基于BP神经网络的创新绩效评价模型
芦冬青
摘 要： 针对当前创新绩效评价模型存在收敛效率低以及泛化性能弱的缺陷，提出基于BP神经网络的创新绩效评价模型。对创新绩效评价的指标体系进行构建，并收集相应的创新绩效评价数据，采用BP神经网络模拟人脑对创新绩效数据进行训练，并采用梯度法确定BP神经网络的参数，建立创新绩效评价模型，最后通过仿真实验测试其性能。实验结果表明，该模型提高了创新绩效评价的精度，而且评价速度得到大幅度提高，评价效果明显优于其他模型，具有更高的实际应用价值。
关键词： BP神经网络； 评价模型； 收敛效率； 泛化性能
中图分类号： TN711?34； TP183 文献标识码： A 文章编号： 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
当前知识在人力资本和科技中具有较高的应用价值，是企业提升自身竞争力的关键。知识管理是企业管理人员对企业内外知识实施控制，采用有效的绩效评价模型对企业知识管理创新性能实施准确实时评估，可发现创新中存在的问题，提升效率和质量。
传统创新绩效评价模型存在收敛效率低以及泛化性能弱的缺陷，因此，提出基于BP神经网络的创新绩效评价模型来提升能力。实验结果说明，本文评价模型的知识管理创新绩效评价误差小，具有较高的实际应用价值。
1 BP神经网络的创新绩效评价模型
1.1 创新绩效的BP神经网络评价原理
绩效评估的干扰因素较多，存在较为复杂的映射关系，影响知识管理创新绩效的评估效果[1]。采用BP神经网络评估绩效，通过神经网络模拟人脑操作信息的手段，对信息实施并行操作以及动态变换。先明确BP神经网络的输入输出，分别用于描述待评价企业信息管理绩效的属性信息以及最终评价目标；再通过大量的已知样本对BP神经网络实施训练，并采用自适应学习获取权值以及阈值，对BP神经网络的结构进行准确描述；训练好的BP神经网络具有人脑记忆性能和识别性能[2]，能够对评价指标同绩效间的关系进行模拟，并采用测试样本实施检测，直至得到准确的结果。最终获取的BP神经网络是有效的评估工具，输入未知样本，则可获取该样本的评估结果。
在BP神经网络输入层输入知识管理的评估指标，通过隐含层传输到输出层，对比分析输出结果同期望输出结果，若未达到精度需求，則进入误差反向传播过程。该过程按照输出数据对网络权值阈值实施调控，确保网络误差不断降低并满足需求，提高神经网络对输入向量映射的准确率。专家对14家企业实施知识管理创新绩效评估的结果如表1所示。对这些结果进行归一化操作后的数据见表2。
1.2 BP神经网络的创新绩效评价
BP神经网络算法的搜索过程基于梯度法进行，利用神经网络的并行处理特征，有输入正向传递以及误差反向传递两个过程。输入数据通过隐含层以及输出层的神经单元操作后获取评估结果[3]，也就是网络的输出结果，若输出结果同期望结果差值处于允许误差区间，则误差信号反向传播，并对神经元的权值阈值实施调控，通过循环迭代过程确保BP神经网络的输出同期望值一致，使得网络平方误差均值为期望的最小值，则终止BP神经网络的学习过程。
BP神经网络算法的实现过程如下：
（7） 获取误差函数值，分析是否比预期误差精度低。如果符合误差需求，则终止算法，否则，BP神经网络返回过程（2），直至值符合误差需求为止，用描述期望输出。
通过批处理手段调控权值，完成全部样本的输入后，运算总误差，基于总误差对权值实施调控，该种调控手段能够确保沿误差降低方向运行[4]，具有较高的处理效率。BP神经网络的创新绩效评价流程如图1所示。
1.3 创新绩效评价的神经网络模型
基于实际情况设置BP神经网络的输出层和输出层节点数，创新绩效评价确定了8个评价指标，则BP神经网络输入层存在8个节点，输出层包括一个神经元，用于描述创新绩效评价结果的代数值，其取值区间为[0，1]。通过试凑法获取最优隐含层节点数量，先采用较少的节点数训练网络，若获取的误差高于期望目标[5]，则依据相同的样本集不断提升节点数量，循环试凑，直至网络误差最低，获取最终的隐含层节点数。本文采用试凑法实施检测，通过多次迭代获取的结果如表3所示。对比分析其中的训练次数以及误差，能够看出隐含层节点数量是10时，网络具备最高的收敛效率以及稳定性，所以本文选择隐含层节点数量为10。设置BP神经网络收敛的误差性能指标是MSE，网络的学习精度为 0.000 1。最大训练步长是10 000，网络训练达到最高步长时[6]可终止训练集的训练。明确动量因子0.96，避免网络训练出现局部最小值问题。
