大学生就业情况神经网络预测模型.pdfVIP

大学生就业情况的神经网络预测模型 武朝剑 辽宁工程技术大学理学院，辽宁阜新（123000 ） E-mail ：wuchj25@163.com 摘 要：本文采用BP 神经网络建立大学生的就业情况的预测模型，根据影响大学生就业的 主要因素作为该神经网络的输入，按已知道就业情况作为输出，通过所得已知数据训练神经 网络进而实现分类预测。 关键词：BP 神经网络 预测 1. 引言 随着每年的大学生毕业人数的不断增加，大学生的就业情况也越来越为人关注。如果我 们能建立一个能预测大学生就业情况的数学模型，那将高中毕业生在选择专业时有很大的帮 助；不仅如此，它还对大一刚入学的新生在从高中到大学过度上有指导作用；同时也更方便 了大学就业指导中心的老师对未来几年就业形式的把握和了解。 本文正是基于这一情况建立了该BP 神经网络模型。它的建立是根据往年的就业信息， 在影响就业的因素和就业情况之间建立了一个映射关系。通过这个映射关系将影响就业的因 素作为该网络的输入，按已知道的就业情况作为输出，再通过已知数据对该网络进行训练。 这个训练好的网络便可以用来实现其预测作用。 2. BP 神经网络的知识介绍 1958 年F.Rosenblatt 提出了著名的视知觉的脑模型——感知机，它是脑模型研究的有一 个里程碑。感知机是一种层状结构的神经元网络，各层内部神经元之间没有信息流动，层间 神经元的联接权重W 可随着对网络进行的训练而改变，即通过学习算法进行学习，从而实 现网络良好的模式辨识功能。 多层感知机是在单层感知机基础上扩充而成的，在网络的输入节点和输入节点层之间加 入一层或多层中间隐节点。图1 为三层感知机示意图。 在多层感知机中，信息流是从输入层向输出层单方向逐层传播的。即输入层作为第一隐 层的输入，而第一隐层的输出作为第二隐层的输入，依次类推。因此也称为前馈型多层感知 机。 - 1 - 前馈型多层感知机的反向传播（Back Propagation ）学习算法也称为BP 算法，相应的神 [1] 经网络也称为BP 网络。它是由1982 年，Rumelhard 和Mcclelland 等人提出的 。 BP 神经网络的确定一般有两个重要原则[2] （1）对于一个一般的模式识别问题，三层网络（输入层、隐层和输出层）可以很好的解决； （如图2 所示） （2 ）三层网络中隐层神经元个数m 和输入层神经元个数n 有这样一个近似关系， m 2n +1 在对网络的训练过程其实是一个不断修正权值和阈值的过程，通过调整使误差达到最 小，使其满足实际需要。然后要对网络进行测试。根据测试的结果判断该网络是否能用于预 测。之后每得到一组新数据时，将数据代入网络输出结果即为预测结果。 3. 网络的设计 3.1 网络输出的确定 Y 根据往年大学生的毕业情况，将毕业生的就业情况分为以下四类（ ）作为网络的输出， y 1 :容易找到待遇好的工作； y 2 :能找到待遇一般的工作； y 3 :不太容易找到工作； y 4 :几乎找不到工作。 ( ) ( ) ( ) 该网络采用两个输出节点，分别设这四类的输出值为y 1 0 0 ，y 2 0 1 ，y 3 1 0 ， ( ) y 4 1 1 3.2 网络输入的确定 通过咨询多年从事大学生就业工作的老师，根据他们的经验确定了以下四类影响就业的 指标， x :