基于BP神经网络的企业人员素质综合评价模型研究

一管理创新　一现代管理科学　１１２００８年第５期　基于Ｂ　Ｐ神经网络的　企业人员素质综合评价模型研究　●黄岳钧　董常亮　李树丞　摘要：人员素质的各项测试指标与人员综合素质之间存在着复杂的非线性关系，为了客观准确的评价企业人员素质　的综合水平，文章在分析企业人员综合素质的结构的基础上，引入ＢＰ人工神经网络模型建立了企业人责素质综合评价　模型。结果表明，所建立的素质综合评价模型能较真实地反映出人员的综合素质水平，具有较好的泛化能力．　关键词：人员素质；综合评价；人工神经网络　人员素质评价在不同程度上受到多种因素的影响，评　通过选择合适的人员进行试测后，根据试测的结果进行反　价结果难以用恰当的数学解析式来描述，是一个多变量、　馈调整，并对指标体系进行了必要的修改和补充，最终将　模糊复杂的非线性过程。自２０世纪８０年代以来，人工神　Ｔ集团人员素质评价项目的评价指标大体确定为五个大　经网络这个多学科高科技领域。吸引了众多的神经生理学　项，每项又分成多种素质内容分别进行测试，以期能获得　家、心理学家、计算机与信息科学家、工程师和企业家等进　最贴近于真实的评价结果。其指标体系及评价方法如表１　行研究和应用，并在信号与图像处理、语音识别、虚拟现　所示。　实、控制系统设计、系统仿真、人工智能、优化计算、企　表１管理人员素质评价指标及方法　业危机管理与预警、数据挖掘、系统辨识及综合评价等　评价指标　评价内容　评价方法　领域都得到了很好的应用。本文尝试利用人工神经网　专业知识技能Ｘ。　专业技能　测验法／专家打分法　络本身具有的并行处理数据、良好的容错性、自适应和　非专业技能智力（智商）　测验法／专家打分法　自学习以及较好的非线性功能等特性，对企业人员素　Ｘ：　质结构进行系统的分析，构建人工神经网络模型，在传　创造力　测验法／专家打分法　统素质评价方法的基础上，对评价方法进行改进研究，　用人授权能力　根据具体情况，可选用面　期待能取得一个具有通用性、简洁性的评价企业人员　关系能力Ｘ组织领导能力　试法、案例分析法、元领导　素质的客观量化标准，力图在评价方法上有所创新。　，　说服沟通能力　小组法、公文处理法及角　社会适应能力　色扮演法　一、企业人员素质评价指标的设计　人员素质评价指标体系的设计是评价的基础，它　计划决策能力　根据具体情况，对于评价过程有着统揽全局的作用。在设计企业人员　可选用案　任务能力　）（４　分析预测能力　例分析法、公文处理法、角　素质评价指标体系时，需要遵循科学性、完备性和可操　研究开拓能力　色扮演法　作性原则，要以客观准确地反映人员素质为出发点。　般而言，企业人员素质评价指标体系的设计程　心理素质Ｘ　心理素质　测验法／专家打分法　一序为职务分析、理论验证、指标调查三个步骤。首先通过职　二、企业人员素质的神经网络评价模型　务分析对被评价对象的工作内容、性质、责任、环境以及完　１．神经网络原理。人工神经网络是理论化的人脑神经　成工作所应具备的条件等进行研究和分析，获得各类人员　网络的数学模型，是基于模仿大脑神经网络结构和功能而　所应具备的能力、知识、技能、特质等方面的信息，从而据　建立的一种信息处理系统，因其具有独特的结构和处理信　此初步确定素质测评指标；然后再依据人员素质评价的基　息的方法，使其在许多实际应用中取得了显著成效。