基于制造技术

本发明专利技术涉及基于

【技术实现步骤摘要】
基于GA
‑
BP算法的公职人员考核方法及系统


[0001]本专利技术涉及属于计算机处理行政类数据领域
。
具体为基于
GA
‑
BP
算法的公职人员考核方法及系统
。

技术介绍

[0002]人员考核是以人员的职位职责和所承受的工作任务为基本依据，全面考核德
、
能
、
勤
、
绩
、
廉，重点考核工作实绩
。
传统的绩效考核方法，一般采用简单的
、
基于人工指标打分，汇总考察意见得分的方式，在考核过程中依赖经验认为决定考核指标
、
权重，但是由于人为评估具有主观性，考核结果依赖考核人员的判断和人际关系，有失公平性和准确性原则
。
[0003]随着人工智能
、
深度学习等相关领域的发展，推动人员考核工作科学发展，提供了创新方法的指导
。BP
神经网络作为目前在国际范围内广泛应用的人工神经网络模型，通过自学习可以具备非线性映射能力，挖掘获取考核指标与考核结果间的映射关系，同时结合遗传算法择优处理数据，用遗传算法优化
BP
神经网络，建立基于改进遗传算法误差反向传播
(
以下简称
GA
‑
BP)
考核模型，构建公务员考核方法，实现全面客观
、
科学公正的评价，更好地实现人员的准确评价，助力选拔任用
。r/>
技术实现思路

[0004]本专利技术为了解决
技术介绍
中存在的问题，目的在于提供了基于
GA
‑
BP
算法的公职人员考核方法及系统，采用
BP
神经网络提取考核指标与考核结果间的合理规则，探索其映射关系，由于神经网络训练受到网络权值和训练样本集的影响，可能导致训练结果陷入局部极值，因此依靠遗传算子择优处理数据，建立
GA
‑
BP
算法，通过遗传算法全局寻优能力优化
BP
神经网络
。
[0005]用于解决问题的方案
[0006]基于
GA
‑
BP
算法的人员考核方法，所述方法包括：
[0007]对考核样本数据进行预处理，得到预处理后的考核样本数据；
[0008]基于预处理后的考核样本数据，构建人员考核指标体系；
[0009]利用构建的人员考核指标体系，构建
GA
‑
BP
人员考核模型并训练；
[0010]对训练好的人员
GA
‑
BP
考核模型输入指标数据，输出预测的考核结果
。
[0011]进一步，收集真实考核数据样本，将考核数据进行清洗
、
加工和归一化处理，并对样本数据统一结构化格式，得到预处理后的样本数据
。
[0012]进一步，所述构建
GA
‑
BP
考核模型，具体包括：
[0013]利用构建的人员考核指标体系，搭建
BP
神经网络并确定
BP
神经网络的拓扑结构及初始化参数；
[0014]利用
GA
算法对初始参数编码
、
对种群初始化，构造适应度函数计算适应度值并存储；
[0015]判断是否满足结束条件；若满足第一结束条件，
BP
神经网络获取最优连接权值和
阈值，建立
GA
‑
BP
考核模型进行预测，计算误差后存储，并更新网络参数，然后判断是否完成训练，若没有完成训练，流程跳转至建立
GA
‑
BP
人员考核模型进行预测，若完成训练，建立
GA
‑
BP
人员考核模型进行预测后存储，然后判断是否满足第二结束条件，若满足，建立
GA
‑
BP
人员考核模型，流程结束，若不满足，流程跳转至利用
GA
算法对初始参数编码
、
对种群初始化
。
[0016]进一步，若不满足第一结束条件，获取最优个体即最优权值和阈值：
[0017]根据适应度大小进行种群选择
、
交叉
、
变异操作，不断产生新的种群即更优解，直至达到最大迭代次数或当前适应度达到预期；为确保获取全局最优解，形成适应度更高的新种群，在选择过程中挑选适应度高的个体，过滤排除适应度低的个体，通过将两个个体的染色体随机位置进行交叉或对单个个体的局部基因进行变异，通过不断产生新的个体和筛选，逐渐优化种群，选择最优个体，将其赋值给
BP
神经网络作为最优权值，建立基于遗传算法优化的
BP
网络模型，进行进一步训练
。
[0018]进一步，所述搭建
BP
神经网络，具体包括：
[0019]所述
BP
神经网络模型拓扑结构采用三层网络结构，包含输入层
、
输出层和隐含层，网络拓扑结构初始为
12
‑5‑4；
[0020]其中输入层的神经元个数
n
＝
12
，即对应指标体系个数；输出层的神经元个数
t
＝4，即对应四个考核等级；所述隐含层节点按照经验公式进行确认，公式如下：
[0021][0022]其中
a
为调节参数，范围为
[1,10]，令
a
＝1，对网络参数进行初始化
。
[0023]进一步，所述种群初始化，包括：
[0024]根据
BP
神经网络中初始权值
、
阈值，基于实数编码将其转化为遗传算法中的染色体的编码，长度计算公式为：
[0025]L
＝
n*m+m*t+m+t
；
[0026]其中
L
为编码长度，
n
为输入层的神经元个数，
m
为隐含层神经元个数，
t
为输出层神经元个数；
[0027]将
BP
神经网络的训练误差作为适应函数，计算每个种群的适应度数值
F
，其值为预测值与输出值之间的误差绝对值和，计算公式如下：
[0028][0029]其中
n
为网络输出节点数，
y
α
i
为
BP
神经网络第
i
个节点的预测输出，
y
β
i
为
BP
神经网络第
i
个节点的真实输出值
。
[0030]进一步，所述...

