基于改进的五层模糊神经网络的农业科技成果估值研究.pdf

2023 年 36 卷9期Vol.36No.9引用格式：曹艳，刘强，胡亮，胡旭，刘远利.基于改进的五层模糊神经网络的农业科技成果估值研究J西南农业学报，2 0 2 3,36（9）：2 0 59-2 0 6 8.Cao Y,Liu Q,Hu L,Hu X,Liu Y L.Agricultural scientific and technological achievements evaluation based on five layers IFNNJ.Southwest ChinaJournal of Agricultural Sciences,2023,36(9):2059-2068.D01:10.16213/ki.scjas.2023.9.027.西南农业学报Southwest China Journal of Agricultural Sciences基于改进的五层模糊神经网络的农业科技成果估值研究2059曹艳，刘强,胡亮，胡旭,刘远利（1.四川省农业科学院农业信息与农村经济研究所，成都6 10 0 6 6;2.四川省农业科学院，成都6 10 0 6 6）摘要：【目的】针对农业科技成果估值难的问题，研究计算机动态评估农业科技成果价值的方法，为农业科技成果的转化、交易或转移提供数据支撑和定价依据。【方法】采用模糊理论与神经网络相结合的方法构建五层模糊神经网络模型FNN（Fu z z y n e u r a lnetwork），从农业科技成果历史交易中学习、存储规则知识并用于成果的交易价格预测，经实际业务数据测试,FNN估值准确率仅达到8 0%，为进一步提高估值准确率，适应交易样本不断增加引起的变化，降低重新训练所有样本数据的资源消耗，引入增量学习，提出了改进的五层模糊神经网络模型IFNN(Improved fuzzy neural network）和改进的估值流程。【结果】在实际业务数据处理中，通过应用改进的估值流程，完成增量数据的训练，改进的五层模糊神经网络IFNN估值准确率达到8 6.7%。选取15个油菜品种，对比FNN和IFNN模型估值结果,FNN和IFNN模糊隶属度不同，对比表明,IFNN估值准确度高于FNN。I FNN模型从算法上满足估值准确度随增量学习持续提高的要求。但为了进一步提高估值准确度，还需要更完备的训练数据。【结论】改进的五层模糊神经网络IFNN能在实际业务中，基于客观数据进行农业科技成果的动态估值，能够适应不断变化和发展的社会，具有较高的实际应用价值。关键词：农业科技成果；价值评估；五层模糊神经网络；增量学习中图分类号：S126(1.Agricultural Information and Rural Economy Research Institute of Sichuan Academy of Agricultural Sciences,Chengdu 610066,China;2.Sichuan Academy of Agricultural Sciences,Chengdu 610066,China)Abstract:ObjectiveTo solve the problem of dificult valuation of agricultural scientific and technological achievements,a method for dy-namically evaluating the transaction price of agricultural scientific and technological achievements using computers was studied,providing da-ta support and pricing basis for the transformation,transaction or transfer of agricultural scientific and technological achievements.MethodA five-layer Fuzzy neural network model FNN(Fuzzy neural network)was constructed by combining fuzzy theory and neural network,whichlearned and stored rule knowledge from the historical transactions data of agricultural scientific and technological achievements and used it topredict the transaction price of the achievements.The accuracy rate of FNN was only 80%after the actual business data test.In order to