研究大学生就业情况的神经网络预测模型
2010-10-12 来源：www.nearlw.com
摘 要：本文采用BP 神经网络建立大学生的就业情况的预测模型，根据影响大学生就业的主要因素作为该神经网络的输入，按已知道就业情况作为输出，通过所得已知数据训练神经网络进而实现分类预测。
关键词：BP 神经网络预测
1. 引言
随着每年的大学生毕业人数的不断增加，大学生的就业情况也越来越为人关注。如果我们能建立一个能预测大学生就业情况的数学模型，那将高中毕业生在选择专业时有很大的帮助；不仅如此，它还对大一刚入学的新生在从高中到大学过度上有指导作用；同时也更方便了大学就业指导中心的老师对未来几年就业形式的把握和了解。
本文正是基于这一情况建立了该 BP 神经网络模型。它的建立是根据往年的就业信息，在影响就业的因素和就业情况之间建立了一个映射关系。通过这个映射关系将影响就业的因素作为该网络的输入，按已知道的就业情况作为输出，再通过已知数据对该网络进行训练。
这个训练好的网络便可以用来实现其预测作用。
2. BP 神经网络的知识介绍
1958 年F.Rosenblatt 提出了著名的视知觉的脑模型——感知机，它是脑模型研究的有一个里程碑。感知机是一种层状结构的神经元网络，各层内部神经元之间没有信息流动，层间神经元的联接权重W 可随着对网络进行的训练而改变，即通过学习算法进行学习，从而实现网络良好的模式辨识功能。
多层感知机是在单层感知机基础上扩充而成的，在网络的输入节点和输入节点层之间加入一层或多层中间隐节点。
在多层感知机中，信息流是从输入层向输出层单方向逐层传播的。即输入层作为第一隐层的输入，而第一隐层的输出作为第二隐层的输入，依次类推。因此也称为前馈型多层感知机。
前馈型多层感知机的反向传播（Back Propagation）学习算法也称为BP 算法，相应的神经网络也称为BP 网络。它是由1982 年，Rumelhard 和Mcclelland 等人提出的[1]。
在对网络的训练过程其实是一个不断修正权值和阈值的过程，通过调整使误差达到最小，使其满足实际需要。然后要对网络进行测试。根据测试的结果判断该网络是否能用于预测。之后每得到一组新数据时，将数据代入网络输出结果即为预测结果。
3. 网络的设计
3.1 网络输出的确定根据往年大学生的毕业情况，将毕业生的就业情况分为以下四类（Y ）作为网络的输出，1 y :容易找到待遇好的工作；2 y :能找到待遇一般的工作；3 y :不太容易找到工作；4 y :几乎找不到工作。
该网络采用两个输出节点，分别设这四类的输出值为(0 0) 1 y ， (0 1) 2 y ， (1 0) 3 y ，(1 1) 4 y3.2 网络输入的确定通过咨询多年从事大学生就业工作的老师，根据他们的经验确定了以下四类影响就业的指标，1 x :专业热门程度；2 x :工作经验丰富程度；3 x :学习成绩；x :其他能力。
要令以上四个指标作为神经网络的输入，应分别对它们进行取值，其取值标准为(为计算方便，我们令它们的取值都在0~1 之间)1 x :根据往年的就业情况和就业知道教师的经验而定；（如：辽宁工程技术大学的采矿专业就业率最高，可以令此专业取值为1.00；信息与计算科学的就业率最低，可以令其取值为0.10；其他专业的取值范围在0~1 之间）；2 x :按照大学生在校期间曾担任职务（如学生会干部）、做兼职、家教以及参加的社会活动等并表现突出的情况而定；3 x :根据学生的加权平均成绩并折合到（0 1）之间而定（如某学生加权平均成绩为84.56，可以取其值为0.85）；4 x :根据大学生在校期间所得奖励和证书而定（如四、六级证书、日语二级、计算机等级证书、高级程序员等），在本文中其最小值为0.5，代表没有通过四级（日语二级）也没有其他证书的学生。
注：以上四类取值除3 x 外，其他都是按实际情况对各自的所有影响因素的隶属程度而得3.3 数据按照以上评定标准，根据往年毕业学生的资料得到了以下数据，如表1（资料来源：辽宁工程技术就业指导中心）。
4. 网络的训练
