当前位置：文档之家 › 基于BP神经网络的专家遴选

基于BP神经网络的专家遴选

  • 格式：pdf
  • 大小：274.48 KB
  • 文档页数：3

Ｆｒｏｎｔｉｅｒ莉沿汇　能够推动产业结构的调整与优化，降低对资源的依赖程度，以科技创新推　动经济增长由高投入、低效率转向低投人、高效率增长，使经济由劳动密　集型向知识密集型转变。　二、实施人才优先发展战略的对策建议　１．加大集聚区人才政策和资金的支持力度　一是大胆吸收借鉴外地政策措施，研究出台住房、分配、医疗、创业扶　持等方面更具吸引力的人才政策，形成有特色的集聚区人才引进、培养、　奖励、流动、保障等新政策。二是加大集聚区人才资金扶持力度。建立促　进集聚区人才发展专项资金，重点支持浙江省高等院校、职业院校和重点　企业培养开放型人才。　２．大力实施开放型人才培训计划　一是开展“走出去　培训。选派集聚区经济主管部门和企事业业务骨　干，到境外和省外知名高校强化培训，学习先进的管理理念，熟悉国际惯　例，增强垮文化沟通能力，较快提升集聚区人才素质。二是组织实施“请　进来”培训。邀请专家讲学，邀请国内外著名专家、教授集中开展外经贸业　务知识、园区建设和招商引资业务等方面的专题培训，提升开放理念，充　实开放型经济知识。三是挂职“实战锻炼”培训计划。通过与中央对口部　门、央企和沿海、发达地区互派干部挂职交流，加大开放型经济管理人才　和集聚区人才的双向挂职交流的工作力度，较快提升集聚区人才经营和管　理水平。　３．大力营造开放型人才良好的培养引进环境　一是制定规划，拓宽引才视野。认真落实十三五人才发展规戈４，开展　自主引智活动，双招联动。紧密围绕引进科技领军人物、高端制造业和新能　源研发、软件和服务外包、电子信息、总部经济、金融证券、现代物流等领　域的紧缺型人才和管理、专业技术复合型人才、创新团队，主动出击，加大　宣传力度，创新宣传模式，利用好各级各类媒体，制作宣传片，印发专刊，　使人才政策深入人心，亮出品牌。二是提升服务，优化人才成长环境。加快　建设人才公寓，进一步扩大人才分中心、人力资源市场业务范围，建立起各　类人才库，为引进的企业、项目提供全方位、全过程的优质服务。进一步消　除体制和政策障碍，营造鼓励人才干事业，支持人才干成事业，帮助人才干　好事业的社会环境。　综上所述，我们要高度深刻认识加强人力资源管理工作的重要性和　紧迫性，坚定不移地实施人才培养战略，为推进区域改革发展作出更大的　贡献　蚪■　参考文献　［１］侯爱军．区域人才流动的经济适配度和知识溢出效应研究【Ｄ】．北京　理工大学．２０１５　基于ＢＰ神经网络的专家遴选　刘宝李正荣吉方代毅中国工程物理研究院机械制造工艺研究所　摘要：专家遴选是科技人才队伍建设的重要内容。分析了专家队　伍现状及其遴选方式的不足，对反映科技人员能力和成果的要素进　行量化，并采用ＢＰ神经网络方法建立了专家遴选模型。结果表明：应用　该方法对科技人员进行分类筛选能减少人为因素的影响，满足专家逮　选的要求。　关键词：专家遴选评价指标ＢＰ神经网络模型验证　中图分类号：０９６１　文献标识码：Ｂ　高层次科技人才是我国人才队伍的核心，而高７Ｊ＜￣－专家是专业技术人　才的精华，也是高层次科技人才的代表。专家的遴选与培养一直备受各大　科研机构的重视，它不仅是激发科技人才积极性，促进学科发展和技术进　步的重要措施，也是加强梯队建设，推动高层次人才队伍可持续发展的基　本保证。　一、研究所专家队伍现状　在我国，专家一般指那些在所从事领域中得到广泛认可，具有精湛造　诣，能够进行创新性劳动并取得突出成就的人群。现以某工程类研究所为　例，对科技专家队伍的现状进行分析。　１．专家的数量不足　古语云：“干军易得，一将难求。”离层次专家位于人才队伍的“塔　尖”，在把握学科发展方向和带领团队方面起着关键作用。要打造“创新型　一流研究所”，必须加强和巩固优势学科地位，进一步提升科研水平，而这　些必须以一支数量可观的专家队伍为基础。研究所近年来虽然承担了不　少重大科研项目，也获得了很多国家级和省部级奖励，但仔细分析就能发　现：很多项目负责人和获奖者都高度重复，剔出这些重复出现的人员，高　水平科技专家的数量并不多，更鲜见在国内相关领域具有较高影响力的领　军人物。　现有科技专家数量不足的同时，许多科研水平较高的技术骨干却缺　Ｐ．１２　少成为专家的机会，难以享受专家的荣誉和待遇，也没有积极性去履行专　家的责任与义务，对研究所的科技进步和队伍建设没有起到应有的推动　作用。　２．专家的年龄偏大　据统计，人的创造力在３５岁左右达到巅峰，这个时期正是做科研、出　成果的黄金期。研究所近五年所获各类科技奖项人数共１７１人，其中仅有６　人年龄在３５岁以下，且全部为项目参与者。在最富创造力的时期难以成为　科研主力，科技人才队伍的年龄结构不尽合理。　专家的年龄偏大是有其客观原因的，当前科技项目特别是重大科技项　目一般要由知名专家作为负责人才容易获得通过。一方面，少数资深专家　作为科研主力，承担的任务多、压力大；男一方面，年轻科技人员缺少重大　项目的锻炼机会，不利于个人成长。　３．专家遴选方式待改进　专家的作用不仅体现在对经济发展和科技进步的直接贡献上，而且　体现在对整个人才队伍建设的示范和带动作用上。研究所为加强专业梯　队建设，充分发挥高层次专家在各自学科、专业领域的学术和技术带头作　用，提高专业技术人才队伍的整体素质，近年来致力于开展专家的遴选培　养工作，初步营造了“尊重劳动　尊重知识、尊重人才、尊重创造　的良好　环境　然而科技专家的遴选仍存在一些待改进之处。一是专家遴选方式相　对粗放，如“德才兼备　等要求都是定性描述，客观量化成份很少。遴选过　程不仅受限于评审专家知识的局限性，而且易受部门和个人的利益冲突及　少数专家的学术道德７Ｊ＜￣－影响，不排除走过场、印象分等现象的发生，难　以完全客观、真实地反映科技人员的能力水平。二是专家资格的有效期限　不符合人才发展规律。科技人员一且被授予专家称号，往往一直到退休都　是专家，随之而来的是项目、资金、名誉的高度聚集，一方面挤占了年轻科　技人员的晋升空间，另一方面也不利于研究所的科技发展。

