基于BP神經(jīng)網(wǎng)絡(luò)的創(chuàng)新績(jī)效評(píng)價(jià)模型

蘆冬青

摘 要： 針對(duì)當(dāng)前創(chuàng)新績(jī)效評(píng)價(jià)模型存在收斂效率低以及泛化性能弱的缺陷，提出基于BP神經(jīng)網(wǎng)絡(luò)的創(chuàng)新績(jī)效評(píng)價(jià)模型。對(duì)創(chuàng)新績(jī)效評(píng)價(jià)的指標(biāo)體系進(jìn)行構(gòu)建，并收集相應(yīng)的創(chuàng)新績(jī)效評(píng)價(jià)數(shù)據(jù)，采用BP神經(jīng)網(wǎng)絡(luò)模擬人腦對(duì)創(chuàng)新績(jī)效數(shù)據(jù)進(jìn)行訓(xùn)練，并采用梯度法確定BP神經(jīng)網(wǎng)絡(luò)的參數(shù)，建立創(chuàng)新績(jī)效評(píng)價(jià)模型，最后通過(guò)仿真實(shí)驗(yàn)測(cè)試其性能。實(shí)驗(yàn)結(jié)果表明，該模型提高了創(chuàng)新績(jī)效評(píng)價(jià)的精度，而且評(píng)價(jià)速度得到大幅度提高，評(píng)價(jià)效果明顯優(yōu)于其他模型，具有更高的實(shí)際應(yīng)用價(jià)值。

關(guān)鍵詞： BP神經(jīng)網(wǎng)絡(luò)； 評(píng)價(jià)模型； 收斂效率； 泛化性能

中圖分類號(hào)： TN711?34； TP183 文獻(xiàn)標(biāo)識(shí)碼： A 文章編號(hào)： 1004?373X（2017）15?0056?03

Abstract： Since the available innovation performance evaluation model has the defects of low convergence efficiency and weak generalization performance， an innovation performance evaluation model based on BP neural network is proposed. The index system of the innovation performance evaluation was constructed. The corresponding innovation performance evaluation data is collected， and trained with BP neural network simulating the human brain. The gradient method is used to determine the parameter of BP neural network. The innovation performance evaluation model was established， and its performance was tested with simulation experiment. The experimental results show that the model can improve the accuracy of innovation performance evaluation and evaluation speed， its evaluation effect is superior to other models， and has high practical application value.

Keywords： BP neural network； evaluation model； convergence efficiency； generalization performance

0 引 言

當(dāng)前知識(shí)在人力資本和科技中具有較高的應(yīng)用價(jià)值，是企業(yè)提升自身競(jìng)爭(zhēng)力的關(guān)鍵。知識(shí)管理是企業(yè)管理人員對(duì)企業(yè)內(nèi)外知識(shí)實(shí)施控制，采用有效的績(jī)效評(píng)價(jià)模型對(duì)企業(yè)知識(shí)管理創(chuàng)新性能實(shí)施準(zhǔn)確實(shí)時(shí)評(píng)估，可發(fā)現(xiàn)創(chuàng)新中存在的問題，提升效率和質(zhì)量。

傳統(tǒng)創(chuàng)新績(jī)效評(píng)價(jià)模型存在收斂效率低以及泛化性能弱的缺陷，因此，提出基于BP神經(jīng)網(wǎng)絡(luò)的創(chuàng)新績(jī)效評(píng)價(jià)模型來(lái)提升能力。實(shí)驗(yàn)結(jié)果說(shuō)明，本文評(píng)價(jià)模型的知識(shí)管理創(chuàng)新績(jī)效評(píng)價(jià)誤差小，具有較高的實(shí)際應(yīng)用價(jià)值。

