文摘

随着社会经济的不断发展和社会竞争的加剧,人力资源管理中发挥着越来越重要的作用在整个资源系统。如何充分发挥人力资源的优势已经成为人力资源管理评价的关键问题。然而,当前人力资源管理评价体系存在一些问题,如时效性差、片面性和主观性。因此,本文提出一种基于模拟退火BP神经网络图像优化算法实现企业人力资源管理评价和图像分析。通过不同时间序列样本的学习,主要指标的平均重量分布方案,平均体重的比例c₁,c₂,c₃,c₄25.5%,24.8%,17.9%,和31.9%,分别。在企业员工的综合评价,实际输出与期望输出之间的误差小于4.5%。结果表明,基于模拟退火算法的BP神经网络图像的高精度图像分析和评价企业的人力资源管理。输出分析结果满足企业的实际需要和员工的个人发展,并提供一个决策方案的评价企业人力资源管理。

1。介绍

随着中国经济进入新常态,传统的广泛的企业管理模式已难以满足社会经济的快速发展的需要。在这种情况下,大量的传统企业开始改变完善的人力资源管理模式。如何实现人员和岗位之间的匹配和如何制定科学的人力资源规划是企业人力资源改革的关键问题。传统的企业人才评价主要依赖于专家的经验。这种主观的人才评价体系将因不同的评估人员,有很大的差异,很难实现人员之间的合理匹配分布和企业的实际工作需求,这最终会降低员工的积极性,限制企业的发展。因此,建立一个图像分析和评价系统的企业人才管理更加符合企业的实际需要具有重要意义的发展和改革企业人力资源管理模式。

随着社会信息化的显著增长,理论和BP神经网络(BP)的应用取得了很大的进步和发展,在各个领域产生深远的影响。许多领域的综合图像分析和评估已经完成了发展和改革传统的评价模型通过引入神经网络的新想法1]。在传统的人才评价过程中,评价结果与评价专家的经验密切相关。更有经验的图像分析和评估人员,就更敏感数据信息处理和最终评价结果越接近实际值。评估过程是非常符合BP神经网络的工作原理2]。它是可行的BP神经网络引入到人才评价体系。的引入BP神经网络可以减少主观判断错误,使企业人力资源管理系统更加客观、评价结果更科学、合理,并提供最适合企业长远发展的对策和建议,单一材料中的应用。然而,传统的BP神经网络图像分析一些问题,如收敛速度慢、高灵敏度体重初始化,而且容易陷入局部极值,影响评价结果的准确性和合理性3]。

为了解决大型问题的主观判断错误,收敛速度慢,而且容易陷入局部极值的传统的企业人力资源管理模式在现有BP神经网络用于人才评价、人才提出了一种基于模拟退火算法的分析和评价模型以达到客观、科学、合理的输出。BP神经网络图像优化的模拟退火算法本文实现企业人力资源管理的评价和图像分析。本文的创新贡献训练BP神经网络模型较低温度和冷却速度快通过使用模拟退火(SA)算法,有效地避免了重量和偏差的BP神经网络陷入局部极值和提供了一种新的优化方案为企业人力资源管理模式的改革。本文中的算法解决了传统BP神经网络图像分析的缺点。收敛速度快的优点,低敏感性体重初始化,不容易陷入局部极值,它可以测量和评估结果更准确、合理。

部分1简要介绍了研究背景和意义的企业人力资源管理评价。部分2简要介绍了企业人力资源管理评价的研究现状,讨论了该领域中存在的问题,并总结了本文的研究工作和研究方法。部分3介绍了BP神经网络的图像分析过程优化的模拟退火算法和研究企业人力资源管理的评估基于SA-BP(模拟annealing-backpropagation)神经网络模型。部分4建立企业人力资源管理的评价指标,SA-BP神经网络训练和测试,最后分析了网络的输出。部分5是一个简短的总结的主要结论。