　表１量化要素赋值表　序号　类别　项目　赋值　序号　类别　项目　赋值　ｌ　排名１　６０　２９　硕士　５　学历　２　国家级奖项　排名２　３　３０　３０　博士　１０　３　（一等）　排名４、５　ｌ５　３１　国外学习　一年及以下　ｌ０　４　其他参与　６　３２　经历　一年及以下　２０　５　捧名１　４０　３３　硕士　３０　人才培养　６　国家级奖项　排名２、３　２０　３４　博士　５０　７　（二等）　排名４、５　ｌ０　３５　负责人　２５　国家级项目　８　其他参与　５　３６　参与人　８　９　捧名１　２５　３７　负责人　１５　省部级项目　１０　国家级奖项　排名２、３　１５　３８　参与人　５　ｌｌ　（三等）　排名４、５　８　３９　负责人　１０　所级项目　１２　其他参与　４　４０　参与人　３　１３　排名１　２５　４ｌ　排名１　ｌ５　１４　省部级奖项　排名２、３　１５　４２　ＳＣＩ收录论文　排名２　８　１５　（一等）　捧名４、５　８　４３　其他参与人　４　１６　其他参与　４　４４　排名１　ｌ０　１７　排名１　１５　４５　ＥＩ收录论文　排名２　６　１８　省部级奖项　排名２、３　１０　４６　其他参与人　３　１９　（二等）　排名４、５　６　４７　排名１　８　核心（外文）　２０　其他参与　３　４８　排名２　４　期刊论文　２１　排名１　ｌ０　４９　其他参与人　２　２２　省部级奖项　排名２、３　７　５０　排名１　１０　２３　（三等）　排名４、５　４　５ｌ　实用新型　排名２、３　５　２４　其他参与　２　５２　其他参与人　２　２５　排名１　７　５３　排名１　ｌ５　２６　省部级奖项　排名２、３　５　５４　发明专利　排名２、３　８　２７　（四等）　排名４、５　３　５５　其他参与人　４　２８　其他参与　１　表２神经网络洲练数据　人员　学　田外　人才　国家缓　省部缓　院所级　ＳＣＩ　ＥＩ　棱心　实用　发明　国家级　省部级　类别　编号　历　经历　培养　项目　项目　项目　论文　论文　论文　新型　专利　奖项　奖项　值　１　０　０　３５０　５０　３０　５１　２３　４１　４８　２Ｏ　０　１２　１６５　３　２　５　Ｏ　１８０　８　９０　２３　２０　２７　４４　１２　５１　０　１９　３　３　０　０　１５０　８　６０　３２　０　４７　８６　３０　１５　０　７９　３　４　０　０　１５０　８　１０　３８　８　２２　３２　０　０　０　９９　３　５　５　０　０　０　６０　５１　８　３６　６４　０　４　０　２２　Ｚ　６　１０　０　０　２５　５　４４　４５　４０　４４　０　０　０　ｌ１　２　７　１０　０　６０　８　５５　１２　３０　３０　５２　４　２０　０　Ｏ　２　８　１０　１０　９０　２５　５　５４　３０　４０　６０　０　０　０　４　２　９　０　０　０　Ｏ　２５　３２　０　０　０　０　０　０　１７　１　１０　５　０　０　０　２５　５４　０　１０　２６　Ｏ　０　Ｏ　１５　１　ｌ１　０　０　０　０　１０　４６　０　０　０　０　Ｏ　０　Ｏ　ｌ　１２　０　０　０　０　１０　４４　０　１０　２８　０　０　０　２８　ｌ　Ｆｒｏｎｔｉｅｒ前沿汇　研究所科技专家数量不足、年龄偏大。迫切需要关注年轻　科技人才的成长和发展，加大专家遴选与培养工作的力度，形　成人才辈出、百花齐放的良好局面。应建立一个专家库，将年轻　的、优秀的科技骨干纳入到这个库中，实时更新专家库中科技　人员的项目，成果信息，并进行动态管理，适时将一部分优秀专　家推荐上去，将另一部分平庸专家筛选下来，形成灵活高效的　专家新陈代谢机制。　二、科技专家遴选模型的构建　１．ＢＰ神经网络的基本思想　ＢＰ神经网络是模仿生物神经网络功能的一种经验模型，它　含有输人层、输出层以及处于输入输出层之间的中间隐层，其　算法由数据流的前向计算（正向传播）和误差信号的反向传播两　个过程构成。正向传播时，传播方向为输入层一隐层一输出层，　每层神经元的状态只影响下一层神经元。若在输出层得不到期　望的输出，则转向误差信号的反向传播流程。通过这两个过程　的交替进行，在权向量空间执行误差函数梯度下降策略，动态　迭代搜索一组权向量，使网络误差函数达到最小值，从而完成　信息提取和记忆过程。　神经网络方法不需要了解数据处理过程的输入输出参量　之间的变化规律，而主要根据所提供的数据，通过学习和训　练，找出输入与输出的内在联系。ＢＰ神经网络具有很强的非线　性学习和模式识别的能力，可以近似任何非线性函数，通过它　进行专家人选的评价、分类和遴选，避免了非客观的人为因素。　当然，ＢＰ神经网络的缺点也很明显，它不能提供解析表达式，　无法得出一个“显性”的遴选模型，权值也没有实际意义，但这　些并不影响ＢＰ神经网络在专家遴选中的应用探索。　２．样本选择与赋值　对高层次人才队伍进行层次分类和条件界定，可以加强人　才队伍建设的重点和针对性。层次的分类要考虑结构和梯队建　设的需要，不同层次间要相互联系，形成递进的结构和合理的　梯队。　本研究选取了资深高水平专家、优秀科研骨干和一般科技　人员三类样本，每类人数为５人，共１５人。收集整理了公认能反　映科研水平和能力的样本信息，主要有学历、专利、论文、项目、　奖项等，如表１所示　学习经历是学习能力的标志和科研工作的基础；人才培养　体现了学术水平和带领团队的能力；承担项目体现了解决问题　的能力；发表论文体现了理论研究能力；专利体现了创新能力　和探索精神；奖项是社会对其科研成果的认同，体现了科研能　力的强弱。各量化要素的赋值主要参照了研究所职称评定量化　计分条件，部分内容作了修改。除学习经历和人才培养要素外，　其余要素只统计科技人员近五年的数据，重复项目只按最高计　分统计。　５．ＢＰ神经网络设计与求解　ＢＰ神经网络的输人为科技人员各量化指标的实际数据，　输出可设置为某固定常数。本文将资深高水平专家、优秀科研　骨干和一般科技人员的输出分别设置为３、２、１，输出达到２及以　上的科技人员就可以纳入动态专家库。每类人员选取４个样本，　共１２个样本进行训练，如表２所示。　神经网络训练参数设置如下，采用输入层、隐层、输出层三　层神经网络结构，其中输入层为１３个神经元，输出层为１个神经　元，隐含层神经元个数的确定目前还没有特别好的方法，本文根　据经验和反复试验，取隐含层个数为ｌ５，这样，网络的基本结构　ＨＵＭＡＮ　ＲＥＳＯＵＲＣＥ　ＭＡＮＡＧＥＭＥＮＴ　Ｐ．

