創業能力和新公司績效，進而建立創業網絡和新的業務績效模型；Shen［7］以跨境電子商務國際貿易績效為研究對象，開發基于深度神經網絡的跨境國際貿易績效分類模型。通過分析上述研究，現階段基于評價指標的深度學習分類方法主要通過離散序列各點直連的方式構成一維連續序列，然后直接輸入深度分類模型中進行決策，這類方法存在很多局限性：1）一維序列所能表達的特征有限；2）深度卷積模型更貼合對高維樣本的特征提取，雖也有一維卷積神經網絡，但已被證實效果不如二維卷積神經網絡。因此，如何充分挖掘離散評價樣本特征的同時科學提高評價模型的準確率仍需進一步研究。

此外，深度分類模型中包含學習率、迭代次數、網絡層數等在內的超參數多依賴人工主觀性設定，通常存在模型冗余度較高且自適應能力弱的問題。針對這些問題，很多學者進一步探索基于智能優化算法的模型自優化策略，以提高模型自適應性，同時降低研究和時間成本。Yang 等［8］提出了基于集體引導因子［9］的探路者算法，以改善霍普菲爾德神經網絡的結構；Sadeghi 等［10］提出了一種新的多目標二元黑猩猩優化算法和深度卷積神經網絡的混合方法，以實現最優特征選擇，并利用所提方法對極化合成孔徑雷達（POLarimetric Synthetic Aperture Radar，POLSAR）圖像進行分類；Naveena等［11］設計了一種融合飛蛾火焰優化（Moth-Flame Optimization，MFO）算法和烏鴉搜索算法（Crow Search Algorithm，CSA）的新型算法，并結合卷積神經網絡進行最優特征選擇，提出的模型可以有效提高血糖水平預測性能；梁軍等［12］提出了一種基于改進粒子群優化算法和遺傳變異的圖像分割模型，首先對粒子群優化算法進行改進，增加了隨機鄰居粒子位置對自身位置的影響，擴大了算法的搜索空間；其次結合遺傳算法的變異操作來提高模型的泛化能力。劉威等［13］提出融合混沌優化、振幅隨機補償和步長演變機制改進的原子搜索優化（Improved Atom Search Optimization，IASO）算法，優化了BP 神經網絡（Back Propagation Neural Network）參數，成功應用于任務分類。上述模型優化策略均在實際應用中取得成效，但仍然存在一些不足，如：1）種群初始化時，個體分布不夠廣泛、均勻，不利于算法收斂；且普通個體攜帶有效信息較少，其他個體若盲目向當前個體學習則會導致算法難以快速搜索到最優解；2）算法迭代至后期，容易陷入局部最優，進而影響算法的尋優效果；3）現有算法的研究多集中在對淺層低維（2～3 個）超參數模型的優化設計，并不適用于含有高維超參數的深度卷積模型的快速自適應尋優。

針對上述問題，本文開展了基于統計和自適應ParNet（Adaptive Parallel Network，AParNet）的產學研績效評價研究，主要工作如下：

1）設計包括產學研合作中學校、企業與學生三方合作主體的貢獻、相關研究成果產出及各方對于其他合作主體的主觀評價等關鍵要素在內的產學研績效評價指標，并通過主客觀綜合賦權求出各指標權重，最終構建產學研績效三級評價體系，為績效評價提供充足的數據保障。

2）為豐富產學研績效評價中離散樣本自身的特征表達，將量化后的離散數據通過映射到極坐標空間、馬爾可夫轉移矩陣等不同高維空間域，轉化為不同的二維空間域映射數據集，以提高離散數據特征挖掘的豐富度。

3）為進一步實現深度分類模型輕量化壓縮及高維超參數的自適應優化，提出一種基于精英反向翻筋斗覓食的混沌算術優化算法，以豐富種群多樣性、提高算法尋優效率，最終面向評價應用實現AParNet模型高效全局壓縮與超參數優化。

1 產學研合作績效評價體系構建

科學合理的評價體系是實現精準智能評價的前提保證，因此構建評價體系為后期的評價算法提供有效的數據依據。分析現有研究發現，在產學研合作績效評價體系中，對于評價指標賦權方法的研究大多集中于層次分析法、熵權法、專家經驗判定法等主觀賦權方法，評價指標的賦權相對主觀，影響最終評價效果。為解決這一問題，本文構建一個主客觀綜合賦權的產學研績效評價體系，大致流程是：先設置三級評價指標，再對各指標進行主、客觀綜合賦權，最后以模糊數學理論為基礎，對評價結果進行量化［14］，得出適用于產學研績效智能評價模型的數據集。構建產學研合作績效評價體系流程如圖1 所示。

