基于PCA－FBP的績效綜合評價研究?

朱 健，任秋陽，盧秉亮

（1.沈陽航空職業技術學院，沈陽110034；2.沈陽飛機工業（集團）有限公司，沈陽110034；3.沈陽航空航天大學計算機學院，沈陽110136）

基于PCA－FBP的績效綜合評價研究?

朱 健1，2，任秋陽1，2，盧秉亮3

（1.沈陽航空職業技術學院，沈陽110034；2.沈陽飛機工業（集團）有限公司，沈陽110034；3.沈陽航空航天大學計算機學院，沈陽110136）

將系統論、信息論、計算機技術、工程技術思想引入評價領域，產生了一系列新的評價方法。BP神經網絡通過訓練來得到被評對象的價值模型，可以有效解決非線性綜合評價問題。通過合理選取評價指標，利用主成分分析降低變量的維數，提出了一種基于PCA－FBP的員工績效評價模型，通過自組織映射網絡SOM，完成了評價結果分組，提高了評價結果的客觀性。實驗結果表明，該方法可以較好的逼近專家評價結果，降低了神經網絡模型的復雜度，提高了神經網絡模型的效率。

績效評價；主成分分析；人工神經網絡；BP神經網絡；聚類；模糊數學

1 引 言

績效評價中的定量評價屬于多指標多對象的綜合評價，目前，通過將系統論、信息論、計算機技術、工程技術思想引入評價領域，產生了一系列新的評價方法。不同評價方法的綜合和交叉也促進新方法和新思想的產生，歸納起來大致有以下幾種［1－4］：將人工神經網絡技術引入評價中，主要是對ANN算法進行改進，如采用累計誤差的BP算法；模擬生物進化的遺傳算法是通過模擬生物進化過程中的繁殖、交叉、突變三種現象，對評價問題進行解釋；交互式多目標綜合評價方法解決了評價中主觀性與客觀性結合的問題，主要有基于目標滿意度的交互式評價方法和基于目標實際達到程度和目標滿意度的交互式評價方法；基于粗糙集理論的評價方法是通過建立屬性約簡，從決策表中去除冗余屬性，從約簡的決策表中產生決策規則，利用這種規則對新對象進行評價；系統模擬與仿真評價方法以反饋控制理論為基礎，引進動態時間的概念，利用計算機技術進行模擬，對被評價系統進行過程分析與評價。

BP神經網絡可以充分逼近任意復雜的非線性關系，可以在不了解數據產生原因的前提下，對非線性過程建模。BP神經網絡是根據已有知識（學習樣本）通過訓練來得到被評對象的價值模型，可以有效解決非線性綜合評價問題，減少人為因素對決策結果的影響，因此利用神經網絡對員工進行績效考核是比較科學的。

2 基于PCA－Fuzzy－BP的績效評價原理

基于PCA－Fuzzy－BP的績效評價預測模型采用模糊BP神經網絡，模糊神經網絡對于現實世界的描述更切合實際，其預測效果比BP神經網絡更為精確，通過神經網絡的訓練，對測試數據進行結果聚類分組，提高評價的科學性和合理性。如圖1所示，PCA主成分分析結果作為模糊神經網絡輸入，通過模糊神經網絡訓練，使用測試數據對訓練結果進行檢測［5－6］。

圖1 PCA－Fuzzy－BP模型

模糊神經網絡采用基于Takagi－Sugeno模型的模糊神經網絡，該模型采用T－S模型實現模糊數學推理。其中，T－S模型通常采用5層結構，分別為輸入層、模糊層、規則層、規則歸一層和輸出層，在實際使用中一般采用三層結構，即將模糊層、規則層和規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顯式變量觀測值提取信息，將顯式的觀測值轉換為系統中不可直接觀測的隱含信息變量。主成分分析的主要思路即利用降維方法構造出原始指標中的線性組合并得到一系列不相關的綜合評價指標，選取系統新的綜合評價指標，使它們包含原始指標中盡可能多的信息，利用較少的指標表達系統綜合信息，從而達到降維的目的。人工神經網絡通過對生物神經系統的模擬，采用神經元模擬生物神經元、有向加權弧模擬生物軸突－突觸－樹突結構、連接弧的權值表征神經元之間的相互作用，完成復雜非線性系統模型的模擬［6］。人工神經網絡的并行處理能力、高度魯棒特性、容錯能力等特性，使得該模型可以充分逼近復雜的非線性關系。人工神經網絡與其他智能算法的結合，形成了計算智能。

