安 璐，王 歡，黃朝君

（1.北京科技大學(xué) 數(shù)理學(xué)院，北京 100083；2.南昌工程學(xué)院 機(jī)械與電氣工程學(xué)院，南昌 330099；3.香港中文大學(xué)，香港 999077）

高校辦學(xué)效益和辦學(xué)質(zhì)量要提高，首先要提高高校教師的水平，而職稱(chēng)是衡量教師水平的一種重要標(biāo)準(zhǔn)，它不僅是對(duì)教師能力的考核和認(rèn)可，而且關(guān)系到教師的自身利益[1]。隨著高等院校不斷深入人事制度體制改革，為保證評(píng)審的公開(kāi)、公正和公平，很多高校將核心期刊的質(zhì)量與數(shù)量作為評(píng)定的重要指標(biāo)，行政管理人員通過(guò)建立數(shù)學(xué)模型來(lái)對(duì)職稱(chēng)評(píng)審的結(jié)果進(jìn)行預(yù)測(cè)[2]。發(fā)展迅速的人工神經(jīng)網(wǎng)絡(luò)技術(shù)為解決這一問(wèn)題提供了新的途徑。

本文以北京某高校2013年職稱(chēng)評(píng)定的數(shù)據(jù)為基礎(chǔ)，提出了BP神經(jīng)網(wǎng)絡(luò)和廣義回歸神經(jīng)網(wǎng)絡(luò)（GRNN神經(jīng)網(wǎng)絡(luò)）的教師職稱(chēng)評(píng)定結(jié)果預(yù)測(cè)模型，并比較兩種模型在職稱(chēng)評(píng)定結(jié)果的評(píng)判效果。

1 人工神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型

1.1 BP網(wǎng)絡(luò)模型結(jié)構(gòu)

BP（Back Propagation）網(wǎng)絡(luò)，是 McCelland 和 Rumelhart兩位科學(xué)家為首的小組在1986年第一次提出，是一種按誤差逆?zhèn)鞑ニ惴ㄓ?xùn)練而成的前饋型網(wǎng)絡(luò)，是研究最深入且應(yīng)用非常廣泛的一種模型[3]。

1.2 廣義回歸神經(jīng)網(wǎng)絡(luò)模型結(jié)構(gòu)

廣義回歸神經(jīng)網(wǎng)絡(luò)（General Regression Neural Network,GRNN）是基于One-Pass學(xué)習(xí)算法的高度并行的徑向基網(wǎng)絡(luò)，由Donald F.Specht教授在1991年提出的廣義回歸神經(jīng)網(wǎng)絡(luò)[4]是建立在非線性回歸分析理論基礎(chǔ)之上的，它不需要事先確定方程形式，借助概率密度函數(shù)PDF（Probability Density Function)替換固有的方程形式。

2 模型的建立

2.1 輸入輸出樣本

選取北京某高校2013年參評(píng)副教授職稱(chēng)的理工類(lèi)46位老師基礎(chǔ)數(shù)據(jù)進(jìn)行分析比較。根據(jù)該高校公布的理工類(lèi)評(píng)選基礎(chǔ)數(shù)據(jù)，主要參加評(píng)價(jià)的核心期刊檢索分類(lèi)包括SCIE、EI、CPCI和中文核心期刊4大類(lèi)。

本文采用的神經(jīng)網(wǎng)絡(luò)模型的輸入向量為，SCIE檢索論文篇數(shù)，EI檢索論文篇數(shù)，CPCI檢索論文篇數(shù)，核心期刊篇數(shù)。評(píng)選結(jié)果作為輸出向量，1為晉升，0為不晉升。為驗(yàn)證神經(jīng)網(wǎng)絡(luò)的準(zhǔn)確性，將樣本分為訓(xùn)練樣本組和測(cè)試樣本組，其中39組樣本為訓(xùn)練樣本，7組為測(cè)試樣本，分別見(jiàn)表1、表2。

表1 神經(jīng)網(wǎng)絡(luò)訓(xùn)練樣本參數(shù)

表2 神經(jīng)網(wǎng)絡(luò)測(cè)試樣本參數(shù)

3 BP網(wǎng)絡(luò)訓(xùn)練及驗(yàn)證結(jié)果

本文中，通過(guò)采用Matlab軟件的歸一化函數(shù)mapminmax，函數(shù)對(duì)參加BP神經(jīng)網(wǎng)絡(luò)訓(xùn)練的39組輸入向量和測(cè)試的7組輸入向量進(jìn)行歸一化處理。