它实　本原则和理论基础，进行经验性、专家性的筛选．对设计的　际上是由大量的处理单元通过适当的方式互连构成，是一　素质评价指标进行理论论证：并对评价指标进行调查试　个大规模的非线性自适应系统，它不需要构建任何数学模　用，进行相关性分析，最后遴选出主要而关键的素质评价　型，具有高度的非线性，能够进行复杂的逻辑操作和非线　指标体系【ｌ】。评价指标的制定过程是一个系统的过程，制定　性关系实现的系统。人工神经网络模型发展到今天已有百　一个成功的评价指标是需要多次反复实践才能达到较为　余种模型，建造的方法也是多种多样，其中ＢＰ网络（Ｂａｃｋ　理想的效果的。　Ｐｒｏｐａｇａｔｉｏｎ　Ｎｅｕｒａｌ　Ｎｅｔｗｏｒｋ）是当前应用最为广泛的一种人　本文以Ｔ集团管理人员的素质评价作为研究对象，根　工神经网络。在人工神经网络的实际应用中．８０％～９０％的　据Ｄａｖｉｄ　ＭｃＣｌｅｌｌａｎｄ的胜任力模型，结合Ｔ集团的特点和　人工神经网络模型是采用ＢＰ网络或它的变化形式。　要求，在充分调查和访谈的基础上，反复论证，确定其评价　ＢＰ网络是由输入层、若干个隐层和一个输出层组成，　指标，对每一个评价指标制定了适当的评价标度及方法：　层与层之间采用全互连方式，同一层的单元之间不存在相　一９６一　维普资讯 http://www.cqvip.com ■２００８年第５期　■现代管理科学　■管理创新　互连接。输人信号从输人层神经元依次传过各隐层神经　输出层各单元的输出ＬＩ，然后利用通过传递函数计算输　元，然后传到输出神经元。其输人与输出是一个高度非线　性映射关系，如果输人结点数为Ｉ１，输出结点数为ｍ，则ＢＰ　网络是从ｎ维欧氏空间到ｍ维欧氏空间的映射。因此，我　出层各单元的响应ｃｌ。　Ｌ产∑　厂ｒｔ　￡＝１，２，Ｌ，ｑ　』－Ｉ　Ｃ　Ｌ１）ｔ＝ｌ，２，Ｌ，ｑ　（ｓ）￣ＲＪ用网络目标向量Ｔｋ＝（ｙ￣ｋ，　，Ｌ，　），网络实际输　们将用于企业人员素质评价的各指标值作为ＢＰ网络模型　的输人向量，将评价结果作为ＢＰ网络模型的输出，用足够　多的样本训练这个网络，使其获取企业评价专家的经验、　知识、主观判断及其对指标重要性的倾向。这样ＢＰ网络模　出Ｃ　计算输出层各单元一般化误差　。　ｄ　＝（　ｃ￡）・Ｃ　・（１－Ｃ　）ｔ＝ｌ，２，Ｌ，ｑ　型所具有的那组权系数值便是网络经过自适应学习所得　到的正确知识内部表示，训练好的ＢＰ网络模型根据待评　（６）利用连接权值　、输出层一般化误差　和隐含层　输出ｂｉ，计算隐含层各单元一般化误差ｅ　。　价企业人员素质评价各指标的属性值，就可得到对人员素　质的评价结果．再现专家的经验、知识、主观判断及其对指　标重要性的倾向，实现定性与定量的有效结合，保证评价　的客观性和一致性。　ｅｋｅ［∑ｄＩ・ｖｉ，］ｂｊ（１－ｂｊ）　（７）利用输出层各单元一般化误差　与隐含层各单　的输出ｂｊ来修正连接权值　和阈值＾。　＾（Ⅳ＋１）＝　（Ⅳ）＋　・　・６　（Ⅳ＋１）＝　（Ⅳ）＋　・　２．ＢＰ神经网络的学习方法。ＢＰ网络的学习过程分为　两大步．第一步是从网络的输人层逐步向输出层进行计　算．每一层神经元的状态只影响下一层神经元的状态．如　果在输出层没有得到期望的输出，则计算输出层的误差变　化值，然后转向第二步反向传播过程；反向传播过程是对　ｔ＝ｌ，２，Ｌ，ｑ；ｊ＝ｌ，２，Ｌ，Ｐ；０＜　＜１　（８）利用隐含层各单元的一般化误差ｅ　，输人层各单　元的输人ｐｋ＝（ａ　，　，Ｌ，％）来修正连接权值　和阈６ｌ。　