1 BP神經(jīng)網(wǎng)絡(luò)的創(chuàng)新績(jī)效評(píng)價(jià)模型

1.1 創(chuàng)新績(jī)效的BP神經(jīng)網(wǎng)絡(luò)評(píng)價(jià)原理

績(jī)效評(píng)估的干擾因素較多，存在較為復(fù)雜的映射關(guān)系，影響知識(shí)管理創(chuàng)新績(jī)效的評(píng)估效果[1]。采用BP神經(jīng)網(wǎng)絡(luò)評(píng)估績(jī)效，通過(guò)神經(jīng)網(wǎng)絡(luò)模擬人腦操作信息的手段，對(duì)信息實(shí)施并行操作以及動(dòng)態(tài)變換。先明確BP神經(jīng)網(wǎng)絡(luò)的輸入輸出，分別用于描述待評(píng)價(jià)企業(yè)信息管理績(jī)效的屬性信息以及最終評(píng)價(jià)目標(biāo)；再通過(guò)大量的已知樣本對(duì)BP神經(jīng)網(wǎng)絡(luò)實(shí)施訓(xùn)練，并采用自適應(yīng)學(xué)習(xí)獲取權(quán)值以及閾值，對(duì)BP神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)進(jìn)行準(zhǔn)確描述；訓(xùn)練好的BP神經(jīng)網(wǎng)絡(luò)具有人腦記憶性能和識(shí)別性能[2]，能夠?qū)υu(píng)價(jià)指標(biāo)同績(jī)效間的關(guān)系進(jìn)行模擬，并采用測(cè)試樣本實(shí)施檢測(cè)，直至得到準(zhǔn)確的結(jié)果。最終獲取的BP神經(jīng)網(wǎng)絡(luò)是有效的評(píng)估工具，輸入未知樣本，則可獲取該樣本的評(píng)估結(jié)果。

在BP神經(jīng)網(wǎng)絡(luò)輸入層輸入知識(shí)管理的評(píng)估指標(biāo)，通過(guò)隱含層傳輸?shù)捷敵鰧?，?duì)比分析輸出結(jié)果同期望輸出結(jié)果，若未達(dá)到精度需求，則進(jìn)入誤差反向傳播過(guò)程。該過(guò)程按照輸出數(shù)據(jù)對(duì)網(wǎng)絡(luò)權(quán)值閾值實(shí)施調(diào)控，確保網(wǎng)絡(luò)誤差不斷降低并滿足需求，提高神經(jīng)網(wǎng)絡(luò)對(duì)輸入向量映射的準(zhǔn)確率。專家對(duì)14家企業(yè)實(shí)施知識(shí)管理創(chuàng)新績(jī)效評(píng)估的結(jié)果如表1所示。對(duì)這些結(jié)果進(jìn)行歸一化操作后的數(shù)據(jù)見表2。

1.2 BP神經(jīng)網(wǎng)絡(luò)的創(chuàng)新績(jī)效評(píng)價(jià)

BP神經(jīng)網(wǎng)絡(luò)算法的搜索過(guò)程基于梯度法進(jìn)行，利用神經(jīng)網(wǎng)絡(luò)的并行處理特征，有輸入正向傳遞以及誤差反向傳遞兩個(gè)過(guò)程。輸入數(shù)據(jù)通過(guò)隱含層以及輸出層的神經(jīng)單元操作后獲取評(píng)估結(jié)果[3]，也就是網(wǎng)絡(luò)的輸出結(jié)果，若輸出結(jié)果同期望結(jié)果差值處于允許誤差區(qū)間，則誤差信號(hào)反向傳播，并對(duì)神經(jīng)元的權(quán)值閾值實(shí)施調(diào)控，通過(guò)循環(huán)迭代過(guò)程確保BP神經(jīng)網(wǎng)絡(luò)的輸出同期望值一致，使得網(wǎng)絡(luò)平方誤差均值為期望的最小值，則終止BP神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)過(guò)程。

BP神經(jīng)網(wǎng)絡(luò)算法的實(shí)現(xiàn)過(guò)程如下：

（7） 獲取誤差函數(shù)值，分析是否比預(yù)期誤差精度低。如果符合誤差需求，則終止算法，否則，BP神經(jīng)網(wǎng)絡(luò)返回過(guò)程（2），直至值符合誤差需求為止，用描述期望輸出。

通過(guò)批處理手段調(diào)控權(quán)值，完成全部樣本的輸入后，運(yùn)算總誤差，基于總誤差對(duì)權(quán)值實(shí)施調(diào)控，該種調(diào)控手段能夠確保沿誤差降低方向運(yùn)行[4]，具有較高的處理效率。BP神經(jīng)網(wǎng)絡(luò)的創(chuàng)新績(jī)效評(píng)價(jià)流程如圖1所示。

