基于RBF网络的制造业设计能力评价

韩鹏 余开朝

摘 要：根据我国制造业发展的现状以及相关部门出台的关于我国制造业现阶段提升设计能力的相关指标和数据，对制造业的30个产业的设计能力进行研究。以反应我国制造业设计能力的13个指标原始数据，通过对30个样本进行数据拟合，基于RBF神经网络构建了我国制造业设计能力评价模型，根据该模型对我国制造业进行设计能力进行了评价。结果表明，与其他神经网络相比，RBF神经网络的泛化能力强，模型精度高;并从6个方面对我国制造业设计能力提升提出了建议，为制造业相关企业和政府部门提供决策参考。

关键词：中国制造业;设计能力;RBF神经网络;能力评价

中图分类号：TP183 文献标识码：A DOI：10.3969/j.issn.1003-6970.2021.02.003

本文著录格式：韩鹏，余开朝.基于RBF网络的制造业设计能力评价[J].软件，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

制造業在国民经济中占有决定性地位，是经济高速增长的来源，同时制造业的发展水平也是一个国家或者地区是否强大的标志。2008年金融危机后，美国重新确定了以制造业为领导地位;德国在工业4.0中，将智能化穿插于整个制造业的全过程中，并且在医药技术、信息技术等十七个重点领域进行重点突破;日本的《制造业白皮书》也指出通过在医疗、机器人、汽车、3D打印等方面重点发展。我国也于2015年5月提出了《中国制造2025》，重点进行制造业数字化建设;2019年10月十三部联合应发了《制造业设计能力提升专项行动计划（2019-2020年）》，并提出制造业转型升级的瓶颈之一是设计能力不足[1];2021年2月科技部指出，将会按照中央要求尽快制定出《基础研究十年行动方案（2021—2030）》，这一行动方案的目的也是提升我国制造业设计能力，从而提高我国制造业在全球的经济地位[2]。

设计能力不足是我国现阶段制造业发展的瓶颈，同时制造业转型升级、设计能力如何高效的提升是制造业和我国政府所重视的一个问题。而对制造业的设计能力进行评估，能使各制造业更好地明白自身设计能力的现状与潜在问题，通过与其他制造业进行对比分析来拔高自身优势和弥补劣势，对于中国制造业整体水平的提高具有一定的指导作用。同时我国政府也能根据评估结果，出台相应的政策，给制造业产业提供最大程度的资金、技术支持以及相关优惠政策。

目前对于能力评价方面的评价方法有许多，钟巍[3]利用层次分析和熵权法结合的方法对各指标赋权，对沈阳市的装备制造业创新能力进行了实例研究。叶金平[4]运用熵值法和灰色关联投影法对我国31省市的制造业绿色创新进行了分析，研究表明基础设施支撑不足是影响制造业创新能力的主要原因，其中西部地区创新能力最好。谭智斌[5]采用因子分析法对我国的通信制造业技术创新能力进行了研究，研究表明，我国大部分产业仍处于模仿创新阶段，且自主创新力弱。陈忠谊等人[6]运用数据包络分析（DEA）法从创新投入和产出两个方面对温州市的高新技术制造业的创新能力进行了分析，最后提出高新制造业提升创新能力的6条建议。徐雪等人[7]通过因子分析和BP神经网络对我国23个主要省市的指标数据进行实例分析，研究表明除长三角和珠三角这两个地区制造能力强以外，另外山东省的智能制造能力评分也高，这和近几年山东省创新支撑力强，创新体系逐渐完善有关。

以上的这些评价方法在评价过程中容易出现主观性较强、权重取值不合理、可行度不高等问题，因而会容易致使评价结果不准确的现象。而RBF神经网络不仅有普通神经网络的一些特点，还具有很强的聚类分析能力、客观性强，能够处理非线性数据，运算效率高，结果准确性强等优点，为了使评价的结果更加客观、准确，所以对我国制造业设计能力的评价模型构建选择RBF神经网络。

