基于灰色神經網絡的高校教師職稱評審預測論文
灰色神經網絡就是將灰色系統(tǒng)方法與神經網絡方法有機地結合起來,對復雜不確定性問題進行求解所建立的模型.結合灰色預測方法與神經網絡預測方法,對四川省普通高等學校每年所招收新生人數進行預測.結果表明此種組合模型的精度較高,且具有灰色系統(tǒng)的少數據建模優(yōu)點及神經網絡的精度可控特性，以下是學習啦小編為大家精心準備的：基于灰色神經網絡的高校教師職稱評審預測相關論文。內容僅供參考，歡迎閱讀!
基于灰色神經網絡的高校教師職稱評審預測全文如下：
摘要： 提出一種針對我國高校教師職稱評審的預測模型。該模型通過將灰關聯(lián)分析與BP神經網絡相結合的方式實現，利用灰關聯(lián)分析找出高校教師職稱評審的各影響因子與職稱晉升的潛在關系，為BP神經網絡提供篩選輸入因子的功能，最后通過訓練BP神經網絡來實現預測。選用某高校2012年副教授評審實際數據作為評價樣本，將原有的6-8-2的網絡結構簡化為5-8-2，結果表明，建立的評審模型的結論優(yōu)于基于BP神經網絡的結論，且訓練效率也有大幅提高，有一定的推廣應用價值。
關鍵詞： 職稱評審;灰關聯(lián)分析;BP網絡
0 引言
職稱評審涉及到教師的切身利益，客觀、公正、透明的職稱評審工作對教師做好教學、科研和管理工作具有權威的導向性和指導性。職稱系統(tǒng)是具有評審因素多，因素間相關性模糊、不確定，非線性、時變性等特點的復雜系統(tǒng)，其評審屬于多因素綜合評審范疇。
神經網絡可以很好地解決職稱系統(tǒng)評審的非線性問題，然而評審因素間相關性，會使得網絡陷入局部最小點，導致評審結果存在很大的偏差?；谊P聯(lián)分析方法可在不完全的信息中，通過一定的數據處理，找出評審因素的關聯(lián)性，發(fā)現主要矛盾，找到主要特性和主要影響因素[1-2]。因此將灰關聯(lián)分析與神經網絡相結合建立評審模型，神經網絡解決職稱系統(tǒng)評審對于非線性系統(tǒng)的支持，灰關聯(lián)分析幫助神經網絡找出主要的影響因子。
1 高校教師職稱影響因子的灰色關聯(lián)分析
1.1 高校教師職稱評審影響因子的確定 依據某高校歷年教師職稱的評定標準，主要是從論文的級別數量、科教成果獲獎(市級以上)，是否承擔科研科教項目等方面來綜合評定教師職稱的獲得。針對該高校2012年數據中46名教師在承擔科研科教項目都滿足，而在有科教成果獲獎(市級以上)上只有個別的教師有，所以本文考慮，以論文級別數量構建6個評定指標：SCI/EI篇數x1，一級核心論文篇數x2，二級核心論文篇數x3，三級核心論文篇數x4，一般期刊論文篇數x5，論文總篇數x6。
1.2 灰關聯(lián)系數和關聯(lián)度的計算 灰色關聯(lián)分析是一種重要的灰色系統(tǒng)理論分析方法，其基本原理是通過序列的曲線幾何形狀的相似程度來判斷序列的聯(lián)系是否緊密，其緊密程度用關聯(lián)度量化，曲線越緊密，其關聯(lián)度越大，反之就越小[3-4]。
灰色關聯(lián)分析的計算分析步驟：
(1)將該高校職稱專家評審結果作為參考序列x0(k)，k=1，…，46，晉級職稱的x0=1，被淘汰的x0=0，6個影響因子作為比較因素序列xi(k)，i=1，…，6;k=1，…，46。
(2)根據表1求出Δ■(k)=y■(k)-y■(k)，并找出Δ■=0，Δ■=27，由灰關聯(lián)系數公式ξy■(k)，y■(k)=■其中分辨系數ρ取值0.5，計算出6個影響因子與高校教師職稱評審在46個樣本點上的灰關聯(lián)系數，如表2。
(3)計算關聯(lián)度
由公式ry■，y■=■ω■ξy■(k)，y■(k)，取ω■=ω■…=ω■=■，及根據表2求得比較因素xi和參考因素x0的關聯(lián)度，依次為r1=0.9345，r2=0.9625，r3=0.8360，r4=0.9108，r5=0.6545，r6=0.4984。
關聯(lián)度排序：r2>r1>r4>r3>r5>r6
這一關聯(lián)序直接反映了比較因素xi對參考因素x0的相關性強弱的順序，即各影響因子與高校教師職稱評審的接近程度，同時也說明了這6個影響因子對高校教師職稱評審影響程度由大到小的順序—關聯(lián)序。
