基于灰色神经网络的高校教师职称评审预测论文
灰色神经网络就是将灰色系统方法与神经网络方法有机地结合起来,对复杂不确定性问题进行求解所建立的模型.结合灰色预测方法与神经网络预测方法,对四川省普通高等学校每年所招收新生人数进行预测.结果表明此种组合模型的精度较高,且具有灰色系统的少数据建模优点及神经网络的精度可控特性，以下是学习啦小编为大家精心准备的：基于灰色神经网络的高校教师职称评审预测相关论文。内容仅供参考，欢迎阅读!
基于灰色神经网络的高校教师职称评审预测全文如下：
摘要：学习啦在线学习网 提出一种针对我国高校教师职称评审的预测模型。该模型通过将灰关联分析与BP神经网络相结合的方式实现，利用灰关联分析找出高校教师职称评审的各影响因子与职称晋升的潜在关系，为BP神经网络提供筛选输入因子的功能，最后通过训练BP神经网络来实现预测。选用某高校2012年副教授评审实际数据作为评价样本，将原有的6-8-2的网络结构简化为5-8-2，结果表明，建立的评审模型的结论优于基于BP神经网络的结论，且训练效率也有大幅提高，有一定的推广应用价值。
关键词：学习啦在线学习网 职称评审;灰关联分析;BP网络
0 引言
学习啦在线学习网 职称评审涉及到教师的切身利益，客观、公正、透明的职称评审工作对教师做好教学、科研和管理工作具有权威的导向性和指导性。职称系统是具有评审因素多，因素间相关性模糊、不确定，非线性、时变性等特点的复杂系统，其评审属于多因素综合评审范畴。
学习啦在线学习网 神经网络可以很好地解决职称系统评审的非线性问题，然而评审因素间相关性，会使得网络陷入局部最小点，导致评审结果存在很大的偏差。灰关联分析方法可在不完全的信息中，通过一定的数据处理，找出评审因素的关联性，发现主要矛盾，找到主要特性和主要影响因素[1-2]。因此将灰关联分析与神经网络相结合建立评审模型，神经网络解决职称系统评审对于非线性系统的支持，灰关联分析帮助神经网络找出主要的影响因子。
1 高校教师职称影响因子的灰色关联分析
1.1 高校教师职称评审影响因子的确定 依据某高校历年教师职称的评定标准，主要是从论文的级别数量、科教成果获奖(市级以上)，是否承担科研科教项目等方面来综合评定教师职称的获得。针对该高校2012年数据中46名教师在承担科研科教项目都满足，而在有科教成果获奖(市级以上)上只有个别的教师有，所以本文考虑，以论文级别数量构建6个评定指标：SCI/EI篇数x1，一级核心论文篇数x2，二级核心论文篇数x3，三级核心论文篇数x4，一般期刊论文篇数x5，论文总篇数x6。
学习啦在线学习网 1.2 灰关联系数和关联度的计算 灰色关联分析是一种重要的灰色系统理论分析方法，其基本原理是通过序列的曲线几何形状的相似程度来判断序列的联系是否紧密，其紧密程度用关联度量化，曲线越紧密，其关联度越大，反之就越小[3-4]。
灰色关联分析的计算分析步骤：
(1)将该高校职称专家评审结果作为参考序列x0(k)，k=1，…，46，晋级职称的x0=1，被淘汰的x0=0，6个影响因子作为比较因素序列xi(k)，i=1，…，6;k=1，…，46。
学习啦在线学习网 (2)根据表1求出Δ■(k)=y■(k)-y■(k)，并找出Δ■=0，Δ■=27，由灰关联系数公式ξy■(k)，y■(k)=■其中分辨系数ρ取值0.5，计算出6个影响因子与高校教师职称评审在46个样本点上的灰关联系数，如表2。
(3)计算关联度
由公式ry■，y■=■ω■ξy■(k)，y■(k)，取ω■=ω■…=ω■=■，及根据表2求得比较因素xi和参考因素x0的关联度，依次为r1=0.9345，r2=0.9625，r3=0.8360，r4=0.9108，r5=0.6545，r6=0.4984。
关联度排序：r2>r1>r4>r3>r5>r6
这一关联序直接反映了比较因素xi对参考因素x0的相关性强弱的顺序，即各影响因子与高校教师职称评审的接近程度，同时也说明了这6个影响因子对高校教师职称评审影响程度由大到小的顺序—关联序。
