董秀英，柏小麗，湯鐵群（.阜陽(yáng)師范學(xué)院物理與電子工程學(xué)院，安徽阜陽(yáng)36037；.四川省瀘州電業(yè)局，四川瀘州646000）

改進(jìn)的BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)高校畢業(yè)生就業(yè)能力

董秀英1，柏小麗2，湯鐵群1
（1.阜陽(yáng)師范學(xué)院物理與電子工程學(xué)院，安徽阜陽(yáng)236037；2.四川省瀘州電業(yè)局，四川瀘州646000）

針對(duì)傳統(tǒng)BP算法的神經(jīng)網(wǎng)絡(luò)收斂較慢的缺點(diǎn)，提出基于L-M（Levenberg-Marquard）算法的神經(jīng)網(wǎng)絡(luò)對(duì)影響高校畢業(yè)生就業(yè)能力的各項(xiàng)因素進(jìn)行分析的模型，以預(yù)測(cè)高校畢業(yè)生的就業(yè)能力存在的不足.因素量化采用模糊數(shù)學(xué)中的格貼近度和專家打分的方法.仿真結(jié)果表明：系統(tǒng)模型縮短了訓(xùn)練時(shí)間，具有較高的準(zhǔn)確性，預(yù)測(cè)值與實(shí)際值的誤差很小，可以將此模型應(yīng)用于對(duì)高校畢業(yè)生就業(yè)能力的預(yù)測(cè).

L-M算法；BP神經(jīng)網(wǎng)絡(luò)；格貼近度；就業(yè)能力

Dong XY,BaiXL,Tang TQ.The Prediction of College Graduates Employ-Ability Based on the Improved BPNeural Network[J].Journalof Yibin University,2015,15（6）：93-96.

隨著我國(guó)高等教育進(jìn)入大眾化階段，高校畢業(yè)生人數(shù)逐年激增，社會(huì)經(jīng)濟(jì)發(fā)展對(duì)不同專業(yè)人才的需求差異、就業(yè)區(qū)域不均衡，畢業(yè)生就業(yè)能力不足等都在不同程度上影響著高校畢業(yè)生的就業(yè)[1].根據(jù)上述情況需要用一種算法來(lái)分析預(yù)測(cè)畢業(yè)生就業(yè)能力在哪方面存在不足，以便在今后的教學(xué)和輔導(dǎo)工作中為學(xué)生提供建設(shè)性的意見(jiàn).由于神經(jīng)網(wǎng)絡(luò)在處理非線性、不確定性或模糊關(guān)系方面具有獨(dú)特的優(yōu)勢(shì)，而改進(jìn)型的BP神經(jīng)網(wǎng)絡(luò)采用L-M優(yōu)化算法，具有梯度下降法的全局特性和高斯—牛頓法的局部收斂性，是傳統(tǒng)BP算法的改進(jìn)算法，所以L-M算法對(duì)準(zhǔn)確度和訓(xùn)練次數(shù)來(lái)說(shuō)，明顯優(yōu)于變學(xué)習(xí)率法的BP算法，且比梯度法快，對(duì)于局部搜索能力而言，L-M優(yōu)化算法強(qiáng)于BP算法.本文把改進(jìn)的BP神經(jīng)網(wǎng)絡(luò)智能算法應(yīng)用于畢業(yè)生就業(yè)能力的分析預(yù)測(cè)中，通過(guò)實(shí)例證明，改進(jìn)的BP神經(jīng)網(wǎng)絡(luò)模型具有較高的預(yù)測(cè)精度和良好的泛化能力，能用來(lái)預(yù)測(cè)高校畢業(yè)生就業(yè)能力在哪些方面存在的不足.

1　改進(jìn)的BP神經(jīng)網(wǎng)絡(luò)

BP神經(jīng)網(wǎng)絡(luò)[2]是一種誤差反向傳播的學(xué)習(xí)算法.它由輸入層、中間層和輸出層組成，其模型如圖1所示，中間層也就是隱含層一般由一層或多層組成.BP神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)過(guò)程分為正向傳輸和反向傳輸.在正向傳輸時(shí)，主要用于對(duì)前向網(wǎng)絡(luò)進(jìn)行計(jì)算.如果輸出層的輸出得不到希望值，則轉(zhuǎn)到反向傳輸，用于反向逐層傳遞誤差，即修改神經(jīng)元之間的鏈接權(quán)值，經(jīng)過(guò)這種不斷迭代，最后使得輸出層的輸出達(dá)到期望的誤差要求.