2。相关工作

许多学者做了大量的工作在人力资源管理的评价方法。福勒等人提出了需要进行人力资源软管理的研究早在1992年(4]。Coutinho人力资源效用指数等人开发了人力资源管理系统的使用数据来评估人力资源管理的有效性(5]。明等人评估人力资源管理通过组织健康报告指数(6]。Lappan和大脑塔提出了人力资源计分卡实现人力资源战略,综合考虑操作,客户,和金融(7]。Loyarte洛佩兹等人提出了人员成熟度模型来帮助企业找到人事管理的优点和缺点8]。陈等人提出了人力资源管理的质量评价模型从人员成熟度的角度,提出了关键时间和标准业务流程,构成了KPA [9]。Boudlaie等人认为人力资源计分卡提出的Brian e . Beeker只呆在理论研究和建立人力资源管理效率计分卡在此基础上,增加了可操作性的人力资源计分卡从四个方面的人力资源策略,操作,客户,和金融(10]。张和经分析的核心思想和指标计分卡的四个方面,包括所有员工的评估和评价的范围(11]。所有这些方法都是本地化研究基于国外评价方法。

国内学者也做了很多工作在人力资源管理通过建立的评价指标体系。拉杰什和Rajendran人力资源管理的实践过程分为四个部分:招聘、培训、绩效评估和激励。然而,这些内容仍停留在传统的人事管理功能,不能做一个基本的预测未来的人力资源供给和需求(12]。为此,Klimecka-Tatar Ingaldi添加了两个指标的人力资源规划和信息管理的基础上,原来的指标体系(13]。,魏晋提出了研究人力资源管理的绩效评估和优化BP算法的基础上,介绍了人工神经网络的评估人力资源管理,人力资源管理评价模型的建立基于BP算法,并提出对策(14]。陈和天人力资源管理提出了一个定量评价方法基于马尔可夫分析和建立了一个定量模型来评估人力资源管理方法的优点和缺点,使用马尔可夫分析(15]。

综上所述,虽然许多学者做了大量的研究工作在企业人力资源评价的片面性和主观性评价方法基于组织科学已经成为一个重要因素限制人力资源评价方法的发展。因此,如何使评价方法客观、公平的迫切要解决的问题,在企业人力资源管理的研究评估。虽然引入BP神经网络提供了一个新想法的改进人力资源形象评价模型,传统的BP神经网络有一些问题,如收敛速度慢,对重量敏感的初始化,而且容易陷入局部极值,也影响图像评价结果的准确性和合理性。针对这一点,基于模拟退火算法的BP神经网络模型提出了解决问题的收敛速度慢和容易陷入局部最优解,实现客观、科学、合理的评价方法。

3所示。人力资源管理的形象评价模型基于模拟Annealing-Optimized BP神经网络

3.1。优化BP神经网络的图像模型以模拟退火算法为基础

BP神经网络是一个多层前馈神经网络训练误差反向传播算法,它可以完成非线性映射的算法模型(16]。在BP神经网络的设置,输入和输出层神经元的数目,隐层神经元的数目,学习速率,传递函数的选择。其总体结构如图1。

从图可以看出1外部信息是输入从输入层和转移到隐层BP神经网络。隐层的传递函数和重量信息结合重新分类和排序。最低可以表示为神经元之间的传输距离

在公式(1),n神经元的数量;一个_x神经元的重量吗x;B_x神经元的输出值吗x。的值越小P(x),相似性越高一个_x和B_x。

在BP神经网络中,如果有太多的信息隐层节点,有效的信息处理也将增加,这将导致太长时间模型的训练时间,甚至过度拟合现象。因此,合理选择隐藏层和神经元的数量是BP神经网络的建设的关键。最优的隐层节点数可以得到以下公式:

在(2),H_x是最佳的隐层的节点数;在这个节点,通过计算可以得到最好的训练时间,和效率和准确性神经网络将在最好的状态。

从隐层输出层,BP神经网络的权值调整的方向按照一定的原则:减少错误

在(3),是连接两个节点之间的权重,沿着连接重量是e方向,体重改变。每个神经元接收的总连接重量信息输入来自其他神经元可以表示为

在公式(4),神经元是绑定的力量吗我和j,它是连接重量;神经元的输出;是神经元的阈值我。为了使网络准确、可靠,它是必要的,以确保网络的输出值和预期值在一定范围内,这个评价指标通常表示误差的平方和E,其数学表达式如下:

在方程(5),u隐层神经元的数量,米输入层神经元的个数,n是在输出层神经元的数目,然后呢r是一个随机常数从1到10。神经元的数量的一般范围可以由上面的公式,计算和最优数量的隐层神经元可以通过选择中间值决定的。

在确定隐藏层和神经元的数量,我们需要知道阈值k_我隐藏层和输出层之间。当输出的值我在隐藏层神经元y_我表达式如下:

在(6),d_我是输入层节点之间的连接权重和隐层节点;u_我隐层节点之间的连接权重和输出层节点;我预期的输出值;b是重量的误差值。误差函数通常选择作为BP神经网络的评价指标:

在方程(7),米训练样本的数量;n是在输出层神经元的数目;预期的输出值;是实际的输出值。

自学习神经网络模型,BP神经网络调整节点的重量根据错误的实际输出值与期望输出值之间的神经元:

在(8),输入神经元之间的重量吗我和普通神经元j。

在(9),和是向前传输和向后传播的评价分数,分别。

通过一定数量的训练样本,适当的体重可以确定网络参数;因此,在的情况下n样本的输入,实际产出之间的剩余价值o和o '是最小化

在方程(10),t迭代修正的数量,合理的重量和控制模型的参数可以由反向传播梯度法。建设和训练后的BP神经网络,为了解决问题的收敛速度低、容易陷入局部极值,合作算法模型,模拟退火算法和BP神经网络建立了。算法流程图如图2。

从图可以看出2模拟退火算法的BP神经网络优化主要分为四个部分:构建BP模型,随机设置每个神经元的重量,使用模拟退火算法获得最优的重量和偏差,并判断终止培训(17]。确定上述步骤后,有必要考虑初始温度的选择,温度衰减函数,和结束条件,玻耳兹曼的退火函数通常被选为温度衰减函数,及其数学表达式如下(18]:

在(11),E是国家能源;kT波尔兹曼常数和热力学温度的乘积。玻耳兹曼分布两种状态之间的比率的系统称为玻耳兹曼因子:

神经网络的一般形式如下:

为输出向量Y一个神经元,它只能作为0或1。如果Y= 1,那么概率p:

如果Y= 0的概率是多少1−P然后改变

然后,系统转移概率是

方程(16)的玻尔兹曼因子玻耳兹曼温度衰减函数。模拟退火算法的关键是冷却的过程,如果降温过程过快,全球将丢失最优解;太慢会增加算法的执行时间。因此,选择一个适当的温度衰减函数对模拟退火算法的优化性能具有重要意义[19]。

3.2。图像评价企业人力资源管理基于SA-BP模型

一个合理的企业人力资源管理方案不仅是符合企业实际需要的人员也符合个人发展(20.]。因此,针对现有的企业人力资源管理的强烈的主观评价模式和经验更大的影响力,本文研究并提出了SA-BP模型来实现企业人员的合理、科学的评价,及其具体实现过程如图3。

从图可以看出3,企业人力资源管理评价研究的第一步需要分析企业人力资源管理评价的影响因素,建立评价指标,细化和量化指标,形成一个系统;其次,有必要建立SA-BP神经网络,包括确定网络层,每一层神经元的数量,学习速率和初始值21]。然后,神经网络的训练和测试通过使用图像量化的索引数据,并通过连续网络收敛迭代修正。最后,定量指标的员工输入SA-BP训练神经网络模型得到综合评价得分。

4所示。应用效果形象研究SA-BP神经网络优化的模拟退火算法

4.1。确定人力资源管理评价指标

本文研究和构建企业人力资源管理评价指标体系与4个一级指标和10个二级指标。其中,一级指标是单独的函数c₁、工作经验c₂、工作能力c₃和理论知识c₄(22]。为了使不同类型的指标更加科学分工,相关的分析c₁,c₂,c₃,c₄变量进行了。

如图4之间的相关性c₁,c₂,c₃,c₄很低,已明显分化作为企业人力资源评价指标。二级指标包括年龄一个₁、性别一个₂、长度的服务一个₃,邮资一个₄、部门年龄一个₅、职业资格水平一个₆,专业技术水平一个₇、专家人才类型一个₈,研究生院一个₉和学术水平一个₁₀(22]。二级指标的相关分析。

