分析和仿真对人力资源管理风险预警模型的基于BP神经网络

文摘

人力资源管理风险是由于雇主组织未能使用相关人力资源合理和可能导致有形或无形的人力资源浪费,甚至风险;因此,构建一个实用的人力资源管理风险预警模型是非常重要的早期风险预测。反向传播(BP)神经网络是一个信息分析和处理系统由用误差反向传播算法来模拟人类大脑的神经功能和结构,它可以处理复杂多变的事物之间没有明显的线性关系输出结果和输入因素,从而找到两者之间的客观联系。基于之前的研究工作的总结和分析,本文阐述了研究现状和人力资源管理风险预警的意义,阐述了发展背景、现状,以及未来的BP神经网络的挑战,介绍了方法和BP神经网络的连接权重的计算原理和学习培训,执行风险诱因分析、指标体系建立,和网络节点选择人力资源管理,构建人力资源管理风险的早期预警模型基于BP神经网络,进行风险预警模型基于BP神经网络训练和检测,最后进行了仿真和结果分析。研究结果表明,人力资源管理风险的早期预警模型基于BP网络是有效的,和BP网络训练和测试风险预警模型可以用来进行预警实证研究人力资源风险防范人力资源风险,保证企业的良性运行,同时在监管中发挥作用,促进市场秩序整顿。

1。介绍

人力资源已成为不可或缺的重要资源,为企业的发展,企业已经逐渐认识到它的作用和重要性这一比例提高到前所未有的高度。人力资源管理是核心的支持和强有力的保证一个企业的生存和创新和发展,并直接关系到企业的战略发展目标的实现(1]。人力资源管理风险是由于雇主组织的失败相关人力资源合理使用,导致有形或无形的人力资源浪费,甚至风险。这种风险的范围将涉及招聘、培训、绩效考核、工资和其他人力资源的关键环节2]。如果风险企业在这些重要环节处理不当,将对公司造成不可估量的损失,甚至导致公司的衰落。由于固有的特殊属性,人力资源,人力资源管理更隐蔽的风险比其他商业风险和经常被忽视3]。因此,构建一个实用的预警模型,人力资源管理风险是极其重要的早期风险预测,和风险管理中起着举足轻重的作用在整个企业的管理系统。领域的风险管理的研究已经进行了很长一段时间,一个很广泛的范围,和学者的研究方法也不断创新(4]。

人工神经网络建立的一个数学模型模拟人类大脑神经网络的行为特征,自适应能力强,可以调整网络的内部节点根据不同系统的复杂情况5]。反向传播(BP)人工神经网络是一个信息分析和处理系统,利用误差反向传播算法来模拟人类大脑的神经功能和结构(6]。通过BP神经网络分析,它可以处理复杂多变的事物之间没有明显的线性关系输出结果和输入因素,从而找到两者之间的客观联系。BP神经网络能产生合理的输出新的投入在训练过程中,这大大减少了企业营销渠道的风险评估的困难。为了避免人类干预和错误,通过系统辨识和控制,最优算法来优化系统功能实现预警和控制功能的未来发展的事情7]。因此,BP神经网络的引入到人力资源预警指标评价体系可以有效地解决非线性问题的早期预警指标和模型难以适应在线预警时间、提高系统效率的早期预警,并提供必要的技术保障正确的早期预警的预警系统8]。

基于之前的研究工作的总结和分析,本文阐述了研究现状和人力资源管理风险预警的意义,阐述了发展背景、现状,以及未来的BP神经网络的挑战,介绍了方法和BP神经网络的连接权重的计算原理和学习培训,执行风险诱因分析、指标体系建立,和网络节点选择人力资源管理,构建人力资源管理风险的早期预警模型基于BP神经网络,进行风险预警模型基于BP神经网络训练和检测,最后进行了仿真和结果分析。本文的研究结果将为进一步的研究提供一个参考的分析和仿真研究人力资源管理风险的早期预警模型基于BP神经网络。具体章节安排如下:部分2介绍了方法和BP神经网络的连接权重的计算原理和学习培训。第三节构造一个人力资源管理风险预警模型基于BP神经网络。第四节进行风险预警模型基于BP神经网络训练和检测。第五节进行仿真和结果分析。