1.1 評價指標的設計及綜合賦權

以往的產學研績效評價指標主要存在指標覆蓋范圍較小、指標不夠細化、評價主體單一等問題，本文通過對產學研合作過程各環節中績效產出影響因素的深入分析，篩選歸納出不同評價主體、評價方法在“輸入-過程-輸出-發展”各關鍵環節中信息、資源、規則等要素。主要圍繞參與產學研合作的校方、企業以及學生三方評價主體，具體將各方的貢獻以及合作質量兩方面作為一級評價指標，并基于此逐級細化出二級指標和三級指標，再基于模糊數學的數理統計方法，并結合主、客觀綜合賦權，進一步構建出高理論飽和度的產學研績效評價體系，具體評價指標及權重可見4.2 節。

基于上述指標體系，對各指標進行主客觀綜合賦權，以進一步完成績效評價，具體的權重計算分以下3 個步驟：

步驟1 優序圖法［15］是將多個指標進行兩兩對比，最終按重要程度給出排序。該方法應用比較簡單，且既能處理定性問題，又能處理定量問題，故本文采用優序圖法求出每個評價指標的主觀權重，具體請多位領域專家根據指標的相對重要性，對優序圖上的指標進行兩兩對比打分，分數范圍為1 到5 分，然后對優序圖中的分數按行求和，并分別與優序圖中的總分相除，得出各指標的主觀權重ηj(j=1，2，…，n)。

步驟2 CRITIC（CRiteria Importance Through Intercriteria Correlation）權重法［16］是一種基于數據波動性的客觀賦權法，它的思想在于通過對比強度和沖突性兩項指標綜合衡量評價指標的客觀權重。為減少相關性較強的指標之間的信息重疊，本文利用CRITIC 法計算各評價指標的客觀權重，具體計算步驟為：

1）收集產學研績效評價體系中各評價指標對應的初始數據，組成原始指標數據矩陣，如式（1）所示：

其中：n為樣本數，p代表評價指標。再由式（2）對矩陣中的數據做無量綱化處理：

式中：xij表示第i個樣本中第j項指標的數值，xj、xmin和xmax分別代表對應第j項評價指標下，所有樣本的數據之和、數據的最小值與最大值；

2）由式（3）～（5）依次計算各指標間的標準差Sj、相關系數Rj及信息量Cj：

其中：rij表示第i個樣本中，j個評價指標之間的相關系數。

最終由式（6）計算出各評價指標的客觀權重βj(j=1，2，…，n)。

步驟3 為縮小綜合權重與主、客觀權重間的離散程度，本文利用最小鑒別信息原理［17］對各指標主、客觀權重進行綜合處理。由拉格朗日乘數法計算得出各指標的主客觀綜合權重Wj(j=1，2，…，n)，見式（7）～（8）：

式中：minF為目標函數，βj和ηj分別表示指標的客觀權重和主觀權重。

1.2 評價結果量化

為提供后續產學研績效智能評價的數據集，現以模糊數學理論為基礎，對評價結果進行量化體現。步驟如下：

步驟1 根據設置的評價指標確定評價因素集，如U={u1，u2，…，un}，其中u1，u2，…，un可繼續細化為二級指標和三級指標；再建立評語集V={優秀，良好，合格，不合格，異常}；將評價體系中最終求出的綜合權重Wj作為權重向量P。

步驟2 評價指標包含定性與定量兩種類型，分別使用模糊統計法和指派法計算它們的隸屬度矩陣。

1）對定性指標：邀請學校、企業和學生三方評價主體共m名代表，按評語集中的評價等級對各主觀指標進行評定，統計結果后，由式（9）計算得出各定性指標從因素集U對應到評語集V的模糊映射矩陣R'ij=(ri1，ri2，…，rie)。

2）對定量指標：本文根據指標特點選擇極大型梯形分布隸屬度函數［18］，如式（10）所示；再將各項指標得分歸一化后得出評價標準參數：a1=0.14，a2=0.2，a3=0.25，a4=0.3，a5=0.35，a6=0.4，a7=0.5，a8=0.52；將實際值代入式（10）中求出指標隸屬度αi，得到各定量指標從因素集U到評語集V的模糊映射矩陣R″ij=(ri1，ri2，…，ri(n-e))；聯立定性與定量兩類指標的模糊映射矩陣，構造綜合的產學研績效評價指標隸屬度矩陣R。