合集下载

基于PCA—BP神经网络方法的供应商选择

基于PCA—BP神经网络方法的供应商选择

第１９卷第１期　２０１４年２月　工业工程与管理　Ｉｎｄｕｓｔｒｉａｌ　Ｅｎｇｉｎｅｅｒｉｎｇ　ａｎｄ　Ｍａｎａｇｅｍｅｎｔ　Ｖｏ１．１９　Ｎｏ．１　Ｆｅｂ．２０１４　

文章编号：１００７—５４２９（２０１４）０１—００５３—０５　

基于ＰＣＡ—ＢＰ神经网络方法的供应商选择　

刘增明，陈运非，蒋海青　

（中国计量学院质量与安全工程学院，浙江杭　・ｉ，１　３１００１８）　

摘要：为了克服ＰＣＡ（主成分分析）和ＢＰ神经网络这两种现有的供应商选择方法的缺陷，提　

出ＰＣＡ—ＢＰ神经网络方法，对该方法的实施过程进行了系统研究，并利用某包装企业Ｊ合作过的　３０家供应商的历史评价数据进行了实例分析。该方法可在短时间内得到各供应商评价的预测结　

果，且其与专家评分的误差均在５　以内。同时，ＰＣＡ－ＢＰ神经网络方法相对于传统ＢＰ神经网络　

方法具有更快的收敛速度、更强的泛化能力以及更好的学习稳定性。　关键词：供应商选择；ＰＣＡ；ＢＰ神经网络；泛化能力　

中图分类号：ＴＰ２７８　文献标识码：Ａ　

Ｓｕｐｐｌｉｅｒ　Ｓｅｌｅｃｔｉｎｇ　Ｂａｓｅｄ　ｏｎ　ＰＣＡ—ＢＰ　Ｎｅｕｒａｌ　Ｎｅｔｗｏｒｋ　Ｍｅｔｈｏｄ　

ＬＩＵ　Ｚｅｎｇ—ｍｉｎｇ，ＣＨＥＮ　Ｙｕｎ－ｆｅｉ，ＪＩＡＮＧ　Ｈａｉ—ｑｉｎｇ　

（Ｃｏｌｌｅｇｅ　ｏｆ　Ｑｕａｌｉｔｙ　ａｎｄ　Ｓａｆｅｔｙ　Ｅｎｇｉｎｅｅｒｉｎｇ，Ｃｈｉｎａ　Ｊｉｌｉａｎｇ　Ｕｎｉｖｅｒｓｉｔｙ，Ｈａｎｇｚｈｏｕ　３１００１８，Ｃｈｉｎａ）　

Ａｂｓｔｒａｃｔ：ＰＣＡ（ｐｒｉｎｃｉｐｌｅ　ｃｏｍｐｏｎｅｎｔ　ａｎａｌｙｓｉｓ）ａｎｄ　ＢＰ　ｎｅｕｒａｌ　ｎｅｔｗｏｒｋ　ａｒｅ　ｔｗｏ　ｃｏｍｍｏｎ　ｓｕｐｐｌｉｅｒ　ｓｅｌｅｃｔｉｏｎ　ｍｅｔｈｏｄｓ．Ｉｎ　ｏｒｄｅｒ　ｔｏ　ｏｖｅｒｃｏｍｅ　ｔｈｅｉｒ　ｄｅｆｅｃｔｓ，ＰＣＡ—ＢＰ　ｎｅｕｒａｌ　ｎｅｔｗｏｒｋ　ｍｅｔｈｏｄ　ｉＳ　