圖1　BP神經(jīng)網(wǎng)絡(luò)模型

BP神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)算法的收斂速度慢，是一種梯度最速下降法，可能會(huì)出現(xiàn)局部最小的問(wèn)題，即從表面上看，誤差符合要求，但所得到的輸出并不一定是期望輸出.而L-M訓(xùn)練法能有效地抑制訓(xùn)練過(guò)程中陷入局部最小值，因?yàn)樗芙档途W(wǎng)絡(luò)對(duì)誤差曲面局部的敏感性.其主要的思想是在每次迭代時(shí)，允許誤差沿著惡化的方向進(jìn)行搜索，而不再沿著單一的負(fù)梯度方向，同時(shí)在高斯—牛頓法和梯度下降法之間自適應(yīng)來(lái)調(diào)整和優(yōu)化訓(xùn)練網(wǎng)絡(luò)權(quán)值，使網(wǎng)絡(luò)能夠有效收斂[3-4].

2　改進(jìn)的BP神經(jīng)網(wǎng)絡(luò)對(duì)高校畢業(yè)生就業(yè)能力問(wèn)題的分析

2.1數(shù)據(jù)分析和處理

就業(yè)能力是指高校畢業(yè)生獲得工作、維持工作且能應(yīng)付工作中的變化和工作中成長(zhǎng)進(jìn)步所需各種能力的總和.對(duì)于沒(méi)有就業(yè)經(jīng)歷和經(jīng)驗(yàn)的應(yīng)屆高校畢業(yè)生，影響就業(yè)能力的因素可以為知識(shí)因素、技能因素、個(gè)人因素和求職因素.其中，知識(shí)因素主要包括專業(yè)知識(shí)和非專業(yè)知識(shí)；技能因素包括專業(yè)技能、社會(huì)技能和綜合技能；個(gè)人因素包括個(gè)人特征，職業(yè)識(shí)別和態(tài)度；求職因素主要包括通過(guò)各種途徑對(duì)就業(yè)信息的搜集與處理能力、準(zhǔn)確的識(shí)別和判斷就業(yè)信息的能力、自我展示自身才能的能力、語(yǔ)言的組織和表達(dá)能力、理解溝通和合作能力、洞察先機(jī)的能力和應(yīng)對(duì)各種場(chǎng)合面試的能力等[5].

影響高校畢業(yè)生就業(yè)的主要因素有知識(shí)因素、技能因素、個(gè)人因素和求職因素.這些因素有的是可以進(jìn)行直接量化的，如知識(shí)因素，它包括專業(yè)知識(shí)和非專業(yè)知識(shí)，其中非專業(yè)知識(shí)主要有外語(yǔ)、計(jì)算機(jī)過(guò)級(jí)情況、駕駛、社交禮儀等知識(shí).專業(yè)知識(shí)以畢業(yè)生在校期間所修課程的平均成績(jī)來(lái)分析，而非專業(yè)知識(shí)主要以計(jì)算機(jī)和外語(yǔ)過(guò)級(jí)分?jǐn)?shù)來(lái)分析，總的知識(shí)因素指標(biāo)是專業(yè)知識(shí)和非專業(yè)知識(shí)分?jǐn)?shù)的平均.而有的因素是定性的，很難進(jìn)行量化，如技能因素、個(gè)人因素、求職因素，因此運(yùn)用模糊數(shù)學(xué)中的格貼近度評(píng)價(jià)[6]方法和專家打分的方法，首先對(duì)定性指標(biāo)進(jìn)行量化處理.下面分別介紹如何把引起高校畢業(yè)生就業(yè)能力的這些因素進(jìn)行量化處理.