第二層為隱含層，該層首先將數據隸屬度函數模糊化，模糊規則為“If－Then”規則定義。模糊分割取2個，因此本層節點數為16個，模糊函數采用鈴型函數：

第三層為輸出層，評價結果根據評價得分直接進行排名，其結果具備很強的直觀性，但當采用不同的指標體系和不同的數據處理方法時，其具體排名會出現一定差異。因此采用聚類方法對評價結果進行聚類，并認為同一組中的數據差異較小，使評價結果科學合理。

3 PCA－Fuzzy－BP的Matlab實現

模型輸入節點8個，采用T－S模型，選擇9組系數pa0－pa9，參數和利用Matlab隨機數生成器生成。首先初始化模糊神經網絡，系數pai＝0.25 rand（M，1），其中M為隱含層節點數。

模糊神經網絡訓練階段，首先使用模糊函數對訓練數據進行模糊化［5］，即：

模糊算子計算為：

模糊過程輸出為：

經過上述計算，進入網絡訓練過程，模型訓練結果如圖2和圖3所示，可以發現，PCA－Fuzzy－BP模型訓練的誤差分布在±0.03之間。

圖2 PCA－Fuzzy－BP模型收斂次數

圖3 PCA－Fuzzy－BP模型訓練結果與預測誤差

4 PCA－Fuzzy－BP模型測試

將剩余的10組數據帶入訓練好的模型，進行數據測試，其預測結果與誤差如圖4所示。

圖4 PCA－Fuzzy－BP模型測試結果與預測誤差

由圖4可以發現，PCA－Fuzzy－BP模型的預測結果與測試期望輸出基本相符，其誤差分布在±0.1之間，其預測精度更高。通過PCA－FBP模型評價之后的結果，通過自組織特征映射網絡實現聚類分組，將員工等級分為3個，即優秀（分組3），良好（分組2），一般（分組1），聚類分組后的結果如圖5所示。

5 PCA－FBP評價效果追蹤

利用一般方法、采用自組織神經網絡進行結果聚類，其聚類分組結果如圖6所示。可以發現，綜合評價指標體系評價結果和一般的評價指標體系存在一定的差異，主要體現在某些具有特殊優勢、特殊技能的員工的職業能力評價分組的等級提升，評價結果體現了綜合性原則。同時，我們也很容易發現，采用一般方法對評價結果進行分組后，除大量第二等級分組的員工出現向第三分組員工調整的現象外，還出現了第一等級分組的員工向第三等級分組的跳躍，這種現象表現了一般分類方法的不連續性，即一般分組方法存在指標調整的人為因素，對評價結果產生了較大影響。SOM分組方法避免了一般聚類方法對結果的大調整，保持了分組結果的連續性，具有可操作性。同時，該方法充分考慮了員工的個人特點，對評價指標中某個方面表現特別突出的個體，給予了較高的分組等級，充分實現了評價對個體的激勵作用。

圖5 評價結果分組聚類

圖6 普通分組與SOM分組

從實驗結果可以看出，利用人工設計網絡的自學習、自組織功能，通過大量的數據對模型進行訓練，達到較高的訓練精度；通過測試數據的測試，獲取較好的預測精度。實驗最后采用訓練完成的模型，實現了評價結果計算，獲取了客觀公正的評價，減少了人的主觀性影響。

6 結束語

基于FBP的人工神經網絡，通過引入模糊數學理論，更適合員工職業能力評價這一具有模糊特性的人文系統。基于PCA－Fuzzy－BP的評價系統采用主成分分析方法實現數據信息的提取，通過模糊神經網絡實現員工績效評價，具有比BP模型更高的訓練精度和預測精度。利用SOM網絡將FBP的輸出結果進行評價等級分組，使得評價結果更符合人們的日常思維方式。整個評價過程不存在人為調整指標權重，避免了人為因素對評價結果的影響。

［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，袁著祉，張燕.基于神經網絡的非線性預測控制綜述［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語言的BP神經網絡的改進算法［J］.科技通報，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綜合評價中的應用［J］.北京理工大學學報（社會科學版），2002，4（1）：59－61.

TONG Qi－hui.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“十二五”規劃2014年度立項課題（JG14EB238）

朱健（1971－），男（滿），遼寧北鎮市人，教授，碩士，主研方向：數據庫、數據挖掘。

2014－11－24