im-prove the evaluation accuracy,adapt to the changes caused by increasing transaction samples,reduce the resource consumption of retrainingall sample data,so introduce incremental learning,an improved fuzzy neural network model IFNN(Improved fuzzy neural network)and animproved valuation process were proposed.ResultIn the actual business data processing,by applying the improved valuation process andcompleting the training of incremental data,the IFNNs valuation accuracy rate reached 86.7%.Fifteen rapeseed varieties were selected tocompare the results of FNN and IFNN model.The fuzzy membership degrees of FNN and IFNN were different,and the comparison showedthat the accuracy of IFNN was higher than FNN.The IFNN model algorithmically met the requirement that the estimation accuracy increased收稿日期:2 0 2 2-12-12基金项目：国家重点研发计划项目（2 0 2 0 YFD1100605）第一作者：曹艳（198 1-），女，硕士，主要从事农业信息技术与应用、成果价值评估研究。E-mail：w e l c o me _c y f o x ma i l.c o m通讯作者：刘强（198 2-），男，硕士，主要从事农业产业经济研究。E-mail:文献标识码：AAgricultural scientific and technologicalachievements evaluation based on five layers IFNNCAO Yan,LIU Qiang?,HU Liang,HU Xu,LIU Yuan-li文章编号：10 0 1-48 2 9(2 0 2 3)9-2 0 59-102060with incremental learning.However,in order to further improve the accuracy of the estimation,more complete training data was needed.ConclusionThe IFNN can dynamically estimate agricultural scientific and technological achievements based on objective data in practicalbusiness,and can adapt to the constantly changing and developing society,and has high practical application value.Key words:Agricultural science and technology achievements;Evaluation;Fuzzy neural network;Incremental learning【研究意义】成果评价和估值是技术转移过程中不可或缺的一环,是确定转化科技成果并进行产业化的基础，同时也是进行对外商业化谈判、确定许可费比例的前提，是发挥科技第一生产力作用的关键。基于数据的客观便捷的农业科技成果价值评估,是提高农业科技管理效率、科技投入产出效益、科技评价准确性和客观性的基础,是成果交易转换中不可或缺的重要环节。【前人研究进展】国家标准化管理委员会于2 0 15年12 月10 日发布了农业科技成果评价技术规范，明确了评价的原则、内容和程序,该规范主要从技术、效益和风险3个维度给出农业科技成果评价指标的定义及权重赋值。传统的农业科技成果评价过于依赖专家的主观判断，和以数据为基础的评价方式相比,更缺少客观、公正，信息技术的发展给农业科技成果的交易估值带来了新方法。神经网络算法ANN（A r t ific ia l n e u r a l n e t-work)是一种模拟生物神经网络的结构和功能的数学算法模型,具有分布式存储、并行处理、自学习和自组织等优势，能够适应复杂的非线性问题2-3。神经网络由输人层、隐藏层和输出层组成，从输人层输人样本特征值，经过隐藏层处理后传输给输出层，由输出层输出最终的评估值。