基于bp和grnn模型的高校教师职称评审预测

1/4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。本文由论文联盟HTTP/收集整理2/41广义回归神经网络模型结构广义回归神经网络是基于ONEPASS学习算法的高度并行的径向基网络，由DONALDFSPECHT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。3/4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20，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4/4在分类能力和学习速度上较BP网络有着较强的优势