測(cè)定某人的個(gè)人因素需要考察：外在個(gè)人特征指標(biāo)x1，內(nèi)在個(gè)人特征指標(biāo)x2，職業(yè)識(shí)別指標(biāo)x3，態(tài)度指標(biāo)x4等，這些因素構(gòu)成了一個(gè)論域：

U={x1,x2,x3,x4}

評(píng)價(jià)集V為：

V={A1（優(yōu)）,A2（良）,A3（中）,A4（差）,A5（很差）}

各個(gè)評(píng)語(yǔ)所對(duì)應(yīng)的指標(biāo)區(qū)間為：

優(yōu)=[90，100]，良=[80，90），中=[50，80），差=[30，50），很差=[0，30）.

通過(guò)專家意見(jiàn)法設(shè)定與評(píng)語(yǔ)指標(biāo)區(qū)間對(duì)應(yīng)的四項(xiàng)指標(biāo)的數(shù)值依次為：

A1=（1.00，0.95，1.00，0.90）

A2=（0.85，0.80，0.80，0.85）

A3=（0.55，0.65，0.70，0.60）

A4=（0.40，0.35，0.45，0.30）

A5=（0.05，0.20，0.25，0.15）

待識(shí)別的一組個(gè)人因素指標(biāo)為：

B=（0.60，0.50，0.80，0.40）

計(jì)算B與A1，A2，A3，A4，A5的格貼近度：

（A1,B）=（A1⊙B）?（A1⊕B）C=0.10

（A2,B）=（A2⊙B）?（A2⊕B）C=0.20

（A3,B）=（A3⊙B）?（A3⊕B）C=0.40

（A4,B）=（A4⊙B）?（A4⊕B）C=0.45

（A5,B）=（A5⊙B）?（A5⊕B）C=0.25

根據(jù)擇近原則，得出其個(gè)人因素指標(biāo)為：

個(gè)人因素指標(biāo)= （1×（90+100）/2+2×（80+90）/2+ 4×（50+60+70+80）/4+ 45×（50+40+30）/3+ 25×（10+20+30）/3）/100=75.5

以此類推可求出其他人的個(gè)人因素指標(biāo).

技能因素指標(biāo)、求職因素指標(biāo)跟上述方法類似.影響高校畢業(yè)生就業(yè)能力的各項(xiàng)信息數(shù)據(jù)如表1所示.

BP神經(jīng)網(wǎng)絡(luò)模型通常以sigmoid函數(shù)作為激勵(lì)函數(shù)，該函數(shù)的值域?yàn)閇0,1]，而從表1可看出，畢業(yè)生的各項(xiàng)指標(biāo)因素和對(duì)就業(yè)能力影響的數(shù)值都是大于1的整數(shù).因此這些數(shù)值都需要將其轉(zhuǎn)化為[0，1]之間的數(shù)據(jù).根據(jù)歸一化公式：

x（i）=（x（i）-min（x（i）））（max（x（i））-min（x（i）））

對(duì)表1數(shù)據(jù)進(jìn)行歸一化，通過(guò)matlab計(jì)算出歸一化數(shù)值如表2所示.

表1　影響高校畢業(yè)生就業(yè)能力的各項(xiàng)信息數(shù)據(jù)

表2　對(duì)表1數(shù)據(jù)進(jìn)行歸一化后數(shù)值

2.2改進(jìn)的BP神經(jīng)網(wǎng)絡(luò)的設(shè)計(jì)

對(duì)于一般的模式識(shí)別問(wèn)題，采用三層的BP神經(jīng)網(wǎng)絡(luò)模型就能以任意精度逼近任意非線性關(guān)系.所以通過(guò)對(duì)畢業(yè)生就業(yè)能力的分析，采用三層的BP神經(jīng)網(wǎng)絡(luò)建立對(duì)高校畢業(yè)生就業(yè)能力的預(yù)測(cè)分析模型.從表1的分析中可以看出，應(yīng)用BP神經(jīng)網(wǎng)絡(luò)可以找出引起高校畢業(yè)生就業(yè)能力的各項(xiàng)因素和對(duì)高校畢業(yè)生就業(yè)能力的影響的關(guān)系，以預(yù)測(cè)高校畢業(yè)生就業(yè)能力在哪些方面存在不足.改進(jìn)型的BP神經(jīng)網(wǎng)絡(luò)的輸入值為表2中的影響高校畢業(yè)生就業(yè)能力的各項(xiàng)指標(biāo)因素的值，而改進(jìn)型的BP神經(jīng)網(wǎng)絡(luò)的輸出值為高校畢業(yè)生就業(yè)能力的值.本實(shí)例將從樣本集中隨機(jī)選取15個(gè)樣本作為訓(xùn)練樣本.