神经网络算法ANN能从历史数据中自学习规则，此外还有高速并行运算、多维度数据处理、分布式信息存储等方面的优势4-7 。神经网络中的权值通过模型对样本的学习得到，因此，使用神经网络方法对农业科技成果价值进行评价,能够有效避免人为赋予权重时的主观影响4。在大样本的支持下,研究者能够建立对农业科技成果价值进行评估的综合评价模型。模糊逻辑系统（Fuzzy logic system)）【8-1l 是综合利用模糊概念和模糊逻辑构成的包含模糊输入数据集、模糊规则库、模糊推理机和模糊输出数据集的系统，它被广泛用于现代控制系统中，如专家系统等12-14。模糊系统15-16 是基于规则的系统，可以模拟人的逻辑思考过程并定义大量规则，这些规则可以结合领域内的专家知识形成模糊规则集合。BP神经网络作为应用最广泛的神经网络之一，被研究者用于科技成果价值评估的实践中。专利是一种重要的科技成果，其价值主要由其带来的未来收益所决定，受众多因素影响,且影响因素间也可能存在相关性。BP神经网络能够很好地解决专利价值评估这一非线性且带西南农业学报有主观能动性的问题17 。秦薇18 以农业科技成果中植物新品种权为研究对象，通过对植物新品种权价值影响因素的确定、数据的获取和BP神经网络模型的训练,得到基于BP神经网络模型的植物新品种权价值评估方法。对成果价值具有影响的指标确定是建立评价体系的重要步骤，李雷霆4 利用粗糙集理论对农业企业孵化器运营水平评价指标进行初步筛选,再使用RBF神经网络进行评估,能够有效降低神经网络输人维度，加速学习速度,提高评价效率。在实践中,粗糙集理论与RBF神经网络结合的R-RNN模型能够准确评价农业企业孵化器目前所处的运营水平，为农业企业孵化器的进一步提高提供有力帮助。Li和Xu19用BP神经网络对研究通过模糊综合评价（FCE）和层次分析法（AHP）所建立的高校科技成果转化模式的评估指标体系及其权重值进行验证,结果显示该评价模型的学习和预测能力都具有较好效果。【本研究切人点】突破固有的指标体系或权重不能完全脱离专家分析的依赖,直接从历史交易数据提取指标并学习、存储规则知识,同时用于价格预测。【拟解决的关键问题】针对农业科技成果估值难题，基于农业科技成果历史交易数据,采用改进的五层模糊神经网络 IFNN（I m-proved fuzzy neural network）提取农业科技成果相关指标并学习、存储其规则知识，应用于农业科技成果的估值，为农业科技成果转化交易提供重要依据。1材料与方法1.1数据筛选与预处理数据集采用四川农业科技成果交易历史数据602条，其中，7 0%作为训练集，2 0%的数据作为验证集,10%用于测试2 0 数据预处理：首先抽取评价对象相关的历史交易信息和交易产品的属性数据，包括成果的名称、所属品类、历史交易价格、抗性、平均产量、品质、阶段（成熟度）、适应性等。1.2试验方法1.2.1试验流程本研究的目标是实现农业成果交易价格预测，即通过农业成果多维度指标（包括产量、抗性、品质、阶段等）来预测评估对象的交易价格。估值模型评估流程（图1）主要包括以下4个步骤。36卷9期曹艳等：基于改进的五层模糊神经网络的农业科技成果估值研究2061业务系统数据抽取数据预处理分析与建模结果反馈FNN历史数据数据清洗选择性抽取数据源建模数据特征构建数据标准化模型分析交易价格模型应用模型优化应用结束图1估值流程Fig.1Evaluation flow1.2.2数据抽取抽取2 0 11年1月1日至2 0 2 2年12 月31日四川省农业科技成果数据。基于整理入库的四川农业科技成果交易历史数据项和四川省农业经济学会发布的农业科技成果应用价值评价种植类评价指标体系（T/SAAE0022022）选取与评价对象交易价格最相关的8 个特征项，具体包括：名称、类型、金额、时间、平均产量、品质、抗性、阶段、适应性、品种权，数据集估值特征说明如表1所示。1.2.3数据预处理先进行数据清洗，采用缺失值均值插补操作,然后进行特征构建工作,通过对特征特性等字段的内容识别提取多列字段通过基本运算生成对应的量化数据,最后通过将数据按比例缩放，Table 1 Data set evaluation feature extraction of agricultural science and technology achievements编号特征名称No.Feature名称1Name类型2Type金额3Transaction amount时间4Time阶段5Phase品种权6Variety right品质7Quality抗性8Resistance适应性9Suitablility平均产量10Average yield使之落入一个小的特征空间内。为了让抽取得到的数据具备可比性,对抽取的历史数据进行特征构建及标准化。采用归一化处理,将数据统一映射到0,1区间上。Min-max 标准化(Min-max normaliza-tion)亦称离差标准化，是对原始数据的线性变换，使结果映射到0,1 区间,对序列x1,x2，x,进行转换的函数如下：x;-Imin ix,l1jny=max ix,f-minix,t1jn1j式中,max为样本数据的最大值,min为样本数据的最小值。