1.3 創(chuàng)新績(jī)效評(píng)價(jià)的神經(jīng)網(wǎng)絡(luò)模型

基于實(shí)際情況設(shè)置BP神經(jīng)網(wǎng)絡(luò)的輸出層和輸出層節(jié)點(diǎn)數(shù)，創(chuàng)新績(jī)效評(píng)價(jià)確定了8個(gè)評(píng)價(jià)指標(biāo)，則BP神經(jīng)網(wǎng)絡(luò)輸入層存在8個(gè)節(jié)點(diǎn)，輸出層包括一個(gè)神經(jīng)元，用于描述創(chuàng)新績(jī)效評(píng)價(jià)結(jié)果的代數(shù)值，其取值區(qū)間為[0，1]。通過(guò)試湊法獲取最優(yōu)隱含層節(jié)點(diǎn)數(shù)量，先采用較少的節(jié)點(diǎn)數(shù)訓(xùn)練網(wǎng)絡(luò)，若獲取的誤差高于期望目標(biāo)[5]，則依據(jù)相同的樣本集不斷提升節(jié)點(diǎn)數(shù)量，循環(huán)試湊，直至網(wǎng)絡(luò)誤差最低，獲取最終的隱含層節(jié)點(diǎn)數(shù)。本文采用試湊法實(shí)施檢測(cè)，通過(guò)多次迭代獲取的結(jié)果如表3所示。對(duì)比分析其中的訓(xùn)練次數(shù)以及誤差，能夠看出隱含層節(jié)點(diǎn)數(shù)量是10時(shí)，網(wǎng)絡(luò)具備最高的收斂效率以及穩(wěn)定性，所以本文選擇隱含層節(jié)點(diǎn)數(shù)量為10。設(shè)置BP神經(jīng)網(wǎng)絡(luò)收斂的誤差性能指標(biāo)是MSE，網(wǎng)絡(luò)的學(xué)習(xí)精度為 0.000 1。最大訓(xùn)練步長(zhǎng)是10 000，網(wǎng)絡(luò)訓(xùn)練達(dá)到最高步長(zhǎng)時(shí)[6]可終止訓(xùn)練集的訓(xùn)練。明確動(dòng)量因子0.96，避免網(wǎng)絡(luò)訓(xùn)練出現(xiàn)局部最小值問題。

基于BP神經(jīng)網(wǎng)絡(luò)的規(guī)范要求，將S型正切函數(shù)tansig以及對(duì)數(shù)函數(shù)logsig分別當(dāng)成隱含層以及輸出層神經(jīng)元的傳遞函數(shù)[7]。若已經(jīng)明確BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)以及訓(xùn)練算法，則網(wǎng)絡(luò)訓(xùn)練樣本對(duì)網(wǎng)絡(luò)映射和泛化性能具有決定作用。將BP神經(jīng)網(wǎng)絡(luò)樣本劃分成訓(xùn)練樣本和測(cè)試樣本，訓(xùn)練樣本可以得到合理的內(nèi)部描述，測(cè)試樣本對(duì)訓(xùn)練函數(shù)的BP神經(jīng)網(wǎng)絡(luò)實(shí)施檢測(cè)[8]，分析檢測(cè)結(jié)果是否達(dá)到預(yù)期目標(biāo)，通常兩種樣本各占總樣本數(shù)的80%以及20%。采用多家企業(yè)的知識(shí)管理績(jī)效評(píng)價(jià)指標(biāo)作為BP神經(jīng)網(wǎng)絡(luò)的輸入數(shù)據(jù)，采用學(xué)習(xí)樣本對(duì)BP神經(jīng)網(wǎng)絡(luò)實(shí)施訓(xùn)練，調(diào)控網(wǎng)絡(luò)權(quán)值，確保網(wǎng)絡(luò)輸出誤差最小化，得到最優(yōu)創(chuàng)新績(jī)效評(píng)價(jià)結(jié)果。

2 實(shí)驗(yàn)結(jié)果與分析

基于BP神經(jīng)網(wǎng)絡(luò)的創(chuàng)新績(jī)效評(píng)價(jià)模型的訓(xùn)練誤差性能曲線如圖2所示，能夠看出通過(guò)449次學(xué)習(xí)，評(píng)價(jià)模型得到收斂。輸入4組測(cè)試數(shù)據(jù)對(duì)完成訓(xùn)練的本文模型實(shí)施測(cè)試，結(jié)果如圖3所示。能夠看出，本文模型訓(xùn)練輸出結(jié)果同目標(biāo)輸出結(jié)果誤差低，實(shí)現(xiàn)了創(chuàng)新績(jī)效的有效評(píng)估。

圖4為本文模型輸出結(jié)果同實(shí)際結(jié)果的線性回歸分析結(jié)果[9]，可得該評(píng)價(jià)模型的相關(guān)系數(shù)0.976 36，預(yù)測(cè)值同期望值間具有較高的關(guān)聯(lián)性，網(wǎng)絡(luò)回歸性能高，擁有較高的泛化能力。