由以上關聯(lián)排序我們可知：一級核心論文篇數x2，SCI/EI篇數x1，三級核心論文篇數x4對高校教師職稱評審影響程度最大，關聯(lián)度值都在0.9108以上，如果我們能在這三類級別的期刊上多發(fā)表論文，就可以大大提高通過職稱評審幾率。我們如在一級核心，SCI/EI上感覺發(fā)表困難的話，可把重點放在較容易發(fā)表的三級核心上，同樣有效。二級核心論文篇數x3對高校教師職稱評審影響程度也很大，關聯(lián)度值為0.8360，論文總篇數x6對高校教師職稱評審影響程度最小，關聯(lián)度值只有0.4984。
2 基于灰色BP神經網絡的高校教師職稱評審預測
BP神經網絡模型的建立：表1歸一化的46組數據作為BP神經網絡的樣本，任取前37個樣本用于網絡學習訓練，另外的9個作為網絡訓練完畢后的預測樣本。
為了驗證本文灰色BP預測模型的有效性，實驗中與單一采用BP的模型，在網絡訓練效率方面、網絡預測的準確上分別進行比較。
灰色BP預測模型：根據上文對高校教師職稱評審影響因子的分析，選用上述的關聯(lián)度值在0.4984以上的5個影響因子作為輸入變量，高校教師職稱專家評審作為輸出數據，將職稱晉級(1)、淘汰(0)，分別用“1 0;0 1”表示。隱含層經訓練，結果表明：當隱含層單元的個數為8時，網絡模型穩(wěn)定且獲得較理想結果，這樣網絡結構即可確定為5-8-2。訓練函數采用trainlm，輸入層與隱層、隱含層與輸出層之間的傳遞函數選為tansig，logsig函數。訓練次數最大設置為100次，網絡收斂誤差為0.001。
BP預測模型：表1歸一化的數據作為BP網絡的輸入。BP輸入節(jié)點為6個指標數值，BP網絡輸出節(jié)點為2，中間層的節(jié)點數選8，網絡結構即可確定為6-8-2，其它參數設置同上。
從圖1、2可以看出，灰色BP網絡的訓練只經過13步就達到了最小誤差，這說明，選擇與高校教師職稱評審有較大關聯(lián)度的5個影響因子作為網絡輸入，提高了網絡訓練的效率。
從表3中可以看出，在建立預測模型前未經過任何數據預處理的BP模型，預測準確率低，判錯了2個，準確率77.77%，本文的基于灰色BP預測模型，判錯1個，準確率提高到88.9%，預測結果與專家評審基本吻合。
3 結論
本文針對某高校2012年教師職稱評審實際數據，利用灰色關聯(lián)分析方法探討了各個影響因子對教師職稱評審的影響程度;采用基于BP神經網絡模型對教師職稱評審進行預測，得出結論：
(1)利用灰色關聯(lián)分析方法能夠考慮影響教師職稱評審的主要因素，灰色關聯(lián)分析表達出各個影響因子的影響程度，為高校教師職稱的晉級提供指導參考。
(2)與目前我國高校教師職稱采取的定性分析評審相比，基于灰色神經網絡評審模型實際操作簡單、客觀，這些使得評審結果更加趨于合理。
(3)利用灰色關聯(lián)分析帥選了其中5個指標的本文BP神經網絡預測模型，與未經過任何數據預處理的BP預測模型相比，提高了網絡的訓練速率和網絡預測精度。
參考文獻：
[1]張吉剛，梁娜.消費者網上購物意向的灰色神經網絡預測模型[J].統(tǒng)計與決策，2007(22)：133-135.
[2]孫莉.基于灰色BP神經網絡的服裝面料規(guī)格參數預測[J].計算機應用與軟件，2012(7)：154-157.
[3]劉思峰，黨耀國，方志耕，等.灰色系統(tǒng)理論及其應用[M].5版.科學出版社，2010：62-90，211-213.
[4]肖新平，宋中民等.灰技術基礎及其應用[M].北京：科學出版社，2005.8.
[5]劉軍奎.高校職稱評審制度的社會學思考[J].前沿，2011(05).
[6]朱霽.我國高校教師職稱評審程序的弊端及完善[J].中南林業(yè)科技大學學報(社會科學版)，2011(02).
[7]王勇強.關于高校教師職稱制度改革的思考[J].中國高校師資研究，2011(02).
[8]趙梁紅.基于公平的高校教師職稱評審制度的構建[J].中國高教研究，2009(11).
[9]周興國.建立高校教師職稱評審一體化教學考核體系之構想[J].安徽工業(yè)大學學報(社會科學版)，2010(01).
相關文章：