蘆冬青

摘 要： 針對當(dāng)前創(chuàng)新績效評價(jià)模型存在收斂效率低以及泛化性能弱的缺陷，提出基于BP神經(jīng)網(wǎng)絡(luò)的創(chuàng)新績效評價(jià)模型。對創(chuàng)新績效評價(jià)的指標(biāo)體系進(jìn)行構(gòu)建，并收集相應(yīng)的創(chuàng)新績效評價(jià)數(shù)據(jù)，采用BP神經(jīng)網(wǎng)絡(luò)模擬人腦對創(chuàng)新績效數(shù)據(jù)進(jìn)行訓(xùn)練，并采用梯度法確定BP神經(jīng)網(wǎng)絡(luò)的參數(shù)，建立創(chuàng)新績效評價(jià)模型，最后通過仿真實(shí)驗(yàn)測試其性能。實(shí)驗(yàn)結(jié)果表明，該模型提高了創(chuàng)新績效評價(jià)的精度，而且評價(jià)速度得到大幅度提高，評價(jià)效果明顯優(yōu)于其他模型，具有更高的實(shí)際應(yīng)用價(jià)值。

關(guān)鍵詞： BP神經(jīng)網(wǎng)絡(luò)； 評價(jià)模型； 收斂效率； 泛化性能

中圖分類號： TN711?34； TP183 文獻(xiàn)標(biāo)識碼： A 文章編號： 1004?373X（2017）15?0056?03

Abstract： Since the available innovation performance evaluation model has the defects of low convergence efficiency and weak generalization performance， an innovation performance evaluation model based on BP neural network is proposed. The index system of the innovation performance evaluation was constructed. The corresponding innovation performance evaluation data is collected， and trained with BP neural network simulating the human brain. The gradient method is used to determine the parameter of BP neural network. The innovation performance evaluation model was established， and its performance was tested with simulation experiment. The experimental results show that the model can improve the accuracy of innovation performance evaluation and evaluation speed， its evaluation effect is superior to other models， and has high practical application value.

Keywords： BP neural network； evaluation model； convergence efficiency； generalization performance

0 引 言

當(dāng)前知識在人力資本和科技中具有較高的應(yīng)用價(jià)值，是企業(yè)提升自身競爭力的關(guān)鍵。知識管理是企業(yè)管理人員對企業(yè)內(nèi)外知識實(shí)施控制，采用有效的績效評價(jià)模型對企業(yè)知識管理創(chuàng)新性能實(shí)施準(zhǔn)確實(shí)時(shí)評估，可發(fā)現(xiàn)創(chuàng)新中存在的問題，提升效率和質(zhì)量。

傳統(tǒng)創(chuàng)新績效評價(jià)模型存在收斂效率低以及泛化性能弱的缺陷，因此，提出基于BP神經(jīng)網(wǎng)絡(luò)的創(chuàng)新績效評價(jià)模型來提升能力。實(shí)驗(yàn)結(jié)果說明，本文評價(jià)模型的知識管理創(chuàng)新績效評價(jià)誤差小，具有較高的實(shí)際應(yīng)用價(jià)值。

1 BP神經(jīng)網(wǎng)絡(luò)的創(chuàng)新績效評價(jià)模型

1.1 創(chuàng)新績效的BP神經(jīng)網(wǎng)絡(luò)評價(jià)原理

績效評估的干擾因素較多，存在較為復(fù)雜的映射關(guān)系，影響知識管理創(chuàng)新績效的評估效果[1]。采用BP神經(jīng)網(wǎng)絡(luò)評估績效，通過神經(jīng)網(wǎng)絡(luò)模擬人腦操作信息的手段，對信息實(shí)施并行操作以及動(dòng)態(tài)變換。先明確BP神經(jīng)網(wǎng)絡(luò)的輸入輸出，分別用于描述待評價(jià)企業(yè)信息管理績效的屬性信息以及最終評價(jià)目標(biāo)；再通過大量的已知樣本對BP神經(jīng)網(wǎng)絡(luò)實(shí)施訓(xùn)練，并采用自適應(yīng)學(xué)習(xí)獲取權(quán)值以及閾值，對BP神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)進(jìn)行準(zhǔn)確描述；訓(xùn)練好的BP神經(jīng)網(wǎng)絡(luò)具有人腦記憶性能和識別性能[2]，能夠?qū)υu價(jià)指標(biāo)同績效間的關(guān)系進(jìn)行模擬，并采用測試樣本實(shí)施檢測，直至得到準(zhǔn)確的結(jié)果。最終獲取的BP神經(jīng)網(wǎng)絡(luò)是有效的評估工具，輸入未知樣本，則可獲取該樣本的評估結(jié)果。

