韓鵬 余開朝

摘 要：根據(jù)我國制造業(yè)發(fā)展的現(xiàn)狀以及相關(guān)部門出臺的關(guān)于我國制造業(yè)現(xiàn)階段提升設(shè)計(jì)能力的相關(guān)指標(biāo)和數(shù)據(jù)，對制造業(yè)的30個(gè)產(chǎn)業(yè)的設(shè)計(jì)能力進(jìn)行研究。以反應(yīng)我國制造業(yè)設(shè)計(jì)能力的13個(gè)指標(biāo)原始數(shù)據(jù)，通過對30個(gè)樣本進(jìn)行數(shù)據(jù)擬合，基于RBF神經(jīng)網(wǎng)絡(luò)構(gòu)建了我國制造業(yè)設(shè)計(jì)能力評價(jià)模型，根據(jù)該模型對我國制造業(yè)進(jìn)行設(shè)計(jì)能力進(jìn)行了評價(jià)。結(jié)果表明，與其他神經(jīng)網(wǎng)絡(luò)相比，RBF神經(jīng)網(wǎng)絡(luò)的泛化能力強(qiáng)，模型精度高;并從6個(gè)方面對我國制造業(yè)設(shè)計(jì)能力提升提出了建議，為制造業(yè)相關(guān)企業(yè)和政府部門提供決策參考。

關(guān)鍵詞：中國制造業(yè);設(shè)計(jì)能力;RBF神經(jīng)網(wǎng)絡(luò);能力評價(jià)

中圖分類號：TP183 文獻(xiàn)標(biāo)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(wǎng)絡(luò)的制造業(yè)設(shè)計(jì)能力評價(jià)[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(yè)在國民經(jīng)濟(jì)中占有決定性地位，是經(jīng)濟(jì)高速增長的來源，同時(shí)制造業(yè)的發(fā)展水平也是一個(gè)國家或者地區(qū)是否強(qiáng)大的標(biāo)志。2008年金融危機(jī)后，美國重新確定了以制造業(yè)為領(lǐng)導(dǎo)地位;德國在工業(yè)4.0中，將智能化穿插于整個(gè)制造業(yè)的全過程中，并且在醫(yī)藥技術(shù)、信息技術(shù)等十七個(gè)重點(diǎn)領(lǐng)域進(jìn)行重點(diǎn)突破;日本的《制造業(yè)白皮書》也指出通過在醫(yī)療、機(jī)器人、汽車、3D打印等方面重點(diǎn)發(fā)展。我國也于2015年5月提出了《中國制造2025》，重點(diǎn)進(jìn)行制造業(yè)數(shù)字化建設(shè);2019年10月十三部聯(lián)合應(yīng)發(fā)了《制造業(yè)設(shè)計(jì)能力提升專項(xiàng)行動(dòng)計(jì)劃（2019-2020年）》，并提出制造業(yè)轉(zhuǎn)型升級的瓶頸之一是設(shè)計(jì)能力不足[1];2021年2月科技部指出，將會(huì)按照中央要求盡快制定出《基礎(chǔ)研究十年行動(dòng)方案（2021—2030）》，這一行動(dòng)方案的目的也是提升我國制造業(yè)設(shè)計(jì)能力，從而提高我國制造業(yè)在全球的經(jīng)濟(jì)地位[2]。

設(shè)計(jì)能力不足是我國現(xiàn)階段制造業(yè)發(fā)展的瓶頸，同時(shí)制造業(yè)轉(zhuǎn)型升級、設(shè)計(jì)能力如何高效的提升是制造業(yè)和我國政府所重視的一個(gè)問題。而對制造業(yè)的設(shè)計(jì)能力進(jìn)行評估，能使各制造業(yè)更好地明白自身設(shè)計(jì)能力的現(xiàn)狀與潛在問題，通過與其他制造業(yè)進(jìn)行對比分析來拔高自身優(yōu)勢和彌補(bǔ)劣勢，對于中國制造業(yè)整體水平的提高具有一定的指導(dǎo)作用。同時(shí)我國政府也能根據(jù)評估結(jié)果，出臺相應(yīng)的政策，給制造業(yè)產(chǎn)業(yè)提供最大程度的資金、技術(shù)支持以及相關(guān)優(yōu)惠政策。

