基于模塊化神經(jīng)網(wǎng)絡(luò)模型的高等學(xué)校資產(chǎn)管理績效綜合評價

張輝

（華南理工大學(xué)數(shù)學(xué)學(xué)院，廣州510000)

0 引言

人工神經(jīng)網(wǎng)絡(luò)是科學(xué)家們根據(jù)生物神經(jīng)元工作機(jī)理和生物神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)提出的一種信息處理系統(tǒng)，在一定程度上模擬了人腦的某些功能。它憑借自主性的學(xué)習(xí)適應(yīng)功能和高精度的優(yōu)勢，被廣泛使用于各類研究分析中。但是隨著科學(xué)技術(shù)的不斷進(jìn)步，學(xué)者們對研究結(jié)果的要求不但提升，單一的神經(jīng)網(wǎng)絡(luò)模型已經(jīng)無法滿足學(xué)者們的需要，在這樣的大環(huán)境下，模塊化神經(jīng)網(wǎng)絡(luò)應(yīng)運(yùn)而生。

從仿生學(xué)角度出發(fā)，根據(jù)腦功能分區(qū)原理，學(xué)者們提出了模塊化神經(jīng)網(wǎng)絡(luò)。它是一個由多個子模塊組成的神經(jīng)網(wǎng)絡(luò),每個子模塊承擔(dān)神經(jīng)網(wǎng)絡(luò)全局任務(wù)的一個子任務(wù),通過各個網(wǎng)絡(luò)之間的競爭或協(xié)作來提高系統(tǒng)的整體性能。當(dāng)面對復(fù)雜的、大數(shù)據(jù)量的問題時，模塊化神經(jīng)網(wǎng)絡(luò)將其劃分為一個個小問題來處理，再將每個子模塊的處理結(jié)果整合后做最終處理。解決了單一神經(jīng)網(wǎng)絡(luò)處理種網(wǎng)絡(luò)結(jié)構(gòu)復(fù)雜度大，內(nèi)部干擾強(qiáng)，網(wǎng)絡(luò)收斂速度慢，精確度低的弊端。與單一神經(jīng)網(wǎng)絡(luò)相比，模塊化神經(jīng)網(wǎng)絡(luò)具有更密切的神經(jīng)生物學(xué)基礎(chǔ)與更大的設(shè)計(jì)和實(shí)施的靈活性。

1 模塊化神經(jīng)網(wǎng)絡(luò)概述

目前獲得大眾認(rèn)可度較高的模塊化神經(jīng)網(wǎng)絡(luò)為[1]：

（1）模塊化神經(jīng)網(wǎng)絡(luò)就是該網(wǎng)絡(luò)在學(xué)習(xí)任務(wù)時可以被分成兩個及以上的子網(wǎng)絡(luò)，系統(tǒng)中的每個子網(wǎng)絡(luò)都對應(yīng)一個特定的輸入?yún)^(qū)域，且在學(xué)習(xí)過程中，系統(tǒng)中的每一個子網(wǎng)絡(luò)互相并不通信。

（2）整個系統(tǒng)的輸出由一個整合單元按照某種整合機(jī)制將各個子網(wǎng)絡(luò)系統(tǒng)的輸出機(jī)型整合而形成整個系統(tǒng)的輸出，整合單元不將整合信息反饋回系統(tǒng)。

（3）整合單元既要能夠決定如何整合各個子網(wǎng)絡(luò)的輸出，又要能夠決定哪些子任務(wù)分配給哪些子網(wǎng)絡(luò)。

圖1 模塊化神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)框圖

圖1所示是一個典型的模塊化神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)，它由多個不同的子模塊和一個集成單元組成，每個子模塊承擔(dān)神經(jīng)網(wǎng)絡(luò)全局任務(wù)的一個子任務(wù)，且所有的子模塊都被功能性集成。模塊化神經(jīng)網(wǎng)絡(luò)中，每一個子模塊可以擁有不同的模型結(jié)構(gòu)，可以采用不同的學(xué)習(xí)算法，甚至可以使用不同類型的模型。

