预测收购大学赚钱:一种RBF神经网络方法

文摘

从大学大学赚钱(uso),创建企业知识产权,是一种比较常见的现象。知识转移渠道,衍生公司商业模式是吸引了广泛关注。摘要六股票收购uso的影响,包括创始人、大学、银行、商业天使,风险资本和其他权益,根据理论和实证研究进行了全面分析。首先,计算平均股本衍生公司分布在形成英国uso基于350年的样本数据。根据这个分布,径向基函数(RBF)神经网络(NN)模型被用来预测每个股权收购的影响。提高分类精度,新颖的集员的方法是采用RBF神经网络的训练过程。此外,模拟试验进行测量的影响6股票uso的收购。仿真结果表明,增加大学的股权收购uso有负面影响,而剩下的五个股票的增加有积极作用。最后,还提供了三个建议,促进uso的发展和增长。

1。介绍

大学人才培养和科学研究的功能。此外,政策制定者,另一方面,日益担忧什么大学可以在经济发展过程中所扮演的角色。大学要求为地区经济发展做出贡献通过促进有效的产学关系开发和商业化的研究发现。利用科学技术大学的发展是一个主要的主题在经济和产业政策1]。然而,大学可能无法捕捉的全部价值的技术许可协议的限制。因此,旋转出一个公司变得更直接参与新技术的商业化2]。因此,有一个转变,强调利用大学知识产权许可[关注衍生公司活动3),以刺激赚钱已经成为大学和政府的一个重大问题(4]。

然而,uso熟悉其他小型高科技公司和糟糕的债务融资能力,也为经济增长高度依赖股权融资。因此,作为一个融资渠道,股权分配uso吸引了广泛的关注。径向基函数(RBF)神经网络(神经网络)方法是一种新型有效的前馈神经网络和最佳逼近全局最优性能。训练方法是快速和容易,已经成功地应用在许多领域有其独特的信息处理能力,尤其是在金融、经济和管理领域(5- - - - - -8]。本研究结合RBF神经网络调查的影响股权收购uso分布,旨在为决策者提供定量参考,创始人和融资提供者uso促进发展和增长。

三个主要贡献本研究得出的结论如下:(1)这是第一次尝试采用RBF神经网络方法预测uso的收购,可以解决传统统计方法的棘手的问题。(2)提高分类精度,一种新型的集员的方法是采用RBF神经网络的训练过程。(3)仿真结果证实六股票收购uso的影响,因此为政策制定者提供定量管理决策参考,创始人,大学,金融提供商等等。

本文的其余部分组织如下。部分2概述了先前的研究uso和RBF神经网络,其次是部分3数据和方法。部分4介绍了数值结果和讨论。部分5总结了论文的主要研究方法及其政策含义。

2。文献综述

2.1。大学赚钱(uso)

Lockett和Wright (2005) uso定义为新企业依赖于机构的知识产权的许可或转让开始(9]。此外,uso也可以被定义为企业建立的大学学者针对商业化的想法基于科学发现和发明10,11]。多年来,大学赚钱已经出现的各种定义,学者普遍认为,赚钱来自于技术开发在一个大学和个人追求商业化包括科研人员、学生和毕业生(Benner Tushman, 200312];Steffensen et al ., 200013];jones - evans . Klofsten和,200014])。作为一个知识转移渠道,消磨的策略是一个关键问题。Siegel et al。(2003)3)指出,强调利用大学知识产权的转变通过授权来关注派生活动。

方面的文献通常赚钱识别两种财政资助和支持的过程中创建衍生公司(De Coster和巴特勒,200515];兰德里et al ., 200716):商业天使和风险投资人。一些证据显示有限的角色在创造衍生公司银行融资在英国和美国的研究(罗伯茨,199117];电子商务,2000 a, b (18,19])。Lockett和Wright(2005)指出,在允许的条件下,大学可能在消磨自己的股票,和一些大学国家鼓励学术创业需求的衍生公司股权份额,有一个积极的关系的新冒险和参与学术创始人衍生公司股本(Muscio et al ., 2016)20.]。

