高校教师职称评审的PNN预测模型

高校教师职称评审的PNN预测模型 张吉刚 梁娜 （湖北科技学院 数学与统计学院，湖北 咸宁 437100） 摘　要：针对目前高校教师职称评审复杂性，以及BP网络容易陷入局部极小、收敛速度慢等缺点，提出基于PNN（概率神经网络）的高校教师职称评审预测模型。采用某高校2012年46名教师评审资料为样本，利用PNN实现样本分类评审，并与BP网络进行高校教师职称评审的方法进行了对比。结果 表 关于同志近三年现实表现材料材料类招标技术评分表图表与交易pdf视力表打印pdf用图表说话 pdf 明，该方法的有效性，对高校教师职称的训练样本仿真、测试样本的预测准确识别率分别是97.3%和88.9%，效果优于BP网络。 关键词：职称评审；PNN神经网络； 中图分类号：TP183  文献标示码：A Professional Titles Evaluation Forecasting Based on PNN ZHANG Ji-Gang liang Na (Department of Mathematics  HuBei University Of Science And Technology, HuBei Xianning ,437100 ) Abstract：Aiming at the complexity of University associate professor promotion evaluation,and the problems of falling easily into part minimums and low velocity of convergence in BP neural network, PNN is put forward to forecast university associate professor promotion evaluation. 46 teachers’promotion to associate professor in the Institution in 2012 are adopted as the sample, Comparing the probabilistic neural network ( PNN) method with BP neural network one，theformer is better than the latter seeing from the experimental results． The former method gave the recognition rate of 97.3% and88.9% . Key words: professonal titles evaluation; PNN network 1引言： 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。目前高校教师职称评审方式主要是评审专家投票决议，存在的或多或少的人为主观因素的影响，评审结果有一定的误差，因此，建立客观的、有效的高校教师职称评审模型是解决这一问题的有效途径。 职称评审实质上是模式分类问题，将参评的教师分为晋升、淘汰两类。PNN采用Parzen概率密度估计和Beyes信息优化决策规则，通过对学习样本的直接存储和处理，使网络训练大大简化，并稳定收敛于Beyes优化解，在模式分类方面有很大优势 。本文运用PNN网络，针对某高校2012年46名教师职称数据，建立高校教师职称评审模型。 2  PNN模型 Specht根据概率密度函数与Bayes分类规则，提出了PNN的网络，PNN训练时间短、结构稳定，具有强大的非线性识别能力，且不易收敛到局部最小点，广泛用于模式识别问题。 PNN包括三层，第一层为输入层，第二层为隐含层，采用径向基函数作为激励函数，一般为高斯函数（即exp（－n2），其中n为径向基函数神经元输入值）；第三层是竞争层 。网络结构如图1所示。 PNN 是一种变异的RBF网络，它的结构简单、训练时间短，广泛用于模式分类问题中。在模式分类中，使用线性学习算法完成以往非线性算法所做的工作，同时保持高精度非线性算法特性的优点。事实上，这种基于统计原理的神经网络模型相当最优 Bayes分类器的分类功能。 竞争层 图1  PNN网络结构 3 高校教师职称评审的PNN模型 3.1 教师职称评审的预测指标与样本数据 依据某高校历年教师职称的评审 标准 excel标准偏差excel标准偏差函数exl标准差函数国标检验抽样标准表免费下载红头文件格式标准下载 ，主要是从 论文 政研论文下载论文大学下载论文大学下载关于长拳的论文浙大论文封面下载 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 ，一级核心论文篇数 ，二级核心论文篇数 ，三级核心论文篇数 ，一般期刊论文篇数 ，论文总篇数 。 