使用newff函數(shù)構(gòu)建網(wǎng)絡(luò)，隱藏層和輸出層的傳遞函數(shù)為tansig，網(wǎng)絡(luò)的訓(xùn)練函數(shù)為trainlm，網(wǎng)絡(luò)的權(quán)值學(xué)習(xí)函數(shù)為learngdm。經(jīng)過(guò)訓(xùn)練和參數(shù)調(diào)整，確定BP神經(jīng)網(wǎng)絡(luò)的隱藏層節(jié)點(diǎn)為12，輸出層節(jié)點(diǎn)為1。經(jīng)過(guò)4012次訓(xùn)練，網(wǎng)絡(luò)達(dá)到收斂。效果如圖1所示。

圖1 BP神經(jīng)網(wǎng)絡(luò)訓(xùn)練的收斂情況

將表2數(shù)據(jù)輸入到訓(xùn)練好的BP神經(jīng)網(wǎng)絡(luò)，訓(xùn)練錯(cuò)誤率為5%，具體情況見(jiàn)表3。

表3 BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)準(zhǔn)確性

4 GRNN網(wǎng)絡(luò)訓(xùn)練及驗(yàn)證結(jié)果

使用原始數(shù)據(jù)，調(diào)用newgrnn函數(shù)，廣義回歸神經(jīng)網(wǎng)絡(luò)GRNN的建立和預(yù)測(cè)同時(shí)進(jìn)行，隱含層的傳遞函數(shù)采用高斯函數(shù)作為傳遞函數(shù)。傳遞函數(shù)中的光滑因子越小，函數(shù)的樣本逼近能力就越強(qiáng)。利用spread函數(shù)來(lái)尋找最優(yōu)的光滑因子，初始值設(shè)置為20，利用共軛梯度法，確定最優(yōu)值。

將表2數(shù)據(jù)輸入到訓(xùn)練好的GRNN神經(jīng)網(wǎng)絡(luò)，訓(xùn)練錯(cuò)誤率為0%，具體情況見(jiàn)表4。從表4中可以看到，當(dāng)σ=1時(shí)，預(yù)測(cè)結(jié)果逼近實(shí)際結(jié)果，本研究建議將光滑因子設(shè)置為1。

表4 GRNN神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)準(zhǔn)確性

5 結(jié)語(yǔ)

本文通過(guò)對(duì)BP神經(jīng)網(wǎng)絡(luò)模型和GRNN神經(jīng)網(wǎng)絡(luò)模型的分析比較發(fā)現(xiàn)，兩種模型在進(jìn)行預(yù)測(cè)時(shí)，均有較好的函數(shù)逼近能力。BP神經(jīng)網(wǎng)絡(luò)存在收斂速度慢和局部極小的缺點(diǎn)，在解決樣本量少、且噪聲多的問(wèn)題時(shí)，效果并不理想。GRNN神經(jīng)網(wǎng)絡(luò)在分類(lèi)能力和學(xué)習(xí)速度上較BP網(wǎng)絡(luò)有著較強(qiáng)的優(yōu)勢(shì)，網(wǎng)絡(luò)最后可以收斂于樣本量聚集較多的優(yōu)化回歸面，在樣本數(shù)據(jù)缺乏時(shí)，預(yù)測(cè)的效果也較好，可以處理不穩(wěn)定的數(shù)據(jù)，很適合用于高等院校教師職稱(chēng)評(píng)價(jià)的長(zhǎng)期預(yù)測(cè)。

[1]臧振春.高校教師職稱(chēng)評(píng)定的系統(tǒng)分析[J].南陽(yáng)理工學(xué)院學(xué)報(bào)，2010,2(3):80-83.

[2]安琦.國(guó)外高校教師評(píng)價(jià)制度與我國(guó)高校教師專(zhuān)業(yè)發(fā)展[J].黑龍江高教研究,2011(4):74-77.

[3]聞新,周露,李翔,等.MATLAB 神經(jīng)網(wǎng)絡(luò)仿真與應(yīng)用[M].北京:科學(xué)出版社,2003.

[4]SprechtD F.A General Regression Neural Network[J].IEEE Transactions on Neural Networks,1991,2(6):568-576.