基于模煳理论与神经网络的人才评价方法.pdfVIP

24 3 ( ) Vol. 24 No. 3 2006 07 Jou nal of Jiamusi Unive sity (Natu al Science Edition) July 2006 : 1008- 1402( 2006) 03- 0408- 03 y 王 媛, 马小燕 ( , 300072) : , . , BP . : ; ; ; : O159 : A 为另一论域上的模糊关系. 本文使用该变换将分 0 层指标的模糊评价关系转换成为总体的模糊评 传统人才评价方法基于线性模型, 它针对各 价. 项参评指标评分, 然后 各指标的权重累加得到 BP 神经网络是一种单向传播的多层前向神 总体评分. 设共有M 项指标: u 1 , u2 , , , uM ; uk 权 经网络. 它除具有输入层与输出层以外, 还具有一 M 层或多层隐层. 每一层神经元只接收前一层神经 重为P , 评分为S , 则总分d = 2 P # S . 该方法 k k k k k= 1 元的输入, 同一层中节点互不相连. 输入数据X = 存在一定不足, 因为它要求对各指标精确评分. 这 ( x 1 , x2 , , , xn ) 从输入层依次经过各隐层节点到 是一项严格的要求, 往往只有行业内经验丰富的 达输出层, 得到输出数据Y = ( y 1 , y2 , , , ym) . 人力资源专家才能做到. 而一般评测员或许只能 神经网络通过实例学习来实现知识自动获 对某项指标作出/ 优、良、中、差0 等类似模糊评判. 取. 由行业专家提供的学习实例及其对应的期望 本文通过模糊变换和神经网络来设计人才评 * 解构成样本(X , Y ) 对网络进行训练, 通过自适 k k 价的专家系统算法. 系统稳定建立以后, 可直接将 应学习算法修改网络结构以及各感知器的连接权 普通评测员给出的模糊评判作为输入来计算得到 值分布, 使网络逼近所希望的输入与输出间映射 专家级的评价结果, 从而降低人才评价成本. 关系. 当网络稳定后, 行业专家求解该问题的知识 1 BP 和经验就反映为网络保存的结构及权值分布. 在模糊集合论里使用闭区间[0, 1] 中的取值 2 描述对象x 属于集合A 的隶属度, A 是一个模糊 集, 它非常适合于模拟人类的认知与看法. 同时使 用模糊关系描述两个集合元素之间的关联程度. 当A = [ a 1 , a2 , , , aM ] 是论域V 上的模糊集, R = [rij ] M @N 是论域V @ U 上的模糊关系, 则B = A .