表1 原始数据 编号 编号 1 3 0 2 0 23 28 24 0 0 2 1 15 18 2 0 0 1 2 12 15 25 4 0 0 6 7 17 3 3 1 0 1 4 9 26 0 0 1 0 9 10 4 2 0 14 2 0 18 27 0 0 5 0 2 7 5 0 0 4 10 3 17 28 0 0 3 0 10 13 6 0 1 9 6 3 19 29 0 0 6 2 14 22 7 0 0 2 1 6 9 30 0 0 7 0 12 19 8 0 0 1 2 9 11 31 0 0 8 1 9 18 9 5 0 0 0 3 8 32 0 0 7 1 8 16 10 0 0 1 3 19 23 33 0 0 7 1 16 24 11 0 0 2 7 6 15 34 0 0 3 0 8 11 12 3 0 0 2 9 14 35 0 0 7 6 11 24 13 0 0 2 0 14 16 36 0 0 5 0 15 20 14 0 1 1 0 12 14 37 1 0 5 0 9 15 15 0 0 0 0 9 9 38 0 0 5 1 7 13 16 0 0 2 0 15 17 39 0 0 4 0 9 13 17 0 0 4 0 18 22 40 0 1 5 7 0 13 18 0 0 4 0 11 15 41 0 0 1 3 3 7 19 2 0 1 0 9 12 42 0 1 8 0 3 12 20 4 0 2 3 6 15 43 0 0 1 2 3 6 21 1 0 5 0 0 6 44 2 0 2 9 9 22 22 4 0 3 0 4 11 45 4 0 4 0 6 14 23 2 0 0 0 18 20 46 3 0 5 0 7 15                             3.2 PNN的建立 (1)PNN网络的建立。以MATLAB网络工具箱为平台建立预测模型。表1的46组数据作归一化处理，根据训练样本、测试样本的最佳比例为 ，取前37组数据为训练样本，后9组为测试样本，因此训练样本矩阵P_train的阶数为 ，测试样本矩阵P_test的阶数为 。 训练样本分为两个不同类别，将副教授晋级(1)、副教授淘汰(2)，分别指定为类1、类2用“1 0  ；0 1”表示，所以目标向量 。经过训练的输出层神经元为1，2，分别对应类1-类2。 利用newpnn函数创建一个PNN网络, 即 Spread为径向基函数的分布密度，spread的取值影响网络分类性能，这里将spread设置为5个不同的值，分别为0.1，0.2，0.3，0.4和0.5. 函数newpnn已经创建了一个准确的PNN网络，可以利用该网路进行仿真和预测。利用仿真函数sim对训练好的网络进行仿真，即： 检查不同spread对应PNN网络对训练组样本的输入向量进行了分类的正确情况，结果见表2。 (2)对测试样本P_test进行预测，检测基于PNN的高校教师职称预测模型的预测准确性，结果见表2。 表2 不同的spread值下PNN的仿真、预测效果 spread 训练样本个数 错判个数 正确率 测试样本个数 错判个数 正确率 0.1 37 1 97.3% 9 1 88.9% 0.2 37 2 94.6% 9 1 88.9% 0.3 37 4 89.2% 9 1 88.9% 0.4 37 8 78.4% 9 0 100% 0.5 37 7 81.1% 9 2 77.8%               比较表2中不同spread值的实验结果，spread值为0.1时，PNN网络性能最好，在训练样本的中错判1个，仿真准确率达到97.3%，在测试样本中错判1个，预测准确率达到88.9%。因此，选择spread值为0.1的PNN作为高校教师职称评审预测模型，预测结果见表3。 表3  PNN对高校教师职称评审的预测结果 编号 实际情况 PNN输出 预测效果 编号 实际情况 PNN输出 预测效果 38 淘汰 2 正确 43 淘汰 2 正确 39 淘汰 2 正确 44 晋级 1 正确 40 晋级 1 正确 45 晋级 1 正确 41 淘汰 2 正确 46 晋级 1 正确 42 晋级 2 错误                         将上述样本的特征输入BP网络进行训练和测试，BP 网络对高校教师职称评审的准确识别率分别为 72.9%和77.77%，低于 PNN 网络。 4 结束语 在我国对高校教师职称评审还缺乏有效定量研究的情况下，利用PNN网络尝试性地对高校教师职称进行评审，结果说明，利用PNN对高校教师职称进行评审，准确率达97.3%（训练样本）和88.9%（测试样本），效果优于BP网络。 参考文献： [1]阎平凡,张长水.人工神经网络及模拟进化计算[M].北京:清华大学出版社,2002. [2]飞思科技产品研发中心.神经网络理论与MATLAB7实现[M] .北京:电子工业出版社，2005. [3]韩力群.人工神经网络理论、设计及应用[M]. 北京:化学工业出版社, 2002.45-48 [4]梁娜,张吉刚..基于PNN的高校科研能力评价研究[J].技术与创新管理,2012(2):144-146. [5]张吉刚,梁娜.基于概率神经网路的学位评审预测[J].佳木斯大学学报2011 (5):736-738 作者简介： 张吉刚（1975-），男，湖北阳新人，湖北科技学院副教授，硕士， 电子邮箱：liangna7845@126.com  作者联系方式：155******** 地址：  邮编：437100  湖北咸宁，咸宁大道88号  湖北科技学院学院 数学与统计学院