2。方法和原则

2.1。重量计算的BP神经网络的连接

BP神经网络的输入层外部收集相关信息,并将输入信息竞争层(9]。这一层recategorizes和结合了信息,发现规则,并安排他们。其中,最小可以表示为神经元之间的传输距离 在哪里n神经元的总数;一个_x神经元的权重值吗x;和B_x神经元的输出值吗x。越小P(x),之间的距离越近一个_x和B_x,相似的两人。

在使用这种风险预警模型中,如果有隐藏信息太少点选择,BP神经网络将获得有效的信息太多,这就增加了训练时间。最好的隐藏信息的数量点可以得到以下公式: 在哪里H_x是最好的隐藏信息的数量点;可以通过计算获得最好的训练时间,和它的效率年代_x和准确性T_x将在最好的状态。

从隐层输出层,调整网络的权值减少错误的方向按照一定的原则。为了提高连接权重的梯度e,网络逐渐收敛,和BP神经网络集重量α_e作为 在哪里f(e)是两个节点之间的连接权重;P_e沿着梯度连接重量是e;体重改变。神经元模型由神经元组成,发射功能,和神经元之间的连接权值。每个神经元接收来自其他神经元,信息传输和总重量输入连接是 在哪里k_ij是神经元的粘结强度我和神经元j,称为连接重量;x_我神经元的输出是什么我,α_e(我)代表神经元的阈值我。

训练样本修改的价值我根据误差按照一定的方法,这样网络才能继续发展的方向正确的反应,和网络的输出之间的差异和预期的输出是在允许的范围内。一般来说,误差平方之和E网络的输出是最小的,网络学习的理想结果;E也被称为能量函数: 在哪里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是一个常数随机选择从1到10。方法来确定隐层神经元的实际数量是先计算的一般范围数量的神经元通过以上公式,然后选择中间值作为最优数量的神经元。

2.2。BP神经网络的学习和培训

提取样品的流程x_我从样本集;k_我将阈值从输入层节点隐藏层,然后,输出值y_我的我^th在隐藏层神经元 在哪里d_我每个节点的连接权在输入层到隐层中的每个节点;u_我每个节点的连接权在隐层输出层中的每个节点;l预期的输出值;b是调整和错误值的重量。

BP神经网络通常选择典型的正向反馈网络误差性能函数来评估网络的性能U_ij,其表达式 在哪里米训练样本的数量;n是在输出层神经元的数目;ρ是预期的输出;σ是实际的输出。

算法不断修正权重基于神经元的实际输出值之间的误差和预期的输出值10]。重量调整隐层和输出层的神经元的自学习训练模型 在哪里y_ij输入层神经元的重量吗我和统治层神经元j: 在哪里α_ij和β_ij的评价分数是正指标和逆指标,分别;γ_ij的实际价值我^th指数;和c是标准的价值我^th索引。

通过一定数量的网络培训的过程,它实际上是修改网络参数来确定相应的权重,这样所有的输入n样本,残差的实际输出o和预期的输出o”,是最小化:

权重的修正和控制参数的梯度法实现反向传播方法;t是迭代修正的数量;和问_t控制参数的规则的模糊算子层和输出层,分别。

3所示。建设人力资源管理风险预警模型的基于BP神经网络

3.1。风险诱因分析和指标体系建立的人力资源管理

BP神经网络不仅能定性分析方法用于人力资源风险预警,但通过之前的BP神经网络的引入,据悉,它还可以定量地分析一个企业的人力资源风险预警。通过实地研究公司,它可以完成的员工的工作目标,卓越的员工培训,内部和外部人员的比例,员工满意度,员工工资增长率、员工福利改进率,新员工成长率,员工的晋升速度,和员工人力资源风险预警指标10个样本数据的周转率和员工的出勤率和这些数据作为样本输入到BP神经网络模型。BP神经网络的分析后,专家评分法,输出数据进行评估和等级是根据数据的数量决定的。以一致的方式处理数据后,发现每个企业的安全水平和数据得到后的使用BP神经网络风险预警满足要求,表明该评价体系可以用于实际的人力资源风险警告。人力资源风险是一个关键环节,操作中不可低估的企业,这是一个企业最宝贵的资源之一,公司的未来发展的支柱。

