基于bp和grnn模型的高校教师职称评审预测

《基于bp和grnn模型的高校教师职称评审预测》由会员上传分享，免费在线阅读，更多相关内容在行业资料-天天文库。

1、基于BP和GRNN模型的高校教师职称评审预测　　高校办学效益和办学质量要提高，首先要提高校教师的水平，而职称是衡量教师水平的一种重要标准，它不仅是对教师能力的考核和认可，而且关系到教师的自身利益[1]。随着高等院校不断深入人事制度体制改革，为保证评审的公开、公正和公平，很多高校将核心期刊的质量与数量作为评定的重要指标，行政管理人员通过建立数学模型来对职称评审的结果进行预测[2]。发展迅速的人工神经网络技术为解决这一问题提供了新的途径。　　本文以北京某高校2016年职称评定的数据为基础，提出了BP神经网络和广义回归神经网络的教师职称评定结果预测模型，并比较两种模型在职称评定结果的评判效果。　　1

2、人工神经网络预测模型　　BP网络模型结构　　BP网络，是McCelland和Rumelhart两位科学家为首的小组在1986年第一次提出，是一种按误差逆传播算法训练而成的前馈型网络，是研究最深入且应用非常广泛的一种模型[3]。联盟　　1.广义回归神经网络模型结构　　广义回归神经网络是基于one-pass学习算法的高度并行的径向基网络，由DonaldF.Specht教授在1991年提出的广义回归神经网络[4]是建立在非线性回归分析理论基础之上的，它不需要事先确定方程形式，借助概率密度函数PDF替换固有的方程形式。　　模型的建立　　输入输出样本　　选取北京某高校2016年参评副教授职称的理工类46

3、位老师基础数据进行分析比较。根据该高校公布的理工类评选基础数据，主要参加评价的核心期刊检索分类包括SCIE、Ei、CPCI和中文核心期刊四大类。　　本文采用的神经网络模型的输入向量为：SCIE检索论文篇数，EI检索论文篇数，CPCI检索论文篇数，核心期刊篇数，评选结果作为输出向量，1为晋升，0为不晋升。为验证神经网络的准确性，将样本分为训练样本组和测试样本组，其中39组样本为训练样本，7组为测试样本，分别于表1和表2所示。　　BP网络训练及验证结果　　本文中，通过采用Matlab软件的归一化函数mapminmax函数对参加BP神经网络训练的39组输入向量和测试的7组输入向量进行归一化处理。　　

4、使用newff函数构建网络，隐藏层和输出层的传递函数为tansig，网络的训练函数为trainlm，网络的权值学习函数为learngdm。经过训练和参数调整，确定BP神经网络的隐藏层节点为12，输出层节点为1。经过4012次训练，网络达到收敛。效果见图1。　　将表2数据输入到训练好的BP神经网络，训练错误率为5%，具体情况见表3。　　GRNN网络训练及验证结果　　使用原始数据，调用newgrnn函数，广义回归神经网络GRNN的建立和预测同时进行，隐含层的传递函数采用高斯函数作为传递函数。传递函数中的光滑因子越小，函数的样本逼近能力就越强。利用spread函数来寻找最优的光滑因子，初始值设置为2

5、0，利用共轭梯度法，确定最优值。　　将表2数据输入到训练好的GRNN神经网络，训练错误率为0%，具体情况见表4。从表4中可以看到，当=1时，预测结果逼近实际结果，本研究建议将光滑因子设置为1。　　结语　　本文通过对BP和GRNN神经网络模型的分析比较发现：两模型在进行预测时，均有较好的函数逼近能力。BP神经网络存在收敛速度慢和局部极小的缺点，在解决样本量少、且噪声多的问题时，效果并不理想。广义神经网络在分类能力和学习速度上较BP网络有着较强的优势，网络最后可以收敛于样本量聚集较多的优化回归面，在样本数据缺乏时，预测的效果也较好，可以处理不稳定的数据，很适合用于高等院校教师职称评价的长期预测。