朱 健，任秋陽(yáng)，盧秉亮

（1.沈陽(yáng)航空職業(yè)技術(shù)學(xué)院，沈陽(yáng)110034；2.沈陽(yáng)飛機(jī)工業(yè)（集團(tuán)）有限公司，沈陽(yáng)110034；3.沈陽(yáng)航空航天大學(xué)計(jì)算機(jī)學(xué)院，沈陽(yáng)110136）

基于PCA－FBP的績(jī)效綜合評(píng)價(jià)研究?

朱 健1，2，任秋陽(yáng)1，2，盧秉亮3

（1.沈陽(yáng)航空職業(yè)技術(shù)學(xué)院，沈陽(yáng)110034；2.沈陽(yáng)飛機(jī)工業(yè)（集團(tuán)）有限公司，沈陽(yáng)110034；3.沈陽(yáng)航空航天大學(xué)計(jì)算機(jī)學(xué)院，沈陽(yáng)110136）

將系統(tǒng)論、信息論、計(jì)算機(jī)技術(shù)、工程技術(shù)思想引入評(píng)價(jià)領(lǐng)域，產(chǎn)生了一系列新的評(píng)價(jià)方法。BP神經(jīng)網(wǎng)絡(luò)通過(guò)訓(xùn)練來(lái)得到被評(píng)對(duì)象的價(jià)值模型，可以有效解決非線性綜合評(píng)價(jià)問題。通過(guò)合理選取評(píng)價(jià)指標(biāo)，利用主成分分析降低變量的維數(shù)，提出了一種基于PCA－FBP的員工績(jī)效評(píng)價(jià)模型，通過(guò)自組織映射網(wǎng)絡(luò)SOM，完成了評(píng)價(jià)結(jié)果分組，提高了評(píng)價(jià)結(jié)果的客觀性。實(shí)驗(yàn)結(jié)果表明，該方法可以較好的逼近專家評(píng)價(jià)結(jié)果，降低了神經(jīng)網(wǎng)絡(luò)模型的復(fù)雜度，提高了神經(jīng)網(wǎng)絡(luò)模型的效率。

績(jī)效評(píng)價(jià)；主成分分析；人工神經(jīng)網(wǎng)絡(luò)；BP神經(jīng)網(wǎng)絡(luò)；聚類；模糊數(shù)學(xué)

1 引 言

績(jī)效評(píng)價(jià)中的定量評(píng)價(jià)屬于多指標(biāo)多對(duì)象的綜合評(píng)價(jià)，目前，通過(guò)將系統(tǒng)論、信息論、計(jì)算機(jī)技術(shù)、工程技術(shù)思想引入評(píng)價(jià)領(lǐng)域，產(chǎn)生了一系列新的評(píng)價(jià)方法。不同評(píng)價(jià)方法的綜合和交叉也促進(jìn)新方法和新思想的產(chǎn)生，歸納起來(lái)大致有以下幾種［1－4］：將人工神經(jīng)網(wǎng)絡(luò)技術(shù)引入評(píng)價(jià)中，主要是對(duì)ANN算法進(jìn)行改進(jìn)，如采用累計(jì)誤差的BP算法；模擬生物進(jìn)化的遺傳算法是通過(guò)模擬生物進(jìn)化過(guò)程中的繁殖、交叉、突變?nèi)N現(xiàn)象，對(duì)評(píng)價(jià)問題進(jìn)行解釋；交互式多目標(biāo)綜合評(píng)價(jià)方法解決了評(píng)價(jià)中主觀性與客觀性結(jié)合的問題，主要有基于目標(biāo)滿意度的交互式評(píng)價(jià)方法和基于目標(biāo)實(shí)際達(dá)到程度和目標(biāo)滿意度的交互式評(píng)價(jià)方法；基于粗糙集理論的評(píng)價(jià)方法是通過(guò)建立屬性約簡(jiǎn)，從決策表中去除冗余屬性，從約簡(jiǎn)的決策表中產(chǎn)生決策規(guī)則，利用這種規(guī)則對(duì)新對(duì)象進(jìn)行評(píng)價(jià)；系統(tǒng)模擬與仿真評(píng)價(jià)方法以反饋控制理論為基礎(chǔ)，引進(jìn)動(dòng)態(tài)時(shí)間的概念，利用計(jì)算機(jī)技術(shù)進(jìn)行模擬，對(duì)被評(píng)價(jià)系統(tǒng)進(jìn)行過(guò)程分析與評(píng)價(jià)。

