李 翔，黨曉楠，王清雯

(1.鎮(zhèn)江高等?？茖W(xué)校 醫(yī)藥與化材學(xué)院,江蘇 鎮(zhèn)江 212028； 2. 鎮(zhèn)江市功能化學(xué)重點實驗室，江蘇 鎮(zhèn)江 212028； 3. 鎮(zhèn)江出入境檢驗檢疫局 法制與風(fēng)險管理科，江蘇 鎮(zhèn)江 212003)

反向傳播(Back Propagation)神經(jīng)網(wǎng)絡(luò)是一種按誤差逆?zhèn)鞑ニ惴ㄓ?xùn)練的多層前饋網(wǎng)絡(luò)，是目前應(yīng)用廣泛的神經(jīng)網(wǎng)絡(luò)模型之一[1]。該網(wǎng)絡(luò)能處理復(fù)雜模糊映射關(guān)系，具有強大的自學(xué)能力，在統(tǒng)計學(xué)上具有很好的應(yīng)用前景。BP神經(jīng)網(wǎng)絡(luò)模型具有重要的現(xiàn)實意義及理論價值，目前應(yīng)用于大學(xué)生創(chuàng)業(yè)評價體系研究[2]、體質(zhì)綜合測評研究[3]、心理健康行為研究[4]、心理危機干預(yù)研究[5]、就業(yè)信心指數(shù)研究[6]等。近年來，BP神經(jīng)網(wǎng)絡(luò)模型更多地應(yīng)用于大學(xué)生就業(yè)質(zhì)量研究，為高校提供決策依據(jù)。如周亮利用模型分析了影響民辦高校大學(xué)生就業(yè)的因素[7]，佘其平等利用模型對大學(xué)生的就業(yè)率進行預(yù)判[8]，陳立俊利用模型分析了影響上海高校畢業(yè)生就業(yè)的因素[9]，童輝杰等利用Clementine數(shù)據(jù)挖掘軟件構(gòu)建大學(xué)畢業(yè)生就業(yè)質(zhì)量的 BP神經(jīng)網(wǎng)絡(luò)模型，對大學(xué)生的就業(yè)質(zhì)量進行預(yù)測，預(yù)測精度達到99.98%[1]。BP神經(jīng)網(wǎng)絡(luò)模型可對影響大學(xué)生就業(yè)質(zhì)量的關(guān)鍵因素進行權(quán)重分配，以探討影響就業(yè)質(zhì)量的深層原因。目前，研究者關(guān)注的就業(yè)對象為高層次的本科、碩士甚至是博士群體，而利用該模型研究高職高專院校畢業(yè)生就業(yè)質(zhì)量的卻鮮見報道。

以鎮(zhèn)江高等專科學(xué)校醫(yī)藥與化材學(xué)院畢業(yè)生為例，將影響大學(xué)生就業(yè)質(zhì)量的因素進行量化處理，利用BP神經(jīng)網(wǎng)絡(luò)建立學(xué)生自身因素與就業(yè)質(zhì)量的內(nèi)在聯(lián)系，探尋影響就業(yè)質(zhì)量的關(guān)鍵性因素，以便在今后的教學(xué)及輔導(dǎo)中為學(xué)生提供建設(shè)性意見，提高就業(yè)質(zhì)量。

1 BP神經(jīng)網(wǎng)絡(luò)

相比其他預(yù)測模型，BP神經(jīng)網(wǎng)絡(luò)模型特點顯著[10]，具有較強的非線性映射能力、高度的自學(xué)習(xí)和自適應(yīng)性能力、將已有學(xué)習(xí)成果應(yīng)用于新知識的能力、較強的容錯能力。該模型主要包括1個輸入層及1個輸出層，中間包含1個或者多個隱含層。每層具有一定數(shù)量的神經(jīng)元，如輸入層的神經(jīng)元數(shù)目對應(yīng)目標各因素的數(shù)目。隱含層的數(shù)目通過特定的計算公式獲得[11]，輸出層神經(jīng)元數(shù)目則對應(yīng)預(yù)測目標的數(shù)目。層與層之間神經(jīng)元存在權(quán)值和閾值，其具體計算公式參考文獻[12]。