表1农业科技成果数据集估值特征释义特征说明Featuredescription农业科技成果的名称农业科技成果所属类型，如作物品种类型等农业科技成果交易金额农业科技成果交易时间或预期交易时间成果成熟度，分为：1.小试；2.中试；3.可量产品种权（获得日期）依据品类确定，如油菜采用种子芥酸含量，商品菜籽硫苷含量、含油率；水稻采用食用稻品种品质标准分级（三级）等抗病综合指数，综合指数0 级为高抗，1 2 级为抗，3级为中抗；4级为中感，5 7 级为感，8 9为高感成果应用的适宜区域平均每公顷产量(生产试验平均每公项的产量，单位：kg)20621.2.4分析与建模进行价格预测，把模拟数据和实际数据进行预处理后，分别灌人估值模型的特征输人层，模型根据数据特征自动提取规则和存储知识,最后得到模拟训练结果和实际训练结果，用来支撑对比分析在模拟完备数据和缺失部分数据时，评估准确率的高低差别及原因，从而对模型和估值流程进行改进。1.2.5应用结果反馈模型训练阶段，利用历史成交数据，进行模型训练，得到的估值结果，和实际成交价格进行比较后，对模型进行纠偏。实际业务中，跟踪曾经进行交易价格预测值的成果，收录成果的最终成交价，用于模型优化。表2数据集归一化结果Table 2Normalizations of dataset名称时间NameTime610.000 000150.000 000880.789 8161390.210 184280.000 000240.081 25700.000 000740.000 0001400.210 184910.000 000西南农业学报基于模糊神经网络模型FNN2结果与分析2.1数据集归一化处理将数据集经过归一化处理，得到数据集（表2），接着对模型进行训练,并检测模型的准确率,训练数据模拟了数据集选择性抽取对应的7 个不同维度，其他特征数据为缺省状态。2.2实际业务数据集的抽取抽取实际业务数据集，在农业科技成果数据中，选取农作物品种作为模型训练样本，首先进行数据清洗，提取农作物的数据。抽取得到的结果如表3所示，实际获得的数据有不少字段缺失数据。阶段品种权PhaseVariety right0.327 5860.521 7390.379.3100.913 0430.310 3450.434 7830.534.4830.434 7830.362.0690.826 0870.448 2760.826 0870.017 2410.826 0870.344.8280.434 7830.568 9660.434.7830.396 5520.478 26136卷质量适应性QualitySuitability0.444.4440.416 6670.388 8891.000 0000.361 1110.416 6670.722 2220.458 3330.250 0000.583 3330.138 8890.583.3330.222 2220.625 0000.583 3330.375.0000.666 6670.458 3330.500 0000.416 667抗性Resistance0.5423730.084 7460.525 4240.745 7630.067 7970.152 5420.067 7970.5593220.779 6610.610 169平均产量Average yield0.583 3330.125 0000.500 0000.833 3330.041 6670.041 6670.041 6670.500 0000.958 3330.541 667表3作物品种量化数据集的抽取Table 3Extraction of quantitative dataset of crop varieties名称类型金额(万元）NameType新单6 5玉米Xindan 65新单8 8Xindan 88新麦6 0Xinmai 60新优1号Xinjingyou 1新麦52Xinmai 52新麦38Xinmai 38花椰菜2 0 19-1Cauliflower 2019-1中油杂6 2 0Zhongyouza 620中油6 0 7Zhongyou 607时间(ms)AmountTime201566950400玉米20小麦55水稻10小麦50小麦50花椰菜90油菜71油菜51阶段品种权PhaseVariety right020164669760040162993600030158509440001629936000301583712000401583107200101573430400015723072000品质适应性抗性平均产量(kg)QualitySuitability00000020100101010101Resistance Average yield0100011100000111100828091051011086550009期续表3Continued table 3名称Name中油杂2 7Zhongyouza 27中油杂2 9Zhongyouza 29中油杂30Zhongyouza 30希望152Hope 152希望12 2Hope 122以评估油菜品种价值为例，提取油菜品类及其主要属性的样本数据，形成油菜品种量化数据集(表4)。