基于灰色神经网络的高校教师职称评审预测.docVIP

基于灰色神经网络的高校教师职称评审预测 引言 职称评审涉及到教师的切身利益，客观、公正、透明 的职称评审工作对教师做好教学、科研和管理工作具有权威 的导向性和指导性。职称系统是具有评审因素多，因素间相 关性模糊、不确定，非线性、时变性等特点的复杂系统，其 评审属于多因素综合评审范畴。 神经网络可以很好地解决职称系统评审的非线性问 题，然而评审因素间相关性，会使得网络陷入局部最小点， 导致评审结果存在很大的偏差。灰关联分析方法可在不完全 的信息中，通过一定的数据处理，找出评审因素的关联性， 发现主要矛盾，找到主要特性和主要影响因素［1-2］。因此将 灰关联分析与神经网络相结合建立评审模型，神经网络解决 职称系统评审对于非线性系统的支持，灰关联分析帮助神经 网络找出主要的影响因子。 1高校教师职称影响因子的灰色关联分析 高校教师职称评审影响因子的确定依据某高校历年 教师职称的评定标准，主要是从论文的级别数量、科教成果 获奖，是否承担科研科教项目等方面来综合评定教师职称的 获得。针对该高校2016年数据中46名教师在承担科研科教 项目都满足，而在有科教成果获奖上只有个别的教师有，所 以本文考虑，以论文级别数量构建6个评定指标：SCI/Ei篇 数xl，一级核心论文篇数x2,二级核心论文篇数x3,三级 核心论文篇数x4, —般期刊论文篇数x5,论文总篇数x6。 1.灰关联系数和关联度的计算灰色关联分析是一种 重要的灰色系统理论分析方法，其基本原理是通过序列的曲 线几何形状的相似程度来判断序列的联系是否紧密，其紧密 程度用关联度量化，曲线越紧密，其关联度越大，反之就越 小［3-4］。 灰色关联分析的计算分析步骤： 将该高校职称专家评审结果作为参考序列xO， k=l，...，46，晋级职称的xO=l，被淘汰的x0=0，6个影响 因子作为联盟比较因素序列xi，i=l，...，6; k=l，...，46。 根据表1求出A?=yB-yB,并找出△■=()，△■=27，由 灰关联系数公式以■，y?=■其中分辨系数p取值，计算出6 个影响因子与高校教师职称评审在46个样本点上的灰关联 系数，如表2。 计算关联度 由公式 ryi yu, MX cob=cob...=)■=■, 及根据表2求得比较因素xi和参考因素xO的关联度，依次 为 rl=, r2=，r3=, r4=，r5=，r6=。 关联度排序：r2r 1 r4r3r5r6 这一关联序直接反映了比较因素xi对参考因素xO的 相关性强弱的顺序，即各影响因子与高校教师职称评审的接 近程度，同时也说明了这6个影响因子对高校教师职称评审 影响程度由大到小的顺序一关联序。 由以上关联排序我们可知：一级核心论文篇数x2, SCI/EI篇数xl，三级核心论文篇数x4对高校教师职称评审 影响程度最大，关联度值都在以上，如果我们能在这三类级 别的期刊上多发表论文，就可以大大提高通过职称评审几 率。我们如在一级核心，SCI/EI上感觉发表困难的话，可把 重点放在较容易发表的三级核心上，同样有效。二级核心论 文篇数x3对高校教师职称评审影响程度也很大，关联度值 为，论文总篇数x6对高校教师职称评审影响程度最小，关 联度值只有。 基于灰色BP神经网络的高校教师职称评审预测 BP神经网络模型的建立.?表1归一化的46组数据作 为BP神经网络的样本，任取前37个样本用于网络学习训练， 另外的9个作为网络训练完毕后的预测样本。 为了验证本文灰色BP预测模型的有效性，实验中与 单一采用BP的模型，在网络训练效率方面、网络预测的准 确上分别进行比较。 灰色BP预测模型：根据上文对高校教师职称评审影 响因子的分析，选用上述的关联度值在以上的5个影响因子 作为输入变量，高校教师职称专家评审作为输出数据，将职 称晋级、淘汰，分别用“1 0; 0 1”表示。隐含层经训练，结果 表明：当隐含层单元的个数为8时，网络模型稳定且获得较 理想结果，这样网络结构即可确定为5-8-2。训练函数采用 trainlm,输入层与隐层、隐含层与输出层之间的传递函数选 为tansig，logsig函数。训练次数最大设置为100次，网络收 敛误差为。 BP预测模型:表1归一化的数据作为BP网络的输入。 BP输入节点为6个指标数值，BP网络输出节点为2，中间 层的节点数选8,网络结构即可确定为6-8-2,其它参数设置 同上。 从图1、2可以看出，灰色BP网络的训练只经过13 步就达到了最小误差，这说明，选择与高校教师职称评审有 较大关联度的5个影响因子作为网络输入，提高了网络训练 的效率。 从表3中可以看出，在建立预测模型前未经过任何数 据预处理的BP模型，预测准确率低，判错了 2个，准确率％， 本文的基于灰色BP预测模型，判错1个，准确率提高到％， 预测结果