神經(jīng)網(wǎng)絡(luò)可以用于預(yù)測，是因為模型可以通過樣本的學(xué)習(xí)(訓(xùn)練)，不斷改變其連接的權(quán)值及拓撲結(jié)構(gòu)，以使網(wǎng)絡(luò)的輸出逐步接近所設(shè)定的目標輸出，當模型經(jīng)學(xué)習(xí)后達到了目標輸出，則模型可用于后續(xù)的預(yù)測。

2 研究方法

2.1 模型數(shù)據(jù)庫的建立

以醫(yī)藥與化材學(xué)院近3年的畢業(yè)生為調(diào)查對象，采取調(diào)查問卷形式，內(nèi)容包含影響就業(yè)質(zhì)量的知識因素及個人因素。知識因素主要有外語過級情況，專業(yè)知識、畢業(yè)生在校期間的班級排名等。個人因素包括自我實踐能力評價、自我自覺性評價、自我表達能力評價、自我抗壓能力評價、自我創(chuàng)新性評價等。將各因素量化，如“自我實踐能力評價”的選項為“很強”“較強”“一般”“弱”，在建立數(shù)據(jù)庫時設(shè)定的數(shù)值分別為0.99，0.75，0.5，0.25。將“目前工作的滿意度及未來發(fā)展前景”作為大學(xué)生就業(yè)質(zhì)量的評價標準，選項中“非常滿意”“滿意”“一般”“不滿意”分別對應(yīng)數(shù)值0.99，0.75，0.5，0.25。數(shù)值規(guī)律性的變化是建立數(shù)據(jù)庫的基本要求，部分訓(xùn)練樣本的數(shù)據(jù)如表1所示。10個樣本的就業(yè)質(zhì)量目標值量化后分別對應(yīng)0.75，0.5，0.5，0.75，0.5，0.5，0.5，0.5，0.5，0.99?；厥沼行柧?5份，任意選擇75份樣本數(shù)據(jù)建立數(shù)據(jù)庫以供模型訓(xùn)練，剩余10樣本數(shù)據(jù)作為“驗證組”，與模型的“預(yù)測組”進行比較，判斷模型的預(yù)測精度。

表1 部分訓(xùn)練樣本的各因素數(shù)據(jù)(10個)

2.2 模型主要參數(shù)的確定

2.2.1 傳遞函數(shù)及訓(xùn)練函數(shù)的確定

MATLAB提供了神經(jīng)網(wǎng)絡(luò)工具箱，網(wǎng)絡(luò)設(shè)計者可根據(jù)自己的需求直接調(diào)用工具箱中有關(guān)神經(jīng)網(wǎng)絡(luò)的設(shè)計及訓(xùn)練程序，提高工作效率[13]。神經(jīng)網(wǎng)絡(luò)工具箱提供了建立神經(jīng)網(wǎng)絡(luò)的專用函數(shù)newff()，該函數(shù)的調(diào)用格式為

Net= newff(PR, [S1 S2…SN],

{TF1 TF2…TFN}, BTF, BLF, PF)，

其中PR為輸入向量的取值范圍，Si為第i層的神經(jīng)元數(shù)，總共N層，TFi為第i層的傳遞函數(shù)，可選擇的傳遞函數(shù)有“tansig”“l(fā)ogsig”“purelin”等。BTF為訓(xùn)練函數(shù)，可供選擇的訓(xùn)練函數(shù)為“traingd”“traingdm”“traingdx”“trainrp”“trainlm”“trainbr”等。每種訓(xùn)練函數(shù)各具特點，可根據(jù)任務(wù)選擇合適的訓(xùn)練方法及函數(shù)。隱含層的傳遞函數(shù)設(shè)為“tansig”，輸出層的傳遞函數(shù)設(shè)為“purelin”。訓(xùn)練函數(shù)選擇“traingdm”，該函數(shù)采用了有動量的梯度下降法，提高了學(xué)習(xí)速度并增加了算法的可靠性。動量法降低了網(wǎng)絡(luò)對于誤差曲面局部細節(jié)的敏感性。

2.2.2 隱含層節(jié)點數(shù)的確定

隱含層節(jié)點數(shù)的確定采用高大啟[14]提供的經(jīng)驗公式

(1)

式(1)中，m為輸入層神經(jīng)元數(shù)，n為輸出層神經(jīng)元數(shù)，S為隱含層神經(jīng)元數(shù)，通過計算得隱含層神經(jīng)元數(shù)為6。