ｐｕｔ　ｆｏｒｗａｒｄ　ｆｏｒ　ｓｕｐｐｌｉｅｒ　ｓｅｌｅｃｔｉｎｇ．Ａｆｔｅｒ　ａ　ｓｙｓｔｅｍａｔｉｃ　ｅｘｐｏｓｉｔｉｏｎ　ｏｆ　ｔｈｅ　ｐｒｏｃｅｓｓ，ｅｍｐｉｒｉｃａｌ　ａｎａｌｙｓｉｓ　ｕｓｉｎｇ　ｈｉｓｔｏｒｉｃａｌ　ｅｖａｌｕａｔｉｏｎ　ｄａｔａ　ｏｆ　３０　ｓｕｐｐｌｉｅｒｓ　ｗｈｉｃｈ　ｈａｖｅ　ｃｏｏｐｅｒａｔｅｄ　ｗｉｔｈ　ｐａｃｋａｇｉｎｇ　ｅｎｔｅｒｐｒｉｓｅ　Ｊ　ｉＳ　ｃｏｎｄｕｃｔｅｄ．Ｔｈｅ　ｐｒｅｄｉｃｔｅｄ　ｅｖａｌｕａｔｉｏｎ　ｒｅｓｕｌｔｓ　ｏｆ　ｅａｃｈ　ｓｕｐｐｌｉｅｒ　ｃａｎ　ｂｅ　ｏｂｔａｉｎｅｄ　ｉｎ　ａ　ｓｈｏｒｔ　ｔｉｍｅ。ａｎｄ　ｔｈｅ　ａｂｓｏｌｕｔｅ　ｅｒｒｏｒ　ｂｅｔｗｅｅｎ　ｔｈｅ　ｐｒｅｄｉｃｔｅｄ　ｒｅｓｕｌｔｓ　ａｎｄ　ｔｈｅ　ｅｘｐｅｒｔ　ｓｃｏｒｉｎｇ　ａｒｅ　ｌｅｓｓ　ｔｈａｎ　５　．Ｂｅｓｉｄｅｓ，　