目前對于能力評價(jià)方面的評價(jià)方法有許多，鐘巍[3]利用層次分析和熵權(quán)法結(jié)合的方法對各指標(biāo)賦權(quán)，對沈陽市的裝備制造業(yè)創(chuàng)新能力進(jìn)行了實(shí)例研究。葉金平[4]運(yùn)用熵值法和灰色關(guān)聯(lián)投影法對我國31省市的制造業(yè)綠色創(chuàng)新進(jìn)行了分析，研究表明基礎(chǔ)設(shè)施支撐不足是影響制造業(yè)創(chuàng)新能力的主要原因，其中西部地區(qū)創(chuàng)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(yè)技術(shù)創(chuàng)新能力進(jìn)行了研究，研究表明，我國大部分產(chǎn)業(yè)仍處于模仿創(chuàng)新階段，且自主創(chuàng)新力弱。陳忠誼等人[6]運(yùn)用數(shù)據(jù)包絡(luò)分析（DEA）法從創(chuàng)新投入和產(chǎn)出兩個(gè)方面對溫州市的高新技術(shù)制造業(yè)的創(chuàng)新能力進(jìn)行了分析，最后提出高新制造業(yè)提升創(chuàng)新能力的6條建議。徐雪等人[7]通過因子分析和BP神經(jīng)網(wǎng)絡(luò)對我國23個(gè)主要省市的指標(biāo)數(shù)據(jù)進(jìn)行實(shí)例分析，研究表明除長三角和珠三角這兩個(gè)地區(qū)制造能力強(qiáng)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(chuàng)新支撐力強(qiáng)，創(chuàng)新體系逐漸完善有關(guān)。

以上的這些評價(jià)方法在評價(jià)過程中容易出現(xiàn)主觀性較強(qiáng)、權(quán)重取值不合理、可行度不高等問題，因而會(huì)容易致使評價(jià)結(jié)果不準(zhǔn)確的現(xiàn)象。而RBF神經(jīng)網(wǎng)絡(luò)不僅有普通神經(jīng)網(wǎng)絡(luò)的一些特點(diǎn)，還具有很強(qiáng)的聚類分析能力、客觀性強(qiáng)，能夠處理非線性數(shù)據(jù)，運(yùn)算效率高，結(jié)果準(zhǔn)確性強(qiáng)等優(yōu)點(diǎn)，為了使評價(jià)的結(jié)果更加客觀、準(zhǔn)確，所以對我國制造業(yè)設(shè)計(jì)能力的評價(jià)模型構(gòu)建選擇RBF神經(jīng)網(wǎng)絡(luò)。

1 RBF神經(jīng)網(wǎng)絡(luò)介紹與模型構(gòu)建

1.1 RBF神經(jīng)網(wǎng)絡(luò)介紹

RBF神經(jīng)網(wǎng)絡(luò)最早是在1989年J.Moody與C.Darken兩人研究出來的，這個(gè)模型是三層結(jié)構(gòu)的前饋網(wǎng)絡(luò)模型，且隱含層只有一層，RBF神經(jīng)網(wǎng)絡(luò)模擬的是人大腦對于局部區(qū)域知識的感知。該模型的結(jié)構(gòu)如圖1所示，該模型的結(jié)構(gòu)特點(diǎn)是，輸入直接與隱含層相連，通過RBF的高斯函數(shù)為激活函數(shù)，將低維的指標(biāo)數(shù)據(jù)映射到高維空間，從而進(jìn)行線性可分;而隱含層到輸出層是直接線性加權(quán)，所以這是一種線性的映射方式，因此，這種結(jié)構(gòu)方式能夠大大提升訓(xùn)練效率，并且避免了局部不收斂的情況。

1.2 RBF神經(jīng)網(wǎng)絡(luò)模型構(gòu)建

RBF神經(jīng)網(wǎng)絡(luò)模型構(gòu)建需要設(shè)計(jì)基函數(shù)中心和擴(kuò)散常數(shù)，以及隱含層到輸出層的權(quán)值。由于在隱含層中的各個(gè)神經(jīng)元所對應(yīng)的中心位置不一樣，且與中心相應(yīng)的寬度也會(huì)隨之變化，所以當(dāng)輸入的樣本數(shù)據(jù)不同時(shí)，隱含層的神經(jīng)元也能通過此特性進(jìn)行很大程度得表示出來。