步驟3 由式（11）計算得出模糊評價結果矩陣B'j；再進一步量化分析，本文先給評語集中各評價等級賦予分值，如｛優秀=90，良好=65，合格=55，不合格=50，異常=45｝，然后根據式（12）計算各評價樣本的綜合得分G。最終本文將綜合得分在分數區間［65，90］內的數據設置為A 類、在［55，65）內的數據為B 類、在［50，55）內的數據為C 類、在［45，50）內的數據為D 類。

式中：b'j為評價樣本隸屬于各評價等級的程度；pi和rij分別表示各指標權重和指標隸屬度，由它們分別組成指標綜合權重向量P和指標隸屬度矩陣R；gj代表對評語集中第j個評價等級所設定的分數。

2 產學研合作績效評價方法

科學的評價方法是實現產學研績效智能化評價的有力保障。因此，本文設計出基于AParNet 的產學研績效智能評價方法，整體評價流程如圖2 所示。

圖2 基于AParNet的產學研績效智能評價流程Fig.2 Flow of performance evaluation of industry-university-research cooperation based on AParNet

2.1 離散序列多空間域映射

由于量化后的產學研合作績效樣本是離散數據，包含的特征信息有限，為豐富評價樣本的特征表達，本文對樣本數據進行多空間域轉換，通過構建馬爾可夫轉移矩陣及極坐標轉換的方式，分別將一維離散數據映射至：馬爾可夫轉移場域（Markov Transition Field，MTF）［19］、格拉姆角差場域（Gramain Angular Difference Field，GADF）、格拉姆角和場域（Gramain Angular Summation Field，GASF）中，將得到的二維圖像作為輸入分類模型的數據集：一方面契合卷積神經網絡對二維圖像的特征提取優勢，另一方面更豐富地表征出樣本特征及評價指標間的關聯性特征。

MTF 將序列數據映射到對應的值域區間后，基于一階馬爾可夫鏈，結合相鄰樣本間馬爾可夫轉移概率，構建出馬爾可夫轉移矩陣，如式（13）所示，進而拓展為馬爾可夫轉移場，實現圖像編碼，以充分挖掘序列數據的位置分布關系。

式中：x(t)表示一維離散序列，n為樣本數，ωij為相鄰樣本間由區間qi到qj的轉移概率。

格拉姆角場域（Gramain Angular Field，GAF）［20］將直角坐標系下的離散數據轉化為極坐標表示，再通過計算各角度對應的三角函數值，生成GAF 矩陣，GAF 在使用兩角差或兩角和的三角函數時，分別會得到GADF 與GASF，式（14）、（15）為具體變換表達式。格拉姆角場域的優勢在于能通過對不同點間角度和或角度差的處理方式來挖掘不同數據間的相關性。

2.2 基于精英反向翻筋斗覓食的混沌算術優化算法

為了更好地挖掘離散數據特征和特征之間的關聯性，本文選擇分類準確率較高且模型深度只有12 層的ParNet（Parallel Network）神經網絡作為產學研績效評價的基礎網絡。ParNet 模型［21］的優勢在于采用并行結構，具有多尺度多分辨率的特征提取方式，有利于充分挖掘樣本特征表征及特征間的關聯性，可以進行快速、低延遲的推理。此外，相較于一些現有的輕量級網絡，ParNet 更貼合產學研績效評價的樣本特點（具體驗證見4.4 節）。

而深度分類模型在面向不同數據集時對模型結構的設計以及模型中包括學習速率、迭代次數、層數、每層神經元數和批大小等在內的超參數的設定，仍需依靠研究人員大量的主觀經驗進行決策，模型自適應能力較弱，且結構冗余度較高。針對這些問題，本文探索基于智能優化算法的模型自優化策略，對模型內部超參數進行自適應尋優，提高模型自適應性，降低研究和時間成本。

算術優化算法（Arithmetic Optimization Algorithm，AOA）是Abualigah 等［22］提出的一種根據四則運算思想設計出的元啟發式算法。AOA 利用乘除運算進行全局搜索，使解的分布更加分散，增強算法的全局尋優能力；利用加減運算則有利于種群在局部范圍內充分開發，加強算法的局部尋優能力。算法主要分為初始化階段、探索階段和開發階段三個階段。為更好地貼合對評價模型中多維超參數的自適應優化，本文在原AOA 的基礎上，引入精英反向解的概念，同時融合多策略優化，提出一種基于精英反向翻筋斗覓食的混沌算術優化算法（improved Arithmetic Optimization Algorithm based on Elite opposition-based，EAOA）。