從上面的分析中知道，BP神經(jīng)網(wǎng)絡(luò)輸入層的神經(jīng)元為4個(gè)，輸出層神經(jīng)元為1個(gè)，但隱含層神經(jīng)元個(gè)數(shù)的選取就比較復(fù)雜了，選擇過(guò)小或過(guò)大都有可能產(chǎn)生很大的誤差；通過(guò)對(duì)網(wǎng)絡(luò)進(jìn)行實(shí)際訓(xùn)練檢驗(yàn)并不斷調(diào)整，綜合考慮網(wǎng)絡(luò)的輸出精度和收斂速度，選取隱含層的神經(jīng)元個(gè)數(shù)為9[7]，則網(wǎng)絡(luò)的拓?fù)浣Y(jié)構(gòu)可表示為4×9×1.

用Matlab的專用newff函數(shù)確定傳遞函數(shù)，網(wǎng)絡(luò)的結(jié)構(gòu)和訓(xùn)練算法選用L-M算法，即選擇trainlm，其調(diào)用形式為：

net=newff（minmax（p）,[91],{'tansig','logsig'}, 'trainlm'）；

根據(jù)上面所述語(yǔ)法建立網(wǎng)絡(luò)后，對(duì)網(wǎng)絡(luò)的訓(xùn)練參數(shù)進(jìn)行設(shè)置.Matlab程序如下：

net.trainParam.show=50；

net.trainparam.lr=0.05；

net.trainparam.mc=1.05；

net.trainParam.epochs=1000；

net.trainParam.goal=1e-3；

設(shè)置好網(wǎng)絡(luò)參數(shù)后開(kāi)始訓(xùn)練網(wǎng)絡(luò)，達(dá)到網(wǎng)絡(luò)收斂.matlab程序?yàn)椋?/p>

[net,tr]=train（net,p,t）

從圖2可以看出，通過(guò)5步訓(xùn)練后，網(wǎng)絡(luò)的性能達(dá)到了要求.

圖2　改進(jìn)的BP神經(jīng)網(wǎng)絡(luò)收斂圖

通過(guò)訓(xùn)練好的改進(jìn)的BP神經(jīng)網(wǎng)絡(luò)，取某人的各項(xiàng)歸一化指標(biāo)0.9,0.5,0.4,0.6，則神經(jīng)網(wǎng)絡(luò)的輸入?yún)?shù)A=[0.9,1,1,1；1,0.5,1,1；1,1,0.4,1；1,1,1,0.6]，測(cè)試樣本的選取是按照只有一種因素的情況下對(duì)高校畢業(yè)生就業(yè)能力的影響，則通過(guò)網(wǎng)絡(luò)訓(xùn)練：

a=sim（net,test）

得到仿真結(jié)果如下：

a=0.92950.67470.84470.8056

從測(cè)試結(jié)果可以看出，該生的知識(shí)能力個(gè)人因素和求職因素都不錯(cuò)，但技能因素還有待加強(qiáng).因此，今后的教學(xué)和輔導(dǎo)工作應(yīng)重點(diǎn)對(duì)該生進(jìn)行專業(yè)技能、社會(huì)技能和綜合技能等方面的指導(dǎo)，從而提高該生的整體就業(yè)能力，以適應(yīng)社會(huì)的需求.