在BP神經(jīng)網(wǎng)絡(luò)輸入層輸入知識管理的評估指標(biāo)，通過隱含層傳輸?shù)捷敵鰧?，對比分析輸出結(jié)果同期望輸出結(jié)果，若未達(dá)到精度需求，則進(jìn)入誤差反向傳播過程。該過程按照輸出數(shù)據(jù)對網(wǎng)絡(luò)權(quán)值閾值實(shí)施調(diào)控，確保網(wǎng)絡(luò)誤差不斷降低并滿足需求，提高神經(jīng)網(wǎng)絡(luò)對輸入向量映射的準(zhǔn)確率。專家對14家企業(yè)實(shí)施知識管理創(chuàng)新績效評估的結(jié)果如表1所示。對這些結(jié)果進(jìn)行歸一化操作后的數(shù)據(jù)見表2。

1.2 BP神經(jīng)網(wǎng)絡(luò)的創(chuàng)新績效評價(jià)

BP神經(jīng)網(wǎng)絡(luò)算法的搜索過程基于梯度法進(jìn)行，利用神經(jīng)網(wǎng)絡(luò)的并行處理特征，有輸入正向傳遞以及誤差反向傳遞兩個(gè)過程。輸入數(shù)據(jù)通過隱含層以及輸出層的神經(jīng)單元操作后獲取評估結(jié)果[3]，也就是網(wǎng)絡(luò)的輸出結(jié)果，若輸出結(jié)果同期望結(jié)果差值處于允許誤差區(qū)間，則誤差信號反向傳播，并對神經(jīng)元的權(quán)值閾值實(shí)施調(diào)控，通過循環(huán)迭代過程確保BP神經(jīng)網(wǎng)絡(luò)的輸出同期望值一致，使得網(wǎng)絡(luò)平方誤差均值為期望的最小值，則終止BP神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)過程。

BP神經(jīng)網(wǎng)絡(luò)算法的實(shí)現(xiàn)過程如下：

（7） 獲取誤差函數(shù)值，分析是否比預(yù)期誤差精度低。如果符合誤差需求，則終止算法，否則，BP神經(jīng)網(wǎng)絡(luò)返回過程（2），直至值符合誤差需求為止，用描述期望輸出。

通過批處理手段調(diào)控權(quán)值，完成全部樣本的輸入后，運(yùn)算總誤差，基于總誤差對權(quán)值實(shí)施調(diào)控，該種調(diào)控手段能夠確保沿誤差降低方向運(yùn)行[4]，具有較高的處理效率。BP神經(jīng)網(wǎng)絡(luò)的創(chuàng)新績效評價(jià)流程如圖1所示。

