蘆冬青
摘 要： 針對當前創新績效評價模型存在收斂效率低以及泛化性能弱的缺陷，提出基於BP神經網絡的創新績效評價模型。對創新績效評價的指標體系進行構建，並收集相應的創新績效評價數據，採用BP神經網絡模擬人腦對創新績效數據進行訓練，並採用梯度法確定BP神經網絡的參數，建立創新績效評價模型，最後通過仿真實驗測試其性能。實驗結果表明，該模型提高了創新績效評價的精度，而且評價速度得到大幅度提高，評價效果明顯優於其他模型，具有更高的實際應用價值。
關鍵詞： BP神經網絡； 評價模型； 收斂效率； 泛化性能
中圖分類號： TN711?34； TP183 文獻標識碼： 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
當前知識在人力資本和科技中具有較高的應用價值，是企業提升自身競爭力的關鍵。知識管理是企業管理人員對企業內外知識實施控制，採用有效的績效評價模型對企業知識管理創新性能實施準確實時評估，可發現創新中存在的問題，提升效率和質量。
傳統創新績效評價模型存在收斂效率低以及泛化性能弱的缺陷，因此，提出基於BP神經網絡的創新績效評價模型來提升能力。實驗結果說明，本文評價模型的知識管理創新績效評價誤差小，具有較高的實際應用價值。
1 BP神經網絡的創新績效評價模型
1.1 創新績效的BP神經網絡評價原理
績效評估的干擾因素較多，存在較為複雜的映射關係，影響知識管理創新績效的評估效果[1]。採用BP神經網絡評估績效，通過神經網絡模擬人腦操作信息的手段，對信息實施並行操作以及動態變換。先明確BP神經網絡的輸入輸出，分別用於描述待評價企業信息管理績效的屬性信息以及最終評價目標；再通過大量的已知樣本對BP神經網絡實施訓練，並採用自適應學習獲取權值以及閾值，對BP神經網絡的結構進行準確描述；訓練好的BP神經網絡具有人腦記憶性能和識別性能[2]，能夠對評價指標同績效間的關係進行模擬，並採用測試樣本實施檢測，直至得到準確的結果。最終獲取的BP神經網絡是有效的評估工具，輸入未知樣本，則可獲取該樣本的評估結果。
在BP神經網絡輸入層輸入知識管理的評估指標，通過隱含層傳輸到輸出層，對比分析輸出結果同期望輸出結果，若未達到精度需求，則進入誤差反向傳播過程。該過程按照輸出數據對網絡權值閾值實施調控，確保網絡誤差不斷降低並滿足需求，提高神經網絡對輸入向量映射的準確率。專家對14家企業實施知識管理創新績效評估的結果如表1所示。對這些結果進行歸一化操作後的數據見表2。
1.2 BP神經網絡的創新績效評價
BP神經網絡算法的搜索過程基於梯度法進行，利用神經網絡的並行處理特徵，有輸入正向傳遞以及誤差反向傳遞兩個過程。輸入數據通過隱含層以及輸出層的神經單元操作後獲取評估結果[3]，也就是網絡的輸出結果，若輸出結果同期望結果差值處於允許誤差區間，則誤差信號反向傳播，並對神經元的權值閾值實施調控，通過循環疊代過程確保BP神經網絡的輸出同期望值一致，使得網絡平方誤差均值為期望的最小值，則終止BP神經網絡的學習過程。
BP神經網絡算法的實現過程如下：
（7） 獲取誤差函數值，分析是否比預期誤差精度低。如果符合誤差需求，則終止算法，否則，BP神經網絡返回過程（2），直至值符合誤差需求為止，用描述期望輸出。
通過批處理手段調控權值，完成全部樣本的輸入後，運算總誤差，基於總誤差對權值實施調控，該種調控手段能夠確保沿誤差降低方向運行[4]，具有較高的處理效率。BP神經網絡的創新績效評價流程如圖1所示。
1.3 創新績效評價的神經網絡模型
基於實際情況設置BP神經網絡的輸出層和輸出層節點數，創新績效評價確定了8個評價指標，則BP神經網絡輸入層存在8個節點，輸出層包括一個神經元，用於描述創新績效評價結果的代數值，其取值區間為[0，1]。通過試湊法獲取最優隱含層節點數量，先採用較少的節點數訓練網絡，若獲取的誤差高於期望目標[5]，則依據相同的樣本集不斷提升節點數量，循環試湊，直至網絡誤差最低，獲取最終的隱含層節點數。本文採用試湊法實施檢測，通過多次疊代獲取的結果如表3所示。對比分析其中的訓練次數以及誤差，能夠看出隱含層節點數量是10時，網絡具備最高的收斂效率以及穩定性，所以本文選擇隱含層節點數量為10。設置BP神經網絡收斂的誤差性能指標是MSE，網絡的學習精度為 0.000 1。最大訓練步長是10 000，網絡訓練達到最高步長時[6]可終止訓練集的訓練。明確動量因子0.96，避免網絡訓練出現局部最小值問題。