2 高等學(xué)校資產(chǎn)管理績效綜合評價

2.1 數(shù)據(jù)預(yù)處理

依據(jù)資產(chǎn)管理績效的定義，對高效資產(chǎn)管理的主要影響因素進(jìn)行了全面的分析，確定了高等學(xué)校資產(chǎn)管理績效綜合評價的指標(biāo)體系，它包含了3個一級指標(biāo)、13個二級指標(biāo)以及38個三級指標(biāo)。對各高校提供的原始數(shù)據(jù)，進(jìn)行缺失數(shù)據(jù)的排查后，保留了32個三級指標(biāo)，并利用層次分析法對各一二三級指標(biāo)進(jìn)行權(quán)重計(jì)算，結(jié)果如表1所示。然后根據(jù)賦值標(biāo)準(zhǔn)對數(shù)據(jù)進(jìn)行類型一致化，與層次分析法所得到的權(quán)重對應(yīng)相乘相加，得到三個一級指標(biāo)和綜合指標(biāo)Y的數(shù)據(jù)。利用K均值聚類將數(shù)據(jù)分成五類，并按照每一類到類中心的貼合度進(jìn)行等級排序，其中級別1代表優(yōu)秀，等級2代表良好，等級3代表中等，等級4代表一般，等級5代表較差。

2.2 建立模型

由于距離類中心的樣本最能體現(xiàn)數(shù)據(jù)的各類特征，故挑選各類中離類中心最近的70%的樣本作為建模樣本，其余的樣本則作為檢驗(yàn)樣本。利用建模樣本，建立單一神經(jīng)網(wǎng)絡(luò)模型和模塊化神經(jīng)網(wǎng)絡(luò)模型。其中模塊化神經(jīng)網(wǎng)絡(luò)模型包括4個子網(wǎng)絡(luò)：一二級子網(wǎng)、二三級子網(wǎng)、三四級子網(wǎng)、四五級子網(wǎng)，子網(wǎng)及其集成方式均采用單一神經(jīng)網(wǎng)絡(luò)模型。其中一二級子網(wǎng)是Y的輸入和模型的輸出都是1級和2級，其他子網(wǎng)可以類推。

表1 各指標(biāo)權(quán)重

表2 部分高校的模塊化神經(jīng)網(wǎng)絡(luò)模型結(jié)果及薄弱性分析

3 結(jié)語

通過觀察表2，可以發(fā)現(xiàn)，在資產(chǎn)保障水平和資產(chǎn)運(yùn)行水平稍微落后的情況下，資產(chǎn)管理水平等級較高時，綜合績效依舊較好。因此高等學(xué)校資產(chǎn)管理綜合績效影響較大的一級指標(biāo)是資產(chǎn)管理水平，其次是資產(chǎn)保障水平和資產(chǎn)運(yùn)行水平。而各高校的資產(chǎn)管理水平也多為良好及以下，有待進(jìn)一步提升，達(dá)到優(yōu)秀。各高?？梢詤⒖急?，改善一級薄弱指標(biāo)下對應(yīng)的三級指標(biāo)，爭取從根本上解決綜合績效差的問題。

而在模型結(jié)果的對比中，也可以看出，模塊化神經(jīng)網(wǎng)絡(luò)的正確率遠(yuǎn)高于單一神經(jīng)網(wǎng)絡(luò)。它能更好地模擬人腦的結(jié)構(gòu)，在數(shù)據(jù)量大的情況下，有更好的效果。遺憾的是模型的正確率只有85.71%，沒有達(dá)到90%，以后可以考慮改變子網(wǎng)模型及集成方式，提升模型的檢驗(yàn)正確率。

參考文獻(xiàn)：

[1]張昭昭.模塊化神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)自組織設(shè)計(jì)方法[D].北京：北京工業(yè)大學(xué),2013.

[2]廖芹,郝志峰,陳志宏.數(shù)據(jù)挖掘于數(shù)學(xué)建模[M].北京:國防工業(yè)出版社,2010.

[3]孫成勛,李紅彥,李潤琴,王旭.層次分析法在管理水平綜合評價中的應(yīng)用[J].工業(yè)技術(shù)經(jīng)濟(jì),2013,(9):72-78.