BP神經(jīng)網(wǎng)絡(luò)可以充分逼近任意復(fù)雜的非線性關(guān)系，可以在不了解數(shù)據(jù)產(chǎn)生原因的前提下，對(duì)非線性過(guò)程建模。BP神經(jīng)網(wǎng)絡(luò)是根據(jù)已有知識(shí)（學(xué)習(xí)樣本）通過(guò)訓(xùn)練來(lái)得到被評(píng)對(duì)象的價(jià)值模型，可以有效解決非線性綜合評(píng)價(jià)問題，減少人為因素對(duì)決策結(jié)果的影響，因此利用神經(jīng)網(wǎng)絡(luò)對(duì)員工進(jìn)行績(jī)效考核是比較科學(xué)的。

2 基于PCA－Fuzzy－BP的績(jī)效評(píng)價(jià)原理

基于PCA－Fuzzy－BP的績(jī)效評(píng)價(jià)預(yù)測(cè)模型采用模糊BP神經(jīng)網(wǎng)絡(luò)，模糊神經(jīng)網(wǎng)絡(luò)對(duì)于現(xiàn)實(shí)世界的描述更切合實(shí)際，其預(yù)測(cè)效果比BP神經(jīng)網(wǎng)絡(luò)更為精確，通過(guò)神經(jīng)網(wǎng)絡(luò)的訓(xùn)練，對(duì)測(cè)試數(shù)據(jù)進(jìn)行結(jié)果聚類分組，提高評(píng)價(jià)的科學(xué)性和合理性。如圖1所示，PCA主成分分析結(jié)果作為模糊神經(jīng)網(wǎng)絡(luò)輸入，通過(guò)模糊神經(jīng)網(wǎng)絡(luò)訓(xùn)練，使用測(cè)試數(shù)據(jù)對(duì)訓(xùn)練結(jié)果進(jìn)行檢測(cè)［5－6］。

圖1 PCA－Fuzzy－BP模型

模糊神經(jīng)網(wǎng)絡(luò)采用基于Takagi－Sugeno模型的模糊神經(jīng)網(wǎng)絡(luò)，該模型采用T－S模型實(shí)現(xiàn)模糊數(shù)學(xué)推理。其中，T－S模型通常采用5層結(jié)構(gòu)，分別為輸入層、模糊層、規(guī)則層、規(guī)則歸一層和輸出層，在實(shí)際使用中一般采用三層結(jié)構(gòu)，即將模糊層、規(guī)則層和規(guī)則歸一層合并為隱含層。

第一層為輸入層，利用主成分分析方法通過(guò)顯式變量觀測(cè)值提取信息，將顯式的觀測(cè)值轉(zhuǎn)換為系統(tǒng)中不可直接觀測(cè)的隱含信息變量。主成分分析的主要思路即利用降維方法構(gòu)造出原始指標(biāo)中的線性組合并得到一系列不相關(guān)的綜合評(píng)價(jià)指標(biāo)，選取系統(tǒng)新的綜合評(píng)價(jià)指標(biāo)，使它們包含原始指標(biāo)中盡可能多的信息，利用較少的指標(biāo)表達(dá)系統(tǒng)綜合信息，從而達(dá)到降維的目的。人工神經(jīng)網(wǎng)絡(luò)通過(guò)對(duì)生物神經(jīng)系統(tǒng)的模擬，采用神經(jīng)元模擬生物神經(jīng)元、有向加權(quán)弧模擬生物軸突－突觸－樹突結(jié)構(gòu)、連接弧的權(quán)值表征神經(jīng)元之間的相互作用，完成復(fù)雜非線性系統(tǒng)模型的模擬［6］。人工神經(jīng)網(wǎng)絡(luò)的并行處理能力、高度魯棒特性、容錯(cuò)能力等特性，使得該模型可以充分逼近復(fù)雜的非線性關(guān)系。人工神經(jīng)網(wǎng)絡(luò)與其他智能算法的結(jié)合，形成了計(jì)算智能。

第二層為隱含層，該層首先將數(shù)據(jù)隸屬度函數(shù)模糊化，模糊規(guī)則為“If－Then”規(guī)則定義。模糊分割取2個(gè)，因此本層節(jié)點(diǎn)數(shù)為16個(gè)，模糊函數(shù)采用鈴型函數(shù)：

第三層為輸出層，評(píng)價(jià)結(jié)果根據(jù)評(píng)價(jià)得分直接進(jìn)行排名，其結(jié)果具備很強(qiáng)的直觀性，但當(dāng)采用不同的指標(biāo)體系和不同的數(shù)據(jù)處理方法時(shí)，其具體排名會(huì)出現(xiàn)一定差異。因此采用聚類方法對(duì)評(píng)價(jià)結(jié)果進(jìn)行聚類，并認(rèn)為同一組中的數(shù)據(jù)差異較小，使評(píng)價(jià)結(jié)果科學(xué)合理。

