基于Ｅｌｍａｎ神经网络的江苏技术人才需求预测.docVIP

基于E 1m a n神经网络的江苏技术人才需求预测 ［摘要］Elman神经网络是一种典型的动态回归神经网络， 它具有适应时变性的能力。以江苏省技术人才系统为例， 说明了 Elman神经网络在人才需求预测中的应用，并将其 预测结果与基于BP静态神经网络的预测值进行了比较。指 出了 Elman神经网络在对人才系统这样的动态系统进行预 测时优越性。 ［关键词］人才预测Elman神经网络BP神经网络 随着知识经济的到来，人才在区域经济中的作用日益 彰显，人力资源规划己经成为区域经济发展的重要影响因 素。因此人力资源需求预测逐渐被接纳和重视。人才预测 的方法有很多种，神经网络是较为常用的方法之一。目前 大多数采用的是基于BP算法的神经网络，它可以看成是输 入与输出集合之间的一种非线性映射，通过对有限样本的 学习来模拟系统的内部结构。但B P网络作为一种静态前馈 网络，它对动态系统进行辨识时将动态时间建模问题变为 静态空间建模问题。Elman回归神经网络是一种典型的动态 神经元网络，它是在BP网络基本结构的基础上，通过存储 内部状态使其具备映射动态特征的功能，从而使系统具有 适应时变特性的能力。因此，考虑到人才系统具有动态性 的特点，尝试采用El man神经网络以江苏省技术人才系统 为例进行预测。 一、Elman神经网络 Elm an神经网络是Elm an于1990年提出的，该模型在 前馈网络的隐含层中增加一个承接层，作为一步延时算子 达到记忆的目的，从而是系统具有适应时变特性的能力， 能直接反映动态过程系统的特性。 神经网络结构 Elman神经网络一般分为4层：输入层、中间层（隐含 层）、承接层、输出层，如图1所7F。其输入层、隐含层、 输出层的连接类似于前馈网络，输入层的单元仅起信号传 输作用，输出层单元起线性加权作用。隐含层单元的一步 传递函数可采用线性或非线性函数，承接层又称为上下文 层或状态层，它用来记忆隐含层单元前一时刻的输出值， 可以认为是一个延时算子。 Elma n神经网络的特点是隐含层的输出通过承接层的 延迟与存储，自联到隐含层的输入，这种自联方式使其对 历史状态的数据具有敏感性，内部反馈网络的加入增加了 网络本身处理动态信息的能力，从而达到了动态建模的目 的。 神经网络的学习过程 以图1为例，Elman网络的非线性状态空间表达式为: 其中，y, x, u, xc分别表示m维输出结点向量，n维中 间层结点单元向量，r维输入向量和n维反馈状态向量。w 3，w2，wl分别表示中间层到输出层、输入层到中间层、承接 层到中间层的连接权值。g (*)为输出神经元的传递函数， 是中间层输出的线性组合。f(*)为中间层神经元的传递函 数，常采用S函数。 Elman网络也采用BP算法进行权值修正，学习指标函 数采用误差平方和函数： 其中为目标输出向量。 二、基于Elm an神经网络的江苏技术人才需求预测 网络样本设计 在实际的人力资源规划中，江苏省年的技术人才需求 不仅受到年江苏经济状况的影响，由于人才需求的时滞性 而且受到等年份诸多因素的影响，具有动态性。表1给出 了 1989年?XX年江苏省的地区生产总值（GDP）和技术人 才数量。现在利用前14年的数据作为网络的训练样本，每 4年的人才数和第5年的地区生产总值作为输入向量，第5 年的人才数作为目标向量。这样可以得到11组训练样本。 第15、16年的数据作为网络的测试样本，主要看网络能否 合理地预测出当年的数据。 表1江苏省技术人才数和地区生产总值（1989年?XX 年） 网络训练与测试 获得样本数据后，由于原始样本中各向量的数量级差 别很大，为了防止部分神经元达到饱和状态，在研究中使 用MATLAB7对样本进行的输入进行归一。接下来是设计E lman网络的结构。合理的网络结构是预测性能的基础。实 际上结构的确定尤其是中间层神经网络元数的确定是一个 经验性的问题，需要大量的实验。分别使用不同的中间层 神经网络元数来构造Elma n网络，使用训练样本进行学习 训练，用测试样本进行测试分析预测值和实际值的误差， 观察其训练曲线和预测误差曲线。经过反复试算，中间层 神经网络元数目为8,传递函数为t ansig时，网络收敛于 允许误差的范围内。图2给出了 Elman神经网络预测值与 实际值的比较。 图2E1 man网络输出值与实际值对比 3.与BP神经网络预测比较分析 BP神经网络是人才预测中最常见的非线性方法，是一 种单向传播的多层次前向网络。经过反复训练，建立结构 为5-9-1的江苏技术人才需求BP神经网络预测模型，算出 江苏技术人才需求的BP网络预测值，并与Elm an神经网络 预测值进行比较。图3是BP神经网络的拟合曲线，与图2 相比可以看出，E lman神经网络的拟合曲线更接近