1.3 創(chuàng)新績效評價(jià)的神經(jīng)網(wǎng)絡(luò)模型

基于實(shí)際情況設(shè)置BP神經(jīng)網(wǎng)絡(luò)的輸出層和輸出層節(jié)點(diǎn)數(shù)，創(chuàng)新績效評價(jià)確定了8個(gè)評價(jià)指標(biāo)，則BP神經(jīng)網(wǎng)絡(luò)輸入層存在8個(gè)節(jié)點(diǎn)，輸出層包括一個(gè)神經(jīng)元，用于描述創(chuàng)新績效評價(jià)結(jié)果的代數(shù)值，其取值區(qū)間為[0，1]。通過試湊法獲取最優(yōu)隱含層節(jié)點(diǎn)數(shù)量，先采用較少的節(jié)點(diǎn)數(shù)訓(xùn)練網(wǎng)絡(luò)，若獲取的誤差高于期望目標(biāo)[5]，則依據(jù)相同的樣本集不斷提升節(jié)點(diǎn)數(shù)量，循環(huán)試湊，直至網(wǎng)絡(luò)誤差最低，獲取最終的隱含層節(jié)點(diǎn)數(shù)。本文采用試湊法實(shí)施檢測，通過多次迭代獲取的結(jié)果如表3所示。對比分析其中的訓(xùn)練次數(shù)以及誤差，能夠看出隱含層節(jié)點(diǎn)數(shù)量是10時(shí)，網(wǎng)絡(luò)具備最高的收斂效率以及穩(wěn)定性，所以本文選擇隱含層節(jié)點(diǎn)數(shù)量為10。設(shè)置BP神經(jīng)網(wǎng)絡(luò)收斂的誤差性能指標(biāo)是MSE，網(wǎng)絡(luò)的學(xué)習(xí)精度為 0.000 1。最大訓(xùn)練步長是10 000，網(wǎng)絡(luò)訓(xùn)練達(dá)到最高步長時(shí)[6]可終止訓(xùn)練集的訓(xùn)練。明確動(dòng)量因子0.96，避免網(wǎng)絡(luò)訓(xùn)練出現(xiàn)局部最小值問題。

基于BP神經(jīng)網(wǎng)絡(luò)的規(guī)范要求，將S型正切函數(shù)tansig以及對數(shù)函數(shù)logsig分別當(dāng)成隱含層以及輸出層神經(jīng)元的傳遞函數(shù)[7]。若已經(jīng)明確BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)以及訓(xùn)練算法，則網(wǎng)絡(luò)訓(xùn)練樣本對網(wǎng)絡(luò)映射和泛化性能具有決定作用。將BP神經(jīng)網(wǎng)絡(luò)樣本劃分成訓(xùn)練樣本和測試樣本，訓(xùn)練樣本可以得到合理的內(nèi)部描述，測試樣本對訓(xùn)練函數(shù)的BP神經(jīng)網(wǎng)絡(luò)實(shí)施檢測[8]，分析檢測結(jié)果是否達(dá)到預(yù)期目標(biāo)，通常兩種樣本各占總樣本數(shù)的80%以及20%。采用多家企業(yè)的知識管理績效評價(jià)指標(biāo)作為BP神經(jīng)網(wǎng)絡(luò)的輸入數(shù)據(jù)，采用學(xué)習(xí)樣本對BP神經(jīng)網(wǎng)絡(luò)實(shí)施訓(xùn)練，調(diào)控網(wǎng)絡(luò)權(quán)值，確保網(wǎng)絡(luò)輸出誤差最小化，得到最優(yōu)創(chuàng)新績效評價(jià)結(jié)果。

2 實(shí)驗(yàn)結(jié)果與分析

基于BP神經(jīng)網(wǎng)絡(luò)的創(chuàng)新績效評價(jià)模型的訓(xùn)練誤差性能曲線如圖2所示，能夠看出通過449次學(xué)習(xí)，評價(jià)模型得到收斂。輸入4組測試數(shù)據(jù)對完成訓(xùn)練的本文模型實(shí)施測試，結(jié)果如圖3所示。能夠看出，本文模型訓(xùn)練輸出結(jié)果同目標(biāo)輸出結(jié)果誤差低，實(shí)現(xiàn)了創(chuàng)新績效的有效評估。

圖4為本文模型輸出結(jié)果同實(shí)際結(jié)果的線性回歸分析結(jié)果[9]，可得該評價(jià)模型的相關(guān)系數(shù)0.976 36，預(yù)測值同期望值間具有較高的關(guān)聯(lián)性，網(wǎng)絡(luò)回歸性能高，擁有較高的泛化能力。