3 PCA－Fuzzy－BP的Matlab實(shí)現(xiàn)

模型輸入節(jié)點(diǎn)8個(gè)，采用T－S模型，選擇9組系數(shù)pa0－pa9，參數(shù)和利用Matlab隨機(jī)數(shù)生成器生成。首先初始化模糊神經(jīng)網(wǎng)絡(luò)，系數(shù)pai＝0.25 rand（M，1），其中M為隱含層節(jié)點(diǎn)數(shù)。

模糊神經(jīng)網(wǎng)絡(luò)訓(xùn)練階段，首先使用模糊函數(shù)對(duì)訓(xùn)練數(shù)據(jù)進(jìn)行模糊化［5］，即：

模糊算子計(jì)算為：

模糊過(guò)程輸出為：

經(jīng)過(guò)上述計(jì)算，進(jìn)入網(wǎng)絡(luò)訓(xùn)練過(guò)程，模型訓(xùn)練結(jié)果如圖2和圖3所示，可以發(fā)現(xiàn)，PCA－Fuzzy－BP模型訓(xùn)練的誤差分布在±0.03之間。

圖2 PCA－Fuzzy－BP模型收斂次數(shù)

圖3 PCA－Fuzzy－BP模型訓(xùn)練結(jié)果與預(yù)測(cè)誤差

4 PCA－Fuzzy－BP模型測(cè)試

將剩余的10組數(shù)據(jù)帶入訓(xùn)練好的模型，進(jìn)行數(shù)據(jù)測(cè)試，其預(yù)測(cè)結(jié)果與誤差如圖4所示。

圖4 PCA－Fuzzy－BP模型測(cè)試結(jié)果與預(yù)測(cè)誤差

由圖4可以發(fā)現(xiàn)，PCA－Fuzzy－BP模型的預(yù)測(cè)結(jié)果與測(cè)試期望輸出基本相符，其誤差分布在±0.1之間，其預(yù)測(cè)精度更高。通過(guò)PCA－FBP模型評(píng)價(jià)之后的結(jié)果，通過(guò)自組織特征映射網(wǎng)絡(luò)實(shí)現(xiàn)聚類分組，將員工等級(jí)分為3個(gè)，即優(yōu)秀（分組3），良好（分組2），一般（分組1），聚類分組后的結(jié)果如圖5所示。

5 PCA－FBP評(píng)價(jià)效果追蹤

利用一般方法、采用自組織神經(jīng)網(wǎng)絡(luò)進(jìn)行結(jié)果聚類，其聚類分組結(jié)果如圖6所示。可以發(fā)現(xiàn)，綜合評(píng)價(jià)指標(biāo)體系評(píng)價(jià)結(jié)果和一般的評(píng)價(jià)指標(biāo)體系存在一定的差異，主要體現(xiàn)在某些具有特殊優(yōu)勢(shì)、特殊技能的員工的職業(yè)能力評(píng)價(jià)分組的等級(jí)提升，評(píng)價(jià)結(jié)果體現(xiàn)了綜合性原則。同時(shí)，我們也很容易發(fā)現(xiàn)，采用一般方法對(duì)評(píng)價(jià)結(jié)果進(jìn)行分組后，除大量第二等級(jí)分組的員工出現(xiàn)向第三分組員工調(diào)整的現(xiàn)象外，還出現(xiàn)了第一等級(jí)分組的員工向第三等級(jí)分組的跳躍，這種現(xiàn)象表現(xiàn)了一般分類方法的不連續(xù)性，即一般分組方法存在指標(biāo)調(diào)整的人為因素，對(duì)評(píng)價(jià)結(jié)果產(chǎn)生了較大影響。SOM分組方法避免了一般聚類方法對(duì)結(jié)果的大調(diào)整，保持了分組結(jié)果的連續(xù)性，具有可操作性。同時(shí)，該方法充分考慮了員工的個(gè)人特點(diǎn)，對(duì)評(píng)價(jià)指標(biāo)中某個(gè)方面表現(xiàn)特別突出的個(gè)體，給予了較高的分組等級(jí)，充分實(shí)現(xiàn)了評(píng)價(jià)對(duì)個(gè)體的激勵(lì)作用。

圖5 評(píng)價(jià)結(jié)果分組聚類

圖6 普通分組與SOM分組

從實(shí)驗(yàn)結(jié)果可以看出，利用人工設(shè)計(jì)網(wǎng)絡(luò)的自學(xué)習(xí)、自組織功能，通過(guò)大量的數(shù)據(jù)對(duì)模型進(jìn)行訓(xùn)練，達(dá)到較高的訓(xùn)練精度；通過(guò)測(cè)試數(shù)據(jù)的測(cè)試，獲取較好的預(yù)測(cè)精度。實(shí)驗(yàn)最后采用訓(xùn)練完成的模型，實(shí)現(xiàn)了評(píng)價(jià)結(jié)果計(jì)算，獲取了客觀公正的評(píng)價(jià)，減少了人的主觀性影響。