预警模型的基本过程,第一步,是主成分分析的指标在企业营销风险预警指标体系,和获得的主成分作为BP神经网络的输入,和值代表相应的综合评价结果作为神经网络的输出。第二步是训练样本集上的网络现有的评估结果,第三步,测试是使用测试样本集的样本测试模型的有效性。一组由神经网络的权值和阈值是正确的内部表示网络通过白色的自适应学习获得的评估值之间的映射。尽管上面的预警指标体系可以充分反映各企业面临的内部和外部的风险,指标的数量太大,而且可能有一定的这些指标之间的相关性,和太多的指示值直接作为神经网络。输入变量将复杂的网络结构,增加培训负担,减缓学习速率,将影响评估模型的难度训练(图1)。因此,有必要提取这些指标的因素,找到最能影响信息化的评估价值作为神经网络的输入(11]。

在企业人力资源管理、风险预警指标参考指标的形成,可以准确反映人力资源管理活动的状态和调查的结果和适用于某些固定的调查指标,很难收集特定的值,如工作匹配和全面性的评估基于BP神经网络,建立一个人力资源管理风险预警模型,可以更直观、准确地做出风险早期预警企业(12]。主成分分析方法主要用于预处理仿真数据,和更大的指标体系,人力资源管理的风险就越大。BP网络的输入节点的选择模型,BP神经网络处理原始模拟数据通过一个统一的方式,计算最大的广场和偏差之前尽可能多的评价对象,并预测企业人力资源管理风险是在一个大的或小的状态。隐层节点的选择应该基于BP网络模型网络的实际情况,因为如果隐层节点的数量太小,网络可能不是训练或网络无法识别样本没有存储之前,所以实际输出和期望输出向量。均方误差的大小和数量的培训步骤全面分析和确定合适的隐层节点的数量,已达到了优化人力资源管理风险预警。

3.2。BP神经网络的节点选择

人工神经网络具有学习能力和BP神经网络具有良好的输入输出映射能力通过学习。当本文使用BP神经网络预警模型实证研究,所选的主要目的代表各种风险状态下数据是反映了频道的整体风险状况,和BP神经网络训练,使每个神经元隐藏起来。包含地面影响全球其他神经元的活动,所以神经网络可以自然地挖掘有价值的知识和法律从大量数据。归纳能力意味着BP神经网络可以为新生成合理的输出输入在培训过程中,这大大减少了企业营销渠道的风险评估的困难(13]。在信号转发过程中,网络的权值和阈值是固定的,而每一层的神经元状态只影响下一层神经元的状态。在预警过程中,这是不可避免的,会有当地的指标变化,这将形成早期预警的噪音。然而,由于信息存储的高度并行分布在人工神经网络中,当地的损害会削弱人工神经的操作。不会有整体影响,可以准确地报警错误率两基于现有的样品。

指标体系分为三个层次:第一层是通用指标体系;第二个层次是主要的指标体系,这是由四种类型的操作风险的原因;第三个层次是详细的指标体系,这是详细的因素影响导致的四种类型。详细的指标体系数据的采集必须基于数据系统人力资源的信息。大量的数据时间序列因素通过BP神经网络模型进行了分析和计算,得到神经网络预测模型,使未来风险状况和预警判断正确。由于操作风险所涉及的因素很多,有些影响因素是不容易获得的人力资源系统。需要手工统计计算之后,影响精度,效率,和实时的预警系统在一定程度上14]。在输入数据时,有必要根据变量的原则处理所有数据归一化,使其闭区间上的无因次索引值(图2)。为了建立一个有效的、科学的和实时操作风险预警系统,人事部门应该完成指标的建设信息系统尽可能多。除了计算因素的关键风险指标,其他定量因素,可能形成操作风险也应包括在内。科学的运营风险预警系统将提供非常有效的方法,帮助人力资源管理。

组织愿景和组织目标的指导下,掌握人力资源管理人力资源的需求和供给从战略高度根据人力资源活动的特点,动态人力资源计划,并努力平衡人力资源需求和供给,从而促进组织目标实现。的节点选择BP神经网络具有以下特点:人力资源管理活动的组织是高度兼容商业策略;组织的水平和垂直组织设置匹配需求的内部和外部的人力资源管理行为;各级员工在组织内进行实践基于人力资源管理标准和保持动态与组织策略。然而,显式的元素和隐藏元素是评估和选择人才的重要参考不同的工作类别和级别。作为一种重要的基础实现战略人力资源管理的目标,人才评价帮助组织建立一个多样化的人才队伍,满足他们的发展远景。它在稳定中发挥着关键作用组织发展的基础,提高组织的发展潜力人才,消除绩效较差的人员与组织的发展战略、不兼容、创新组织发展活力。