1 RBF神经网络介绍与模型构建

1.1 RBF神经网络介绍

RBF神经网络最早是在1989年J.Moody与C.Darken两人研究出来的，这个模型是三层结构的前馈网络模型，且隐含层只有一层，RBF神经网络模拟的是人大脑对于局部区域知识的感知。该模型的结构如图1所示，该模型的結构特点是，输入直接与隐含层相连，通过RBF的高斯函数为激活函数，将低维的指标数据映射到高维空间，从而进行线性可分;而隐含层到输出层是直接线性加权，所以这是一种线性的映射方式，因此，这种结构方式能够大大提升训练效率，并且避免了局部不收敛的情况。

1.2 RBF神经网络模型构建

RBF神经网络模型构建需要设计基函数中心和扩散常数，以及隐含层到输出层的权值。由于在隐含层中的各个神经元所对应的中心位置不一样，且与中心相应的宽度也会随之变化，所以当输入的样本数据不同时，隐含层的神经元也能通过此特性进行很大程度得表示出来。

（1）数据中心计算。通过将各个隐含层的神经元的中心分量按照从小到大的方式进行以相同距离的排序，这样即使输入的样本数据的信息含量较弱，也能在神经元的中心周围产生比较大的响应。并且距离的大小可以通过神经元数量进行调控，所以，通过这种试错的方法来进行数据中心的设计是很合理的，能充分体现不同的输入样本数据的特征能在不同的神经元上体现出来[8]。计算的公式如下：

（1）

式中，j为隐含层的神经元，i为输入的神经元，min i是输入的样本数据中第i个特征的所有输入值中最小值，max i是输入的样本数据中第i个特征的所有输入值中最大值，p为隐含层神经元的总个数。

（2）扩展常数计算。RBF神经网络中隐含层的扩展常数（半径、宽度）主要是作用于隐含层对于输入样本数据的响应程度上面，宽度越小，所对应的高斯基函数作用函数的半径也就越小，所以对于处于隐含层中的其他神经元中心位置的信息在此神经元处的响应也就相对要弱一些。通过隐含层神经元的中心最大距离来计算，计算方法见式1-2。

（2）

式中，dji是第j个中心对于第i个输入的基函数的半径;df是调节对数据反应程度的宽度调节系数;cji是数据中心，N是输入神经元的数量。

（3）权值的更新。对于RBF神经网络的三组权值的更新采用的是梯度下降的方法，这三组都是通过考虑上次的权值的改变对于此次的效率的影响从而不断学习来进行权值的调整[9]，计算方法如下：

（3）

（4）

（5）

式中，η指的是学习效率，E指的是代价函数，这里一般用的是均方差，具体表达式为

（6）

式中，olk指的是第一个输入的样本数据在第k个输出神经元上的期望输出，ylk指的是第一个输入的样本数据在第k个输出神经元上的实际输出。

（4）最终输出确定。RBF神经网络的隐含层到输出层的计算是通过线性的加和来计算的，即：

（7）

式中，m指的是神经网络输出的数量。

2 制造业设计能力实例分析

MATLAB是一款强大的计算与模拟仿真软件，且在这软件中有对于神经网络开发与应用的工具箱，包括了BP神经网络、RBF神经网络等在内的常用模型，所以对于网络模型的参数确立、模型的测试很适用，所以本文选择利用MATLAB来进行我国制造业设计能力的评价与研究[10]。

