RBF网络在大学生党员发展中的应用

翁丽华 张 彦 吕延文

（1衢州学院 学生教育管理处；2衢州学院 化学与材料工程学院；3衢州学院 学生处，浙江 衢州 324000）

RBF网络在大学生党员发展中的应用

翁丽华1张 彦2吕延文3

（1衢州学院 学生教育管理处；2衢州学院 化学与材料工程学院；3衢州学院 学生处，浙江 衢州 324000）

作者在对传统的本学院大学生发展党员的机制进行研究后，认识到现行的党员发展机制中，存在着个别有待科学改进的方面；而应用RBF网络模型对部分非党员学生和党员学生进行模型测定的尝试后，证明该模型确实有助于科学地改进和优化发展大学生新党员的机制，并能提高所发展的新党员的质量。

大学生新党员 科学量化标准 RBF神经网络

传统的高校学生党员发展的工作模式，一般是由党员辅导员或党员老师在其所在班里申请入党的学生中发现苗子，然后提交到党支部列为发展对象，进而分别确定党员介绍人，并对其进行一段时间的联系、谈心、教育帮助和考察，对其表现做出评价，提交到党支部进行讨论，然后确定是否作为党员发展对象。介绍人个人的评价在其过程中起着主要作用。然而在当今高等教育逐步走向“普及化”的时代，面对众多要求入党的积极分子和高要求的发展任务，只依靠个别党员去发现、培养、考察和评价，显然已不太适应科学和高质量发展新党员的要求；而且，以个体单一党员的评价来确定被考察对象是否符合党员发展要求，再确定发展与否，主观思维成分比较多，难以做到全面、科学、客观与准确，难以保证党员发展的高质量。

径向基函数网络 （Radial Basis Function Networks，RBF网络）可以较好地弥补上述缺点，同时能在发展大学生新党员上有所创新。RBF网络能够准确地建立起输入与输出数据之间内在的关系模型，从而可以很好地把一些非线性问题进行准确分类。大学生新党员的发展，以党章规定的共产党党员的标准，作为一个大学生是否可作为发展对象的评价依据，以此标准来区分申请入党的大学生，一般可以分为以下两大类：一类是可及时发展的对象；另一类是还需继续考验的对象。这是一个典型的非线性分类问题，我们通过对申请入党的对象进行调查评分，评分结果作为RBF网络的输入数据，根据RBF网络模型得到输出结果，以此结果来评判申请入党的大学生，是否可及时发展的对象。应用RBF网络，可以更加科学和客观地评价申请入党的对象，有效地减少人为主观因素的干扰，更好地达到公平、公正、全面、准确的党员发展要求。

一、RBF网络

RBF网络是一种前馈神经网络，具有很强的非线性映射功能，近年来受到许多研究者的密切关注，并成功广泛地应用于信息、机械、化工、管理等领域。RBF网络的结构比较简单，由输入层、隐含层和输出层组成，若网络分别有n个输入单元、p个隐单元，m个输出单元，则其拓扑结构如图1所示。

图1 RBF网络的拓扑结构

RBF网络隐单元的活化函数就是径向基函数，即径向衰竭函数，它有多种形式，其选取对网络性能影响不大，本文选用高斯径向基函数，此时各隐单元的输出为：

式中i=1，2，…，p；xj为样本输入向量在j维上的值；c（i）j为

式中wij为第i个隐单元到第j个输出单元的连接权值。

对于样本的所有输入，网络的全部输出可以用式（3）的矩阵形式表示。

RBF网络的拟合和预测性能取决于本身的结构和参数。输入层的单元数n由训练样本输入向量（自变量）的维数决定，输出层的单元数m由训练样本输出向量 （因变量）的维数决定；而隐单元数p、各隐单元中心向量c（i）和宽度参数σ（i）则是需要选择的。c（i）的选择可通过聚类分析来确定，但又涉及类的数量及阀值的选择，过程比较复杂；也可运用遗传算法同时优化c（i）、p、σ（i）等参数，但优化过程复杂、计算量大。