（1）數(shù)據(jù)中心計(jì)算。通過將各個(gè)隱含層的神經(jīng)元的中心分量按照從小到大的方式進(jìn)行以相同距離的排序，這樣即使輸入的樣本數(shù)據(jù)的信息含量較弱，也能在神經(jīng)元的中心周圍產(chǎn)生比較大的響應(yīng)。并且距離的大小可以通過神經(jīng)元數(shù)量進(jìn)行調(diào)控，所以，通過這種試錯(cuò)的方法來進(jìn)行數(shù)據(jù)中心的設(shè)計(jì)是很合理的，能充分體現(xiàn)不同的輸入樣本數(shù)據(jù)的特征能在不同的神經(jīng)元上體現(xiàn)出來[8]。計(jì)算的公式如下：

（1）

式中，j為隱含層的神經(jīng)元，i為輸入的神經(jīng)元，min i是輸入的樣本數(shù)據(jù)中第i個(gè)特征的所有輸入值中最小值，max i是輸入的樣本數(shù)據(jù)中第i個(gè)特征的所有輸入值中最大值，p為隱含層神經(jīng)元的總個(gè)數(shù)。

（2）擴(kuò)展常數(shù)計(jì)算。RBF神經(jīng)網(wǎng)絡(luò)中隱含層的擴(kuò)展常數(shù)（半徑、寬度）主要是作用于隱含層對于輸入樣本數(shù)據(jù)的響應(yīng)程度上面，寬度越小，所對應(yīng)的高斯基函數(shù)作用函數(shù)的半徑也就越小，所以對于處于隱含層中的其他神經(jīng)元中心位置的信息在此神經(jīng)元處的響應(yīng)也就相對要弱一些。通過隱含層神經(jīng)元的中心最大距離來計(jì)算，計(jì)算方法見式1-2。

（2）

式中，dji是第j個(gè)中心對于第i個(gè)輸入的基函數(shù)的半徑;df是調(diào)節(jié)對數(shù)據(jù)反應(yīng)程度的寬度調(diào)節(jié)系數(shù);cji是數(shù)據(jù)中心，N是輸入神經(jīng)元的數(shù)量。

（3）權(quán)值的更新。對于RBF神經(jīng)網(wǎng)絡(luò)的三組權(quán)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(quán)值的改變對于此次的效率的影響從而不斷學(xué)習(xí)來進(jìn)行權(quán)值的調(diào)整[9]，計(jì)算方法如下：

（3）

（4）

（5）

式中，η指的是學(xué)習(xí)效率，E指的是代價(jià)函數(shù)，這里一般用的是均方差，具體表達(dá)式為

（6）

式中，olk指的是第一個(gè)輸入的樣本數(shù)據(jù)在第k個(gè)輸出神經(jīng)元上的期望輸出，ylk指的是第一個(gè)輸入的樣本數(shù)據(jù)在第k個(gè)輸出神經(jīng)元上的實(shí)際輸出。

（4）最終輸出確定。RBF神經(jīng)網(wǎng)絡(luò)的隱含層到輸出層的計(jì)算是通過線性的加和來計(jì)算的，即：

（7）

式中，m指的是神經(jīng)網(wǎng)絡(luò)輸出的數(shù)量。

2 制造業(yè)設(shè)計(jì)能力實(shí)例分析

MATLAB是一款強(qiáng)大的計(jì)算與模擬仿真軟件，且在這軟件中有對于神經(jīng)網(wǎng)絡(luò)開發(fā)與應(yīng)用的工具箱，包括了BP神經(jīng)網(wǎng)絡(luò)、RBF神經(jīng)網(wǎng)絡(luò)等在內(nèi)的常用模型，所以對于網(wǎng)絡(luò)模型的參數(shù)確立、模型的測試很適用，所以本文選擇利用MATLAB來進(jìn)行我國制造業(yè)設(shè)計(jì)能力的評價(jià)與研究[10]。