4.1 隐层接点的确定本文中的输入节点数n = 4，分别为( ) 1 2 3 4 x x x x ；输出节点数为2 个，取值分别为0 或1；根据上述的神经网络确定的原则2，隐层节点数m = 2n +1 = 94.2 训练网络对以上数据进行处理以及对网络的训练是在Matlab7.0 上实现的，所用语句为：
net=newff(minmax(p),[9,2],{'tansig','logsig'},'trainlm');此网络在训练了112 次以后，误差达到0.05，满足了精度要求。
网络的训练结果为：
TRAINLM, Epoch 0/300, MSE 0.429508/0.05, Gradient 5.13673/1e-010TRAINLM, Epoch 25/300, MSE 0.0961575/0.05, Gradient 0.123247/1e-010TRAINLM, Epoch 50/300, MSE 0.0874426/0.05, Gradient 0.0906441/1e-010TRAINLM, Epoch 75/300, MSE 0.0667494/0.05, Gradient 0.0656093/1e-010TRAINLM, Epoch 100/300, MSE 0.056572/0.05, Gradient 0.198743/1e-010TRAINLM, Epoch 112/300, MSE 0.0498696/0.05, Gradient 0.0678862/1e-010TRAINLM, Performance goal met.
4.3 网络模型可信度的判别原则要判断此网络模型是否可信，我们采用一个λ 判别原则，即训练好之后的网络的实际输出与期望输出之间会有一定的误差，如果这些误差在一个规定的置信值（即λ ）范围内（在此文中λ 的取值在（0.05 0.10）之间），我们就可以说此网络预测模型是可信的，也就是说可以用来预测。超过了这个误差我们就可以说误差稍大或较大，也就是网络可信度低或是不可信的。表2 是网络的实际输出与期望输出之间的误差以及在误差允许范围内的实际输出值。
综上述，通过给定这个置信值λ ，可以看出这个网络模型的可信度达到了95%，基于这个很高的可信度我们可以利用这个神经网络模型来进行预测。
4.4 利用网络进行预测现 有 两 名 待预测的学生， 学生情况分别为(1.00 1.00 0.70 0.70) 1 s ，(0.10 0.10 0.90 0.50) 2 s ;将其作为输入代入上述网络中，输出结果分别为(0.0000 0.0007) 1 y ， (0.8596 1.0000)可见1 y 在上面给出的置信值λ 允许的范围内可以取（0，0），即就业情况是容易找到待遇好的工作； 2 y 在上面给出的置信值λ 允许的范围内可取（1，1）即就业情况是几乎找不到工作。
5. 结语
通过对上述网络的训练及网络可信度的判别原则，此BP 神经网络模型可以很好的用来预测大学生的就业情况。
本文通过 BP 神经网络实现对大学生的就业情况进行了预测，并取得了很好的预测结果，说明了该网络有很好的预测作用。此外BP 神经网络还可以实现对价格、企业破产、经济的预测。
十年论文机构京都名师论文中心，正规全面的论文刊物为您提供职称论文，毕业论文，硕士论文，医学论文，教育论文等各类论文发表服务。
参考文献
[1] 郭嗣琮 陈刚，信息科学中的软计算方法[M]，沈阳：东北大学出版社，2001
[2] 余岚 周清华 基于模糊聚类的 BP 神经网络模式识别法.
[3] 飞思科技产品研发中心，神经网络理论与 MATLAB7 实现[M]，北京：电子工业出版社，2005
前一篇:应用多媒体课件_CAI_优化物理课堂教学研究 后一篇:惩罚函数法在模拟退火算法求解非线性约束优化问题中的
声明：所有论文除注明为本站原创外，其他均来自网络资源或网友投稿。版权归原作者所有，勿做其他非法用途。
备注：京都名师论文中心可以提供与此高质量论文题材相似的指导方法，欢迎联系。
论文写作
论文辅导
论文发表