2.2。径向基函数(RBF)神经网络(NN)

如今,RBF方法well-adopted工具在股票市场预测和非线性系统的预测21- - - - - -23]。越来越受欢迎的和有前途的方法来解决期权定价模型是使用数值方法基于RBF (24]。陈和哈伯特(2014)25]证明了欧洲和美国的期权价格如何计算jump-diffusion模式下使用RBF插值方案。RBF方法的实现提出了解决Black-Scholes-type偏微分方程(pde)的互换期权价格缺乏信用风险(26]。Erdal Ekinci让各种人工智能方法的比较对银行破产的预测,包括支持向量机(svm), RBF神经网络,和多层感知器(mlp),除了对解释变量的主成分分析(PCA) (27]。RBF也用于评估、优化市场,利润率和信用风险管理相关的燃气发电厂和收费合同(28]。一个四阶段的动态反馈RBF模型建立供应合作伙伴选择在敏捷供应链(对asc) [29日]。Kapetanios和布莱克(2010)30.鞅差)提出新的测试基于RBF神经网络的限制。综上所述,可以看出,RBF神经网络领域的广泛应用和发展经济、管理、金融、社会科学等等。

尽管RBF已经大量应用在经济和管理建模领域,根据作者的知识,它没有被发现是使用和巨大的潜力的uso相关研究。

3所示。数据和方法

3.1。数据

为了加强我们对这个领域的理解,一个数据库的1044活跃uso编译各个大学的记录和互联网搜索和匹配出版的英国大学赚钱列表(31日]。进行了电话采访英国uso和350年最后一个示例实现。最后我们获得了几个部分的数据,包括金融、孵化,支持,和知识产权。根据收集到的数据的特点,传统的统计分析方法不能解决问题;因此,本研究尝试使用RBF神经网络来测试的影响股权收购uso分布。

在我们调查的英国uso股权分布的测量调查不仅是在2014年,但也追溯到业务时形成的。在点uso形成时,创始人平均拥有56.51 (SD = 30.92) %的股权,和24.73 (SD = 23.36) %属于主机大学。金融机构的相对较小的份额,总股本在这个发展阶段,与风险资本占7.71 (SD = 16.90)其次是商业天使百分比为2.24 (SD = 8.37) %,在更少的程度上,银行在0.45 (SD = 4.53)百分比和其他在8.36 (SD = 21.11) %,如图1。

3.2。RBF神经网络

RBF神经网络是一种三层转发网络,包括输入层、隐层和输出层,如图2。RBF神经网络的性能是由其拓扑参数,如RBF的均值和方差,隐藏节点的数量,以及隐层和输出层之间的重量。因此,RBF神经网络的训练过程侧重于调整上述因素,以获得精确的输入和输出之间的模型。具体来说,RBF在输入空间的位置是影响其平均值,而活跃的区域受到其方差的影响。RBF或神经元被激活,产生大的输出输入信号是否接近它的中心。否则,RBF的输出就会为零。由于每个RBF的有限反应区、线性投影从隐层到输出层需要使整个神经网络实现特定的功能,如分类和近似(32]。

隐藏节点的数量是一个关键因素在RBF神经网络:隐藏节点限制学习能力太少,而大量的隐藏节点导致增加训练时间和过度拟合。根据隐藏节点的数量,RBF神经网络分类广义网络(GN)模型和正规化的网络(RN)模型。通过设置先验知识的限制,光滑映射函数。GN适合分类。输入向量在低维空间中改变了神经网络的隐层,由RBF、实现高维空间的投影。然后,linear-inseparable问题在低维空间变成了在高维空间中分离。

基于研究单层感知器,一个超平面所描述的线性方程存在linear-separable如果训练样本空间的模式。这个超平面将训练样本是nonlinear-separable时不存在。然而,根据覆盖定理(33],nonlinear-separable问题可以得到解决,通过非线性变换。这个非线性变换是由RBF神经网络的隐层。