基於BP神經網絡的規範要求，將S型正切函數tansig以及對數函數logsig分別當成隱含層以及輸出層神經元的傳遞函數[7]。若已經明確BP神經網絡結構以及訓練算法，則網絡訓練樣本對網絡映射和泛化性能具有決定作用。將BP神經網絡樣本劃分成訓練樣本和測試樣本，訓練樣本可以得到合理的內部描述，測試樣本對訓練函數的BP神經網絡實施檢測[8]，分析檢測結果是否達到預期目標，通常兩種樣本各占總樣本數的80%以及20%。採用多家企業的知識管理績效評價指標作為BP神經網絡的輸入數據，採用學習樣本對BP神經網絡實施訓練，調控網絡權值，確保網絡輸出誤差最小化，得到最優創新績效評價結果。
2 實驗結果與分析
基於BP神經網絡的創新績效評價模型的訓練誤差性能曲線如圖2所示，能夠看出通過449次學習，評價模型得到收斂。輸入4組測試數據對完成訓練的本文模型實施測試，結果如圖3所示。能夠看出，本文模型訓練輸出結果同目標輸出結果誤差低，實現了創新績效的有效評估。
圖4為本文模型輸出結果同實際結果的線性回歸分析結果[9]，可得該評價模型的相關係數0.976 36，預測值同期望值間具有較高的關聯性，網絡回歸性能高，擁有較高的泛化能力。
本文模型的訓練梯度波動曲線以及學習速率曲線如圖5所示。
由圖5可以看出，步長小於150時網絡的梯度波動較低，該種情況下的學習曲面是一個平穩範圍[10]，避免陷入局部極小值點，並且本文模型的學習速率較低，收斂速率也較低。隨著本文模型BP神經網絡的學習速率不斷增加，梯度值快速減小，收斂速度加快。但在加快收斂的同時發生了輕微波動，此時誤差曲面可能比較陡峭，為了提升本文模型的穩定性，應降低學習速率。
當步長高於250時，BP神經網絡的學習速率不斷提升，達到最高值時，出現大幅度下降趨勢。本文模型的學習速率按照實際狀態自主調控，可避免模型陷入局部最低值，採用有效的學習效率完成收斂。
3 結 語
本文提出了基於BP神經網絡的創新績效評價模型，其由信息的正向傳播以及誤差的反向傳播兩個過程構成，通過梯度法實現BP神經網絡算法的搜索過程。該種評價模型解決了傳統創新績效評價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
[1] 劉曉峰，李傳富.基於物元分析法的物流企業服務創新績效評價[J].物流技術，2015，34（21）：94?97.
[2] 魏倩，蔡遠利.一種基於神經網絡的中制導改進算法[J].西安交通大學學報，2016，50（7）：125?130.
[3] 王旭.基於BP神經網絡的精益供應鏈協同績效研究[J].現代商貿工業，2015，36（5）：63?64.
[4] 單冬紅，蔡琪，魯書喜.基於BP神經網絡的諧波電流檢測方法研究[J].電子設計工程，2016，24（10）：42?44.
[5] 張再生，李鑫濤.基於DEA模型的創新創業政策績效評價研究：以天津市企業孵化器為分析對象[J].天津大學學報（社會科學版），2016，18（5）：385?391.
[6] 趙泉長，馬悅，朱澤魁.基於BP神經網絡的農超對接型供應鏈績效評價研究[J].價值工程，2016，35（22）：88?90.
[7] 張濤，李兆鋒，胡萍.翻轉課堂下學習績效評價模型的構建[J].現代教育技術，2016，26（4）：74?80.
[8] 李萍，徐安林.基於BP神經網絡的智能製造系統圖像識別技術[J].現代電子技術，2016，39（18）：107?109.
[9] 王冰，郭東強.基於BP神經網絡的企業內部知識轉移績效綜合評價研究[J].情報科學，2016，34（1）：141?145.
[10] 王英，王燦，孫新澤.基於AHP?BP神經網絡的江蘇省創新型經濟評價[J].科技管理研究，2016，36（9）：68?72.