基于BP神经网络的规范要求，将S型正切函数tansig以及对数函数logsig分别当成隐含层以及输出层神经元的传递函数[7]。若已经明确BP神经网络结构以及训练算法，则网络训练样本对网络映射和泛化性能具有决定作用。将BP神经网络样本划分成训练样本和测试样本，训练样本可以得到合理的内部描述，测试样本对训练函数的BP神经网络实施检测[8]，分析检测结果是否达到预期目标，通常两种样本各占总样本数的80%以及20%。采用多家企业的知识管理绩效评价指标作为BP神经网络的输入数据，采用学习样本对BP神经网络实施训练，调控网络权值，确保网络输出误差最小化，得到最优创新绩效评价结果。
2 实验结果与分析
基于BP神经网络的创新绩效评价模型的训练误差性能曲线如图2所示，能够看出通过449次学习，评价模型得到收敛。输入4组测试数据对完成训练的本文模型实施测试，结果如图3所示。能够看出，本文模型训练输出结果同目标输出结果误差低，实现了创新绩效的有效评估。
图4为本文模型输出结果同实际结果的线性回歸分析结果[9]，可得该评价模型的相关系数0.976 36，预测值同期望值间具有较高的关联性，网络回归性能高，拥有较高的泛化能力。
本文模型的训练梯度波动曲线以及学习速率曲线如图5所示。
由图5可以看出，步长小于150时网络的梯度波动较低，该种情况下的学习曲面是一个平稳范围[10]，避免陷入局部极小值点，并且本文模型的学习速率较低，收敛速率也较低。随着本文模型BP神经网络的学习速率不断增加，梯度值快速减小，收敛速度加快。但在加快收敛的同时发生了轻微波动，此时误差曲面可能比较陡峭，为了提升本文模型的稳定性，应降低学习速率。
当步长高于250时，BP神经网络的学习速率不断提升，达到最高值时，出现大幅度下降趋势。本文模型的学习速率按照实际状态自主调控，可避免模型陷入局部最低值，采用有效的学习效率完成收敛。
3 结 语
本文提出了基于BP神经网络的创新绩效评价模型，其由信息的正向传播以及误差的反向传播两个过程构成，通过梯度法实现BP神经网络算法的搜索过程。该种评价模型解决了传统创新绩效评价模型存在收敛效率低以及泛化性能弱的缺陷，具有较高的回归性能和泛化能力。
参考文献
[1] 刘晓峰，李传富.基于物元分析法的物流企业服务创新绩效评价[J].物流技术，2015，34（21）：94?97.
[2] 魏倩，蔡远利.一种基于神经网络的中制导改进算法[J].西安交通大学学报，2016，50（7）：125?130.
[3] 王旭.基于BP神经网络的精益供应链协同绩效研究[J].现代商贸工业，2015，36（5）：63?64.
[4] 单冬红，蔡琪，鲁书喜.基于BP神经网络的谐波电流检测方法研究[J].电子设计工程，2016，24（10）：42?44.
[5] 张再生，李鑫涛.基于DEA模型的创新创业政策绩效评价研究：以天津市企业孵化器为分析对象[J].天津大学学报（社会科学版），2016，18（5）：385?391.
[6] 赵泉长，马悦，朱泽魁.基于BP神经网络的农超对接型供应链绩效评价研究[J].价值工程，2016，35（22）：88?90.
[7] 张涛，李兆锋，胡萍.翻转课堂下学习绩效评价模型的构建[J].现代教育技术，2016，26（4）：74?80.
[8] 李萍，徐安林.基于BP神经网络的智能制造系统图像识别技术[J].现代电子技术，2016，39（18）：107?109.
[9] 王冰，郭东强.基于BP神经网络的企业内部知识转移绩效综合评价研究[J].情报科学，2016，34（1）：141?145.
[10] 王英，王灿，孙新泽.基于AHP?BP神经网络的江苏省创新型经济评价[J].科技管理研究，2016，36（9）：68?72.