从图可以看出5,除了邮资和工作年龄相关性强,其他二级指标的相关系数都低于0.5,表明指标之间的相关性很弱,而且没有显著的线性关系,因此它可以包含更丰富的评价信息反映的重量主要指标。

4.2。SA-BP神经网络的训练和测试

训练数据的质量直接影响到神经网络模型的输出。根据确定的主要和次要指标,为了考虑时间序列的影响,四组的选择评估对象在不同的年份,和他们的指标量化23]。图像的索引数据评价对象规范化获得SA-BP神经网络的学习样本的输入。同时,综合得分评价对象的输出作为学习样本熵方法(24]。神经网络训练的评估结果,这幅图像方法不仅符合专家评价体系,也符合企业的实际需要。通过学习和培训的四组不同的时间序列样本,神经网络SA-BP给每组的体重关系的人力资源管理评价指标,如图6。

从图可以看出6的一级指标的权重由不同时间序列网络训练学习样本是非常不同的,和个人身体健康的重量占总在第一年的48%;第二年,工作能力的重量占37.1%;第三年,工作经验的占39.5%;第四年,工作经验的占38.4%。结果表明,人力资源管理基于专家经验的评估是非常主观的。为了使网络更加客观和科学,一级指标的权重分布在四年平均专家经验的基础上。一级指标的平均重量分布如图7。

从图可以看出7理论知识有最大的影响最终的评估结果,占31.87%;此外,个人体质的重量比例,工作经验,工作能力下降,25.47%,24.78%,和17.88%,分别。分配方案作为主要指标权重赋值神经网络的方案。同时,神经网络通过学习训练样本集图像测试需求。测试样本集是通过16个企业员工的问卷调查获得的。像测试集图像,为了使分析结果更科学,有必要规范原始数据(25]。培训后,SA-BP神经网络图像进行测试,结果如图8。

从图可以看出8之间的误差网络的实际输出和期望输出可以控制在4.5%以内,表明SA-BP训练神经网络具有良好的评估结果,可用于企业人力资源管理的后续研究评估。

4.3。输出SA-BP神经网络的分析

使用SA-BP训练神经网络,根据相应的量化指数,10名雇员全面评估。网络的输出如图9。

从图可以看出9,SA-BP训练神经网络的实际输出结果与获得的结果基本上是一致的熵方法。结果表明,利用神经网络评价不仅可以满足输出结果与专家经验相一致,也使评价体系客观和定量,从而实现人力资源管理的科学、合理的评估。实际产出之间的关系,最理想的输出是更好的量化,并输出错误的画网络图所示10。

从图可以看出10模型的输出误差在4.5%,和实际评价分数接近评价得分由专家经验。结果表明,BP神经网络的输出结果基于模拟退火算法不仅符合专家的评估经验,但是也可以是科学、客观、公正的最大程度。它不仅可以满足企业的实际需要,还充分发挥每个员工的优势,可作为评价企业人力资源管理的基础。

5。结论

针对问题的强烈的主观性和不合理的分配人员和职位评价的传统的企业人力资源管理,提出了一种通过模拟退火算法优化BP神经网络图像实现企业人力资源管理的评价和图像分析。本文介绍了BP神经网络的图像分析过程优化的模拟退火算法和研究企业人力资源管理的评价基于SA-BP(模拟annealing-backpropagation)神经网络模型。与此同时,企业人力资源管理的评价指标,建立了SA-BP神经网络训练和测试,最后,分析了网络的输出。通过不同时间序列样本的学习,主要指标的平均重量分配方案。结果表明,该算法解决了传统BP神经网络图像分析的缺点。算法具有收敛速度快的优点,对体重初始化,敏感度低,不容易陷入局部极值。它可以测量和评估结果更准确、合理。本文的贡献是训练的BP神经网络模型较低温度和冷却速度快通过使用模拟退火(SA)算法,有效地避免了重量和偏差的BP神经网络陷入局部极值和提供了一种新的优化方案为企业人力资源管理模式的改革。由于数据的方案并不验证本文未来的研究需要进一步优化。

数据可用性

使用的数据来支持本研究的发现可以从相应的作者。

的利益冲突

作者宣称没有利益冲突。

确认

本文的工作是由广东理工师范大学。