摘 要： 針對當前創新績效評價模型存在收斂效率低以及泛化性能弱的缺陷，提出基於BP神經網絡的創新績效評價模型。對創新績效評價的指標體系進行構建，並收集相應的創新績效評價數據，採用BP神經網絡模擬人腦對創新績效數據進行訓練，並採用梯度法確定BP神經網絡的參數，建立創新績效評價模型，最後通過仿真實驗測試其性能。實驗結果表明，該模型提高了創新績效評價的精度，而且評價速度得到大幅度提高，評價效果明顯優於其他模型，具有更高的實際應用價值。
關鍵詞： BP神經網絡； 評價模型； 收斂效率； 泛化性能
中圖分類號： TN711?34； TP183 文獻標識碼： 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
當前知識在人力資本和科技中具有較高的應用價值，是企業提升自身競爭力的關鍵。知識管理是企業管理人員對企業內外知識實施控制，採用有效的績效評價模型對企業知識管理創新性能實施準確實時評估，可發現創新中存在的問題，提升效率和質量。
傳統創新績效評價模型存在收斂效率低以及泛化性能弱的缺陷，因此，提出基於BP神經網絡的創新績效評價模型來提升能力。實驗結果說明，本文評價模型的知識管理創新績效評價誤差小，具有較高的實際應用價值。
1 BP神經網絡的創新績效評價模型
1.1 創新績效的BP神經網絡評價原理
績效評估的干擾因素較多，存在較為複雜的映射關係，影響知識管理創新績效的評估效果[1]。採用BP神經網絡評估績效，通過神經網絡模擬人腦操作信息的手段，對信息實施並行操作以及動態變換。先明確BP神經網絡的輸入輸出，分別用於描述待評價企業信息管理績效的屬性信息以及最終評價目標；再通過大量的已知樣本對BP神經網絡實施訓練，並採用自適應學習獲取權值以及閾值，對BP神經網絡的結構進行準確描述；訓練好的BP神經網絡具有人腦記憶性能和識別性能[2]，能夠對評價指標同績效間的關係進行模擬，並採用測試樣本實施檢測，直至得到準確的結果。最終獲取的BP神經網絡是有效的評估工具，輸入未知樣本，則可獲取該樣本的評估結果。
在BP神經網絡輸入層輸入知識管理的評估指標，通過隱含層傳輸到輸出層，對比分析輸出結果同期望輸出結果，若未達到精度需求，則進入誤差反向傳播過程。該過程按照輸出數據對網絡權值閾值實施調控，確保網絡誤差不斷降低並滿足需求，提高神經網絡對輸入向量映射的準確率。專家對14家企業實施知識管理創新績效評估的結果如表1所示。對這些結果進行歸一化操作後的數據見表2。
1.2 BP神經網絡的創新績效評價
BP神經網絡算法的搜索過程基於梯度法進行，利用神經網絡的並行處理特徵，有輸入正向傳遞以及誤差反向傳遞兩個過程。輸入數據通過隱含層以及輸出層的神經單元操作後獲取評估結果[3]，也就是網絡的輸出結果，若輸出結果同期望結果差值處於允許誤差區間，則誤差信號反向傳播，並對神經元的權值閾值實施調控，通過循環疊代過程確保BP神經網絡的輸出同期望值一致，使得網絡平方誤差均值為期望的最小值，則終止BP神經網絡的學習過程。
BP神經網絡算法的實現過程如下：
（7） 獲取誤差函數值，分析是否比預期誤差精度低。如果符合誤差需求，則終止算法，否則，BP神經網絡返回過程（2），直至值符合誤差需求為止，用描述期望輸出。
通過批處理手段調控權值，完成全部樣本的輸入後，運算總誤差，基於總誤差對權值實施調控，該種調控手段能夠確保沿誤差降低方向運行[4]，具有較高的處理效率。BP神經網絡的創新績效評價流程如圖1所示。
1.3 創新績效評價的神經網絡模型
基於實際情況設置BP神經網絡的輸出層和輸出層節點數，創新績效評價確定了8個評價指標，則BP神經網絡輸入層存在8個節點，輸出層包括一個神經元，用於描述創新績效評價結果的代數值，其取值區間為[0，1]。通過試湊法獲取最優隱含層節點數量，先採用較少的節點數訓練網絡，若獲取的誤差高於期望目標[5]，則依據相同的樣本集不斷提升節點數量，循環試湊，直至網絡誤差最低，獲取最終的隱含層節點數。本文採用試湊法實施檢測，通過多次疊代獲取的結果如表3所示。對比分析其中的訓練次數以及誤差，能夠看出隱含層節點數量是10時，網絡具備最高的收斂效率以及穩定性，所以本文選擇隱含層節點數量為10。設置BP神經網絡收斂的誤差性能指標是MSE，網絡的學習精度為 0.000 1。最大訓練步長是10 000，網絡訓練達到最高步長時[6]可終止訓練集的訓練。明確動量因子0.96，避免網絡訓練出現局部最小值問題。