2.3五层模糊神经网络FNN训练结果神经网络算法从历史数据中归纳存在的模式或者与不同特征之间的关系,但它学习到的模式或特征关系难以解释,结合模糊理论的优势,形成模糊神经网络系统，能够把输入特征数据转化为模糊集合，结合不同规则形成结果，实现用模糊权重代替实数名称类型金额（万元）NameType希望2 11油菜Hope 211希望12 9Hope 129中油杂6 2 0Zhongyouza 620中油杂30Zhongyouza 30中油8 0Zhongyou 80中双18Zhongshuang 18中油杂39Zhongyouza 39中油杂2 8Zhongyouza 28中油6 0 7Zhongyou 607希望152Hope 152中油杂6 10Zhongyouza 610中油杂2 7Zhongyouza 27希望12 2Hope 122大地2 7 9Dadi 279中油杂2 9Zhongyouza 29曹艳等：基于改进的五层模糊神经网络的农业科技成果估值研究类型金额（万元）TypeAmount油菜71油菜81油菜102油菜51油菜50Amount50油菜40油菜71油菜102油菜50油菜50油菜3000油菜45油菜51油菜51油菜50油菜71油菜50油菜50油菜812063时间(ms)阶段品种权TimePhaseVariety right1573344000015734304000157343040001572912000015364512000权重，可以让计算过程不受限于专家主观设定的参数,并且让网络保持结果的可解释性2 1-2 构建的五层模糊神经网络算法FNN,第一层为输人层,为精确值，节点个数为输人变量的个数。第二层为输入变量的隶属函数层，实现输入变量的模糊化。第三层为规则层,实现知识的创建与存储。第四层为分类层，完成对成果的分类和预测。第五层为输出层，完成交易价格的估值预测，并给出具体结果。表4油菜品种量化数据集Table 4Quantitative data set of Rape varieties时间(ms)品种权品质适应性抗性平均产量(kg)TimePhaseVariety right160323840001592438400015734304001157343040011617321600116063488001160608960011573344000115723072001157291200001606348800115733440001153645120001603238400015734304001品质适应性抗性平均产量(kg)QualitySuitability0101010101阶段Quality010111111110111111011011010111Resistance Average yield1111111010SuitabilityResistance Average yield101011111110111111011111011111000002160298500003270000000292502064西南农业学报模糊规则库模糊模糊化XxO36卷y反模糊化接口+yo交易价格预测值V产量抗性阶段品质特征输人层节点个数为输人变量的个数训练集维度空间Areas created during training1.00.80.60.40.20.0+0.01.00.80.6aseud0.40.20.0+0.0同类农业科技成果数据及其交易数据完备时，在抗性和适应性维度上，训练结果未能明显区分开，UW隶属函数层实现输人变量创建和存储知识的模糊化图2五层模糊神经网络FNNFig.2Example of the five layers FNN口口口0.20.4适应性Suitability80.20.4时间TimeFig.3 Space graph of the training set dimension规则层1.00.80.60.40.2口0.00.60.80.60.8图3训练集维度空间逐步加入质量、品种权、阶段、平均产量等多个维度后,样本产生了较大程度的聚类（图3），模拟数据分类层节点数等于价格类别数训练集维度空间Areas created during training口1.00.01.00.80.60.40.20.01.00.0估值输出层0.20.4品种权Variety right0.20.4抗性Resistance0.60.60.80.81.01.09期的模型训练准确率能够达到96%，在实际应用中，数据的准度、精度、密度、完整度都会影响评估结果的准确率。运用实际业务数据训练FNN模型，模型的训练准确度达到8 0%（图4）。