基于模糊神经网络的人才甄选系统
发布时间：2021-12-19 14:41
对BP神经网络和模糊神经网络在人才甄选中的应用性进行了比较,解释了基于模糊神经网络的人才甄选系统的构建思路,同时结合案例分析,检验了基于模糊神经网络的人才甄选系统的有效性,并取得了较好的效果。最后,针对研究中存在的一些不足,对未来的研究方向和要点提出了建议。
【文章来源】：软科学. 2019,33(06)北大核心CSSCI
【文章页数】：5 页
【部分图文】：
三层BP神经网络结构
到相应的隶属度作为输入，将基于实际绩效水平的评分作为输出，最后用训练好的网络处理候选人相关数据，得到数值化的评分结果，根据评分高低来判断最合适的候选人。基于模糊神经网络的人才甄选系统如图3所示。图3基于模糊神经网络的人才甄选系统2.1建立测评指标体系无论是传统的人才测评方式还是利用模糊神经网络对人才进行评价，建立全面、合理、可操作的测评指标体系都是至关重要的第一步。测评指标体系的设计有不同的方法，比如典型人物分析法、层次法、专家调查法等。2.2专家测评组织专业测评人员根据建立的指标体系对多名(为了使神经网络尽可能充分地从数据集中学习，训练数据应该足够大)任职者进行评价，同时根据任职者的实际工作绩效对其作出总体评分。收集评价结果作为训练数据。2.3建立网络本文选用T－S模糊神经网络。T－S模糊系统的自适应能力较强，能够自动更新并不断修正模糊隶属函数。T－S模糊系统的模糊规则形式为:Ｒi:ifx1isAi1，x2isAi2，…，xkisAik，thenyi=pi0+pi1x1+…+pikxk(3)其中，Aij为定义在xj论域上的模糊集，是xj的第i个语言变量值，表示第j项指标对应第i项评价的集合;pij(i=1，2，…，n;j=1，2，…，k)表示模糊系统参数;yi是根据模糊规则得到的输出，也就是候选人各项指标的总体评分。输入部分即为if部分，输出部分即为then部分。该系统的网络结构分为输入层、模糊化层、模糊推理层和输出层四层。输入层的节点数与输入向量的维数相同，即为测
?闵窬??鍪??n为输入层神经元个数，m为输出层神经元个数，a为1到10的常数，来确定隐含层神经元个数。本文案例确定隐含层神经元数量为12个。3.2.4初始化网络本研究使用MATLAB软件完成模糊神经网络的运行。对模糊神经网络的模糊系统参数pij以及隶属度函数的中心cij和宽度bij进行初始化。本文案例中pij初始为0.3，cij和bij初始为0到2的随机数。另外设定网络最大进化次数为500次，网络学习率为0.05。图4训练结果3.2.5数据集训练将40名成本经理的相关数据输入作为训练数据，对神经网络进行训练。首先采取mapminmax函数将训练数据进行归一化处理，之后将输入参数模糊化计算得到其隶属度值μ，接着计算模糊隶属度ω，并由此计算输出值。根据计算输出与期望输出间的误差e，对pij、cij和bij进行修正，并由此对网络进行更新。网络进化500次之后，训练停止，训练结果如图4所示。可以看出，此时网络已经具有较高的拟合能力，同时所有样本点的误差均在较小的范围内。3.2.6预测与验证将剩余5名成本经理的相关数据归一化之后输入训练好的神经网络，计算得到输出值，反归一化后得到预测结果。网络预测结果如图5所示。可以看出，五位成本经理的预测得分与期望得分是十分接近的，预测误差也控制在极小的范围内。也就是说，采用模糊神经网络进行人才测评在本研究的案例中得到了良好的效果。如果采用本系统对候选人进行评价，预测得分最高的候选人可能是最适合的人选。图5预测结果4结论与讨论4.1结论本研?