為快速實現對用于績效評價的深度模型中的超參數的全局搜索，有效避免對模型超參數搜索過程中種群多樣性隨算法迭代而降低、影響搜索效率的問題，本文用Piecewise 混沌映射取代隨機初始化種群?；煦缬成洌?3］是生成混沌序列的一種方法，具有非周期、收斂快等優點。本文將4 種常見的混沌映射迭代105次后得到各自取值的分布曲線，如圖3所示。從圖3 中可以看出，Piecewise 映射、Logistic 映射、Cubic 映射與Gussian 映射均分布于［0，1］。其中，經 過Piecewise 混沌映射迭代后的取值分布更加均勻，它的表達式見式（16），再將混沌個體經式（17）轉換到相應的搜索空間中。

圖3 四種常見混沌映射的直方圖分布曲線Fig.3 Histogram distribution curves of four common chaotic maps

式（16）中P為控制參數。式（17）中：Xub，d、Xlb，d分別是個體的上、下邊界。

同時為避免對ParNet 中超參數進行自適應尋優時，個體盲目地向附近普通個體學習而忽視精英個體所攜帶的有效信息，導致算法陷入局部最優，從而影響搜索到最適合于ParNet 的超參數的概率，本文在AOA 搜索階段加入了精英反向學習策略，思路是先求出當前可行解的反向解，從當前解及它的反向解中選取較優解作為下一代。具體步驟為選取普通個體對應的極值點作為攜帶更多有效信息的精英個體［24］，再根據式（18）求出精英個體的反向解，并在精英反向解及當前種群中選出優秀個體。

在AOA 中，數學優化器加速函數（Math Optimizer Accelerated，MOA）是協調算法全局與局部搜索的關鍵數學模型，表達式如式（20）所示。開始尋優前，在［0，1］內取隨機數r1，若r1>MOA，算法進入探索階段；否則進入開發階段。

式中：max和min分別代表加速函數的最大值和最小值，n、NMax分別表示當前迭代次數和最大迭代次數。

算法進入探索階段時，主要利用除法策略和乘法策略使算子進行全局搜索；算法進入開發階段時，基于加法策略和減法策略使算子在搜索空間中個體較密集的區域中進行局部搜索。AOA 在搜索階段與開發階段上的位置更新公式如式（21）、（22）所示。其中，數學優化器概率（Math Optimizer Probability，MOP）的表達式如式（23）所示，式中敏感參數α取值為5。

為提高對ParNet 中超參數的全局搜索能力，避免算法迭代至后期，個體均聚集于當前最優個體周圍，導致種群多樣性迅速下降，從而降低搜索到模型最優超參數的概率，本文在開發階段引入翻筋斗覓食策略，表達式如式（24）所示。翻筋斗覓食策略靈感來源于Zhao 等［25］受蝠鲼捕食方式啟發提出的蝠鲼覓食優化算法。在此策略中，由當前位置出發，以最優解位置為中心點，個體在它的周圍以翻筋斗的方式尋找新的位置。算術優化算法中個體翻筋斗示意圖如圖4 所示。

圖4 算術優化算法中個體翻筋斗示意圖Fig.4 Individual somersault diagram in arithmetic optimization algorithm

3 基于EAOA的ParNet模型自優化

利用改進后的EAOA 對ParNet 模型從全局及局部兩方面展開自適應尋優，優化步驟如算法1 所示。全局方面，通過將模型中相鄰且重復出現的相同模塊個數作為決策變量，對模型做輕量化壓縮，去掉其中冗余的結構模塊，減少模型參數；局部方面，對模型內部的超參數做自尋優，進一步提高模型的自適應能力，從而有效降低研究和時間成本。本文具體以模型內部3 個并行的流結構中的注意力機制RepVGGSSE（RepVGG-Skip-Squeeze-and-Excitation）模塊數為決策變量，對ParNet 進行輕量化壓縮，同時對學習率、批量大小、激活函數、迭代次數和優化器這些超參數進行自尋優。測試訓練好的模型效果時，由式（25）計算種群中個體i的適應度函數值［26］fit(i)，再根據fit(i)動態更新種群并選出最優個體，最終得到優化后的自適應分類模型AParNet。