4所示。培训和检测的基于BP神经网络的风险预警模型

4.1。风险预警模型的训练

隐层节点的选择是一个非常复杂的问题,因为大规模并行分布式结构和非线性动态特性的神经网络确定一个简单和普遍简洁的解析表达式或隐层单元确定公式在理论上非常。选择隐层节点的数量直接相关的需求问题,输入和输出的数量单位:如果隐藏节点的数量太小,网络不强,它将无法识别样品还没有见过,和容错将贫穷。太小的结构可能不是训练,但是太多的隐藏节点会使学习时间太长,和错误可能不是最好的(图3)。BP神经网络能从大局出发,调整特定的数据,准确地打开报警和报警预警指标和预警水平。它可以看到优化人力资源管理风险预警的过程中,逐渐接近一个函数。人力资源管理的风险,当风险因素是不断发展的,它可能会威胁到整个企业的人力资源管理。BP神经网络具有全球特征,可以准确地帮助企业的人力资源管理。预警是当有风险,这是非常适用的(15]。

为了避免隐藏层的数量的增加,网络学习和培训的时间将增加和错误值将会增加。本研究选择一层隐藏层的数量,它还可以增加神经元的数量的基础上一个隐藏层。提高BP神经网络的训练精度,结构实现而言,这是比增加隐藏层的数量简单。当然,在神经网络的隐层神经元不是尽可能大,必须选择和原则。一般来说,越大的节点数量的隐藏层网络,更大的功能。然而,这样做的好处是:性能更强,但缺点是结构复杂,周期的数量,也就是说,培训时间,增加。学习和培训的效率变得很低,误差值控制不能达到最好的状态,和神经元的数量实在是太小了;其优点是学习和训练时间少,网络结构简单,缺点是性能的能力不强,学习能力和信息处理能力差。容错性差,学习下降缓慢,甚至nonconvergence发生错误。然而,由于BP神经网络的并行分布结构和非线性动力学的存在,很难统一的公式确定隐层神经元的数目。

特有的非线性适应性信息处理能力的人工神经网络克服了传统人工智能方法的缺陷模式、语音识别、非结构化信息处理,这样它就可以被用于函数逼近、模式识别、数据压缩。由于统计方法不需要前提和假设,它只需要把各种指标的值代入模型回归分析得出结论。因此,它不太复杂的操作,但其缺点也很明显,出现了越来越多的成功的例子与增加优势。因为单个指标体系不能包含或反映所有信息资源管理风险,也是没有说服力的法官管理风险状态基于单一指标体系(16]。如果同时使用多个指标分别评估人力资源管理的风险,这些指标的预测结果可能不是完全不一致,防止决策者做出正确的判断,并采取相应的对策。尽管上述缺点,统计方法使得研究者意识到风险管理的地位是多个风险因素的叠加的结果,它有一个非常重要的思想启蒙运动的指导意义预警模型研究和技术进步的影响。

4.2。风险预警模型检测

人力资源管理风险预警的原理基于BP神经网络的评价是人力资源管理风险的二级指标作为神经网络的输入,以知识管理风险的综合评价为输出,并使用足够的样本训练网络,计算权重和阈值。神经网络学习和培训完成后,该模型可用于制造相应的综合评价对不同的人力资源管理风险预警。在正常情况下,增加隐层神经元的数量可以减少网络错误,提高精度,但它也将使网络复杂化,从而增加了网络的训练时间和增加过度拟合的可能性(图4)。数据准备是提取某些训练样本获取人力资源管理风险预警二级指标数据标准化二级指标数据和输入到网络。在人力资源的建设,项目经理经常引进人才和增加新工艺的研究和开发实现高性能人力资源知识共享风险在项目建设。造成的风险不仅是知识转移的效率和员工之间的沟通在项目中,这也可能造成管理溢出效应引起的知识交流和共享有关组织或单位以外的项目。