本文模型的訓(xùn)練梯度波動(dòng)曲線以及學(xué)習(xí)速率曲線如圖5所示。

由圖5可以看出，步長(zhǎng)小于150時(shí)網(wǎng)絡(luò)的梯度波動(dòng)較低，該種情況下的學(xué)習(xí)曲面是一個(gè)平穩(wěn)范圍[10]，避免陷入局部極小值點(diǎn)，并且本文模型的學(xué)習(xí)速率較低，收斂速率也較低。隨著本文模型BP神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)速率不斷增加，梯度值快速減小，收斂速度加快。但在加快收斂的同時(shí)發(fā)生了輕微波動(dòng)，此時(shí)誤差曲面可能比較陡峭，為了提升本文模型的穩(wěn)定性，應(yīng)降低學(xué)習(xí)速率。

當(dāng)步長(zhǎng)高于250時(shí)，BP神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)速率不斷提升，達(dá)到最高值時(shí)，出現(xiàn)大幅度下降趨勢(shì)。本文模型的學(xué)習(xí)速率按照實(shí)際狀態(tài)自主調(diào)控，可避免模型陷入局部最低值，采用有效的學(xué)習(xí)效率完成收斂。

3 結(jié) 語(yǔ)

本文提出了基于BP神經(jīng)網(wǎng)絡(luò)的創(chuàng)新績(jī)效評(píng)價(jià)模型，其由信息的正向傳播以及誤差的反向傳播兩個(gè)過(guò)程構(gòu)成，通過(guò)梯度法實(shí)現(xiàn)BP神經(jīng)網(wǎng)絡(luò)算法的搜索過(guò)程。該種評(píng)價(jià)模型解決了傳統(tǒng)創(chuàng)新績(jī)效評(píng)價(jià)模型存在收斂效率低以及泛化性能弱的缺陷，具有較高的回歸性能和泛化能力。

參考文獻(xiàn)

[1] 劉曉峰，李傳富.基于物元分析法的物流企業(yè)服務(wù)創(chuàng)新績(jī)效評(píng)價(jià)[J].物流技術(shù)，2015，34（21）：94?97.

[2] 魏倩，蔡遠(yuǎn)利.一種基于神經(jīng)網(wǎng)絡(luò)的中制導(dǎo)改進(jìn)算法[J].西安交通大學(xué)學(xué)報(bào)，2016，50（7）：125?130.

[3] 王旭.基于BP神經(jīng)網(wǎng)絡(luò)的精益供應(yīng)鏈協(xié)同績(jī)效研究[J].現(xiàn)代商貿(mào)工業(yè)，2015，36（5）：63?64.

[4] 單冬紅，蔡琪，魯書喜.基于BP神經(jīng)網(wǎng)絡(luò)的諧波電流檢測(cè)方法研究[J].電子設(shè)計(jì)工程，2016，24（10）：42?44.

[5] 張?jiān)偕?，李鑫?基于DEA模型的創(chuàng)新創(chuàng)業(yè)政策績(jī)效評(píng)價(jià)研究：以天津市企業(yè)孵化器為分析對(duì)象[J].天津大學(xué)學(xué)報(bào)（社會(huì)科學(xué)版），2016，18（5）：385?391.

[6] 趙泉長(zhǎng)，馬悅，朱澤魁.基于BP神經(jīng)網(wǎng)絡(luò)的農(nóng)超對(duì)接型供應(yīng)鏈績(jī)效評(píng)價(jià)研究[J].價(jià)值工程，2016，35（22）：88?90.

[7] 張濤，李兆鋒，胡萍.翻轉(zhuǎn)課堂下學(xué)習(xí)績(jī)效評(píng)價(jià)模型的構(gòu)建[J].現(xiàn)代教育技術(shù)，2016，26（4）：74?80.

[8] 李萍，徐安林.基于BP神經(jīng)網(wǎng)絡(luò)的智能制造系統(tǒng)圖像識(shí)別技術(shù)[J].現(xiàn)代電子技術(shù)，2016，39（18）：107?109.

[9] 王冰，郭東強(qiáng).基于BP神經(jīng)網(wǎng)絡(luò)的企業(yè)內(nèi)部知識(shí)轉(zhuǎn)移績(jī)效綜合評(píng)價(jià)研究[J].情報(bào)科學(xué)，2016，34（1）：141?145.

[10] 王英，王燦，孫新澤.基于AHP?BP神經(jīng)網(wǎng)絡(luò)的江蘇省創(chuàng)新型經(jīng)濟(jì)評(píng)價(jià)[J].科技管理研究，2016，36（9）：68?72.