式中：N代表迭代次數，t(i)和p(i)分別表示類別預測正確的樣本數和類別預測錯誤的樣本數。

算法1 EAOA 的偽代碼。

輸入 初始化算法參數α，η；

輸出 網絡架構的最佳值Ybest、最佳適應度值Fg。

4 實驗與結果分析

4.1 實驗平臺

本文實驗在Intel Core CPU I5-10400F、GIGABYTE RTX 3060 顯卡、16 GB 內存、64 位Windows 操作系統、Matlab R2020b、PyCharm2021.3.3 中進行。本研究收集了2009—2019 年各省專業學位碩士招生數和在校生數、各學科專業的招生數以及人力資本積累等相關數據。其中，研究生就業數據來源于2009 — 2019 年《中國學位與研究生教育發展年度報告》系列書籍；人力資本積累相關數據來源于中央財經大學中國人力資本與勞動經濟研究中心項目數據；其他數據根據教育部、國家統計局官方發布的2010—2020 年的《中國統計年鑒》《中國教育統計年鑒》中的數據計算所得。

4.2 構建評價體系與量化評價結果

針對目前產學研績效評價指標涵蓋面較為單一，且依據傳統方法構建的評價體系，難免會帶有主觀性和片面性的問題，本文提出面向三方合作主體，基于模糊數學的數理統計方法并結合主客觀綜合賦權的產學研績效三級評價體系，具體指標及權重如表1 所示。

表1 產學研績效評價體系及指標權重Tab.1 Performance evaluation system and indicators for industry-university-research

4.3 數據預處理

量化處理后的評價結果仍是離散序列數據，其中收集到39 條A 類樣本、44 條B 類樣本、106 條C 類樣本和11 條D 類樣本，共計200 條樣本。

為更充分地挖掘樣本特征，本文對量化后的樣本數據進行多域轉換，將離散數據轉換為連續序列形式，同時，將離散數據映射到MTF、GADF 和GASF 四種空間域中。多空間域轉換對各類樣本的特征增強效果如圖5 所示。

圖5 各類評價樣本的多域處理效果Fig.5 Multi-domain processing effect of various evaluation samples

同時，為避免在訓練過程中出現過擬合現象，本文通過調用Python 中的OpenCV 計算機視覺庫，對映射到各空間域中所得到的二維圖像做旋轉、鏡像及平移等數據增強操作，將各空間域數據集中的A、B、C、D 四類數據都擴充至680、960、1 280、880，共3 800，并按4∶1 劃分成訓練集和測試集。

4.4 多空間域特征表達及基礎網絡性能對比

為驗證本文所選的基礎網絡ParNet 在產學研績效智能評價領域的有效性，并選取出在產學研績效評價中能夠達到更好分類效果的高維空間域，對RegNet、ShuffleNetV1、ShuffleNetV2、EfficientNetV1、EfficientNetV2、ParNet 這6 種卷積神經網絡的分類效果進行比較，記錄在不同空間域下這6種網絡的分類準確率，對比結果如表2 所示。

表2 多空間域在不同網絡下分類準確率對比 單位：%Tab.2 Comparison of classification accuracy for multiple spatial domains under different networks unit：%

分析實驗數據，首先對表格中的數據按列進行比較，ParNet 在四種空間域數據集上的分類準確率在不同的網絡模型中總是最高的；此外，各模型在GASF 數據集上訓練的分類準確率均高于其他空間域數據集上的準確率。說明在產學研績效智能評價中，ParNet 與績效評價的GASF 數據集間具有更好的契合度，能達到更好的分類效果。因此本文將ParNet 作為基礎網絡，同時在GASF 空間域中處理數據。

4.5 EAOA性能驗證

為驗證EAOA 的性能，本文在10 個標準測試函數上對海洋捕食者算法（Marine Predators Algorithm，MPA）［27］、鯨魚優化算法（Whale Optimization Algorithm，WOA）［28］、麻雀搜索算法（Sparrow Search Algorithm，SSA）［29］、灰狼優化（Grey Wolf Optimizer，GWO）算法［30］和AOA 五種對比算法做仿真實驗。這10 個標準測試函數包括：Sphere（F1）、SchwefelN2.22（F2）、SchwefelN1.2（F3）、SchwefelN2.21（F4）、Rosenborck（F5）、Step（F6）這6 個單峰測試函數，以及Schwefe（lF7）、Rastrigin（F8）、Ackley（F9）、Griewank（F10）這4個多峰測試函數。