3　討論

BP神經(jīng)網(wǎng)絡(luò)模型可應(yīng)用在各類普通高校的在校學(xué)生中，預(yù)測(cè)其就業(yè)能力，從而找到就業(yè)中存在的不足，明確自己改進(jìn)的方向.本文通過(guò)改進(jìn)的BP神經(jīng)網(wǎng)絡(luò)對(duì)高校畢業(yè)生就業(yè)能力的各種因素進(jìn)行分析，首先由于在影響高校畢業(yè)生就業(yè)能力中有的是很難通過(guò)直接量化得到的指標(biāo)，所以采用了模糊數(shù)學(xué)中的格貼近度評(píng)價(jià)方法和專家打分的方法對(duì)引起高校畢業(yè)生就業(yè)能力的各項(xiàng)數(shù)據(jù)進(jìn)行量化.通過(guò)量化，歸一化后的數(shù)據(jù)可以作為改進(jìn)的BP神經(jīng)網(wǎng)絡(luò)的輸入數(shù)據(jù)，然后利用matlab工具建立網(wǎng)絡(luò)模型.通過(guò)編程測(cè)試，實(shí)際值與預(yù)測(cè)值誤差值很小，可以把它作為一種工具對(duì)實(shí)際問(wèn)題進(jìn)行分析.

[1]劉新民,郭供波.影響大學(xué)生就業(yè)因素分析[J].思想政治教育研究,2007（3）：19-21.

[2]尹朝慶.人工智能方法與應(yīng)用[M].武漢：華中科技大學(xué)出版社, 2007.

[3]張長(zhǎng)勝,歐陽(yáng)丹彤,岳娜,等.一種基于遺傳算法和LM算法的混合學(xué)習(xí)算法[J].吉林大學(xué)學(xué)報(bào)（理學(xué)版）,2008,46（4）：675-680.

[4]王鈺,郭其一,李維剛.基于改進(jìn)BP神經(jīng)網(wǎng)絡(luò)的預(yù)測(cè)模型及其應(yīng)用[J].計(jì)算機(jī)測(cè)量與控制,2005,13（1）：39-42.

[5]崔暢,林婭琪.大學(xué)生就業(yè)能力分析及對(duì)策建議[J].黑龍江對(duì)外經(jīng)貿(mào),2010（5）：130-131.

[6]李安貴.模糊數(shù)學(xué)及應(yīng)用[M].第2版.北京：冶金工業(yè)出版社, 2005.

[7]董秀英.便攜式心血管監(jiān)護(hù)系統(tǒng)的設(shè)計(jì)和實(shí)現(xiàn)[D].成都：西華大學(xué),2011.

（編校：王露）

Prediction of College Graduates’Em ploy-Ability Based on the Improved BPNeuralNetwork

DONGXiuying1,BAIXiaoli2,TANGTiequn1
（1.SchoolofPhysicsand Electronic Engineering,Fuyang TeachersCollege,Fuyang,Anhui236037,China；2.Luzhou PowerSupply Bu?reau,Luzhou,Sichuan 646000,China）

An improved neural network model based on L-M（Levenberg-Marquard）algorithm neural network was ap?plied to analyze the factors influencing college graduates’employability.It can remedy the shortcoming of the slow con?vergence rate of traditional BP algorithm neural network.Thismodel can predict the deficiencies in employability of col?lege graduates.The lattice fuzzy close-degree assessmentand expert scoringmethod were adopted,which quantified the various data of the factors on the employability of college graduates.Simulation results indicate that thismodel can re?markably reduce the training time,with relatively high accuracy.With small errors in the predicted value and actual val?ue,thisnetworkmodel can be used to forecast theemployability of college graduates.

L-M algorithm；BPneuralnetwork；close-degree grid；employability

TP18

A

1671-5365（2015）06-0093-04

2014-12-19修回：2015-01-09

阜陽(yáng)師范學(xué)院教學(xué)研究項(xiàng)目（2012JYXM91）；阜陽(yáng)師范學(xué)院碩士科研啟動(dòng)資金

董秀英（1984-），女，助教，碩士，研究方向?yàn)榍度胧较到y(tǒng)應(yīng)用及開(kāi)發(fā)

網(wǎng)絡(luò)出版時(shí)間：2015-01-12 12：59網(wǎng)絡(luò)出版地址：http：//www.cnki.net/kcms/detail/51.1630.Z.20150112.1259.001.html

引用格式：董秀英，柏小麗，湯鐵群.改進(jìn)的BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)高校畢業(yè)生就業(yè)能力[J].宜賓學(xué)院學(xué)報(bào),2015,15（6）：93-96.