由以上关联排序我们可知：一级核心论文篇数x2，SCI/EI篇数x1，三级核心论文篇数x4对高校教师职称评审影响程度最大，关联度值都在0.9108以上，如果我们能在这三类级别的期刊上多发表论文，就可以大大提高通过职称评审几率。我们如在一级核心，SCI/EI上感觉发表困难的话，可把重点放在较容易发表的三级核心上，同样有效。二级核心论文篇数x3对高校教师职称评审影响程度也很大，关联度值为0.8360，论文总篇数x6对高校教师职称评审影响程度最小，关联度值只有0.4984。
2 基于灰色BP神经网络的高校教师职称评审预测
BP神经网络模型的建立：表1归一化的46组数据作为BP神经网络的样本，任取前37个样本用于网络学习训练，另外的9个作为网络训练完毕后的预测样本。
学习啦在线学习网 为了验证本文灰色BP预测模型的有效性，实验中与单一采用BP的模型，在网络训练效率方面、网络预测的准确上分别进行比较。
灰色BP预测模型：根据上文对高校教师职称评审影响因子的分析，选用上述的关联度值在0.4984以上的5个影响因子作为输入变量，高校教师职称专家评审作为输出数据，将职称晋级(1)、淘汰(0)，分别用“1 0;0 1”表示。隐含层经训练，结果表明：当隐含层单元的个数为8时，网络模型稳定且获得较理想结果，这样网络结构即可确定为5-8-2。训练函数采用trainlm，输入层与隐层、隐含层与输出层之间的传递函数选为tansig，logsig函数。训练次数最大设置为100次，网络收敛误差为0.001。
BP预测模型：表1归一化的数据作为BP网络的输入。BP输入节点为6个指标数值，BP网络输出节点为2，中间层的节点数选8，网络结构即可确定为6-8-2，其它参数设置同上。
从图1、2可以看出，灰色BP网络的训练只经过13步就达到了最小误差，这说明，选择与高校教师职称评审有较大关联度的5个影响因子作为网络输入，提高了网络训练的效率。
从表3中可以看出，在建立预测模型前未经过任何数据预处理的BP模型，预测准确率低，判错了2个，准确率77.77%，本文的基于灰色BP预测模型，判错1个，准确率提高到88.9%，预测结果与专家评审基本吻合。
3 结论
本文针对某高校2012年教师职称评审实际数据，利用灰色关联分析方法探讨了各个影响因子对教师职称评审的影响程度;采用基于BP神经网络模型对教师职称评审进行预测，得出结论：
(1)利用灰色关联分析方法能够考虑影响教师职称评审的主要因素，灰色关联分析表达出各个影响因子的影响程度，为高校教师职称的晋级提供指导参考。
(2)与目前我国高校教师职称采取的定性分析评审相比，基于灰色神经网络评审模型实际操作简单、客观，这些使得评审结果更加趋于合理。
学习啦在线学习网 (3)利用灰色关联分析帅选了其中5个指标的本文BP神经网络预测模型，与未经过任何数据预处理的BP预测模型相比，提高了网络的训练速率和网络预测精度。
参考文献：
[1]张吉刚，梁娜.消费者网上购物意向的灰色神经网络预测模型[J].统计与决策，2007(22)：133-135.
[2]孙莉.基于灰色BP神经网络的服装面料规格参数预测[J].计算机应用与软件，2012(7)：154-157.
[3]刘思峰，党耀国，方志耕，等.灰色系统理论及其应用[M].5版.科学出版社，2010：62-90，211-213.
[4]肖新平，宋中民等.灰技术基础及其应用[M].北京：科学出版社，2005.8.
[5]刘军奎.高校职称评审制度的社会学思考[J].前沿，2011(05).
学习啦在线学习网 [6]朱霁.我国高校教师职称评审程序的弊端及完善[J].中南林业科技大学学报(社会科学版)，2011(02).
[7]王勇强.关于高校教师职称制度改革的思考[J].中国高校师资研究，2011(02).
[8]赵梁红.基于公平的高校教师职称评审制度的构建[J].中国高教研究，2009(11).
[9]周兴国.建立高校教师职称评审一体化教学考核体系之构想[J].安徽工业大学学报(社会科学版)，2010(01).
相关文章：