2.1 數(shù)據(jù)收集與處理

在進(jìn)行MATLAB訓(xùn)練仿真以前需要進(jìn)行數(shù)據(jù)的收集與處理，本文所用的數(shù)據(jù)來源2020年的《中國統(tǒng)計(jì)年鑒》和《中國科技統(tǒng)計(jì)年鑒》[11]。通過對我國制造業(yè)發(fā)展的現(xiàn)狀分析，以及結(jié)合2019年工業(yè)和信息部、國家發(fā)展和改革委員會(huì)等13部門聯(lián)合印發(fā)的設(shè)計(jì)能力提升專項(xiàng)計(jì)劃，選取了13個(gè)二級指標(biāo)，由于評價(jià)對象是我國制造業(yè)的細(xì)分產(chǎn)業(yè)，按照國民經(jīng)濟(jì)的行業(yè)分類，制造業(yè)分為31類，如農(nóng)副食品加工業(yè)等[12]。由于廢棄物資源綜合利用的數(shù)據(jù)缺少，本文選取了其他30個(gè)行業(yè)，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(gè)樣本數(shù)據(jù)進(jìn)行神經(jīng)網(wǎng)絡(luò)的訓(xùn)練，會(huì)因?yàn)闃颖玖窟^少，訓(xùn)練出的模型精度不高，所以通過統(tǒng)計(jì)學(xué)軟件SPSS20.0中非參數(shù)檢驗(yàn)檢驗(yàn)，對原始的30個(gè)樣本的13組指標(biāo)數(shù)據(jù)進(jìn)行分布規(guī)律分析，然后通過此軟件對原始數(shù)據(jù)進(jìn)行同步仿真130組數(shù)據(jù)。再對樣本數(shù)據(jù)進(jìn)行因子分析，提出了三個(gè)公共因子，并通過各公共因子所占的比重對相應(yīng)的樣本數(shù)據(jù)進(jìn)行期望值求取。

2.2 RBF神經(jīng)網(wǎng)絡(luò)模型訓(xùn)練

（1）數(shù)據(jù)集劃分。由于訓(xùn)練的數(shù)據(jù)是體現(xiàn)我國制造業(yè)設(shè)計(jì)能力水平的指標(biāo)數(shù)據(jù)，所以需要進(jìn)行歸一化處理，避免因?yàn)槟承┲笜?biāo)的數(shù)據(jù)量太大，造成輸出飽和的現(xiàn)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(shù)據(jù)，單引號中是數(shù)據(jù)所在的文件名;指令mapminmax指令是對數(shù)據(jù)進(jìn)行歸一化處理，并且默認(rèn)是歸一化是[-1 1]，所以無需對參數(shù)設(shè)定，這里對data進(jìn)行轉(zhuǎn)置的原因是mapminmax指令進(jìn)行歸一化時(shí)是對行向量進(jìn)行歸一化的，由于進(jìn)行原始數(shù)據(jù)收集時(shí)，行向量是樣本數(shù)據(jù)，縱向量是指標(biāo)數(shù)據(jù)，所以進(jìn)行轉(zhuǎn)置，歸一化完成后再進(jìn)行轉(zhuǎn)置。

為了避免數(shù)據(jù)的偶然性造成訓(xùn)練的模型精度不夠，采用了隨機(jī)產(chǎn)生訓(xùn)練集和測試集的方法進(jìn)行數(shù)據(jù)集劃分，處理主要流程如下：

k=rand（1，160）;

[m，n]=sort（k）;

num = 140;? %訓(xùn)練樣本數(shù)

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(jīng)網(wǎng)絡(luò)模型構(gòu)建。在MATLAB軟件的工具箱中，調(diào)用RBF神經(jīng)網(wǎng)絡(luò)的格式有兩種，一種是Newrb，另外一種是Newrbe。Newrb函數(shù)與newrbe函數(shù)兩種的作用原理是差不多的，區(qū)別在于，newrb構(gòu)建RBF神經(jīng)網(wǎng)絡(luò)是一個(gè)逐漸完善的過程，通過調(diào)整神經(jīng)元和個(gè)數(shù)，當(dāng)實(shí)際輸出與期望輸出的誤差達(dá)到要求時(shí)，停止訓(xùn)練。而newrbe函數(shù)是建立一個(gè)嚴(yán)格的神經(jīng)網(wǎng)絡(luò)，由于本文是對于制造業(yè)設(shè)計(jì)能力的評價(jià)，需要建立一個(gè)精確的網(wǎng)絡(luò)模型，所以本文選擇通過newrbe函數(shù)來構(gòu)建RBF神經(jīng)網(wǎng)絡(luò)。函數(shù)調(diào)用如下：

net=newrbe（P，T，SPREAD）

其中，P為輸入的指標(biāo)數(shù)據(jù);T為期望輸出;SPREAD為徑向基函數(shù)的擴(kuò)展速度，該值缺省時(shí)默認(rèn)為1。

（3）RBF神經(jīng)網(wǎng)絡(luò)模型訓(xùn)練仿真。RBF神經(jīng)網(wǎng)絡(luò)在MATLAB中實(shí)現(xiàn)的代碼主要如下：

net_rbf = newrbe（P_train，T_train，3）; %創(chuàng)建RBF網(wǎng)絡(luò)