最常用的径向基函数是高斯函数。如果隐藏的节点数量 ,激活功能节点中表达 在哪里表示矢量的规范, 表示径向基函数的中心,表示高斯函数的方差。假设在输入层和输出层的神经元数量和 ,分别。相应地,输入向量 和输出向量 。输入层和输出层的激活函数恒等函数,和所有的神经元阈值设置为0。隐层和输出层之间的重量可以表示为

然后的输出输出层的神经元

一旦确定RBF神经网络的拓扑结构,分类的准确性是根据系数矩阵 ,这可能是优化培训流程(34,35]

3.3。集员训练方法

考虑以下线性回归: 在哪里 是输出, 是输入,所产生的噪音是有界的吗 , 是被估计参数向量, 。对于简单的演示,我们使用来表示在剩下的纸。

让的估计 ;RBF神经网络的输出 我们训练误差定义为

可以计算的损失函数 最小化,是确定加权因素。

给出了相应的估计 与

我们重写上述算法的递归形式: 这也相当于在接下来的卡尔曼滤波算法形式:

直到现在,加权系数的设计是不确定的。应该指出,引入加权因子的目的测量数据的可信度 。如果更可信的 ,加权系数应该比 。例如, 表明是不可信的,应该被忽视的。加权系数的设计 ,集员的方法是使用。通过回顾线性回归(4)和有界性的噪音,显然是在以下表格的设置:

对于这样的集的数据,然后在十字路口吗集(15),它可以表达的

注意,很难描述在数学上。然而,它是设计一套方便包含 ,

引理1。考虑到(12)- (14),一组由(17)可以转化为椭球表达式如下: 此外,递归的表达可以显示如下:

证明。扩大(17)收益率 用(9)(20.)导致 添加(两边21)导致 考虑 。的左边(22)= 定义的右边(22椭球体的半径 因此,我们无法用语言来表达由(15在椭球的形式。
此外,从(24)的递归形式= 考虑 和(10)。的最后两项的总和(25)= 自 ,(26)进一步了 用(27)(25)的结果 这是结束的证据。

根据引理1进一步,我们变换(19),

最后,我们设计如下:

基于上述的发展,提出了培训的主要属性算法给出的(12)- (14)总结了以下定理。

定理2。考虑的训练算法(12)- (14),如果我们设计加权因素根据(30.),然后验证以下语句:(1)如果 ,然后 , 。(2) 有界和nonincreasing。(3) 。

证明。(1)定义 并选择李雅普诺夫函数如下: 替换(10李雅普诺夫函数导致 回忆(11),(32)消耗 自 ,(33)等价于 替换的学习增益矩阵(13)收益率 在观察(29日),(35)= 可以写成 然后接下去 推导出 ;也就是说, 推导出 。
(2)证明的声明(1),它遵循 考虑的设计由(30.),(38)进一步了 相当于 注意的是 ,下面的不平等 因此 是证明。
(3)声明(3)将验证以下不同情况。
首先,当 ,它的结果 根据(6)。那么我们知道 ,由于 可以观察到(2)证明的声明。在这种情况下,声明(3)很简单。
第二,当 ,它会导致 。因此, 可以由(30.)。
这是结束的整个证明。

备注3。本文的理论证据表明,随着输入数据的增加,将逐步近似的估算值参数的真实值参数。兹证明确保估计误差的收敛性。

4所示。结果和讨论

我们使用典型的三层RBF神经网络分类的350组数据。在RBF神经网络模型中,输入向量是六维是一维向量和输出数据。我们假设有19个神经隐藏节点,和宽度值的高斯函数为每个神经网络最初选为10。的高斯函数的中心点th神经网络选择 。重量值向量是由提出的集员训练方法和分类结果可以如图3和4。