基于BP神经网络的参谋人员素质能力评估

基于BP神经网络的参谋人员素质能力评估

基于ＢＰ神经网络的参谋人员素质能力评估　郑磊蒋会佳韩玉龙武恺航　（空军勤务学院一大队江苏徐州２２１０００）　宁　娄　：５９一一一一一一　一一一一一一一享　一一一一　一一一一一一一一一一＿文立编　：一１—００—８一－一９—２—５Ｘ一（一２—０—１２一）一０—９一－一００　７—７一－一０—２一．　摘要：针对参谋人员素质能力，构造了参谋人员素质能力评估指标体系，运用基于ＢＰ神经网络的评估方法进行了评估　．实例　分　析－说明＇该方法能够在一定程度上避免主观因素的影响，客观反映了素质能力的水平，为ｊ参谋人员考核和选拔提供了理ｉ　据。　关键词：ＢＰ神经网络。　参谋素质能力　评估　０－－　。。　。　１、引言　参谋人员是作战指挥中枢的重要成员，是首长实施指挥的　智囊和助手．是首长意图和决心的具体实现者，担负着大量的军　事工作和辅助首长决策指挥的任务，其个体能力素质的高低直　接制约着工作效率和谋划水平．关系到首长决心和意图能否实　现．影响着作战的胜败。因此，对参谋人员素质能力进行有效地　评估显得非常重要．合理的评估对参谋人员的选拔和素质能力　的提高有着重要的作用．同时也为参谋人员的考核提供了有效　的参考依据　２、ＢＰ神经网络的评估模型　２．１ＢＰ神经网络原理。　人工神经网络是理论化的人脑神经网络的数学模型．是基　于模仿大脑神经网络结构和功能而建立的一种信息处理系统。　因其具有独特的结构和处理信息的方法，使其在许多实际应用　中取得了显著成效　它实际上是由大量的处理单元通过适当的　方式互连构成．是一个大规模的非线性自适应系统．它不需要构　建任何数学模型．具有高度的非线性．能够进行复杂的逻辑操作　和非线性关系实现的系统ｌｌ＿　当今．比较成熟的网络模型及相应　算法有上百种，各种修正和演变的模型、算法就更多。本文所采　用的算法——ＢＰ算法．即反向传播算法　ＢＰ神经网络是一种具有三层或三层以上的层次结构网络．　相邻上、下层之间各神经元实现全连接，即下层的每个神经元与　上层的每个神经元都实现权连接．而每层各种神经元之间无法　连接［２１。换个角度看，ＢＰ算法不仅有输人层节点、输出层节点，还　可有１个或多个隐含层节点　对于输入信号．要先向前传播到隐　含层节点．经作用函数后．再把隐节点的输出信号传播到输出节　点．最后给出输出结果。对于ＢＰ模型的输入层神经元，其输出与　输入相同。中间隐含层和输出层的神经元的操作规则如下：　、　ｆＩ　一，　，茸　ｌ　式中：　是　—ｊ层第ｉ个神经元的输出，也是第ｋ层神经　元的输入；　是　一Ｊ层第ｊ个神经元与ｋ层第．　个神经元的　连接权值；　是ｋ层第　个神经元的输出，也是第ｋ＋ｌ层神经元　的输出。，是Ｓｉｇｍｏｉｄ函数。　）＝ｊ　＋ｅ　）。ｎ为第ｋ＋ｌ层的神经　元数目。可见，ＢＰ神经网络的基本处理单元（输入层除外）为非线　性的输入——输出关系。处理单元的输入、输出值可连续变化　２．２ＢＰ神经网络评估步骤　（１）确定评估指标集，指标个数ｍ为ＢＰ神经网络中输入节点　的个数　（２）确定ＢＰ神经网络的层数．一般采用具有一个输入层、一　个隐含层和一个输出层的三层网络模型结构　（３）明确评估结果，输出层的节点个数ｎ为１。　