統一設置算法參數如下：種群規模為500，維度為7，最大迭代次數為500。為避免尋優結果的偶然性，將各算法在10 個測試函數上獨立運行30 次，選取30 次結果的平均值（Mean）和標準差（Std）作為算法最終評價指標，各算法的尋優結果如表3、4 所示，其中最優結果被加粗標出。

表3 單峰測試函數實驗結果Tab.3 Experimental results of unimodal test functions

從表3 可以看出，EAOA 在6 個單峰測試函數上獨立運行30 次，均能得到理想的目標函數值，且所求解的平均值與標準差都優于其他5 種對比算法。證明在單峰測試函數上，EAOA 尋優能力高于其他對比算法，穩定性也最好。

從表4 可以看出，與其他5 種智能優化算法相比，EAOA在求解4 個多峰測試函數時均能得到最優解，因此，EAOA 穩定性更高且在尋優過程中具有相對更強的全局性和收斂性。

表4 多峰測試函數實驗結果Tab.4 Experimental results of multimodal test functions

4.6 ParNet模型參數自優化

本文將ParNet 三個流結構中各自所含的RepVGG-SSE模塊個數作為3 個待尋優變量，與其余4 個待優化參數：批量大小、學習率、優化器、RepVGG-SSE 模塊內部激活函數，分別作為EAOA 中個體的7 個維度進行自適應尋優，各參數的搜索范圍如表5 所示。尋優時設置初始化種群數為10，最大迭代次數為5。經EAOA 迭代找到最佳模塊數及最優參數，在不降低準確率的前提下，構建出優化后的AParNet 模型，以實現模型輕量化壓縮和參數自尋優，模型優化后獲得的最優組件如表6 所示。

表5 ParNet模型待優化參數及搜索范圍Tab.5 Parameters to be optimized and search ranges of ParNet model

表6 利用EAOA優化后的ParNet最優模型組件Tab.6 ParNet optimal model components optimized by EAOA

為驗證本文方法的有效性，對原ParNet 模型和經模型自優化后的AParNet 模型進行性能對比實驗，將預處理后劃分好的測試集分別輸入原ParNet 和AParNet 中，對其中A、B、C、D 四類共760 張圖像進行分類驗證，結果如表7 所示。

表7 網絡模型性能對比實驗結果Tab.7 Comparison experiment results of network model performance

實驗證明，與原ParNet 相比，本文提出的AParNet 在參數量減少10.8%的情況下，準確率提高到98.6%，且單幅圖像測試時間減少了34.8%，模型分類效果更好，且模型深度及測試用時均有所下降。實驗結果驗證了EAOA 在評價模型自適應尋優方面具備可行性和有效性。

同時，抽取由訓練后的AParNet 全連接層輸出的特征放入t-SNE 中，得到對分類結果進行可視化的t-SNE 圖，如圖6所示。根據本文設定的評價結果量化準則，圖中的分類結果即對應產學研績效的4 種評價類型。

圖6 產學研績效評價結果的t-SNE圖Fig.6 t-SNE map of performance evaluation results of industry-university-research

由圖6 所示的分類情況可以看出AParNet 的t-SNE 圖有很大的類間距離，這代表模型能夠以較高的準確率實現分類，即本文提出的AParNet 能夠以較高的準確率實現對產學研績效的智能評價。

5 結語

本文提出了一種基于統計和自適應ParNet 的產學研績效三級評價體系及智能評價方法。在評價體系方面：分析產學研合作過程中影響績效的評價要素，設計圍繞三方合作主體的評價指標，構建基于模糊數學的數理統計方法且結合主客觀綜合賦權的產學研績效三級評價體系，克服了傳統產學研績效評價體系指標涵蓋范圍較為單一且賦權不夠客觀的缺點。評價方法方面：首先，為提高離散樣本特征表達的豐富度，將離散序列映射至MTF、GADF、GASF 等不同空間域中。實驗結果證明，經過多域處理的數據有利于提高深度分類模型的分類精度。其次，設計出面向離散序列深度分類模型高效自適應全局壓縮和調參的基于精英反向翻筋斗覓食的混沌優化策略，并結合多分辨率多尺度ParNet 模型構建出AParNet 深度分類模型。最后將AParNet 應用于產學研績效評價中，在有效壓縮模型冗余10.8%的同時，提高分類精度達98.6%，驗證了本文方法的有效性。在未來的研究中，為了更深層地把握各指標間的關聯性，將引入圖結構，以獲得更好的評價性能。