我们将神经网络与主成分回归（Principal Component Regression，PCR）相组合，解决RBF网络结构和参数的确定问题。具体步骤为：

①将隐含层单元数p设为训练样本数l，每个隐含层第i个隐单元中心向量在j维上的值；σ（i）为第i个隐单元径向基函数的宽度参数。

RBF网络第j个输出单元的输出值为：单元的中心向量c（i）取相应样本的输入向量；

②根据RBF网络模型的拟合和预测性能，采用尝试的方法选取σ（i）值；

③p、c（i）和σ（i）选定后，根据式（1）计算zi，构成活化矩阵Z；

④由训练样本的实测输出向量构成输出向量矩阵Y；

⑤运用主成分回归方法求解式（4），得到权系数矩阵W。

这样网络模型的结构和参数已确定，运用该模型即可对预测样本的因变量进行计算。

主成分回归是从多元自变量数据矩阵中，在满足正交约束的条件下，提取主要数据信息，并舍去一些方差非常小的主成分，达到降维和消除复共线性的目的，提高回归模型的稳健性。因此，我们采用的RBF网络与主成分回归相结合的建模方法，所建立的模型将具有良好的拟合和预测性能。

二、输入和输出数据的量化处理

1.输入数据量化处理的标准和方法

输入数据选择以下一些指标，并对每个指标向量进行量化处理，各输入向量采用评分制，具体如下。

（1）思想政治方面

满分100分，主要从以下4个方面进行评分。

评分方法：基础分80分，每项有突出表现者按子指标加5分，有严重违反者按子指标扣5分，无加、扣分的按基础分评分。

（2）道德作风方面

满分100分，也从以下4个方面进行评分。

①模范遵守国家法律及学校规章制度，无违纪行为。②团结同学、尊敬师长、诚实守信，乐于帮助他人，待人宽容诚恳。③严于律己，勇于开展批评和自我批评，敢于和不良现象作斗争。④生活朴实，作风正派，无不良嗜好，行为举止大方。

评分方法：基础分80分，每项有突出表现者按子指标加5分，有严重违反者按子指标扣5分，无加、扣分的也按基础分评分。

（3）专业学习方面

满分100分，基础分60分，实行加、扣分制，主要从以下4个方面进行评分。

①上学年获校一等奖学金者加30分，获校二等奖学金者加25分，获校三等奖学金者加20分。②学习态度端正，目标明确，未获得奖学金，但学习成绩班级排名前50%加10分。③非前2项已获加分者，但上学年无不及格课程者，加5分。④上学年课程有不及格者，每门扣10分。

（4）工作能力方面

四小姐站在石西岳侧面，先是漠然，既而似笑非笑说：“既然你又多了一名嫌疑犯，我就不带走他了。石处长，好好断一断眼前这桩风流案吧。”

满分100分，基础分60分，主要从以下4个方面进行评分。

①组织协调能力强，工作出色的班长和团支书及以上的学生干部加20—40分。②责任心强，热心为同学服务的班委和团委委员可以加10—20分。③工作踏实的课代表或小组长加10分。④同学有负面意见的小组长、课代表及以上的班级干部，视情况酌情扣分，直到扣完为止。

（5）模范作用方面

满分100分，基础分60分，主要从以下几个方面进行评分。

①学习、工作能力强，个人自身素质较高，能营造良好风气的三好学生可以加30—40分。②严格要求自己，以身作则，注意自己的一言一行的各项积极分子可以加20—30分。③与同学相处融洽和谐，有较好的群众基础，向党组织靠拢的积极分子可以加10—20分。④得到同班师生的肯定，在同学中有较好信誉的申请入党的普通同学可以加5—10分。

2.输出数据量化处理的标准和方法

训练样本中，因变量（输出数据）的取值采用“0—1”制：学生党员的因变量值取1，非学生党员的因变量值取0。

模型预测时，输出值（因变量值）小于0.5，取整为0，表示暂不列为发展对象，需要继续考察；输出值（因变量值）大于或等于0.5，取整为1，表示基本符合党员的标准，可列为发展对象。