2.4改进五层模糊神经网络模型2.4.1采用FNN模型存在的问题和模型存在的问题是农业科技成果的交易信息具有动态增加的特点,因此需要模型具有接受增量数据进行增量学习并持续动态更新的能力；在不重新训练模型的情况下持续接人增量样本实现模型动态学习并形成新的模糊规则以提高模型在预测交易价格时的正确率和对增量样本区间数据预测的适应性。但FNN模型在遇到增量数据时,需要重新学习包含增量数据在内的全部数据，耗费大量时间和运算资源重新调整参数，在实际业务场景下难以落地使用，为了提高估值模型的实用性,需要对FNN模型进行改进。2.4.2构建改进的五层模糊神经网络构建改进的五层模糊神经网络IFNN（I m p r o v e d f u z z y n e u r a lnetwork）算法是在FNN算法基础上增加增量学习（In c r e m e n t a l l e a r n i n g），以保证改进后的模糊系统能1.00.80.60.40.20.00.0Areals1曹艳等：基于改进的五层模糊神经网络的农业科技成果估值研究页现有样本数据存在该分类样本，如不存在，则创建一个新分类规则；如存在则执行扩展操作，修正现有规则所适应的范围;重复检查：对应新创建的或扩展后的分类与已有分类进行比对监测，如存在重复会导致分类不唯一，则执行消除操作；消除操作：消除前计算各个维度的重叠值,并确定该值对应的最小维度后,再执行消除操作。2.4.3改进估值流程模糊神经网络和很多的机器学习算法类似,也是批处理学习（Batch learning）模式,即假设在训练之前收集到所有的训练样本,通过学习这些样本，完成学习任务，随后便会应用到实际分类预测任务中。但农业科技成果交易数据会随着时间不断增加,不可能一次性训练就让估值模型持续适用。新增交易数据转化成增量样本对模型估值的准确性、动态适用性至关重要。新增的成果交易数据需要通过各种渠道，在交易实时发生后尽快训练集维度空间训练集维度空间Areas created during trainingAreas created duringtraining1.00.80.60.40.20.00.20.440.60.8产量YieldFig.4Training accuracy of FNN Model重复检查Areal新增12065够不断从增量样本中学习到新的知识和规则，并能在以前已经学习到的知识基础上增加新知识。增量学习避免了重新学习的低效,类似人工学习模式，不断地学习并接收新知识与规律的同时，,模型的判断识别能力和处理问题能力随之增加。增量学习步骤（图5包括：新增规则：根据新增样本判断是否已1.00.0准确度：8 0.0%图4FNN模型训练准确度消除0.20.40.6品质QualityAreals10.81.0新样本：2新样本2图5增量学习步骤Fig.5 The steps of incremental learning新样本s2Area22066西南农业学报36卷业务系统数据抽取数据预处理分析与建模结果反馈建模数据历史数据选择性抽取数据源增量数据新增信息抽取，IFNN数据清洗模型分析特征构建交易价格预处理后的增量数据数据标准化模型优化应用结束模型应用图6 改进的估值流程Fig.6 Improved evaluation flow训练集维度空间Areas created during training1.00.80.60.40.20.00.0人到样本库，同时，新增交易数据结构还会因数据规范更替而变化，增量数据在提供给IFNN算法进行增量学习前,须进行数据预处理。因此针对改进的五层模糊神经网络IFNN,估值流程也需要改进（图6)。改进的估值流程首先在完成从历史数据抽取特征数据的同时，对数据源进行判断，持续抽取新增信息，对得到的增量数据执行数据清洗、特征构建和数据标准化，经过上述预处理后的增量数据提供给IF-NN算法,实现增量学习。2.4.4?改进评估流程得到的训练结果选取10 条油菜实际业务样本数据作为增量数据,IFNN通过增量学习后，其估值准确率达到8 6.6 7%（图7），与FNN的估值准确率8 0%相比，提高6.6 7%（表5）。证明通过改进支持增量学习构建的IFNN算法能够训练集维度空间Areas created during training1.00.80.60.40.20.00.20.4产量Yield0.60.8图7 模型训练准确度Fig.7Model training accuracy在不重新对全部数据进行学习的情况下，优化模型并渐进地进行知识更新,提高估值准确率,同时降低了模型对时间和运算资源的需求，更适应实际业务要求。2.5交易价格预测实例验证估值实例选择实际已经成交的品种绵油32 8，用以验证模型准确度。