基于模糊神經(jīng)網(wǎng)絡的人才甄選系統(tǒng)
發(fā)布時間：2021-12-19 14:41
對BP神經(jīng)網(wǎng)絡和模糊神經(jīng)網(wǎng)絡在人才甄選中的應用性進行了比較,解釋了基于模糊神經(jīng)網(wǎng)絡的人才甄選系統(tǒng)的構(gòu)建思路,同時結(jié)合案例分析,檢驗了基于模糊神經(jīng)網(wǎng)絡的人才甄選系統(tǒng)的有效性,并取得了較好的效果。最后,針對研究中存在的一些不足,對未來的研究方向和要點提出了建議。
【文章來源】：軟科學. 2019,33(06)北大核心CSSCI
【文章頁數(shù)】：5 頁
【部分圖文】：
三層BP神經(jīng)網(wǎng)絡結(jié)構(gòu)
到相應的隸屬度作為輸入，將基于實際績效水平的評分作為輸出，最后用訓練好的網(wǎng)絡處理候選人相關(guān)數(shù)據(jù)，得到數(shù)值化的評分結(jié)果，根據(jù)評分高低來判斷最合適的候選人�；谀：窠�(jīng)網(wǎng)絡的人才甄選系統(tǒng)如圖3所示。圖3基于模糊神經(jīng)網(wǎng)絡的人才甄選系統(tǒng)2.1建立測評指標體系無論是傳統(tǒng)的人才測評方式還是利用模糊神經(jīng)網(wǎng)絡對人才進行評價，建立全面、合理、可操作的測評指標體系都是至關(guān)重要的第一步。測評指標體系的設(shè)計有不同的方法，比如典型人物分析法、層次法、專家調(diào)查法等。2.2專家測評組織專業(yè)測評人員根據(jù)建立的指標體系對多名(為了使神經(jīng)網(wǎng)絡盡可能充分地從數(shù)據(jù)集中學習，訓練數(shù)據(jù)應該足夠大)任職者進行評價，同時根據(jù)任職者的實際工作績效對其作出總體評分。收集評價結(jié)果作為訓練數(shù)據(jù)。2.3建立網(wǎng)絡本文選用T－S模糊神經(jīng)網(wǎng)絡。T－S模糊系統(tǒng)的自適應能力較強，能夠自動更新并不斷修正模糊隸屬函數(shù)。T－S模糊系統(tǒng)的模糊規(guī)則形式為:Ｒi:ifx1isAi1，x2isAi2，…，xkisAik，thenyi=pi0+pi1x1+…+pikxk(3)其中，Aij為定義在xj論域上的模糊集，是xj的第i個語言變量值，表示第j項指標對應第i項評價的集合;pij(i=1，2，…，n;j=1，2，…，k)表示模糊系統(tǒng)參數(shù);yi是根據(jù)模糊規(guī)則得到的輸出，也就是候選人各項指標的總體評分。輸入部分即為if部分，輸出部分即為then部分。該系統(tǒng)的網(wǎng)絡結(jié)構(gòu)分為輸入層、模糊化層、模糊推理層和輸出層四層。輸入層的節(jié)點數(shù)與輸入向量的維數(shù)相同，即為測
?閔窬??鍪??n為輸入層神經(jīng)元個數(shù)，m為輸出層神經(jīng)元個數(shù)，a為1到10的常數(shù)，來確定隱含層神經(jīng)元個數(shù)。本文案例確定隱含層神經(jīng)元數(shù)量為12個。3.2.4初始化網(wǎng)絡本研究使用MATLAB軟件完成模糊神經(jīng)網(wǎng)絡的運行。對模糊神經(jīng)網(wǎng)絡的模糊系統(tǒng)參數(shù)pij以及隸屬度函數(shù)的中心cij和寬度bij進行初始化。本文案例中pij初始為0.3，cij和bij初始為0到2的隨機數(shù)。另外設(shè)定網(wǎng)絡最大進化次數(shù)為500次，網(wǎng)絡學習率為0.05。圖4訓練結(jié)果3.2.5數(shù)據(jù)集訓練將40名成本經(jīng)理的相關(guān)數(shù)據(jù)輸入作為訓練數(shù)據(jù)，對神經(jīng)網(wǎng)絡進行訓練。