2.2.3 學(xué)習(xí)率及其他訓(xùn)練參數(shù)的確定

學(xué)習(xí)率設(shè)定為0.1，精度設(shè)定為0.02，訓(xùn)練步數(shù)設(shè)定為100000，訓(xùn)練步長設(shè)定為1000。

2.2.4 MATLAB的主要程序

其主要的程序為

net=newff(minmax(P),[6,1],{‘tansig’,‘purelin’},‘traingdm’)；

net.trainParam.lr=0.3；

net.trainParam.epochs=100000；

net.trainParam.goal=0.02；

net.trainParam.show=50；

net=train(net,P,T)

A=sim(net, Pn)；

其中，P為用于訓(xùn)練的樣本各因素量化后的數(shù)據(jù)庫，T為用于訓(xùn)練的樣本目標量化后的數(shù)據(jù)。

2.2.5 各因素權(quán)重貢獻率計算方法

權(quán)重貢獻率是用來分析研究輸入神經(jīng)元(樣本各因素)權(quán)值分布的一種方法，在MATLAB中，輸入層神經(jīng)元權(quán)值的調(diào)用程序為net.IW{1,1}。

3 BP神經(jīng)網(wǎng)絡(luò)模型的仿真

3.1 BP神經(jīng)網(wǎng)絡(luò)預(yù)測性能研究

采用75個樣本建立數(shù)據(jù)庫訓(xùn)練BP神經(jīng)網(wǎng)絡(luò)，訓(xùn)練過程如圖1所示。從圖1可知，模型經(jīng)過15 416步訓(xùn)練后達到預(yù)設(shè)的精度0.02。將10個樣本數(shù)據(jù)用于模型性能預(yù)測，其預(yù)測結(jié)果如表2，表3所示。預(yù)測目標是大學(xué)生的就業(yè)質(zhì)量，以“目前工作的滿意度及未來發(fā)展前景”為評價標準?！胺浅M意”“滿意”“一般”及“不滿意”分別對應(yīng)數(shù)值0.99，0.75，0.5，0.25。如果預(yù)測值接近4個數(shù)值中的某個值，則說明模型預(yù)測了該大學(xué)生對就業(yè)質(zhì)量的滿意度。例如，對于樣本4而言，其實測值為0.5，而預(yù)測值為0.6142，似乎預(yù)測值與實測值相差較大。但相對于0.75，0.6142更接近0.5，說明預(yù)測結(jié)果的滿意度為“一般”，與實測結(jié)果相同。又如樣本8，其實測值為0.75，其預(yù)測值為0.6362，相對于0.5，該值更接近于0.75，同樣可以認為預(yù)測結(jié)果與實測結(jié)果相同，即“比較滿意”。

基于上述評判標準，可以看出，樣本3的實測值為“比較滿意”，預(yù)測值為“一般”，其余樣本的實測值與預(yù)測值完全相符。可以看出BP神經(jīng)網(wǎng)絡(luò)的預(yù)測精度非常高，預(yù)測準確度達到90%。因此，該模型適用于醫(yī)藥與化材學(xué)院畢業(yè)生的就業(yè)質(zhì)量預(yù)測。

圖1 BP神經(jīng)網(wǎng)絡(luò)的訓(xùn)練過程.

表2 樣本實測值與預(yù)測值比較

表3 實測滿意度與預(yù)測滿意度比較

3.2 各因素的權(quán)值貢獻的確定

BP神經(jīng)網(wǎng)絡(luò)的初始權(quán)值和閾值是任意設(shè)定的，因此在訓(xùn)練過程中，在設(shè)定相同參數(shù)的前提下，每次訓(xùn)練結(jié)束時各個因素的權(quán)值差別特別大。因此，先讓網(wǎng)絡(luò)模型進行30次訓(xùn)練，求得每次訓(xùn)練時各因素的權(quán)值貢獻率，并將訓(xùn)練后各個因素的權(quán)值貢獻率值排序，統(tǒng)計各因素權(quán)值貢獻率為最大值時的次數(shù)，統(tǒng)計的結(jié)果如圖2所示。