的垂直坐标数据3或4表示神经网络的输出值,代表公司被收购的可能性。和绿色钻石的人物3和4代表了公司,图中的红圈3代表公司尚未获得。

输出值越接近于1,公司越有可能被收购。输出值越接近于1,公司越有可能被收购。神经网络的输出值是连续的,但此次收购是一个布尔变量。为了达到分类的目的,我们选择0.5作为分界线(蓝线数据3和4)。输出值大于0.5是代表公司被收购;否则公司将不被收购。通过对比神经网络训练结果与实际采集的结果,它可以观察到从数据3和4模型训练精度已达到97.4%,而验证分类结果是81.6%。应该注意的是,越少的准确性验证主要是由于这一事实的验证数据资源只是收购赚钱可能没有完全代表所有赚钱的行为。重量值向量获得通过的集员方法提出了部分3.3。训练有素的重量值,神经网络输出的平均值计算,等于0.14。然后,我们可能想知道以下六个因素(股权分布)为收购uso作出贡献。因此,我们修改的原始数据集比例增加的一个因素,其他因素的比例相应减少。然后,测试的平均值计算修改后的数据集具有相同重量值。如果平均价值增加,我们相信这个因素导致收购;否则这个因素不会导致收购,甚至阻碍收购。与此同时,相应的平均值增加更多的意义有助于获得更多的因素。结果如表所示1。

从仿真结果可以发现,增加的创始人的股权收购uso有积极影响,虽然效果弱;大学的股本的增加对收购uso有负面影响,影响介质;银行的股本的增加对收购有很强的积极影响的uso值为+ 0.1228;增加商业天使投资者权益积极的影响相对较弱的uso,变化值为+ 0.0406;风险资本的增加权益收购uso有积极影响,并影响介质;其他权益的增加有积极影响的收购uso,效果强。

证明了创始人的增加,金融机构(包括银行、商业天使和风险资本),和其他股权有利于收购uso,和银行的股权收购是最具影响力的因素。结果的主要原因可能是由于创始人和金融更关心uso的效益和利润;因此,增加他们的股票是倾向于收购。其他权益的原因有一个积极的收购可能会强烈影响,这是被其他业务,可能形成战略合资企业或与uso联盟。商业天使的影响权益要少得多,可能原因是商业天使来自不同背景,从企业家前财政专家,他们都倾向于目标相比风险较小的建议的风险投资家。另一方面,大学股权或其他权益的增加不利于uso被收购,和它可以解释说,大学更关心的出现和转移知识和技术与经济效益。

5。结论和建议

本文采用RBF神经网络模型进行调查的影响6股票(包括创始人、大学、银行,商业天使,风险资本,和其他人)收购uso。样本数据的基础上,350年英国uso衍生公司股票的平均分布,形成第一次计算。根据这个分布,采用RBF神经网络模型来预测每个股权变化的影响在收购。提高分类精度,新颖的集员的方法是采用RBF神经网络的训练过程。此外,模拟试验进行测试的影响6个股票收购uso。仿真结果表明,增加大学的股权收购uso有负面影响;然而,剩下的五个股票的增加有积极的影响。创始人的结果表明,增加,金融机构(包括银行、商业天使和风险资本),和其他股权有利于uso的收购。

根据本文的主要结论,提出了一些政策影响作为决策者的决策参考,创始人,大学,融资提供商等等。(1)如果uso想获得在未来,一个合理的股权分配的时间应该保障uso形成在创建企业大学。(2)如果股权分布是决定业务形成的时候,和USO尚未获得,他们应该调整股权分布和增加的百分比创始人的股票、金融提供者权益,或其他适当的股权。(3)为了被收购,uso应该鼓励和探索多个投资和融资渠道。

的利益冲突

作者宣称没有利益冲突。

确认

这项研究是由中国国家自然科学基金资助下拨款71302028,71472057,和71602041,黑龙江省自然科学基金(LC2017031),和基本的科学研究基金为中央大学(HEUCF170903、HEUCFW170908和HEUCFW170904)。