嘶（＾ｒ＋１）：　（Ⅳ）　・ｅ　・　连接权和阈值的修改，即从输出层反向输人层进行计算和　修改，根据输出层误差的修改与输出层相连接的权值，然　后再返回修改各层的连接权值。直到满足要求为止。　对于ＢＰ网络。有一个非常重要的Ｋｏｓｍｏｇｏｒｏｖ定理。　即对于任何在闭区间内的一个连续函数都可以用单隐层　的ＢＰ网络逼近．因而一个三层ＢＰ网络就可以完成任意　的１１维到ｍ维的映射。因此，在这里我们以三层ＢＰ网络　６１『（＾ｒ＋１）＝　（Ⅳ）　・ｅ　ｉ＝ｌ，２，Ｌ，ｎｄ＝ｌ，２，Ｌ，Ｐ；０＜／３＜１　（９）随机选取下一个学习样本向量提供给网络，返回　到步骤（３），直到ｉｎ个训练样本训练完毕。　（１０）重新从ｉｎ个学习样本中随机选取一组输人和Ｅｔ　标样本，返回步骤（３），直到网络全局误差Ｅ小于预先设定　为例，介绍ＢＰ网络的学习过程及步骤。为了简明起见，我　们先对各符号的形式及意义进行规定：　网络输人向量Ｒ：（　，　２，Ｌ，　）；　的一个极小值，即网络收敛。如果学习次数大于预先设定　的值，网络则无法收敛。　（１１）学习结束。可以看出，在以上学习步骤中，（７）一　网络Ｅｔ标向量Ｔｋ＝（ｙｌ，Ｙ２，Ｌ，　）；　隐含层单元输人向量　＝（ｓ　，ｓ　，Ｌ，ｓ　）；　输出向量Ｂｋ＝（６ｌ，ｂ２，Ｌ，ｂ　）；　输出层单元输人向量Ｌｋ＝（１　，如，Ｌ，Ｚ。）；　输出向量Ｃｋ＝（ｃｌ，ｃ２，Ｌ，ｃ。）；　（８）步为网络误差的“反向传播过程”，（９）一（１０）步则用于　完成训练和收敛过程。通常。经过训练的网络还应该进行　性能测试。测试的方法就是选择测试样本向量，将其提供　给网络，检验网络对其处理的正确性。测试样本向量中应　包含今后网络应用过程中可能遇到的主要典型模式。这些　也可以通过仿真得到。在样本　输人层至隐含层的连接权值　，　１，２，Ｌ，ｎ　１，２，Ｌ，ｐ；　样本可以通过直接测取得到，数据较少或者较难得到时。也可以通过对学习样本加上适　隐含层至输出层的连接权值　１，２，Ｌ，ｎ；拄１，２，Ｌ　；　隐含层各单元的输出阈值　。　：１，２，Ｌ，ｐ；　输出层各单元的输出阈值ｒｉｊ＝ｌ，２，Ｌ，ｑ；　参数ｋ＝ｌ，２，Ｌ，ｍ。　当的噪声或按照一定规则插值得到。总之．一个良好的测试　样本集之中不应该包含和学习样本完全相同的模式。　３．ＢＰ神经网络的企业人员素质评价模型的确立。人　（１）初始化，给每个连接权值Ｗ　区间（一１，１）内的随机值。　它应满足多种不同　、阈值　与　赋予　工神经网络设计是一个综合性的问题．的要求，其中较好的泛化能力是最重要的。一般而言，泛化　能力决定于三个主要因素。即问题本身的复杂程度、网络　（２）随机选取一组输人和Ｅｔ标样本ｐｋ＝（Ｏｌｌｋ，　２ｋ，Ｌ，Ｏ／ｎｋ）、　（ｙｌ　，ｙ２ｋ，Ｌ，　）提供给网络。　结构以及样本量的大小。因此．在进行ＢＰ网络模型设计　应具体考虑以下因素的合理确定：网络的层数、各层神　（３）用输入样本ｐｋ＝（　，　，　２ｋ，Ｌ，　ｎｋ）、连接权　ｉ和阈值　中，经元个数、初始值的选择、学习速率、期望误差以及网络训　计算隐含层各单元的输入ｓｈ然后用ｓ，通过传递函数计　算隐含层各单元的输出ｂｉ。　＝练模式。　在本文中。根据Ｋｏｓｍｏｇｏｒｏｖ定理，采用了３层的ＢＰ　网络结构．输入层与输出层神经元的个数根据需要求解的　一∑　广　ｊ＝ｌ，２，Ｌ，Ｐ　’・ｌ　问题和数据分别为５和１。隐含层的神经元数目的选择是　ｂｊ＝ｆ（ｓｊ）　ｊ＝ｌ，２，Ｌ，Ｐ　个十分复杂的问题。不存在一个理想的解析式来表示，　（４）利用隐含层的输出６，、连接权值　和阈值６Ｉ计算　一９７—　维普资讯 http://www.cqvip.com