T_sim_rbf = sim（net_rbf，P_test）;%RBF網(wǎng)絡(luò)仿真測試

error_rbf = abs（T_sim_rbf - T_test）./T_test;%性能評價(jià)，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(shù)R2

RBF神經(jīng)網(wǎng)絡(luò)的隱含層的神經(jīng)元數(shù)目是通過網(wǎng)絡(luò)根據(jù)數(shù)據(jù)的需要來自行調(diào)試，對于擴(kuò)散半徑最終選則3時(shí)訓(xùn)練的效果最好。通過將數(shù)據(jù)導(dǎo)入構(gòu)建的RBF神經(jīng)網(wǎng)絡(luò)模型，進(jìn)行模型的訓(xùn)練仿真，以及對數(shù)據(jù)的測試，最終測試結(jié)果如圖2所示。

從預(yù)測的結(jié)果可以看出RBF神經(jīng)網(wǎng)絡(luò)模型的精度很高，高達(dá)99.8%，這說明通過該神經(jīng)網(wǎng)絡(luò)輸出的實(shí)際值與期望值很接近，這對后文我國制造業(yè)設(shè)計(jì)能力的評價(jià)提供了理論依據(jù)，同時(shí)得出的相關(guān)結(jié)論也將更有說服力。

（4）制造業(yè)設(shè)計(jì)能力評分。將我國制造業(yè)細(xì)分產(chǎn)業(yè)的30個(gè)樣本指標(biāo)數(shù)據(jù)導(dǎo)入到訓(xùn)練好的RBF神經(jīng)網(wǎng)絡(luò)中就能得出評價(jià)結(jié)果數(shù)據(jù)。所以這里首先需要將30個(gè)制造業(yè)細(xì)分產(chǎn)業(yè)的指標(biāo)數(shù)據(jù)給分離出來，具體的實(shí)現(xiàn)代碼如下：

f_data=（data（1：30，：））;

接下來將分離開來的樣本指標(biāo)數(shù)據(jù)導(dǎo)入訓(xùn)練好的RBF神經(jīng)網(wǎng)絡(luò)模型中進(jìn)行評分求值，實(shí)現(xiàn)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(yè)細(xì)分產(chǎn)業(yè)的30個(gè)產(chǎn)業(yè)的設(shè)計(jì)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(yè)產(chǎn)業(yè)的設(shè)計(jì)能力評分值。

通過上表1的設(shè)計(jì)能力評分值以及排名可以發(fā)現(xiàn)，排名前三的制造業(yè)產(chǎn)業(yè)分別是計(jì)算機(jī)、通信和其他電子設(shè)備制造業(yè)I27、煙草制品業(yè)I4、電氣機(jī)械和器材制造業(yè)I26這幾個(gè)產(chǎn)業(yè)的基礎(chǔ)知識儲備很充足，設(shè)備和生產(chǎn)技術(shù)都是比較先進(jìn)的。從人員配置上來看，前三的產(chǎn)業(yè)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(yè)I29、其他制造業(yè)I29、木材加工和木、竹、藤、棕、制品業(yè)I8人員配比只有2%左右，從這里可以看出，高學(xué)歷的研究人員對于制造業(yè)的設(shè)計(jì)能力有很大影響。同時(shí)對于排名靠后的產(chǎn)業(yè)來說，大多屬于勞動(dòng)密集型產(chǎn)業(yè)，對技術(shù)和設(shè)備的依賴程度低，供基礎(chǔ)研究的資金不足。

3 結(jié)語

制造業(yè)設(shè)計(jì)能力提升是我國制造業(yè)當(dāng)前發(fā)展的重要任務(wù)之一。本文通過構(gòu)建RBF神經(jīng)網(wǎng)絡(luò)模型，并對我國制造業(yè)細(xì)分產(chǎn)業(yè)的30個(gè)產(chǎn)業(yè)進(jìn)行了設(shè)計(jì)能力評價(jià)分析研究，從評價(jià)得分總結(jié)出我國大部分產(chǎn)業(yè)得分低于60分，說明整體的設(shè)計(jì)能力存在不足，對我國制造業(yè)轉(zhuǎn)型升級不利，因此可以從以下幾個(gè)方面對我國制造業(yè)設(shè)計(jì)能力進(jìn)行提升。