人力资源管理风险指标应该能够敏感地反映人力资源管理活动的现状和人才管理工作中潜在的风险因素。通过分析人力资源管理的实际状况的县,结合问卷调查内容,人力资源管理的风险分为五类,即人才培养、人才使用、人才流动、人才分布、和人才结构,然后根据全面性的原则,不同,可比性、和科学,五个具体风险指标筛选后得到。当有太多的隐层节点,其优势是强劲表现能力,但缺点是训练效率不高,泛化能力降低,和最好的错误就可能无法实现;当有太少的隐层节点,这样做的好处是:学习时间少,缺点是缺乏性能,容错性差,和学习误差减少甚至不收敛(17]。模型训练可以解决隐层节点数,重量,和阈值的调整问题,因此BP神经网络可以更好地满足实际问题的需要。根据操作的最终输出结果测试的最终数据,比较和分析其具体的期望输出与实际输出,并且它可以知道实际的输出构造模型的数据基本上是符合预期的输出,和均方误差在可接受的误差范围之内。

企业需要确定一系列的因素,可能构成企业的人力资源管理的风险评估。好能给一个统一的风险因素分析,但事实上,不同的公司关注的风险因素往往是不同的,这要求必须首先识别可能的风险。在前一篇文章中,一些人力资源管理风险因素作为评价指标,和企业可以根据实际情况选择他们。对于每个风险因素,由于不同的知识,经验,和价值观,不同的评价者有不同的看法每个风险因素可能产生的影响。企业人力资源管理的风险评估有着明显的模糊特性;所以,理论和方法用于评估和预警模型的建立应适应这一特点。因为这个特点,评估风险的严重性无法分析和判断企业的机制,有必要建立一个风险评估团队组成的企业中层和高层领导人和专家评分。不同的公司不同的关注的风险因素,这需要一个判断基于公司的实际情况对风险的严重程度可能影响公司18]。

5。仿真和结果分析

5.1。公司和示例数据

在模型的操作,选择以下参数:学习速率为0.05,系统误差为0.001,运行20000倍的数量,选择相应的函数作为激活函数。隐层节点的数量,基于参考公式,首先确定较少的隐层节点进行训练。如果没有在指定次数的训练收敛,它会停止训练,逐渐增加隐层节点的数量。本研究选择4例,即6、10、12、14。经过多次训练,终于确定隐层节点的数量是20,所以本文的BP网络模型结构是8×10×1。通过实地研究公司,系统可以完成的员工的工作目标,卓越的员工培训,内部和外部人员的比例,员工满意度,员工工资增长率、员工福利改进率,新员工成长率,员工的晋升速度,和员工人力资源风险预警指标10个样本数据的周转率和员工的出勤率。分析和仿真的工作流人力资源管理风险预警模型的基于BP神经网络的图所示5。

预警模型的研究对象在本文建立人力资源管理风险,和模型的输入层应该是人力资源管理风险预警诱因索引数据。因此,本文选择多个风险指标作为输入节点。因为这些指标有不同的测量标准,这两个定量和定性,他们的性质和尺寸也不同,这使得它不可能一起测量指标(19]。因此,为了更好的输入数据和顺利连接研究对象和模型,加快学习和训练网络的收敛性,在输入数据之前,本文首先使所有的示例数据并将它们转换为规范化闭区间无量纲的索引值,从而消除模棱两可的问题预警结果由不同的指标特性和nonsuperposition引起的。

5.2。结果分析

利用BP神经网络的基本思想进行风险评估是常常需要组织大量的专家,以确保评价的影响对投资项目进行风险评价时,但在实际操作中,这通常是不可能的。因此,BP神经网络可以使用权威的评价结果作为神经网络的输入和输出,训练网络直到神经网络的训练精度达到既定的要求(20.]。经过训练的网络只需要专家来给每个风险的索引值对于一个特定的项目,和神经网络能给一个项目的投资风险的综合评价。通过这种方式,当它需要评估投资风险的投资对象,它可以训练网络,邀请专家来分析项目评估的重量,计算得分,并代入训练神经网络,神经网络可以输出相应的,项目的风险水平是获得(图6)。的基于BP神经网络的多目标综合评价方法,通过自学习,自组织的适应性,以及强大的神经网络的容错,根据专家评价方法可以准确地工作。经过训练的神经网络系统是连接专家评价的思想。