引用

1. r·t·哈里森和c·利奇,“巫毒机构或企业大学吗?分拆公司,创业系统和区域发展在英国,”区域研究,44卷,不。9日,第1262 - 1241页,2010年。视图:出版商的网站|谷歌学术搜索
2. s . j .富兰克林·m·赖特,a . Lockett”学术和代理企业家大学派生公司。”《技术转让,26卷,不。1 - 2、127 - 141年,2001页。视图:出版商的网站|谷歌学术搜索
3. d·s·西格尔,d . Waldman和a .链接”评估组织实践的影响的相对生产率大学技术转移办公室:一个探索性研究,“研究政策,32卷,不。1,27-48,2003页。视图:出版商的网站|谷歌学术搜索
4. 美国赫斯和r . y . Siegwart“大学技术孵化器:在跨国技术转移的早期技术与产业合作,”商业和管理研究,卷2,不。2,22-36,2013页。视图:出版商的网站|谷歌学术搜索
5. c . y . c·l·林j . f . Wang Chen c . w . Chen和c w .日圆,“提高RBF神经网络的泛化性能使用线性回归技术,”专家系统与应用程序,36卷,不。10日,12049 - 12053年,2009页。视图:出版商的网站|谷歌学术搜索
6. h·k·k·东和m . c . s . Wong“制定信贷障碍模型使用径向基函数,“运筹学学会》杂志上,卷65,不。9日,第1452 - 1437页,2014年。视图:出版商的网站|谷歌学术搜索
7. a .瓜林、刘x和w·l·Ng”提高信用违约互换估值meshfree方法,”欧洲运筹学杂志》上,卷214,不。3、805 - 813年,2011页。视图:出版商的网站|谷歌学术搜索|MathSciNet
8. p·a·古铁雷斯m . j . Segovia-Vargas s Salcedo-Sanz et al .,”组合与产品单元和逻辑回归RBF网络对准确检测和预测的银行业危机,”ω,38卷,不。5,333 - 344年,2010页。视图:出版商的网站|谷歌学术搜索
9. a . Lockett和赖特,“资源、能力、风险资本和大学科研转化企业的创建,“研究政策,34卷,不。7,1043 - 1057年,2005页。视图:出版商的网站|谷歌学术搜索
10. p . Mustar m·雷诺·m·g·科伦坡et al .,”即可形成的异质性研究分拆:多维分类,“研究政策,35卷,不。2、289 - 308年,2006页。视图:出版商的网站|谷歌学术搜索
11. a·沃尔特·m·奥尔,t·里特,“网络能力和创业倾向的影响大学剥离性能,”杂志的商业冒险,21卷,不。4、541 - 567年,2006页。视图:出版商的网站|谷歌学术搜索
12. m . j . Benner和m . l . Tushman”开发、勘探和流程管理:生产力困境重新审视,“管理学会评论》(AMR),28卷,不。2、238 - 256年,2003页。视图:谷歌学术搜索
13. m . Steffensen e·m·罗杰斯,k . Speakman“副产品从研究大学研究中心”杂志的商业冒险,15卷,不。1,第111 - 93页,2000。视图:出版商的网站|谷歌学术搜索
14. jones - evans . m . Klofsten和d,“比较学术创业准备在瑞典和爱尔兰的情况下,“小型企业经济学,14卷,不。4、299 - 309年,2000页。视图:出版商的网站|谷歌学术搜索
15. r . De Coster和c·巴特勒,“评估新技术投资建议:在英国大学衍生企业的特点,“Technovation,25卷,不。5,535 - 543年,2005页。视图:出版商的网站|谷歌学术搜索
16. r·兰德里:Amara, m . Sailhi“专利和剥离创造加拿大研究人员在工程和生命科学,”《技术转让,32卷,不。3、217 - 249年,2007页。视图:出版商的网站|谷歌学术搜索
17. e·b·罗伯茨企业家在高技术,牛津大学出版社,纽约,纽约,美国,1991年。视图:出版商的网站