（1）夯實(shí)制造業(yè)設(shè)計(jì)基礎(chǔ)，鼓勵(lì)企業(yè)與科學(xué)研究所或者高等學(xué)校加大合作力度，同時(shí)應(yīng)該加強(qiáng)工業(yè)軟件的基礎(chǔ)研究，開發(fā)專用的APP，建立資源共享庫，實(shí)現(xiàn)資源共享;（2）推動(dòng)重點(diǎn)領(lǐng)域設(shè)計(jì)突破，比如機(jī)器人、軌道交通、節(jié)能與新能源汽車等領(lǐng)域;（3）培育高端制造業(yè)設(shè)計(jì)人才，企業(yè)與高校共同培養(yǎng)出各領(lǐng)域交叉型、復(fù)合型人才，從而改善企業(yè)的人員配置，補(bǔ)齊制造業(yè)的短板;（4）培育壯大設(shè)計(jì)主體，企業(yè)培養(yǎng)出工業(yè)設(shè)計(jì)的中堅(jiān)力量，建設(shè)國家級的工業(yè)設(shè)計(jì)中心，提升公共服務(wù)能力;（5）構(gòu)建工業(yè)設(shè)計(jì)公共服務(wù)網(wǎng)絡(luò)，設(shè)計(jì)研究服務(wù)體系的建立，可以豐富我國行業(yè)數(shù)據(jù)資源庫，模型庫、材料數(shù)據(jù)庫等，同時(shí)發(fā)揮資源的優(yōu)勢，借鑒國際上先進(jìn)的經(jīng)驗(yàn)，促進(jìn)成果的轉(zhuǎn)化，實(shí)現(xiàn)資源最大化利用;（6）建立保障措施，知識產(chǎn)權(quán)是技術(shù)創(chuàng)新的產(chǎn)物之一，也是基本保障，有條件的地區(qū)應(yīng)該建立知識產(chǎn)權(quán)快速維權(quán)機(jī)制。同時(shí)政府也應(yīng)該發(fā)揮政策引導(dǎo)作用，促進(jìn)與支持制造業(yè)進(jìn)行基礎(chǔ)研究、重點(diǎn)行業(yè)“母機(jī)”研發(fā)、創(chuàng)立設(shè)計(jì)類產(chǎn)業(yè)基金、鼓勵(lì)銀行為設(shè)計(jì)類企業(yè)放寬政策、相關(guān)產(chǎn)業(yè)提供全生命周期的資金服務(wù)。

參考文獻(xiàn)

[1] 工業(yè)和信息化部產(chǎn)業(yè)政策司，《智能制造》編輯部.五問"制造業(yè)設(shè)計(jì)能力提升專項(xiàng)行動(dòng)計(jì)劃"[J].智能制造，2020（03）：29-31.

[2] 嚴(yán)雨程.科技部：《基礎(chǔ)研究十年行動(dòng)方案（2021—2030）》將制定，支持冷門學(xué)科等發(fā)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(yè)技術(shù)創(chuàng)新能力評價(jià)研究[D].沈陽：沈陽大學(xué)，2018.

[4] 葉金平.我國區(qū)域制造業(yè)綠色創(chuàng)新能力評價(jià)研究[D].南昌：南昌大學(xué)，2020.

[5] 譚智斌，周勇.我國電子通信制造業(yè)技術(shù)創(chuàng)新能力評價(jià)分析[J].現(xiàn)代管理科學(xué)，2006（8）：33-34.

[6] 陳忠誼，阮愛清.溫州高新技術(shù)制造業(yè)企業(yè)創(chuàng)新能力評價(jià)[J].技術(shù)與創(chuàng)新管理，2020（1）：12-17.

[7] 徐雪，張藝，余開朝.基于BP神經(jīng)網(wǎng)絡(luò)的智能制造能力評價(jià)研究[J].軟件，2018（8）：162-166.

[8] 楊淑瑩.模式識別與智能計(jì)算[M].北京：電子工業(yè)出版社，

2008.

[9] 王小川，史峰，郁磊.MATLAB神經(jīng)網(wǎng)絡(luò)43個(gè)案例分析[M].北京：北京航空航天大學(xué)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(tǒng)計(jì)局.中國統(tǒng)計(jì)年鑒[M].北京：中國統(tǒng)計(jì)出版社，2020.

[12] 向鐵梅，黃靜波.國民經(jīng)濟(jì)行業(yè)分類與國際標(biāo)準(zhǔn)產(chǎn)業(yè)分類中制造業(yè)大類分類的比較分析[J].對外經(jīng)貿(mào)實(shí)務(wù)，2008（11）：33-36.