（４）隐含层神经元数目的确定　由于隐含层神经元数目的确　定是建立ＢＰ神经网络预测模型的关键．数目太多导致学习时间　过长、误差也不一定最佳．可以采用以下数学模型计算ＢＰ神经　网络隐含层神经元的数目［３１　Ｌ＝、　ａ，其中ａ为１—１０之间的　常数。　（５）对指标值进行标准化处理。由于ｓｉｇｍｏｉｄ函数的值域为（０。　１），采用公式　：　二　＋０．１对初始指标值进行标准　口』　一口，面　化处理［４１，式中Ａ『　为经过标准化的第ｉ个人员的第　个评估项目　的数据　为原始数据中第ｊ个人员的第　个评估项目的数据；ａ—　ｉｍａ　为原始数据中第　个评估项目中的最大数据；ａｊｍｉｎ为原始　数据中第　个评估项目中的最小数据。　（６）用随机数（一般为０—１之间的数）初试化网络节点的权值　与网络阀值　（７）将标准化以后的指标样本值输入网络．并给出相应的期望　输出。　（８）正向传播，计算各层节点的输出。　（９）计算各层节点的误差　反向传播，修正权重。　０］Ｄ计算误差。当误差小于给定的拟合误差，网训练结束：否　则转到（８），继续训练。　训练所得网络权重就可以用于正式的评估。　３、参谋人员素质能力评估指标体系的建立　本文根据参谋人员应具备素质能力的要求．以单个参谋的自　身素质能力作为评估对象．构建了参谋人员素质能力评估指标体　系，规整为６项一级指标和１７项二级指标，其中思想品德、军事　素质、科技素质、身体素质、工作能力、创新能力为一级指标，Ｘ，政　治素质、　道德品质、　遵纪守法、　专业知识、墨专业技能、瓦　实践能力、＇）（　基础知识、　信息素质、ｘ９科技能力、Ｘ　。身体状况、　Ｘ　理状况、　。组织计划、Ｘ１，沟通协调、五　组织实施、Ｘ　科学思　维、Ｘ　发现问题的能力、ｘ　，创造性解决问题能力为二级指标。　４、实例分析　本文以某司令部的参谋为研究对象．通过构建ＢＰ神经网络　模型。进而对参谋人员的素质能力进行有效地评估。　（１）本文采用了３层的ＢＰ神经网络．根据参谋人员素质能力　评估指标体系，将ＢＰ神经网络的输入节点数设为１７．其中输入　节点至分别代表政治素质、道德品质、遵纪守法、专业知识、专业　技能、实践能力、基础知识、信息素质、科技能力、身体状况、心理　状况、组织计划、沟通协调、组织实施、科学思维、发现问题的能　力、创造性解决问题能力等１７项测试指标　输出节点数为１．考虑到参谋的实际情况．所以将输出结果　归类总结为４中状态，分别为优、良、一般和差　（２）由于该ＢＰ神经网络的输入节点为１７，输出节点为１．根　据隐含层神经元的确定公式．推算出隐含层神经元个数的范围为　５—１４，经过几次试实验，最后确定隐含层神经元个数为９时．ＢＰ　神经网络性能比较稳定　（３）本文将１００个以往参谋人员的评估数据作为样本进行测试．　其中８０个数据作为学习样本进行网络训练（学习样本的部分数据见　附录）．另外２０个数据作为检验样本进行模型测试．并运用ＭＡＴ．　ＬＡＢ神经网络工具箱进行样本学习．得到ＢＰ神经网络评估模型　表１部分学习样本数据　ＢＰ数据网络训练完成后用检验样本数据对其评估精确度进　行检验，部分检验结果见表１　从检验的数据中可以看出．ＢＰ网　络模型评估值与专家评估值的相对误差的最大值为２．０４２７％．结　果表明所建立的基于ＢＰ神经网络的参谋人员（下转第２６４页）　７７　—