【技术保护点】

【技术特征摘要】
1.
基于
GA
‑
BP
算法的人员考核方法，其特征在于，所述方法包括：对考核样本数据进行预处理，得到预处理后的考核样本数据；基于预处理后的考核样本数据，构建人员考核指标体系；利用构建的人员考核指标体系，构建
GA
‑
BP
人员考核模型并训练；对训练好的人员
GA
‑
BP
考核模型输入指标数据，输出预测的考核结果
。2.
根据权利要求1所述的基于
GA
‑
BP
算法的人员考核方法，其特征在于，收集真实考核数据样本，将考核数据进行清洗
、
加工和归一化处理，并对样本数据统一结构化格式，得到预处理后的样本数据
。3.
根据权利要求1所述的基于
GA
‑
BP
算法的人员考核方法，其特征在于，所述构建
GA
‑
BP
考核模型，具体包括：利用构建的人员考核指标体系，搭建
BP
神经网络并确定
BP
神经网络的拓扑结构及初始化参数；利用
GA
算法对初始参数编码
、
对种群初始化，构造适应度函数计算适应度值并存储；判断是否满足结束条件；若满足第一结束条件，
BP
神经网络获取最优连接权值和阈值，建立
GA
‑
BP
考核模型进行预测，计算误差后存储，并更新网络参数，然后判断是否完成训练，若没有完成训练，流程跳转至建立
GA
‑
BP
人员考核模型进行预测，若完成训练，建立
GA
‑
BP
人员考核模型进行预测后存储，然后判断是否满足第二结束条件，若满足，建立
GA
‑
BP
人员考核模型，流程结束，若不满足，流程跳转至利用
GA
算法对初始参数编码
、
对种群初始化
。4.
根据权利要求3所述的基于
GA
‑
BP
算法的人员考核方法，其特征在于，若不满足第一结束条件，获取最优个体即最优权值和阈值：根据适应度大小进行种群选择
、
交叉
、
变异操作，不断产生新的种群即更优解，直至达到最大迭代次数或当前适应度达到预期；为确保获取全局最优解，形成适应度更高的新种群，在选择过程中挑选适应度高的个体，过滤排除适应度低的个体，通过将两个个体的染色体随机位置进行交叉或对单个个体的局部基因进行变异，通过不断产生新的个体和筛选，逐渐优化种群，选择最优个体，将其赋值给
BP
神经网络作为最优权值，建立基于遗传算法优化的
BP
网络模型，进行进一步训练
。5.
根据权利要求1所述的基于
GA
‑
BP
算法的人员考核方法，其特征在于，所述搭建
BP
神经网络，具体包括：所述
BP
神经网络模型拓扑结构采用三层网络结构，包含输入层
、
输出层和隐含层，网络拓扑结构初始为
12
‑5‑4；其中输入层的神经元个数
n
＝
12
，即对应指标体系个数；输出层的神经元个数
t
＝4，即对应四个考核等级；所述隐含层节点按照经验公式进行确认，公式如下：其中
a
为调节参数，范围为
[1,10]
，令
a
＝1，对网络参数进行初始化
。6.
根据权利要求1所述的基于
GA
‑
BP
算法的人员考核方法，其特征在于，所述种群初始化，包括：根据
BP
神经网络中初始权值
、
阈值，基于实数编码将其转化为遗传算法中的染色体的编码，长度计算公式为：
L
＝
n*m+m*t+m+t
；
其中
L
为编码长度，
n
为输入层的神经元个数，
m
为隐含层神经元个数，
t
为输出层神经元个数；将
BP
神经网络的训练误差作为适应函数，计算每个种群的适应度数值
F
，其值为预测值与输出值之间的误差绝对值和，计算公式如下：其中
n
为网络输出节点数，
y
α
i
为
BP
神经网络第
i...

【专利技术属性】
技术研发人员：褚婧丹，张志军，
申请(专利权)人：北京中科院软件中心有限公司，
类型：发明
国别省市：