浅论高校图书馆员工工作满意度的神经网络模型

《浅论高校图书馆员工工作满意度的神经网络模型》由会员上传分享，免费在线阅读，更多相关内容在学术论文-天天文库。

1、浅论高校图书馆员工工作满意度的神经网络模型[论文关键词]高校图书馆；员工工作满意度；人工神经网络模型[论文摘要]以8所高校130名图书馆员工的工作满意度调查所得数据为基础．根据bp人工神经网络算法原理．建立了高校图书馆员工工作满意度与领导管理、人际关系、工作本身、工作压力、福利报酬和发展前途6个影响因素之间的关系模型。结果表明。bp人工神经网络用于高校图书馆员工工作满意度的研究是可行的．所建模型能很好地反映实际情况．可以进一步推广应用于其他行业的员工工作满意度研究。工作满意度是员工对其所从事职业以及工作条件与状况的一种

2、总体的、带有情绪色彩的感受与看法。对于员工工作满意度的评价，一直都是人力资源管理和组织行为学领域研究的热点之一，近年来国内外学者从不同的角度开展了大量的研究工作，并且随着工作满意度研究的逐步深入，研究对象不断扩大，研究内容也在不断拓展。本文将以8所高校130名图书馆员工的工作满意度调查所得数据为基础，根据bp人工神经网络算法原理，利用matlab6．5软件，建立高校图书馆员工工作满意度与其影响因素之间的关系模型。研究结果将为高校图书馆员工工作满意度的定量综合评价提供科学依据，有助于提升高校图书馆人力资源建设和管理水平，

3、推动和谐高校图书馆的建设，同时可为同行业人员进行员工工作满意度评价提供理论指导与方法基础。1研究对象及影响因素本文研究对象为高校图书涫正式员工，采用整群抽样的方法，随机抽取来自清华大学、北京理工大学、北京科技大学、中国矿业大学、对外经济贸易大学、北京工业大学、首都师范大学和北方工业大学等北京市8所高校的130名图书馆职工，发放了130份问卷，回收121份问卷，剔除了无效问卷19份，剩余有效问卷102份，有效回收率78．5％。lOCALhOst满意度量表采用李克特式5点计分法：“1”为“完全不满意”；“2”为“大部分不满

4、意”；“3”为“部分满意，部分不满意”；“4”为“大部分满意”；“5”为“完全满意”。影响高校图书馆员工工作满意度的因素比较多。综合国内外有关研究员工工作满意度的评价指标情况，基于笔者的《高校图书馆员工工作满意度调查量表的编制研究》，本文重点选取了领导管理、人际关系、工作本身、工作压力、福利报酬和发展前途6个影响因素来进行高校图书馆员工工作满意度评价研究，见表1。这6个影响因素的确立是借助spss13．0统计分析软件，进行了项目分析和因素分析，经过信度检验而得到的，具有较好的效度。2bp神经网络的基本原理设bp算法的网

5、络结构有输入层、中间隐含层和输出层：在输入层有n个输入向量；有z个隐含层；在输出层有m个输出向量；输入层结点、隐含层结点和输出层结点分别用下标i，h，j表示；由输入结点i到隐含层的h结点的权值用表示；由隐含层结点j到输出层结点j的权值用表示。对于输入数据x，设其目标输出为d也是每个权值的连续可微函数。2．2误差反向传播修正各层权值采用梯度规则，由j对各个w求导，可以求得使j最小的梯度，作为调整权值的反向。①由隐含层到输出层的权值的调整：在实际应用时，常用当前误差对权值进行调整，因此，式(5)和式(7)中对k的求和项就可

6、省掉。3基于bp神经网络的员工工作满意度模型的建立3．1数据预处理数据样本除主要用于训练网络、确定权值外，还用于检验网络的正确性、确定所建网络模型的预测误差。因此，所获得的数据样本需要划分为两个部分，即训练样本和检验样本。从回收的102份有效问卷的样本中，选取前92组样本作为训练样本。根据bp神经网络输入范围的要求，按式(9)对训练样本中输入层的6个参数(领导管理、人际关系、工作本身、工作压力、福利报酬和发展前途)进行归一化处理，使各特征变量在0．1～0．9范围内取值，避免网络模型迭代计算时数值过于集中在某些神经元和权

7、值上而降低模型的解算精度。式中，q为网络的输入参数分别为相应数据q的最小值和最大值。3．2网络模型的设计利用ind2vec函数将样本中满意度的李克特式5点计分法转换为每行只有一个“1”的稀疏矩阵，即，用(1，0，0，0，0)表示“完全不满意”，(0，1，0，0，0)表示“大部分不满意”，(0，0，1，0，0)表示“部分满意，部分不满意”，(0，0，0，1，0)表示“大部分满意”，(0，0，0，0，1)表示“完全满意”。根据kolmogorov定理，采用nx(2n+1)xm的3层bp神经网络作为分类器。其中，n表示网络模

8、型输入层的输入向量，本文中即为领导管理、人际关系、工作本身、工作压力、福利报酬和发展前途等6个值；中间隐含层的结点数为2n+1，即13；m表示输出层的输出向量，本文中即为稀疏矩阵中的5个值。中间隐含层神经元的传递函数为s型正切函数；输出层神经元的传递函数为s型对数函数，之所以选择s型对数函数，是因为该函数为0—1函数，正好满足分类