基于PCA－FBP的绩效综合评价研究❋

朱 健，任秋阳，卢秉亮

（1.沈阳航空职业技术学院，沈阳110034；2.沈阳飞机工业（集团）有限公司，沈阳110034；3.沈阳航空航天大学计算机学院，沈阳110136）

基于PCA－FBP的绩效综合评价研究❋

朱 健1，2，任秋阳1，2，卢秉亮3

（1.沈阳航空职业技术学院，沈阳110034；2.沈阳飞机工业（集团）有限公司，沈阳110034；3.沈阳航空航天大学计算机学院，沈阳110136）

将系统论、信息论、计算机技术、工程技术思想引入评价领域，产生了一系列新的评价方法。BP神经网络通过训练来得到被评对象的价值模型，可以有效解决非线性综合评价问题。通过合理选取评价指标，利用主成分分析降低变量的维数，提出了一种基于PCA－FBP的员工绩效评价模型，通过自组织映射网络SOM，完成了评价结果分组，提高了评价结果的客观性。实验结果表明，该方法可以较好的逼近专家评价结果，降低了神经网络模型的复杂度，提高了神经网络模型的效率。

绩效评价；主成分分析；人工神经网络；BP神经网络；聚类；模糊数学

1 引 言

绩效评价中的定量评价属于多指标多对象的综合评价，目前，通过将系统论、信息论、计算机技术、工程技术思想引入评价领域，产生了一系列新的评价方法。不同评价方法的综合和交叉也促进新方法和新思想的产生，归纳起来大致有以下几种［1－4］：将人工神经网络技术引入评价中，主要是对ANN算法进行改进，如采用累计误差的BP算法；模拟生物进化的遗传算法是通过模拟生物进化过程中的繁殖、交叉、突变三种现象，对评价问题进行解释；交互式多目标综合评价方法解决了评价中主观性与客观性结合的问题，主要有基于目标满意度的交互式评价方法和基于目标实际达到程度和目标满意度的交互式评价方法；基于粗糙集理论的评价方法是通过建立属性约简，从决策表中去除冗余属性，从约简的决策表中产生决策规则，利用这种规则对新对象进行评价；系统模拟与仿真评价方法以反馈控制理论为基础，引进动态时间的概念，利用计算机技术进行模拟，对被评价系统进行过程分析与评价。

BP神经网络可以充分逼近任意复杂的非线性关系，可以在不了解数据产生原因的前提下，对非线性过程建模。BP神经网络是根据已有知识（学习样本）通过训练来得到被评对象的价值模型，可以有效解决非线性综合评价问题，减少人为因素对决策结果的影响，因此利用神经网络对员工进行绩效考核是比较科学的。

2 基于PCA－Fuzzy－BP的绩效评价原理

基于PCA－Fuzzy－BP的绩效评价预测模型采用模糊BP神经网络，模糊神经网络对于现实世界的描述更切合实际，其预测效果比BP神经网络更为精确，通过神经网络的训练，对测试数据进行结果聚类分组，提高评价的科学性和合理性。如图1所示，PCA主成分分析结果作为模糊神经网络输入，通过模糊神经网络训练，使用测试数据对训练结果进行检测［5－6］。

图1 PCA－Fuzzy－BP模型

模糊神经网络采用基于Takagi－Sugeno模型的模糊神经网络，该模型采用T－S模型实现模糊数学推理。其中，T－S模型通常采用5层结构，分别为输入层、模糊层、规则层、规则归一层和输出层，在实际使用中一般采用三层结构，即将模糊层、规则层和规则归一层合并为隐含层。

第一层为输入层，利用主成分分析方法通过显式变量观测值提取信息，将显式的观测值转换为系统中不可直接观测的隐含信息变量。主成分分析的主要思路即利用降维方法构造出原始指标中的线性组合并得到一系列不相关的综合评价指标，选取系统新的综合评价指标，使它们包含原始指标中尽可能多的信息，利用较少的指标表达系统综合信息，从而达到降维的目的。人工神经网络通过对生物神经系统的模拟，采用神经元模拟生物神经元、有向加权弧模拟生物轴突－突触－树突结构、连接弧的权值表征神经元之间的相互作用，完成复杂非线性系统模型的模拟［6］。人工神经网络的并行处理能力、高度鲁棒特性、容错能力等特性，使得该模型可以充分逼近复杂的非线性关系。人工神经网络与其他智能算法的结合，形成了计算智能。

第二层为隐含层，该层首先将数据隶属度函数模糊化，模糊规则为“If－Then”规则定义。模糊分割取2个，因此本层节点数为16个，模糊函数采用铃型函数：

第三层为输出层，评价结果根据评价得分直接进行排名，其结果具备很强的直观性，但当采用不同的指标体系和不同的数据处理方法时，其具体排名会出现一定差异。因此采用聚类方法对评价结果进行聚类，并认为同一组中的数据差异较小，使评价结果科学合理。

3 PCA－Fuzzy－BP的Matlab实现

模型输入节点8个，采用T－S模型，选择9组系数pa0－pa9，参数和利用Matlab随机数生成器生成。首先初始化模糊神经网络，系数pai＝0.25 rand（M，1），其中M为隐含层节点数。

