基于模塊化神經網絡模型的高等學校資產管理績效綜合評價

張輝

（華南理工大學數學學院，廣州510000)

0 引言

人工神經網絡是科學家們根據生物神經元工作機理和生物神經網絡結構提出的一種信息處理系統，在一定程度上模擬了人腦的某些功能。它憑借自主性的學習適應功能和高精度的優勢，被廣泛使用于各類研究分析中。但是隨著科學技術的不斷進步，學者們對研究結果的要求不但提升，單一的神經網絡模型已經無法滿足學者們的需要，在這樣的大環境下，模塊化神經網絡應運而生。

從仿生學角度出發，根據腦功能分區原理，學者們提出了模塊化神經網絡。它是一個由多個子模塊組成的神經網絡,每個子模塊承擔神經網絡全局任務的一個子任務,通過各個網絡之間的競爭或協作來提高系統的整體性能。當面對復雜的、大數據量的問題時，模塊化神經網絡將其劃分為一個個小問題來處理，再將每個子模塊的處理結果整合后做最終處理。解決了單一神經網絡處理種網絡結構復雜度大，內部干擾強，網絡收斂速度慢，精確度低的弊端。與單一神經網絡相比，模塊化神經網絡具有更密切的神經生物學基礎與更大的設計和實施的靈活性。

1 模塊化神經網絡概述

目前獲得大眾認可度較高的模塊化神經網絡為[1]：

（1）模塊化神經網絡就是該網絡在學習任務時可以被分成兩個及以上的子網絡，系統中的每個子網絡都對應一個特定的輸入區域，且在學習過程中，系統中的每一個子網絡互相并不通信。

（2）整個系統的輸出由一個整合單元按照某種整合機制將各個子網絡系統的輸出機型整合而形成整個系統的輸出，整合單元不將整合信息反饋回系統。

（3）整合單元既要能夠決定如何整合各個子網絡的輸出，又要能夠決定哪些子任務分配給哪些子網絡。

圖1 模塊化神經網絡結構框圖

圖1所示是一個典型的模塊化神經網絡結構，它由多個不同的子模塊和一個集成單元組成，每個子模塊承擔神經網絡全局任務的一個子任務，且所有的子模塊都被功能性集成。模塊化神經網絡中，每一個子模塊可以擁有不同的模型結構，可以采用不同的學習算法，甚至可以使用不同類型的模型。

2 高等學校資產管理績效綜合評價

2.1 數據預處理

依據資產管理績效的定義，對高效資產管理的主要影響因素進行了全面的分析，確定了高等學校資產管理績效綜合評價的指標體系，它包含了3個一級指標、13個二級指標以及38個三級指標。對各高校提供的原始數據，進行缺失數據的排查后，保留了32個三級指標，并利用層次分析法對各一二三級指標進行權重計算，結果如表1所示。然后根據賦值標準對數據進行類型一致化，與層次分析法所得到的權重對應相乘相加，得到三個一級指標和綜合指標Y的數據。利用K均值聚類將數據分成五類，并按照每一類到類中心的貼合度進行等級排序，其中級別1代表優秀，等級2代表良好，等級3代表中等，等級4代表一般，等級5代表較差。

2.2 建立模型

由于距離類中心的樣本最能體現數據的各類特征，故挑選各類中離類中心最近的70%的樣本作為建模樣本，其余的樣本則作為檢驗樣本。利用建模樣本，建立單一神經網絡模型和模塊化神經網絡模型。其中模塊化神經網絡模型包括4個子網絡：一二級子網、二三級子網、三四級子網、四五級子網，子網及其集成方式均采用單一神經網絡模型。其中一二級子網是Y的輸入和模型的輸出都是1級和2級，其他子網可以類推。

表1 各指標權重

表2 部分高校的模塊化神經網絡模型結果及薄弱性分析

3 結語

通過觀察表2，可以發現，在資產保障水平和資產運行水平稍微落后的情況下，資產管理水平等級較高時，綜合績效依舊較好。因此高等學校資產管理綜合績效影響較大的一級指標是資產管理水平，其次是資產保障水平和資產運行水平。而各高校的資產管理水平也多為良好及以下，有待進一步提升，達到優秀。各高校可以參考表1，改善一級薄弱指標下對應的三級指標，爭取從根本上解決綜合績效差的問題。

而在模型結果的對比中，也可以看出，模塊化神經網絡的正確率遠高于單一神經網絡。它能更好地模擬人腦的結構，在數據量大的情況下，有更好的效果。遺憾的是模型的正確率只有85.71%，沒有達到90%，以后可以考慮改變子網模型及集成方式，提升模型的檢驗正確率。

參考文獻：

[1]張昭昭.模塊化神經網絡結構自組織設計方法[D].北京：北京工業大學,2013.

[2]廖芹,郝志峰,陳志宏.數據挖掘于數學建模[M].北京:國防工業出版社,2010.

[3]孫成勛,李紅彥,李潤琴,王旭.層次分析法在管理水平綜合評價中的應用[J].工業技術經濟,2013,(9):72-78.