● 摘要
国家自然科学基金委是我国重要科研平台，是推动科研发展的主要动力，其受理申请项数、资助项目数以及资助金额强度成立至今均有大幅提升，面对其不断上升的趋势，有必要通过适当的方法梳理出自然基金委十年来的申请态势状况，构建自然基金委申请项目预测模型，进行包括项目申请总量、各类项目申请量、各学部项目申请量等趋势预测，从而有效地预知来年基金项目申请量，为评审工作有针对性的进行提供数据支持。基于此状况，本文进行对自然基金项目申请历史变化的统计性描述与分析，并基于时间因素进行回归预测和人工神经网络建模预测，而各个单一的模型预测都有不完备性，无法利用各个角度信息，存在一定的缺陷，本文提出了利用证据融合理论进行组合预测，最后并将各种预测方法结果进行比较。论文的主要工作表现在以下几个方面：
（1）对自然科学基金项目申请的历史变化情况进行梳理，进行统计性描述与分析，分析了项目申请量的变化趋势，面上项目、重点项目、青年科学基金项目等6类项目在整个体系中占据重要地位，其项目数占自然科学基金所有项目申请数量的比重高达98%，论文提出在进行分项目预测时，重点聚焦在这6大项目上。
（2）自然基金项目量呈现明显的非线性特征，论文充分考虑了这一特性。进行单一模型的预测时，除了进行时间因素预测模型建立外，文章利用人工神经网络进行非线性拟合，运用误差反向传播算法BP模型进行预测研究，预测结果表明，该网络模型学习能力强，有很强的非线性拟合能力，预测精度较高。
（3）最后文章提出了将证据理论用于基金预测算法的融合，进行对单一预测模型的组合预测。通过计算2009-2011年的不同预测方法所得结果的误差，并用信度函数量化该误差，完成基本信度分配，用Dempster合成法则将信度进行两重融合，利用融合后结果进行预测。融合结果表明，用融合后的算法对申请量进行预测时，预测的精度有一定提高。
关键词：预测，人工神经网络，证据融合理论