人力资源管理的目的是实现人类的目的通过完整的集成和集成各种基本的和广泛的分享或专业人力资源和执行人类的创新和快速产品创新在此基础上。人力资源不足将导致创新效果和效率较低,导致创新的失败或创新成果的商业化,并最终损害企业的经济利益。这个算法的诊断精度主要取决于cut-to-I训练样本的数量和质量,但是很难获得足够理想样本在实践中。这需要逐渐积累在使用过程中,网络往往是通过持续不断的学习完善。隐层节点数的选择在网络是一个复杂的问题。隐层节点太少会导致太多的当地最低标准,和太多的节点会使学习时间太长,错误可能不是最好的。BP算法由两部分组成:信息正向传播和误差的反向传播。在正向传播过程中,输入信息从输入层到输出层通过隐藏层计算。如果没有获得所需的输出在输出层,然后计算输出层的误差变化值,转向反向传播,将误差信号沿原来的连接路径通过网络修改每一层的神经元的重量,直到达到所需的目标(21]。

BP神经网络能从大局出发,调整特定的数据,准确地打开报警和报警预警指标和预警水平。在这项研究中,警告级别分为四个不同的水平(I-IV)来描述风险预警模型的训练和检测结果基于BP神经网络。人工神经网络不需要确定的数学方程输入和输出之间的映射关系。人力资源管理风险的早期预警模型基于BP网络是格式化的,和其核心过程包括四个方面,即函数逼近、模式识别、分类和数据压缩(图7)。在实际的人力资源风险管理的企业,这个函数可以被看作是各种各样的问题导致的风险,如人力资源管理资金不足,人才流失22]。BP网络预警模型的人力资源管理风险这一原则适用于工作,及其基本要求包括三个方面,即足够的了解工作内容、平稳、快速、合理的处理信息的渠道。当有人力资源管理风险,如资金不足、subresponsible人和他们的总经理助理将反馈信息尽快和总经理将与公司的高级管理层协商,以避免风险的传播和扩大。

6。结论和未来的范围

执行风险诱因分析,建立指标体系,人力资源管理和网络节点选择,构造了一个人力资源管理风险预警模型基于BP神经网络,进行风险预警模型基于BP神经网络训练和检测,最后进行了仿真和结果分析。人力资源管理风险预警的原理基于BP神经网络的评价是人力资源管理风险的二级指标作为神经网络的输入,以知识管理风险的综合评价为输出。对于每个风险因素,不同的评价者有不同的的看法每个风险因素可能造成的影响由于不同的知识,经验,和价值观。经过训练的网络只需要专家来给每个风险的索引值对于一个特定的项目,和神经网络能给一个项目的投资风险的综合评价。人力资源管理风险的早期预警模型基于BP网络制定,和其核心过程包括四个方面,即函数逼近、模式识别、分类和数据压缩。研究结果表明,人力资源管理风险的早期预警模型基于BP网络是有效的,和BP网络训练和测试风险预警模型可以用来进行预警实证研究人力资源风险防范人力资源风险,保证企业的良性运作和发挥作用在监督和促进市场秩序整顿。本文的研究结果将为进一步的研究提供一个参考的分析和仿真研究人力资源管理风险的早期预警模型基于BP神经网络。