18. 欧洲委员会,风险资本行动计划进展报告,布鲁塞尔和卢森堡,2000 a。
19. 欧洲委员会、创新知识驱动的经济,布鲁塞尔和卢森堡,2000 b。
20. a . Muscio d Quaglione, l . Ramaciotti”大学剥离规则创建的影响:学术界在意大利的情况下,“研究政策,45卷,不。7,1386 - 1396年,2016页。视图:出版商的网站|谷歌学术搜索
21. j·德·耶稣卢比奥、p·安格诺夫和j .帕切科”均匀稳定的反向传播算法训练前馈神经网络,”IEEE神经网络和学习系统,22卷,不。3、356 - 366年,2011页。视图:出版商的网站|谷歌学术搜索
22. o . Abedinia和n . Amjady“净需求预测电力系统由一个新的神经网络预测引擎,”复杂性,21卷,不。S2, 296 - 308年,2016页。视图:出版商的网站|谷歌学术搜索|MathSciNet
23. M.-C。拜,“RBF-based离散滑模控制的鲁棒跟踪与输入非线性不确定时滞系统,”复杂性,21卷,不。6,194 - 201年,2016页。视图:出版商的网站|谷歌学术搜索|MathSciNet
24. l . v . Ballestra和g . Pacelli”两个随机因素:欧洲和美国期权定价问题的一种高效的径向基函数方法,”经济动力学与控制杂志》上,37卷,不。6,1142 - 1167年,2013页。视图:出版商的网站|谷歌学术搜索|MathSciNet
25. r·t·l·陈,美国哈伯特。”维jump-diffusion下期权定价模型使用径向基函数插值方案,“对衍生品研究,17卷,不。2、161 - 189年,2014页。视图:出版商的网站|谷歌学术搜索
26. m·汤普森“交易对手信用风险定价和测量互换期权的投资组合,”计算金融杂志上,18卷,不。1、31 - 64年,2014页。视图:谷歌学术搜索
27. h . i Erdal和A . Ekinci”比较的各种人工智能方法对银行破产的预测,”计算经济学,42卷,不。2、199 - 215年,2013页。视图:出版商的网站|谷歌学术搜索
28. m·汤普森“优化经济调度和风险管理热电厂在解除管制的市场,”运筹学,卷61,不。4、791 - 809年,2013页。视图:出版商的网站|谷歌学术搜索
29. ”吴c和d·巴恩斯,动态反馈模型在敏捷供应链伙伴选择,”国际期刊的操作和生产管理,32卷,不。1,第103 - 79页,2012。视图:出版商的网站|谷歌学术搜索
30. Kapetanios和a·p·布莱克,“鞅差假说的测试使用增加和RBF神经网络近似,”计量经济学理论,26卷,不。5,1363 - 1397年,2010页。视图:出版商的网站|谷歌学术搜索|MathSciNet
31. http://www.spinoutsuk.co.uk/listings/company-listings/。
32. d .陈和w·汉”,多变量混沌时间序列的预测,通过径向基函数神经网络”复杂性,18卷,不。4、55 - 66、2013页。视图:出版商的网站|谷歌学术搜索
33. n .问:驾车、d . s . Kim和n v参选“存在定理和广义向量优化顺序,“优化理论与应用》杂志上,卷174,不。3、728 - 745年,2017页。视图:出版商的网站|谷歌学术搜索|MathSciNet
34. w . Yu和j·d·j·卢比奥,“复发性神经网络训练和稳定边界椭球算法,”IEEE神经网络和学习系统,20卷,不。6,983 - 991年,2009页。视图:出版商的网站|谷歌学术搜索
35. d·j·r·何塞·y,和f·安德烈斯,”与最优界椭球算法神经网络训练,”神经计算和应用18卷,第631 - 623页,2009年。视图:出版商的网站|谷歌学术搜索

版权

版权©2017胖子刘et al。这是一个开放的分布式下文章知识共享归属许可,它允许无限制的使用、分配和复制在任何媒介,提供最初的工作是正确引用。