從圖2可以看出，在模型訓(xùn)練時初始權(quán)值的隨機變化對各因素最終的權(quán)值影響很大。某因素權(quán)值排在第一的次數(shù)越多，它對結(jié)果的影響程度越大，即貢獻程度越高。從圖2可看出，按照對結(jié)果貢獻大小排序，則因素9>因素3>因素4>因素5(剩下因素暫不考慮)。這樣就能了解影響大學(xué)生就業(yè)質(zhì)量的關(guān)鍵因素是“在校期間是否多次獲得證書”“是否擔(dān)任過班干部”“是否具備很強的實踐能力”“是否自覺”。在校期間，學(xué)校應(yīng)鼓勵學(xué)生擔(dān)任班干部，提高領(lǐng)導(dǎo)能力，參與競賽，培養(yǎng)自覺性和實踐能力等。大學(xué)生的創(chuàng)新性對其就業(yè)質(zhì)量的影響最小，這可能與他們從事的工作性質(zhì)相關(guān)，無需很強的創(chuàng)新能力。

圖2 各因素權(quán)值貢獻率最大值時次數(shù)

4 結(jié)束語

采用BP神經(jīng)網(wǎng)絡(luò)對大學(xué)生的就業(yè)質(zhì)量進行預(yù)測，預(yù)測精度達到90%，說明模型具備很強的適用性。同時對各因素的權(quán)值貢獻進行確定，結(jié)果發(fā)現(xiàn)，影響大學(xué)生就業(yè)的重要因素有“在校期間是否多次獲得證書”“是否擔(dān)任過班干部”“是否具備很強的實踐能力”“是否自覺”。學(xué)校需要更多關(guān)注上述幾大因素，以提高學(xué)生的就業(yè)質(zhì)量。

[1] 童輝杰,楊雅婕,呂航.應(yīng)用神經(jīng)網(wǎng)絡(luò)模型對大學(xué)畢業(yè)生就業(yè)質(zhì)量的預(yù)測[J].人類工效學(xué),2012,18(3):20-22,86.

[2] 譚立章,王瑩,高君.基于BP神經(jīng)網(wǎng)絡(luò)的大學(xué)生創(chuàng)業(yè)評價體系研究[J].浙江理工大學(xué)學(xué)報,2015,34(5):442-446.

[3] 王乃博,黃國梅,吳磊,等.基于BP神經(jīng)網(wǎng)絡(luò)模型的大學(xué)生體質(zhì)綜合測評[J].南昌大學(xué)學(xué)報,2016,40(5):506-510.

[4] 王麗.基于神經(jīng)網(wǎng)絡(luò)的研究生心理健康狀況預(yù)測分析[D].西安:西安科技大學(xué),2016:1-4.

[5] 袁磊.基于無監(jiān)督學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)的大學(xué)生心理危機干預(yù)研究[D].武漢:武漢理工大學(xué),2012:1-8.

[6] 楊光軍.灰色理論和BP神經(jīng)網(wǎng)絡(luò)在大學(xué)生就業(yè)信心指數(shù)預(yù)測中的應(yīng)用[J].教學(xué)的實踐與認識,2013,43(13):62-67.

[7] 周亮.民辦高校大學(xué)生就業(yè)影響因子探析[J].重慶與世界,2014,31(4):100-103.

[8] 佘其平,鄧娟,李慶.基于BP神經(jīng)網(wǎng)絡(luò)的大學(xué)生就業(yè)情況分析[J].現(xiàn)代商貿(mào)工業(yè),2015(12):139-141.

[9] 陳立俊,王克強.基于人工神經(jīng)網(wǎng)絡(luò)方法的大學(xué)生就業(yè)問題探析：以上海高校畢業(yè)生為例[J].教育發(fā)展研究,2013:13-14.

[10] GUO D S, ZHANG Y N,XIAO Z L,et al. Common nature of learning between BP-type and Hopfield-type neural networks[J]. Neurocomputing,2015,167(1):578-586.

[11] YE S. RMB exchange rate forecast approach based on BP neural network[J]. Physics Procedia ,2012(33):287-293.

[12] Yu X H, XIONG S W, HE Y, et al.Research on campus traffic congestion detection using BP neural network and Markov model [J]. Journal of Information Security and Applications,2016,31(C):54-60.

[13] LIU X S, DENG Z, WANG T L. Real estate appraisal system based on GIS and BP neural network[J]. Transactions of Nonferrous Metals Society of China,2011,21(s3):626-630.

[14] 葉斌,雷燕. 關(guān)于BP網(wǎng)中隱含層層數(shù)及其節(jié)點數(shù)選取方法淺析[J].商丘職業(yè)技術(shù)學(xué)院學(xué)報,2004,3(6):52-53,60.