摘 要： 针对当前创新绩效评价模型存在收敛效率低以及泛化性能弱的缺陷，提出基于BP神经网络的创新绩效评价模型。对创新绩效评价的指标体系进行构建，并收集相应的创新绩效评价数据，采用BP神经网络模拟人脑对创新绩效数据进行训练，并采用梯度法确定BP神经网络的参数，建立创新绩效评价模型，最后通过仿真实验测试其性能。实验结果表明，该模型提高了创新绩效评价的精度，而且评价速度得到大幅度提高，评价效果明显优于其他模型，具有更高的实际应用价值。
关键词： BP神经网络； 评价模型； 收敛效率； 泛化性能
中图分类号： TN711?34； TP183 文献标识码： A 文章编号： 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
当前知识在人力资本和科技中具有较高的应用价值，是企业提升自身竞争力的关键。知识管理是企业管理人员对企业内外知识实施控制，采用有效的绩效评价模型对企业知识管理创新性能实施准确实时评估，可发现创新中存在的问题，提升效率和质量。
传统创新绩效评价模型存在收敛效率低以及泛化性能弱的缺陷，因此，提出基于BP神经网络的创新绩效评价模型来提升能力。实验结果说明，本文评价模型的知识管理创新绩效评价误差小，具有较高的实际应用价值。
1 BP神经网络的创新绩效评价模型
1.1 创新绩效的BP神经网络评价原理
绩效评估的干扰因素较多，存在较为复杂的映射关系，影响知识管理创新绩效的评估效果[1]。采用BP神经网络评估绩效，通过神经网络模拟人脑操作信息的手段，对信息实施并行操作以及动态变换。先明确BP神经网络的输入输出，分别用于描述待评价企业信息管理绩效的属性信息以及最终评价目标；再通过大量的已知样本对BP神经网络实施训练，并采用自适应学习获取权值以及阈值，对BP神经网络的结构进行准确描述；训练好的BP神经网络具有人脑记忆性能和识别性能[2]，能够对评价指标同绩效间的关系进行模拟，并采用测试样本实施检测，直至得到准确的结果。最终获取的BP神经网络是有效的评估工具，输入未知样本，则可获取该样本的评估结果。
在BP神经网络输入层输入知识管理的评估指标，通过隐含层传输到输出层，对比分析输出结果同期望输出结果，若未达到精度需求，則进入误差反向传播过程。该过程按照输出数据对网络权值阈值实施调控，确保网络误差不断降低并满足需求，提高神经网络对输入向量映射的准确率。专家对14家企业实施知识管理创新绩效评估的结果如表1所示。对这些结果进行归一化操作后的数据见表2。
1.2 BP神经网络的创新绩效评价
BP神经网络算法的搜索过程基于梯度法进行，利用神经网络的并行处理特征，有输入正向传递以及误差反向传递两个过程。输入数据通过隐含层以及输出层的神经单元操作后获取评估结果[3]，也就是网络的输出结果，若输出结果同期望结果差值处于允许误差区间，则误差信号反向传播，并对神经元的权值阈值实施调控，通过循环迭代过程确保BP神经网络的输出同期望值一致，使得网络平方误差均值为期望的最小值，则终止BP神经网络的学习过程。
BP神经网络算法的实现过程如下：
（7） 获取误差函数值，分析是否比预期误差精度低。如果符合误差需求，则终止算法，否则，BP神经网络返回过程（2），直至值符合误差需求为止，用描述期望输出。
通过批处理手段调控权值，完成全部样本的输入后，运算总误差，基于总误差对权值实施调控，该种调控手段能够确保沿误差降低方向运行[4]，具有较高的处理效率。BP神经网络的创新绩效评价流程如图1所示。
1.3 创新绩效评价的神经网络模型
基于实际情况设置BP神经网络的输出层和输出层节点数，创新绩效评价确定了8个评价指标，则BP神经网络输入层存在8个节点，输出层包括一个神经元，用于描述创新绩效评价结果的代数值，其取值区间为[0，1]。通过试凑法获取最优隐含层节点数量，先采用较少的节点数训练网络，若获取的误差高于期望目标[5]，则依据相同的样本集不断提升节点数量，循环试凑，直至网络误差最低，获取最终的隐含层节点数。本文采用试凑法实施检测，通过多次迭代获取的结果如表3所示。对比分析其中的训练次数以及误差，能够看出隐含层节点数量是10时，网络具备最高的收敛效率以及稳定性，所以本文选择隐含层节点数量为10。设置BP神经网络收敛的误差性能指标是MSE，网络的学习精度为 0.000 1。最大训练步长是10 000，网络训练达到最高步长时[6]可终止训练集的训练。明确动量因子0.96，避免网络训练出现局部最小值问题。