本文模型的訓(xùn)練梯度波動(dòng)曲線以及學(xué)習(xí)速率曲線如圖5所示。

由圖5可以看出，步長小于150時(shí)網(wǎng)絡(luò)的梯度波動(dòng)較低，該種情況下的學(xué)習(xí)曲面是一個(gè)平穩(wěn)范圍[10]，避免陷入局部極小值點(diǎn)，并且本文模型的學(xué)習(xí)速率較低，收斂速率也較低。隨著本文模型BP神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)速率不斷增加，梯度值快速減小，收斂速度加快。但在加快收斂的同時(shí)發(fā)生了輕微波動(dòng)，此時(shí)誤差曲面可能比較陡峭，為了提升本文模型的穩(wěn)定性，應(yīng)降低學(xué)習(xí)速率。

當(dāng)步長高于250時(shí)，BP神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)速率不斷提升，達(dá)到最高值時(shí)，出現(xiàn)大幅度下降趨勢。本文模型的學(xué)習(xí)速率按照實(shí)際狀態(tài)自主調(diào)控，可避免模型陷入局部最低值，采用有效的學(xué)習(xí)效率完成收斂。

3 結(jié) 語

本文提出了基于BP神經(jīng)網(wǎng)絡(luò)的創(chuàng)新績效評價(jià)模型，其由信息的正向傳播以及誤差的反向傳播兩個(gè)過程構(gòu)成，通過梯度法實(shí)現(xiàn)BP神經(jīng)網(wǎng)絡(luò)算法的搜索過程。該種評價(jià)模型解決了傳統(tǒng)創(chuàng)新績效評價(jià)模型存在收斂效率低以及泛化性能弱的缺陷，具有較高的回歸性能和泛化能力。

參考文獻(xiàn)

[1] 劉曉峰，李傳富.基于物元分析法的物流企業(yè)服務(wù)創(chuàng)新績效評價(jià)[J].物流技術(shù)，2015，34（21）：94?97.

[2] 魏倩，蔡遠(yuǎn)利.一種基于神經(jīng)網(wǎng)絡(luò)的中制導(dǎo)改進(jìn)算法[J].西安交通大學(xué)學(xué)報(bào)，2016，50（7）：125?130.

[3] 王旭.基于BP神經(jīng)網(wǎng)絡(luò)的精益供應(yīng)鏈協(xié)同績效研究[J].現(xiàn)代商貿(mào)工業(yè)，2015，36（5）：63?64.

[4] 單冬紅，蔡琪，魯書喜.基于BP神經(jīng)網(wǎng)絡(luò)的諧波電流檢測方法研究[J].電子設(shè)計(jì)工程，2016，24（10）：42?44.

[5] 張?jiān)偕铞螡?基于DEA模型的創(chuàng)新創(chuàng)業(yè)政策績效評價(jià)研究：以天津市企業(yè)孵化器為分析對象[J].天津大學(xué)學(xué)報(bào)（社會(huì)科學(xué)版），2016，18（5）：385?391.

[6] 趙泉長，馬悅，朱澤魁.基于BP神經(jīng)網(wǎng)絡(luò)的農(nóng)超對接型供應(yīng)鏈績效評價(jià)研究[J].價(jià)值工程，2016，35（22）：88?90.

[7] 張濤，李兆鋒，胡萍.翻轉(zhuǎn)課堂下學(xué)習(xí)績效評價(jià)模型的構(gòu)建[J].現(xiàn)代教育技術(shù)，2016，26（4）：74?80.

[8] 李萍，徐安林.基于BP神經(jīng)網(wǎng)絡(luò)的智能制造系統(tǒng)圖像識別技術(shù)[J].現(xiàn)代電子技術(shù)，2016，39（18）：107?109.

[9] 王冰，郭東強(qiáng).基于BP神經(jīng)網(wǎng)絡(luò)的企業(yè)內(nèi)部知識轉(zhuǎn)移績效綜合評價(jià)研究[J].情報(bào)科學(xué)，2016，34（1）：141?145.

[10] 王英，王燦，孫新澤.基于AHP?BP神經(jīng)網(wǎng)絡(luò)的江蘇省創(chuàng)新型經(jīng)濟(jì)評價(jià)[J].科技管理研究，2016，36（9）：68?72.