【参考文献】：
期刊论文
[1]基于Power调和平均算子的模糊偏好关系的创新型人才测评模型及其应用[J]. 王玉兰. 安徽行政学院学报. 2017(05)
[2]基于云模型与AHP的创意产业人才综合测评研究[J]. 李晓,张庆华. 商场现代化. 2016(19)
[3]基于BP神经网络的企业突破性创新绩效评价研究[J]. 尹惠斌,游达明. 软科学. 2014(05)
[4]基于模糊理论与神经网络的人才评价方法[J]. 王媛,马小燕. 佳木斯大学学报(自然科学版). 2006(03)
本文编号：3544599
【文章来源】：软科学. 2019,33(06)北大核心CSSCI
【文章页数】：5 页
【部分图文】：
三层BP神经网络结构
到相应的隶属度作为输入，将基于实际绩效水平的评分作为输出，最后用训练好的网络处理候选人相关数据，得到数值化的评分结果，根据评分高低来判断最合适的候选人。基于模糊神经网络的人才甄选系统如图3所示。图3基于模糊神经网络的人才甄选系统2.1建立测评指标体系无论是传统的人才测评方式还是利用模糊神经网络对人才进行评价，建立全面、合理、可操作的测评指标体系都是至关重要的第一步。测评指标体系的设计有不同的方法，比如典型人物分析法、层次法、专家调查法等。2.2专家测评组织专业测评人员根据建立的指标体系对多名(为了使神经网络尽可能充分地从数据集中学习，训练数据应该足够大)任职者进行评价，同时根据任职者的实际工作绩效对其作出总体评分。收集评价结果作为训练数据。2.3建立网络本文选用T－S模糊神经网络。T－S模糊系统的自适应能力较强，能够自动更新并不断修正模糊隶属函数。T－S模糊系统的模糊规则形式为:Ｒi:ifx1isAi1，x2isAi2，…，xkisAik，thenyi=pi0+pi1x1+…+pikxk(3)其中，Aij为定义在xj论域上的模糊集，是xj的第i个语言变量值，表示第j项指标对应第i项评价的集合;pij(i=1，2，…，n;j=1，2，…，k)表示模糊系统参数;yi是根据模糊规则得到的输出，也就是候选人各项指标的总体评分。输入部分即为if部分，输出部分即为then部分。该系统的网络结构分为输入层、模糊化层、模糊推理层和输出层四层。输入层的节点数与输入向量的维数相同，即为测
?闵窬??鍪??n为输入层神经元个数，m为输出层神经元个数，a为1到10的常数，来确定隐含层神经元个数。本文案例确定隐含层神经元数量为12个。3.2.4初始化网络本研究使用MATLAB软件完成模糊神经网络的运行。对模糊神经网络的模糊系统参数pij以及隶属度函数的中心cij和宽度bij进行初始化。本文案例中pij初始为0.3，cij和bij初始为0到2的随机数。另外设定网络最大进化次数为500次，网络学习率为0.05。图4训练结果3.2.5数据集训练将40名成本经理的相关数据输入作为训练数据，对神经网络进行训练。首先采取mapminmax函数将训练数据进行归一化处理，之后将输入参数模糊化计算得到其隶属度值μ，接着计算模糊隶属度ω，并由此计算输出值。根据计算输出与期望输出间的误差e，对pij、cij和bij进行修正，并由此对网络进行更新。网络进化500次之后，训练停止，训练结果如图4所示。可以看出，此时网络已经具有较高的拟合能力，同时所有样本点的误差均在较小的范围内。3.2.6预测与验证将剩余5名成本经理的相关数据归一化之后输入训练好的神经网络，计算得到输出值，反归一化后得到预测结果。网络预测结果如图5所示。可以看出，五位成本经理的预测得分与期望得分是十分接近的，预测误差也控制在极小的范围内。也就是说，采用模糊神经网络进行人才测评在本研究的案例中得到了良好的效果。如果采用本系统对候选人进行评价，预测得分最高的候选人可能是最适合的人选。图5预测结果4结论与讨论4.1结论本研?
【参考文献】：
期刊论文
[1]基于Power调和平均算子的模糊偏好关系的创新型人才测评模型及其应用[J]. 王玉兰. 安徽行政学院学报. 2017(05)
[2]基于云模型与AHP的创意产业人才综合测评研究[J]. 李晓,张庆华. 商场现代化. 2016(19)
[3]基于BP神经网络的企业突破性创新绩效评价研究[J]. 尹惠斌,游达明. 软科学. 2014(05)
[4]基于模糊理论与神经网络的人才评价方法[J]. 王媛,马小燕. 佳木斯大学学报(自然科学版). 2006(03)
本文编号：3544599
本文链接：https://www.wllwen.com/shekelunwen/shishidongtai/3544599.html