基於BP神經網絡的規範要求，將S型正切函數tansig以及對數函數logsig分別當成隱含層以及輸出層神經元的傳遞函數[7]。若已經明確BP神經網絡結構以及訓練算法，則網絡訓練樣本對網絡映射和泛化性能具有決定作用。將BP神經網絡樣本劃分成訓練樣本和測試樣本，訓練樣本可以得到合理的內部描述，測試樣本對訓練函數的BP神經網絡實施檢測[8]，分析檢測結果是否達到預期目標，通常兩種樣本各占總樣本數的80%以及20%。採用多家企業的知識管理績效評價指標作為BP神經網絡的輸入數據，採用學習樣本對BP神經網絡實施訓練，調控網絡權值，確保網絡輸出誤差最小化，得到最優創新績效評價結果。
2 實驗結果與分析
基於BP神經網絡的創新績效評價模型的訓練誤差性能曲線如圖2所示，能夠看出通過449次學習，評價模型得到收斂。輸入4組測試數據對完成訓練的本文模型實施測試，結果如圖3所示。能夠看出，本文模型訓練輸出結果同目標輸出結果誤差低，實現了創新績效的有效評估。
圖4為本文模型輸出結果同實際結果的線性回歸分析結果[9]，可得該評價模型的相關係數0.976 36，預測值同期望值間具有較高的關聯性，網絡回歸性能高，擁有較高的泛化能力。
本文模型的訓練梯度波動曲線以及學習速率曲線如圖5所示。
由圖5可以看出，步長小於150時網絡的梯度波動較低，該種情況下的學習曲面是一個平穩範圍[10]，避免陷入局部極小值點，並且本文模型的學習速率較低，收斂速率也較低。隨著本文模型BP神經網絡的學習速率不斷增加，梯度值快速減小，收斂速度加快。但在加快收斂的同時發生了輕微波動，此時誤差曲面可能比較陡峭，為了提升本文模型的穩定性，應降低學習速率。
當步長高於250時，BP神經網絡的學習速率不斷提升，達到最高值時，出現大幅度下降趨勢。本文模型的學習速率按照實際狀態自主調控，可避免模型陷入局部最低值，採用有效的學習效率完成收斂。
3 結 語
本文提出了基於BP神經網絡的創新績效評價模型，其由信息的正向傳播以及誤差的反向傳播兩個過程構成，通過梯度法實現BP神經網絡算法的搜索過程。該種評價模型解決了傳統創新績效評價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
[1] 劉曉峰，李傳富.基於物元分析法的物流企業服務創新績效評價[J].物流技術，2015，34（21）：94?97.
[2] 魏倩，蔡遠利.一種基於神經網絡的中制導改進算法[J].西安交通大學學報，2016，50（7）：125?130.
[3] 王旭.基於BP神經網絡的精益供應鏈協同績效研究[J].現代商貿工業，2015，36（5）：63?64.
[4] 單冬紅，蔡琪，魯書喜.基於BP神經網絡的諧波電流檢測方法研究[J].電子設計工程，2016，24（10）：42?44.
[5] 張再生，李鑫濤.基於DEA模型的創新創業政策績效評價研究：以天津市企業孵化器為分析對象[J].天津大學學報（社會科學版），2016，18（5）：385?391.
[6] 趙泉長，馬悅，朱澤魁.基於BP神經網絡的農超對接型供應鏈績效評價研究[J].價值工程，2016，35（22）：88?90.
[7] 張濤，李兆鋒，胡萍.翻轉課堂下學習績效評價模型的構建[J].現代教育技術，2016，26（4）：74?80.
[8] 李萍，徐安林.基於BP神經網絡的智能製造系統圖像識別技術[J].現代電子技術，2016，39（18）：107?109.
[9] 王冰，郭東強.基於BP神經網絡的企業內部知識轉移績效綜合評價研究[J].情報科學，2016，34（1）：141?145.
[10] 王英，王燦，孫新澤.基於AHP?BP神經網絡的江蘇省創新型經濟評價[J].科技管理研究，2016，36（9）：68?72.
收藏