三、RBF网络的建模及应用

1.样本数据的获取

以衢州学院机电工程学院2009级机电一体化专业的82名学生为研究对象，抽选10名学生对所有的82名学生进行评分，评分根据本文第二节的输入数据量化处理标准和方法进行，每位学生共有10份评分，将其平均作为样本数据的输入数据，数据容量为82。样本的输出数据根据本文第二节的输出数据量化处理标准和方法进行，数据容量也为82。样本的输入数据与输出数据之间一一对应。

将样本数据集分成两组：一组为训练样本，用于RBF网络模型的建立，数据容量为76；另一组为检测样本，用于RBF网络模型的检验，数据容量为6。

2.RBF网络的建模

基于训练样本，运用RBF网络，结合PCR方法，建立新党员发展机制的评价模型。RBF网络的输入层有5个单元（样本输入向量的维数为5维），分别代表思想政治、道德作风、专业学习、工作能力、模范作用；隐含层有76个单元，对应76个训练样本；输出层为1个单元（输出向量的维数为1维）。建模过程根据第一节的神经网络与主成分回归相结合的具体步骤进行，不再赘述。

3.评价模型的检验及结果

为了测试模型的适用性，运用检测样本对RBF网络评价模型进行检验。实施步骤如下。

①每个检测样本对应1个输入矢量。

②根据（1）式计算各隐单元对检测样本的输出Zt=（z1，z2，…，zp）T。

评价模型的检验结果如表1所示。

表1 RBF网络评价模型检测数据及结果

表1中期望输出为“1”的学生（现实为党员）可以作为党员发展对象，期望输出为“0”的学生尚未达到发展要求。由表1可见，模型输出的结果与期望输出基本吻合。模型的检测结果表明，该神经网络模型可以准确地作为党员发展机制的评价系统。

四、结语

采用RBF神经网络模型，对高校大学生党员发展机制进行优化，具有以下几个优点。

1.RBF网络具有容错能力，即使个别指标分值不符合实际，如某项指标因主观原因评分过高，也不影响其输出结果，可以有效避免因“关系户”而发展成党员。

2.该模型操作性强，通过大量样本调查，运用RBF网络建立评价模型后，即可用来对学生党员发展对象进行评价，可减少主观评定，具有公平、公正的特点。

3.该模型是以大量学生党员情况的量化数据作为评价依据，所以通过该模型计算出来的可发展对象个体，已较为准确地接近了学生党员标准，可以保证新发展党员的质量，从而使我们的党更具有凝聚力。

4.高校的学生群体具有时代特点，而各届学生的整体素质是有波动的，因此对学生党员的要求也应随之有些变化。但该模型是以在校的学生党员作为评价依据，因此学生群体的流动性，对学生党员发展对象的选择不会有所影响。

基于以上各点，目前衢州学院正在全院范围内，在发展学生新党员时推广应用RBF神经网络模型，并已初见成效。

［1］练崇潮.怎样把好学生党员质量关［J］.学校党建与思想教育，2010，（03）.

［2］赵洁.高校学生党员发展教育中存在的问题与对策［J］.商业文化（学术版），2010，（09）.

［3］沈建红.组织凝聚力的三维形态与高校党建的着力点［J］.浙江学刊，2008，（03）.

［4］左惟.创新精神与高校学生党建［J］.东南大学学报（哲学社会科学版），2008，（06）.

［5］Hummels D M，Ahemed W，Musavi M T.Adaptive detection of small sinusodial signals in non-gaussian noise using an RBF neural network.IEEE Trans on Neural Networks，1995，6（1）.

［6］韩力群.人工神经网络理论、设计及应用［M］.北京：化学工业出版社，2007.

［7］胡穗华，徐辉.基于径向基神经网络模型的企业高管胜任力评价.系统工程，2010，（05）.

［8］陈德钊.多元数据处理.北京：化学工业出版社，1998.