《基于BP和GRNN模型的高校教师职称评审预测》由会员分享，可在线阅读，更多相关《基于BP和GRNN模型的高校教师职称评审预测（4页珍藏版）》请在金锄头文库上搜索。
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 Donald F. 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
3、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
4、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。 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。
5、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。
