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分析與BP神經網絡相結合的方式實現，利用灰關聯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 灰關聯系數和關聯度的計算 灰色關聯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系是否緊密，其緊密程度用關聯度量化，曲線越緊密，其關聯度越大，反之就越小[3-4]。
灰色關聯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系數，如表2。
(3)計算關聯度
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的關聯度，依次為r1=0.9345，r2=0.9625，r3=0.8360，r4=0.9108，r5=0.6545，r6=0.4984。
關聯度排序：r2>r1>r4>r3>r5>r6
這一關聯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—關聯序。
由以上關聯排序我們可知：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：