基于BP神经网络的规范要求，将S型正切函数tansig以及对数函数logsig分别当成隐含层以及输出层神经元的传递函数[7]。若已经明确BP神经网络结构以及训练算法，则网络训练样本对网络映射和泛化性能具有决定作用。将BP神经网络样本划分成训练样本和测试样本，训练样本可以得到合理的内部描述，测试样本对训练函数的BP神经网络实施检测[8]，分析检测结果是否达到预期目标，通常两种样本各占总样本数的80%以及20%。采用多家企业的知识管理绩效评价指标作为BP神经网络的输入数据，采用学习样本对BP神经网络实施训练，调控网络权值，确保网络输出误差最小化，得到最优创新绩效评价结果。
2 实验结果与分析
基于BP神经网络的创新绩效评价模型的训练误差性能曲线如图2所示，能够看出通过449次学习，评价模型得到收敛。输入4组测试数据对完成训练的本文模型实施测试，结果如图3所示。能够看出，本文模型训练输出结果同目标输出结果误差低，实现了创新绩效的有效评估。
图4为本文模型输出结果同实际结果的线性回歸分析结果[9]，可得该评价模型的相关系数0.976 36，预测值同期望值间具有较高的关联性，网络回归性能高，拥有较高的泛化能力。
本文模型的训练梯度波动曲线以及学习速率曲线如图5所示。
由图5可以看出，步长小于150时网络的梯度波动较低，该种情况下的学习曲面是一个平稳范围[10]，避免陷入局部极小值点，并且本文模型的学习速率较低，收敛速率也较低。随着本文模型BP神经网络的学习速率不断增加，梯度值快速减小，收敛速度加快。但在加快收敛的同时发生了轻微波动，此时误差曲面可能比较陡峭，为了提升本文模型的稳定性，应降低学习速率。
当步长高于250时，BP神经网络的学习速率不断提升，达到最高值时，出现大幅度下降趋势。本文模型的学习速率按照实际状态自主调控，可避免模型陷入局部最低值，采用有效的学习效率完成收敛。
3 结 语
本文提出了基于BP神经网络的创新绩效评价模型，其由信息的正向传播以及误差的反向传播两个过程构成，通过梯度法实现BP神经网络算法的搜索过程。该种评价模型解决了传统创新绩效评价模型存在收敛效率低以及泛化性能弱的缺陷，具有较高的回归性能和泛化能力。
参考文献
[1] 刘晓峰，李传富.基于物元分析法的物流企业服务创新绩效评价[J].物流技术，2015，34（21）：94?97.
[2] 魏倩，蔡远利.一种基于神经网络的中制导改进算法[J].西安交通大学学报，2016，50（7）：125?130.
[3] 王旭.基于BP神经网络的精益供应链协同绩效研究[J].现代商贸工业，2015，36（5）：63?64.
[4] 单冬红，蔡琪，鲁书喜.基于BP神经网络的谐波电流检测方法研究[J].电子设计工程，2016，24（10）：42?44.
[5] 张再生，李鑫涛.基于DEA模型的创新创业政策绩效评价研究：以天津市企业孵化器为分析对象[J].天津大学学报（社会科学版），2016，18（5）：385?391.
[6] 赵泉长，马悦，朱泽魁.基于BP神经网络的农超对接型供应链绩效评价研究[J].价值工程，2016，35（22）：88?90.
[7] 张涛，李兆锋，胡萍.翻转课堂下学习绩效评价模型的构建[J].现代教育技术，2016，26（4）：74?80.
[8] 李萍，徐安林.基于BP神经网络的智能制造系统图像识别技术[J].现代电子技术，2016，39（18）：107?109.
[9] 王冰，郭东强.基于BP神经网络的企业内部知识转移绩效综合评价研究[J].情报科学，2016，34（1）：141?145.
[10] 王英，王灿，孙新泽.基于AHP?BP神经网络的江苏省创新型经济评价[J].科技管理研究，2016，36（9）：68?72.