首先采取mapminmax函數(shù)將訓練數(shù)據(jù)進行歸一化處理，之后將輸入?yún)?shù)模糊化計算得到其隸屬度值μ，接著計算模糊隸屬度ω，并由此計算輸出值。根據(jù)計算輸出與期望輸出間的誤差e，對pij、cij和bij進行修正，并由此對網(wǎng)絡進行更新。網(wǎng)絡進化500次之后，訓練停止，訓練結(jié)果如圖4所示�？梢钥闯�，此時網(wǎng)絡已經(jīng)具有較高的擬合能力，同時所有樣本點的誤差均在較小的范圍內(nèi)。3.2.6預測與驗證將剩余5名成本經(jīng)理的相關(guān)數(shù)據(jù)歸一化之后輸入訓練好的神經(jīng)網(wǎng)絡，計算得到輸出值，反歸一化后得到預測結(jié)果。網(wǎng)絡預測結(jié)果如圖5所示�？梢钥闯�，五位成本經(jīng)理的預測得分與期望得分是十分接近的，預測誤差也控制在極小的范圍內(nèi)。也就是說，采用模糊神經(jīng)網(wǎng)絡進行人才測評在本研究的案例中得到了良好的效果。如果采用本系統(tǒng)對候選人進行評價，預測得分最高的候選人可能是最適合的人選。圖5預測結(jié)果4結(jié)論與討論4.1結(jié)論本研?
【參考文獻】：
期刊論文
[1]基于Power調(diào)和平均算子的模糊偏好關(guān)系的創(chuàng)新型人才測評模型及其應用[J]. 王玉蘭. 安徽行政學院學報. 2017(05)
[2]基于云模型與AHP的創(chuàng)意產(chǎn)業(yè)人才綜合測評研究[J]. 李曉,張慶華. 商場現(xiàn)代化. 2016(19)
[3]基于BP神經(jīng)網(wǎng)絡的企業(yè)突破性創(chuàng)新績效評價研究[J]. 尹惠斌,游達明. 軟科學. 2014(05)
[4]基于模糊理論與神經(jīng)網(wǎng)絡的人才評價方法[J]. 王媛,馬小燕. 佳木斯大學學報(自然科學版). 2006(03)
本文編號：3544599
【文章來源】：軟科學. 2019,33(06)北大核心CSSCI
【文章頁數(shù)】：5 頁
【部分圖文】：
三層BP神經(jīng)網(wǎng)絡結(jié)構(gòu)
到相應的隸屬度作為輸入，將基于實際績效水平的評分作為輸出，最后用訓練好的網(wǎng)絡處理候選人相關(guān)數(shù)據(jù)，得到數(shù)值化的評分結(jié)果，根據(jù)評分高低來判斷最合適的候選人�；谀：窠�(jīng)網(wǎng)絡的人才甄選系統(tǒng)如圖3所示。圖3基于模糊神經(jīng)網(wǎng)絡的人才甄選系統(tǒng)2.1建立測評指標體系無論是傳統(tǒng)的人才測評方式還是利用模糊神經(jīng)網(wǎng)絡對人才進行評價，建立全面、合理、可操作的測評指標體系都是至關(guān)重要的第一步。測評指標體系的設(shè)計有不同的方法，比如典型人物分析法、層次法、專家調(diào)查法等。2.2專家測評組織專業(yè)測評人員根據(jù)建立的指標體系對多名(為了使神經(jīng)網(wǎng)絡盡可能充分地從數(shù)據(jù)集中學習，訓練數(shù)據(jù)應該足夠大)任職者進行評價，同時根據(jù)任職者的實際工作績效對其作出總體評分。收集評價結(jié)果作為訓練數(shù)據(jù)。2.3建立網(wǎng)絡本文選用T－S模糊神經(jīng)網(wǎng)絡。T－S模糊系統(tǒng)的自適應能力較強，能夠自動更新并不斷修正模糊隸屬函數(shù)。