2.1 数据收集与处理

在进行MATLAB训练仿真以前需要进行数据的收集与处理，本文所用的数据来源2020年的《中国统计年鉴》和《中国科技统计年鉴》[11]。通过对我国制造业发展的现状分析，以及结合2019年工业和信息部、国家发展和改革委员会等13部门联合印发的设计能力提升专项计划，选取了13个二级指标，由于评价对象是我国制造业的细分产业，按照国民经济的行业分类，制造业分为31类，如农副食品加工业等[12]。由于废弃物资源综合利用的数据缺少，本文选取了其他30个行业，为了后面方便描述，下文将使用I1-I30依次代替。如果只使用这30个样本数据进行神经网络的训练，会因为样本量过少，训练出的模型精度不高，所以通过统计学软件SPSS20.0中非参数检验检验，对原始的30个样本的13组指标数据进行分布规律分析，然后通过此软件对原始数据进行同步仿真130组数据。再对样本数据进行因子分析，提出了三个公共因子，并通过各公共因子所占的比重对相应的样本数据进行期望值求取。

2.2 RBF神经网络模型训练

（1）数据集划分。由于训练的数据是体现我国制造业设计能力水平的指标数据，所以需要进行归一化处理，避免因为某些指标的数据量太大，造成输出饱和的现象。归一化处理的主要程序如下：

data=xlsread（'original data.xlsx'） ;

data=mapminmax（data）;

其中，xlsread指令是读取excel表中的数据，单引号中是数据所在的文件名;指令mapminmax指令是对数据进行归一化处理，并且默认是归一化是[-1 1]，所以无需对参数设定，这里对data进行转置的原因是mapminmax指令进行归一化时是对行向量进行归一化的，由于进行原始数据收集时，行向量是样本数据，纵向量是指标数据，所以进行转置，归一化完成后再进行转置。

为了避免数据的偶然性造成训练的模型精度不够，采用了随机产生训练集和测试集的方法进行数据集划分，处理主要流程如下：

k=rand（1，160）;

[m，n]=sort（k）;

num = 140;  %训练样本数

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神经网络模型构建。在MATLAB软件的工具箱中，调用RBF神经网络的格式有两种，一种是Newrb，另外一种是Newrbe。Newrb函数与newrbe函数两种的作用原理是差不多的，区别在于，newrb构建RBF神经网络是一个逐渐完善的过程，通过调整神经元和个数，当实际输出与期望输出的误差达到要求时，停止训练。而newrbe函数是建立一个严格的神经网络，由于本文是对于制造业设计能力的评价，需要建立一个精确的网络模型，所以本文选择通过newrbe函数来构建RBF神经网络。函数调用如下：

net=newrbe（P，T，SPREAD）

其中，P为输入的指标数据;T为期望输出;SPREAD为径向基函数的扩展速度，该值缺省时默认为1。

（3）RBF神经网络模型训练仿真。RBF神经网络在MATLAB中实现的代码主要如下：

net_rbf = newrbe（P_train，T_train，3）; %创建RBF网络

T_sim_rbf = sim（net_rbf，P_test）;%RBF网络仿真测试

error_rbf = abs（T_sim_rbf - T_test）./T_test;%性能评价，相对误差

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））;%决定系数R2

RBF神经网络的隐含层的神经元数目是通过网络根据数据的需要来自行调试，对于扩散半径最终选则3时训练的效果最好。通过将数据导入构建的RBF神经网络模型，进行模型的训练仿真，以及对数据的测试，最终测试结果如图2所示。

从预测的结果可以看出RBF神经网络模型的精度很高，高达99.8%，这说明通过该神经网络输出的实际值与期望值很接近，这对后文我国制造业设计能力的评价提供了理论依据，同时得出的相关结论也将更有说服力。

（4）制造业设计能力评分。将我国制造业细分产业的30个样本指标数据导入到训练好的RBF神经网络中就能得出评价结果数据。所以这里首先需要将30个制造业细分产业的指标数据给分离出来，具体的实现代码如下：

f_data=（data（1：30，：））;

接下来将分离开来的样本指标数据导入训练好的RBF神经网络模型中进行评分求值，实现的主要代码如下：

f_ ability=sim（net_rbf，f_data）;

xlswrite（'finaldata.xlsx'， f_ ability）

通过MATLAB软件仿真出我国制造业细分产业的30个产业的设计能力评分值如表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业产业的设计能力评分值。