6 結(jié)束語(yǔ)

基于FBP的人工神經(jīng)網(wǎng)絡(luò)，通過(guò)引入模糊數(shù)學(xué)理論，更適合員工職業(yè)能力評(píng)價(jià)這一具有模糊特性的人文系統(tǒng)?；赑CA－Fuzzy－BP的評(píng)價(jià)系統(tǒng)采用主成分分析方法實(shí)現(xiàn)數(shù)據(jù)信息的提取，通過(guò)模糊神經(jīng)網(wǎng)絡(luò)實(shí)現(xiàn)員工績(jī)效評(píng)價(jià)，具有比BP模型更高的訓(xùn)練精度和預(yù)測(cè)精度。利用SOM網(wǎng)絡(luò)將FBP的輸出結(jié)果進(jìn)行評(píng)價(jià)等級(jí)分組，使得評(píng)價(jià)結(jié)果更符合人們的日常思維方式。整個(gè)評(píng)價(jià)過(guò)程不存在人為調(diào)整指標(biāo)權(quán)重，避免了人為因素對(duì)評(píng)價(jià)結(jié)果的影響。

［1］ Goyal S.Advanced computing research on cascade single and double hidden layers for detecting shelf life of katakand：An artificial neural network approach［J］.International Journal of Computer Science＆Emerging Technologies，2011，2（5）：292－295.

［2］ Le H S，Oparin I，Allauzen A，et al.Structured output layer neural network languagemodel［C］.Acoustics，Speech and Signal Processing（ICASSP），2011 IEEE International Conference on.IEEE，2011：5524－5527.

［3］ Goyal S，Goyal G K.A new scientific approach of intelligent artificial neural network engineering for predicting shelf life of milky white dessert jeweled with pistachio［J］.International Journal of Scientific and Engineering Research，2011，2（9）：1－4.

［4］ 陳增強(qiáng)，袁著祉，張燕.基于神經(jīng)網(wǎng)絡(luò)的非線性預(yù)測(cè)控制綜述［J］.控制工程，2002，9（4）：7－11.

CHEN Zeng－qiang，YUAN Zhu－zhi，ZHANG Yan.A Survey on Neural－Network Based Nonlinear Predictive Control［J］.Control Engineering of China，2002，9（4）：7－11.

［5］ 蘇高利，鄧芳萍.論基于MATLAB語(yǔ)言的BP神經(jīng)網(wǎng)絡(luò)的改進(jìn)算法［J］.科技通報(bào)，2003，19（2）：130－135.

SU Gao－li，DENG Fang－ping.On the Improving Back propagation Algorithms of the Neural Networks Based on MATLAB Language［J］.Bulletin of Science and Techmology.2003，19（2）：130－135.

［6］ 童其慧.主成分分析方法在指標(biāo)綜合評(píng)價(jià)中的應(yīng)用［J］.北京理工大學(xué)學(xué)報(bào)（社會(huì)科學(xué)版），2002，4（1）：59－61.

TONG Qi－h(huán)ui.The Application of Primary Element Analyzing Methods in the Index Synthetic Evaluation［J］.Journal of Beijing Institute of Technology（Social Sciences Edition），2002，4（1）：59－61.

Research of Performance Com prehensive Evaluation Based on PCA－FBP

Zhu Jian1，2，Ren Qiuyang1，2，Lu Bingliang3
（1.Shenyang Aeronautical Vocational College，Shenyang 110034，China；2.Shenyang Aircraft Corporation，Shenyang 110034，China；3.School of Computer Science and Engineering，Shenyang Aerospace University，Shenyang 110136，China）

At present，the system theory，information theory，computer technology and engineering technology are referred in the evaluation method.BP neural network，getting the rated value objects by training，can effectively solve the problem of nonlinear comprehensive evaluation.In this paper，the evaluation indicators is selected reasonably，the principal component analysis is used to reduce the dimensions of the variables，and the employee performance evaluation model is proposed on the basis of PCA－FBP.With Self－Organizing feature Map（SOM），the grouping of the evaluation results is completed and the objectivity of evaluation results is improved.The test results show that it approaches to the evaluation results of the experts，reduces the complexity of neural network model and improves the efficiency of the neural network model.

Performance evaluation；PCA；ANN；BP neural network；Clustering；Fuzzymathematics

10.3969/j.issn.1002－2279.2015.05.014

TP398.1

A

1002－2279（2015）05－0054－03

遼寧省教育科學(xué)“十二五”規(guī)劃2014年度立項(xiàng)課題（JG14EB238）

朱?。?971－），男（滿），遼寧北鎮(zhèn)市人，教授，碩士，主研方向：數(shù)據(jù)庫(kù)、數(shù)據(jù)挖掘。

2014－11－24