T－S模糊系統(tǒng)的模糊規(guī)則形式為:Ｒi:ifx1isAi1，x2isAi2，…，xkisAik，thenyi=pi0+pi1x1+…+pikxk(3)其中，Aij為定義在xj論域上的模糊集，是xj的第i個語言變量值，表示第j項指標對應第i項評價的集合;pij(i=1，2，…，n;j=1，2，…，k)表示模糊系統(tǒng)參數(shù);yi是根據(jù)模糊規(guī)則得到的輸出，也就是候選人各項指標的總體評分。輸入部分即為if部分，輸出部分即為then部分。該系統(tǒng)的網(wǎng)絡結(jié)構(gòu)分為輸入層、模糊化層、模糊推理層和輸出層四層。輸入層的節(jié)點數(shù)與輸入向量的維數(shù)相同，即為測
?閔窬??鍪??n為輸入層神經(jīng)元個數(shù)，m為輸出層神經(jīng)元個數(shù)，a為1到10的常數(shù)，來確定隱含層神經(jīng)元個數(shù)。本文案例確定隱含層神經(jīng)元數(shù)量為12個。3.2.4初始化網(wǎng)絡本研究使用MATLAB軟件完成模糊神經(jīng)網(wǎng)絡的運行。對模糊神經(jīng)網(wǎng)絡的模糊系統(tǒng)參數(shù)pij以及隸屬度函數(shù)的中心cij和寬度bij進行初始化。本文案例中pij初始為0.3，cij和bij初始為0到2的隨機數(shù)。另外設(shè)定網(wǎng)絡最大進化次數(shù)為500次，網(wǎng)絡學習率為0.05。圖4訓練結(jié)果3.2.5數(shù)據(jù)集訓練將40名成本經(jīng)理的相關(guān)數(shù)據(jù)輸入作為訓練數(shù)據(jù)，對神經(jīng)網(wǎng)絡進行訓練。首先采取mapminmax函數(shù)將訓練數(shù)據(jù)進行歸一化處理，之后將輸入?yún)?shù)模糊化計算得到其隸屬度值μ，接著計算模糊隸屬度ω，并由此計算輸出值。根據(jù)計算輸出與期望輸出間的誤差e，對pij、cij和bij進行修正，并由此對網(wǎng)絡進行更新。網(wǎng)絡進化500次之后，訓練停止，訓練結(jié)果如圖4所示�？梢钥闯�，此時網(wǎng)絡已經(jīng)具有較高的擬合能力，同時所有樣本點的誤差均在較小的范圍內(nèi)。3.2.6預測與驗證將剩余5名成本經(jīng)理的相關(guān)數(shù)據(jù)歸一化之后輸入訓練好的神經(jīng)網(wǎng)絡，計算得到輸出值，反歸一化后得到預測結(jié)果。網(wǎng)絡預測結(jié)果如圖5所示�？梢钥闯�，五位成本經(jīng)理的預測得分與期望得分是十分接近的，預測誤差也控制在極小的范圍內(nèi)。也就是說，采用模糊神經(jīng)網(wǎng)絡進行人才測評在本研究的案例中得到了良好的效果。如果采用本系統(tǒng)對候選人進行評價，預測得分最高的候選人可能是最適合的人選。圖5預測結(jié)果4結(jié)論與討論4.1結(jié)論本研?
【參考文獻】：
期刊論文
[1]基于Power調(diào)和平均算子的模糊偏好關(guān)系的創(chuàng)新型人才測評模型及其應用[J]. 王玉蘭. 安徽行政學院學報. 2017(05)
[2]基于云模型與AHP的創(chuàng)意產(chǎn)業(yè)人才綜合測評研究[J]. 李曉,張慶華. 商場現(xiàn)代化. 2016(19)
[3]基于BP神經(jīng)網(wǎng)絡的企業(yè)突破性創(chuàng)新績效評價研究[J]. 尹惠斌,游達明. 軟科學. 2014(05)
[4]基于模糊理論與神經(jīng)網(wǎng)絡的人才評價方法[J]. 王媛,馬小燕. 佳木斯大學學報(自然科學版). 2006(03)
本文編號：3544599
本文鏈接：http://sikaile.net/shekelunwen/shishidongtai/3544599.html