通过上表1的设计能力评分值以及排名可以发现，排名前三的制造业产业分别是计算机、通信和其他电子设备制造业I27、烟草制品业I4、电气机械和器材制造业I26这幾个产业的基础知识储备很充足，设备和生产技术都是比较先进的。从人员配置上来看，前三的产业在博士和硕士占比上都在20%以上，而排在最后的仪器仪表制造业I29、其他制造业I29、木材加工和木、竹、藤、棕、制品业I8人员配比只有2%左右，从这里可以看出，高学历的研究人员对于制造业的设计能力有很大影响。同时对于排名靠后的产业来说，大多属于劳动密集型产业，对技术和设备的依赖程度低，供基础研究的资金不足。

3 结语

制造业设计能力提升是我国制造业当前发展的重要任务之一。本文通过构建RBF神经网络模型，并对我国制造业细分产业的30个产业进行了设计能力评价分析研究，从评价得分总结出我国大部分产业得分低于60分，说明整体的设计能力存在不足，对我国制造业转型升级不利，因此可以从以下几个方面对我国制造业设计能力进行提升。

（1）夯实制造业设计基础，鼓励企业与科学研究所或者高等学校加大合作力度，同时应该加强工业软件的基础研究，开发专用的APP，建立资源共享库，实现资源共享;（2）推动重点领域设计突破，比如机器人、轨道交通、节能与新能源汽车等领域;（3）培育高端制造业设计人才，企业与高校共同培养出各领域交叉型、复合型人才，从而改善企业的人员配置，补齐制造业的短板;（4）培育壮大设计主体，企业培养出工业设计的中坚力量，建设国家级的工业设计中心，提升公共服务能力;（5）构建工业设计公共服务网络，设计研究服务体系的建立，可以丰富我国行业数据资源库，模型库、材料数据库等，同时发挥资源的优势，借鉴国际上先进的经验，促进成果的转化，实现资源最大化利用;（6）建立保障措施，知识产权是技术创新的产物之一，也是基本保障，有条件的地区应该建立知识产权快速维权机制。同时政府也应该发挥政策引导作用，促进与支持制造业进行基础研究、重点行业“母机”研发、创立设计类产业基金、鼓励银行为设计类企业放宽政策、相关产业提供全生命周期的资金服务。

参考文献

[1] 工业和信息化部产业政策司，《智能制造》编辑部.五问"制造业设计能力提升专项行动计划"[J].智能制造，2020（03）：29-31.

[2] 严雨程.科技部：《基础研究十年行动方案（2021—2030）》将制定，支持冷门学科等发展[DB/OL].https：//baijiahao.baidu.com/s？id=1692749166923816995&wfr=spider&for=pc.

[3] 钟巍.沈阳市装备制造业技术创新能力评价研究[D].沈阳：沈阳大学，2018.

[4] 叶金平.我国区域制造业绿色创新能力评价研究[D].南昌：南昌大学，2020.

[5] 谭智斌，周勇.我国电子通信制造业技术创新能力评价分析[J].现代管理科学，2006（8）：33-34.

[6] 陈忠谊，阮爱清.温州高新技术制造业企业创新能力评价[J].技术与创新管理，2020（1）：12-17.

[7] 徐雪，张艺，余开朝.基于BP神经网络的智能制造能力评价研究[J].软件，2018（8）：162-166.

[8] 杨淑莹.模式识别与智能计算[M].北京：电子工业出版社，

2008.

[9] 王小川，史峰，郁磊.MATLAB神经网络43个案例分析[M].北京：北京航空航天大学出版社，2013.

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

[11] 国家统计局.中国统计年鉴[M].北京：中国统计出版社，2020.

[12] 向铁梅，黄静波.国民经济行业分类与国际标准产业分类中制造业大类分类的比较分析[J].对外经贸实务，2008（11）：33-36.