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。

引用

1. p·c·帕特尔·m·李·m·d。c .特里亚纳和h . d .公园,“支付分散在最高管理团队和外部董事:对公司风险和公司绩效的影响,“人力资源管理卷,57号1,第192 - 177页,2018。视图:出版商的网站|谷歌学术搜索
2. m . s .美国拉杰卜·l·扇”,研究民用航空人为失误的关键因素:早期预警管理的角度在孟加拉国,”管理科学的信,5卷,不。1,第21至28,2015页。视图:出版商的网站|谷歌学术搜索
3. 美国公园,美国歌曲,李,“投资于人力资源管理实践如何影响餐饮业公司特有的风险?”康奈尔酒店季度,卷。58岁的没有。4、374 - 386年,2017页。视图:出版商的网站|谷歌学术搜索
4. b·巴德·t·舒斯特尔,m . Dickmann“特殊问题国际人力资源管理杂志》上危险和风险作为人力资源管理的挑战:如何管理人们在敌对的环境中,“国际人力资源管理杂志》上,26卷,不。11日,第1519 - 1517页,2015年。视图:出版商的网站|谷歌学术搜索
5. z赵、问:徐和m .贾”改善打乱青蛙跳算法BP神经网络及其应用在轴承早期故障诊断,”神经计算和应用,27卷,不。2、375 - 385年,2016页。视图:出版商的网站|谷歌学术搜索
6. w·贾,d .赵t .沈,叮,y赵,和c·胡,”一个优化的BP神经网络分类算法的基于请HCA,”应用智能,43卷,不。1,第191 - 176页,2015。视图:出版商的网站|谷歌学术搜索
7. D.-Z。黄,R.-X。锣,s .锣”预测风力发电的混乱和基于遗传算法的BP人工神经网络方法,”电气工程与技术》杂志上,10卷,不。1,41-46,2015页。视图:出版商的网站|谷歌学术搜索
8. c .秋和j·山”,研究基于BP神经网络的入侵检测算法,”国际期刊的安全性及其应用,9卷,不。4、247 - 258年,2015页。视图:出版商的网站|谷歌学术搜索
9. m·麦凯和a . Tymon”冒险开发商业实践者反思技能,”教育和工作杂志》上卷,29号3、332 - 351年,2016页。视图:出版商的网站|谷歌学术搜索
10. w·李和l .任“人力资源管理外包的风险研究一流的酒店——深圳洲际,”通用管理杂志》,4卷,不。6,361 - 366年,2016页。视图:出版商的网站|谷歌学术搜索
11. z . m .塔利班e . Kiguli-Malwadde h . Wohltjen et al .,“改变卫生职业教育通过国内合作:检查催化的财团在非洲医学学校医学教育伙伴关系倡议,“卫生人力资源,13卷,不。1,1 - 8,2015页。视图:出版商的网站|谷歌学术搜索
12. d . e .客人,“人力资源管理和员工福利:向一个新的分析框架,“人力资源管理》杂志,27卷,不。1,22-38,2017页。视图:出版商的网站|谷歌学术搜索
13. d . l .石头,d . l . Deadrick k . m . Lukaszewski和r·约翰逊”技术对人力资源管理的未来,”人力资源管理评估,25卷,不。2、216 - 231年,2015页。视图:出版商的网站|谷歌学术搜索
14. o . Klopova、l . Komyshova和m . Simonova”专业发展领域的人力资源管理创新的领导和专家的组织中,“管理问题和观点,16卷,不。1,第223 - 214页,2018。视图:出版商的网站|谷歌学术搜索
15. t . Pritvorova b Tasbulatova,大肠Petrenko”的可能性Blitz-Psychograms作为人力资源管理的工具支持系统的耐寒性的公司,”创业精神和可持续发展问题》第六卷,没有。2、840 - 853年,2018页。视图:出版商的网站|谷歌学术搜索
16. s . f . Hu l . Wang Wang x Liu和g .他“人体姿态识别算法基于BP神经网络的无线区域网络,”中国通信,13卷,不。8,198 - 208年,2016页。视图:出版商的网站|谷歌学术搜索
17. 片山张y、x高和美国,“焊缝外观与BP神经网络预测提高了遗传算法在磁盘激光焊接,”制造系统期刊53至59,34卷,页2015。视图:出版商的网站|谷歌学术搜索
18. 吴,汉族,j·肖,x,和j .粉丝,“基于BP神经网络的误差补偿的机载激光测距,”Optik,卷127,不。8,4083 - 4088年,2016页。视图:出版商的网站|谷歌学术搜索
19. h·贾·d·潘,y元,和w·张,“使用BP神经网络进行快速评估访问饮用水困难的人群,因为干旱,”人类和生态风险评估:国际期刊,21卷,不。1,第116 - 100页,2015。视图:出版商的网站|谷歌学术搜索
20. x, x Xiong, f段,“一种新的图像分割方法基于BP神经网络和引力搜索算法增强了猫混沌映射,”应用智能,43卷,不。4、855 - 873年,2015页。视图:出版商的网站|谷歌学术搜索
21. z s . Liu侯,c .阴“数据驱动建模UGI气化过程通过增强遗传BP神经网络和连接开关,“IEEE神经网络和学习系统,27卷,不。12日,第2729 - 2718页,2016年。视图:出版商的网站|谷歌学术搜索
22. k·张,f .元,j .郭,g .王”一种新的神经网络的变压器故障诊断方法基于momentum-embedded BP神经网络优化的遗传算法和模糊c”阿拉伯科学与工程》杂志上第41卷。。9日,第3461 - 3451页,2016年。视图:出版商的网站|谷歌学术搜索

版权

版权©2020年雪燕等。这是一个开放的分布式下文章知识共享归属许可,它允许无限制的使用、分配和复制在任何媒介,提供最初的工作是正确引用。