绵油32 8 的详细信息中,提取出农作物名称：绵油32 8，类型：油菜，时间：20171128，阶段：可量产，品种权：无，品质：种子芥酸表5IFNN与FNN模型训练准确度对比Table 5The Comparison of Model training accuracy of IFNN and FNN序号准确率(%)No.Algorithm1FNN2IFNN1.0准确度:8 6.6 7%0.00.20.4品质Quality算法0.6Number of samples7585(75+10)0.8样本数1.0Accuracy80.0086.679期曹艳等：基于改进的五层模糊神经网络的农业科技成果估值研究样本数据库/所有样本/样本详情绵油32 8广绵阳市农业科学研究院2067日期：2017-11-28预估价格：50 万元已有样品通过小试通过中试可以量产交易方式：完全转让品种来源：绵9AB-2x绵恢99-2 0 6（特高芥早熟两系杂交种）图8 绵油32 8 交易价格预测结果Fig.8 Prediction result of transaction price of Mianyang Petro328含量51.3%，商品菜籽硫苷含量12 9.7 2 mol/g，含油率44.57%，平均产量：198.19kg，抗性：抗菌核病。经FNN和IFNN 模型估值模型运算,均得到预测价格为50 万，与实际成交价格相同（图8）。3 讨 论农业科技成果价值评估是成果转化交易的前提。在采用实际业务数据训练时,IFNN模型估值准名称Name希望2 11Hope 211希望12 9Hope 129中油杂6 2 0Zhongyouza 620中油杂30Zhongyouza 30中油8 0Zhongyou 80中双18Zhongshuang 18中油杂39Zhongyouza 39中油杂2 8Zhongyouza 28中油6 0 7Zhongyou 607希望152Hope 152中油杂6 10Zhongyouza 610中油杂2 7Zhongyouza 27希望12 2Hope 122大地2 7 9Dadi 279中油杂2 9Zhongyouza 29确度比FNN模型提高6.6 7%,在新增样本量仅增加10个的情况下，已经显著提高。选取15个油菜品种,对比FNN和IFNN模型估值结果（表6），除中油杂39 和中油杂2 7 两个品种的估值,FNN和IFNN模糊隶属度不同,其他估值结果相同。中油杂39估值中,两个模型估值均偏离实际成交价格较多；中油杂2 7 的IFNN估值准确,FNN估值偏离较多。表明，实际业务估值时,IFNN估值准确度高于FNN。表6 FNN和IFNN模型估值结果对比Table 6Comparison of prediction result of FNN and IFNN类型FNN估值TypeFNN evaluation油菜50油菜40油菜71油菜45油菜50油菜50油菜102油菜45油菜51油菜51油菜50油菜81油菜50油菜50油菜81FNN模糊隶属度FNN fuzzy membership0.945.980.947 780.947 780.945 001.000 000.970 580.87210.985.831.000.000.945 981.000 000.885 871.000 000.932 691.000 00IFNN估值IFNN evaluationIFNN Fuzzy membership500.945 98400.947 78710.947 78450.945 00501.000 00500.970 581020.8721450.985 83511.000 00510.945 98501.000 00710.987 34501.000 00500.932 69811.000 00IFNN模糊隶属度实际成交金额Amount5040711025050300045515150715050812068IFNN模型从算法上满足了估值准确度随增量学习持续提高的要求。但为了进一步提高估值准确度，还需要更完备的训练数据。训练数据主要存在三个方面的问题：一是现实采集到的农业科技成果缺失较多数据项；二是成果描述大多采用文字描述，需要量化，但数据的量化未标准化,计算机自动提取困难；三是获得成果的说明大多是描写成果优秀之处，缺点少或无。因此，要获得农业科技成果评估的完备数据,需要在成果研发和管理过程中,遵守治理数据的规范，实时生产存储高质量数据，从而为实现农业科技成果价值评估的实时性、动态性提供更有利的数据支撑。4结论本研究针对农业科技成果估值的难点，提出一种基于改进的五层模糊神经网络IFNN的农业科技成果动态估值方法，在四川农业科技成果交易数据集上进行试验，本方法估值准确率达到8 6.7%。在成果各个阶段，及时对成果做出高效便捷的价值评估，能为其进一步投人、转化交易提供依据。尽管实际业务数据预测准确度（8 6.7%）与模拟完备数据预测准确度（96%）有一定的差距,但随着农业科技成果交易数据增加,IFNN模型估值准确度能够在持续增量学习下不断提高，IFNN估值模型具有可操作性和现实意义，适用于实际业务下农业科技成果价值评估。参考文献：1吴飞鸣.美国科技成果转移转化的评价及估值机制简析J.全球科技经济望,2 0 16,31（12）：45-49.2陈雪瑞。农业科技成果价值评估方法与系统模型研究D.北京：中国农业大学，2 0 18.3叶劲秋，刘文波，林春花，等.基于人工神经网络建立橡胶树白粉病预测预报模型J.西南农业学报