基于BP神经网络的高校教师科研能力评价模型

基于BP神经网络的高校教师科研能力评价模型

基于BP神经网络的高校教师科研能力评价模型

第一篇：基于BP神经网络的高校教师科研能力评价模型

基于BP神经网络的高校教师科研能力评价模型

摘要：通过对高校教师科研能力分析，构建了高校教师科研能力评估指标体系，提出了运用BP神经网进行评估的方法，利用MATLAB对该模型进行了仿真，得到了与专家评定一致的结果。该方法克服了传统评价方法孤立地考虑各项评价指标的缺点 增加了指标之间的关联性，使评价结果更符合实际情况。

关键词：科研能力 BP神经网络 评价模型

中图分类号：G420 文献标识码：A 文章编号：1007-9416（2014）01-0056-02

一所高校的科研水平取决于教师的科研能力，目前，有关高校教师科研能力的评估有很多评估方法，如层次分析法，贝叶斯网络聚类方法[1]等。本文运用BP神经网络来建立高校教师科研能力评价模型，为高校教师科研能力评价提供了一定的参考。高校教师科研能力评价指标体系

1.1 构建评价指标体系的基本原则[2]

为了科学、客观地反映高校教师科研能力的高低，应该考虑建立与之相适应的科研能力评价方法，并确定相应的科研能力评价指标体系。为了建立能有效评价高校教师科研能力的评价指标体系，其设计的原则应遵循如下：科学规范性、系统优化性、简洁明确性和全面实用性。

1.2 科研能力评价指标体系

本文从教师基本素质、学术影响、学术成果、科研项目四个方面来反映教师科研能力，根据构建指标体系的四个基本原则，构建三个层次结构模型评价指标体系，如图1 基于BP神经网络的高校教师科研能力评价模型

本文采用典型的三层BP神经网络对教师科研能力进行评价，如图2所示。 2.1 初始参数的确定 高校教师科研能力评价模型的评估

在某高校中，组织25名专家对20名教师科研能力进行行评价，随机抽取6组评价数据进行归一化处理得表1。

利用已编好的BP算法的程序[5]，在把学习样本的输入参数输入计算机后，即可让网络模型对学习样本进行反复学习，直到网络模型的识别精度满足要求。可以看出，当网络训练达到161步时，网络模型识别精度为0.000982536，网络性能达标，可知输出结果与专家判断是吻合的，说明BP神经网络已具备了模式识别的能力，可以对教师科研能力进行评价。结语