■管理创新　■现代管理科学　■２００８年第５期　匡ｖ．Ｊｕ　ｖ．Ｊｕ丰ｖ．Ｊｖ　　ｖ　．Ｊｖ　ｖ．－ｒｕ　ｖ．　Ｊ　ｘ　Ｕ．＇－ｒｖ章ｖ．Ｊ　ｘ　ｕ　．ＪＶ　ｖ．Ｊｕ　ｖ．Ｊｕ扛ｖ．　＇－ｒ．７　结构（如图１所１　｛０．５０　１　０．５０　５　０．４５　ｌ　０．４０　ｌ　０．４０　ｌ　０．４４　ｌ　０．８８　１　０．８５　ｌ　０．９０　ｌ　０．９０　１　０．９０　ｌ　０．８９　｝　示）。ＢＰ网络模Ｊ　ｆ　０．９１　ｌ　０．９０　Ｊ　０．９１　Ｊ　０．９２　１　０．９２　ｆ　０．９３　ｌ　０．６７　１　０．５７　ｌ　０．５０『０．５０　ｆ　０．５６　１　０．５６　Ｉ　型中的学习速率Ｊ　『０．８７　ｌ　０．８４　Ｊ　０．８５　Ｊ　０．８６｝０．８５　ｆ　０．８５　Ｊ　０．８１　ｌ　０．８０　ｌ　０．８１『０．８２』０．８２　１　０．８１　Ｉ　－ｑ在（０，１）内取ｌ　１　０．６８　ｆ　０．６８　５　０．６０　ｌ　０．６０　ｉ　０．５８　ｉ　０．６０　ｌ　０．７０　１　０．６５　ｌ　０．６３　ｌ　０．６４　ｌ　０．６５　１　０．６５　ｌ　霎　藿　＃　章　扭　训练网络妻　主　习　型　粤警　篓　：…．ＢＰ网络训练完成后需用检验样本数据对其评价精度　．．　弱化权重确定中的人为因素是十分有益的。　巢枣　甜　四、结论分析　１．影响企业人员素质　序号　专家评价值　网络测试值　相对误差　序号　专家评价值　网络测试值　相对误差　评价的因素复杂多变，目前　１　０．８５　０．８５８　５１９　４９　１．００２　３％　６　０．８１　０．８０６　０６５　７６　０．４８５　７％　通过企业人力资源部门及　２　０．６０　０．５９７　２１２　２２　０．４６４　６％　７　０．６５　０．６４２　５８６　８０　１．１４０　５％　管理顾问凭知识和经验对　３　０．８１　０．８０６　５３１　２０　０．４２８　２％　８　０．６１　０．６ｏｏ　７３７　５８　１．５１８　４％　企业人员素质进行评价的　４　０．７２　０．７３７　７９８　３６　２．４７２　０％　９　０．７９　０．７８７　９７９　４６　０．２５５　８％　方法，其主观随意性较大，　５　０．６１　０．６０８　１２０　７６　０．３０８　０％　ｌ０　０．７４　０．７４４　６９５　２２　０．６３４　５％　评估结果的精确性不尽如　人意，尤其是知识少，经验不丰富的人力资源从业者更是　东北大学出版社，２０００．　５　１２　１　３．袁曾任．人工神经网络及其应用．北京：清华大　学出版社，ｌ　９９９．　ｘ｜—　４．飞思科技产品研发中心．　神经网络理论与ＭＡＴ—　Ｘ广　ＬＡＢ７实现．北京：电子工业出版社，２００５．　－÷＇，　作者简介：李树丞，原湖南大学副校长，原湘潭大学校　Ｘ广÷　长、教授、博士生导师；黄岳钧，硕士，东莞理工学院城市学　院教师；董常亮，硕士，广西工业职业技术学院管理系教　输入层　隐含层　输出层　师。　图１　ＢＰ神经网络拓扑结构　收稿日期：２００８－０４—１４。　一９８一