模糊神经网络训练阶段，首先使用模糊函数对训练数据进行模糊化［5］，即：

模糊算子计算为：

模糊过程输出为：

经过上述计算，进入网络训练过程，模型训练结果如图2和图3所示，可以发现，PCA－Fuzzy－BP模型训练的误差分布在±0.03之间。

图2 PCA－Fuzzy－BP模型收敛次数

图3 PCA－Fuzzy－BP模型训练结果与预测误差

4 PCA－Fuzzy－BP模型测试

将剩余的10组数据带入训练好的模型，进行数据测试，其预测结果与误差如图4所示。

图4 PCA－Fuzzy－BP模型测试结果与预测误差

由图4可以发现，PCA－Fuzzy－BP模型的预测结果与测试期望输出基本相符，其误差分布在±0.1之间，其预测精度更高。通过PCA－FBP模型评价之后的结果，通过自组织特征映射网络实现聚类分组，将员工等级分为3个，即优秀（分组3），良好（分组2），一般（分组1），聚类分组后的结果如图5所示。

5 PCA－FBP评价效果追踪

利用一般方法、采用自组织神经网络进行结果聚类，其聚类分组结果如图6所示。可以发现，综合评价指标体系评价结果和一般的评价指标体系存在一定的差异，主要体现在某些具有特殊优势、特殊技能的员工的职业能力评价分组的等级提升，评价结果体现了综合性原则。同时，我们也很容易发现，采用一般方法对评价结果进行分组后，除大量第二等级分组的员工出现向第三分组员工调整的现象外，还出现了第一等级分组的员工向第三等级分组的跳跃，这种现象表现了一般分类方法的不连续性，即一般分组方法存在指标调整的人为因素，对评价结果产生了较大影响。SOM分组方法避免了一般聚类方法对结果的大调整，保持了分组结果的连续性，具有可操作性。同时，该方法充分考虑了员工的个人特点，对评价指标中某个方面表现特别突出的个体，给予了较高的分组等级，充分实现了评价对个体的激励作用。

图5 评价结果分组聚类

图6 普通分组与SOM分组

从实验结果可以看出，利用人工设计网络的自学习、自组织功能，通过大量的数据对模型进行训练，达到较高的训练精度；通过测试数据的测试，获取较好的预测精度。实验最后采用训练完成的模型，实现了评价结果计算，获取了客观公正的评价，减少了人的主观性影响。

6 结束语

基于FBP的人工神经网络，通过引入模糊数学理论，更适合员工职业能力评价这一具有模糊特性的人文系统。基于PCA－Fuzzy－BP的评价系统采用主成分分析方法实现数据信息的提取，通过模糊神经网络实现员工绩效评价，具有比BP模型更高的训练精度和预测精度。利用SOM网络将FBP的输出结果进行评价等级分组，使得评价结果更符合人们的日常思维方式。整个评价过程不存在人为调整指标权重，避免了人为因素对评价结果的影响。

［1］ Goyal S.Advanced computing research on cascade single and double hidden layers for detecting shelf life of katakand：An artificial neural network approach［J］.International Journal of Computer Science＆Emerging Technologies，2011，2（5）：292－295.

［2］ Le H S，Oparin I，Allauzen A，et al.Structured output layer neural network languagemodel［C］.Acoustics，Speech and Signal Processing（ICASSP），2011 IEEE International Conference on.IEEE，2011：5524－5527.

［3］ Goyal S，Goyal G K.A new scientific approach of intelligent artificial neural network engineering for predicting shelf life of milky white dessert jeweled with pistachio［J］.International Journal of Scientific and Engineering Research，2011，2（9）：1－4.

［4］ 陈增强，袁著祉，张燕.基于神经网络的非线性预测控制综述［J］.控制工程，2002，9（4）：7－11.

CHEN Zeng－qiang，YUAN Zhu－zhi，ZHANG Yan.A Survey on Neural－Network Based Nonlinear Predictive Control［J］.Control Engineering of China，2002，9（4）：7－11.

［5］ 苏高利，邓芳萍.论基于MATLAB语言的BP神经网络的改进算法［J］.科技通报，2003，19（2）：130－135.

SU Gao－li，DENG Fang－ping.On the Improving Back propagation Algorithms of the Neural Networks Based on MATLAB Language［J］.Bulletin of Science and Techmology.2003，19（2）：130－135.

［6］ 童其慧.主成分分析方法在指标综合评价中的应用［J］.北京理工大学学报（社会科学版），2002，4（1）：59－61.

TONG Qi－hui.The Application of Primary Element Analyzing Methods in the Index Synthetic Evaluation［J］.Journal of Beijing Institute of Technology（Social Sciences Edition），2002，4（1）：59－61.

Research of Performance Com prehensive Evaluation Based on PCA－FBP

Zhu Jian1，2，Ren Qiuyang1，2，Lu Bingliang3
（1.Shenyang Aeronautical Vocational College，Shenyang 110034，China；2.Shenyang Aircraft Corporation，Shenyang 110034，China；3.School of Computer Science and Engineering，Shenyang Aerospace University，Shenyang 110136，China）

At present，the system theory，information theory，computer technology and engineering technology are referred in the evaluation method.BP neural network，getting the rated value objects by training，can effectively solve the problem of nonlinear comprehensive evaluation.In this paper，the evaluation indicators is selected reasonably，the principal component analysis is used to reduce the dimensions of the variables，and the employee performance evaluation model is proposed on the basis of PCA－FBP.With Self－Organizing feature Map（SOM），the grouping of the evaluation results is completed and the objectivity of evaluation results is improved.The test results show that it approaches to the evaluation results of the experts，reduces the complexity of neural network model and improves the efficiency of the neural network model.

Performance evaluation；PCA；ANN；BP neural network；Clustering；Fuzzymathematics

10.3969/j.issn.1002－2279.2015.05.014

TP398.1

A

1002－2279（2015）05－0054－03

辽宁省教育科学“十二五”规划2014年度立项课题（JG14EB238）

朱健（1971－），男（满），辽宁北镇市人，教授，硕士，主研方向：数据库、数据挖掘。

2014－11－24