基于BP神经网络的信息对抗能力选优模型

基于BP神经网络的信息对抗能力选优模型

嘲　

基孑Ｂ　Ｐ神经网络的信息对抗雒力选１７￣ｔｆ型　Ｏｐｔｉｍｉｚａｔｉｏｎ　Ｍｏｄｅｌ　ｏｆ　Ｉｎｆｏｒｍａｔｉｏｎ　Ｏｐｅｒａｔｉｏｎｓ　Ｂａｓｅｄ　ｏｎ　ＢＰ　Ｎｅｕｒａｌ　Ｎｅｔｗｏｒｋｓ　于德浩　邓正栋　丁　一　韩　宇　喻晓明　（解放军理工大学工程兵工程学院　南京　２１０００７）　摘　要　为了在未来高科技战争中获得主动权，保护国家的信息和信息系统安全，制定出适合相应的军事计划和军事　策略，必须正确评估各国之间的信息对抗能力，判断各国的信息对抗水平。为此，结合前人的各种理论，提出了信息　对抗能力指标体系，并应用ＢＰ神经网络建立了信息对抗能力选优模型。通过算例，验证了该模型的可靠性和可行　性，可以将此模型应用５－＆国信息对抗能力的分析，为国家信息对抗决策提供有价值的参考。　关键词ＢＰ神经网络信息对抗指标体系　选优模型　信息对抗是指：在任何时候，为影响敌方的信息和信息系　统，同时保护己方信息与信息系统所采取的各种行动。目的是　通过威慑制止冲突，保护国家的信息和信息系统安全…。自２０　世纪９Ｏ年代海湾战争爆发以来，信息技术在军事领域的威力，　被部分地表现出来。也正是这次“沙漠风暴”军事行动的成功，　使人们看到了信息战的巨大威力。而世纪末的科索沃战争，则　向人们展示了信息技术改变战争形态的强大驱动力。事实证　明，信息对抗可以应用在各种水平的战争中，包括军事对抗的　全部范围和对抗的各个阶段，它的广泛应用和快速发展导致了　战争形态也随之改变。因此，了解某些国家的信息对抗水平，　正确评估这些国家的信息对抗能力，并制定出相应的军事计划　和军事策略，对一个国家的进攻或防御体系来说都显得十分重　要。　１概述　１．１　信息对抗能力指标体系　按照美国《信息对抗联合指　令》的体系，一国的信息对抗能力反映在两大基本领域：进攻性　信息对抗（Ｏｆｆｅｎｓｉｖｅ　Ｉｎｆｏｒｍａｔｉｏｎ　Ｏｐｅｒａｔｉｏｎｓ）和防御性信息对抗　（Ｄｅｆｅｎｓｉｖｅ　Ｉｎｆｏｒｍａｔｉｏｎ　Ｏｐｅｒａｔｉｏｎｓ）。它们包括（但不限于）五个　方面的能力：对抗安全（Ｏｐｅｒａｔｉｏｎｓ　Ｓｅｃｕｒｉｔｙ）、心理对抗（Ｐｓｙｃｈｏ—　ｌｏｇｉｃａｌ　Ｏｐｅｒａｔｉｏｎｓ）、军事欺骗（Ｍｉｌｉｔａｒｙ　Ｄｅｃｅｐｔｉｏｎ）、电子战（　Ｅｌｅｃｔｒｏｎｉｃ　Ｗａｒｆａｒｅ）和物理攻击与摧毁（Ｐｈｙｓｉｃａｌ　Ａｔｔａｃｋ　Ｄｅｓｔｒｕｃ—　ｔｌｏｎ）。Ｊｏｈｎ　Ｍ．Ｄ．Ｈｉｌｌ等人在此基础上提出信息对抗还应该　包括决策支持（Ｄｅｃｉｓｉｏｎ　Ｓｕｐｐｏｒｔ）“　Ｊ。综合前人的各种理论，　结合信息对抗应用与发展状况，建立了信息对抗能力综合评价　指标体系，将信息对抗能力分为信息对抗技术能力和信息对抗　管理能力两大类，详细的指标体系见图１。　１．２信息对抗能力评价矩阵　设有，ｎ个国家，按照１　１节　所建立的指标体系，每个国家的信息对抗能力由９个指标值表　征，即ｙ，：（ｘ　ｘ２　－－，Ｘ　）　，（ｊ＝ｌ，２，…，９），这样沟成一　个性能评估矩阵（如表１所示），其中有些指标值可直接测出，有　作者简介：于德浩，男，１９８１年生，博士生，研究方向为系统控制。　田　些指标值则需要通过专家打分的方法获得，满分为１。　国　家　信　息　对　抗　能　力　与摧毁