论文部分内容阅读
摘 要：自人类进入21世纪，世界经济快速发展，人力资源需求预测在企业人力资源管理中显得日益重要，建立卓有成效的人力资源需求预测模型，能够为企业在快速发展中的用人需求提供有力的保障。因此，以人力资源需求预测的内涵为主要研究内容，以RBF神经网络为基础，建立起人力资源需求预测模型，并对大量的无序数据进行训练、学习和测试，最终得到企业用人需求的规则，为企业提出正确的策略提供了较为翔实的依据，具有较大的实用价值。
关键词：RBF神经网络；人力资源管理；需求；预测模型
中图分类号：TP183；F272.92 文献标志码：A 文章编号：1673-291X（2017）02-0014-03
引言
随着世界经济的快速发展，企业人力资源已经成为一个企业良性发展的重要核心内容，并具有极其重要的战略意义，因此也被越来越多的企业所重视。企业人力资源管理中的科学需求预测是其发展过程中的重要规划之一，它能够为企业人力资源管理中的各种用人需求提供强有力的支持保障，并以此为基础，构建企业可持续发展的动力，以保证企业在市场经济竞争中快速高效发展[1]。以企业当前人力资源需求预测的内涵为主要研究内容，以RBF神经网络为基础，建立起人力资源需求预测模型，以较为准确地预测企业各种人力资源的不同要求，最终得到企业用人需求的整体规则，为企业提出正确策略提供较为翔实的依据，具有较为重要的参考与指导的现实意义。
一、基于RBF神经网络的企业人力资源需求预测模型的理论基础
（一）人力资源需求预测的含义
人力资源需求是伴随着人力资源管理的概念而产生的，其核心体系包括人力资源数量、人力资源构成、人力资源质量等三个重要方面。它是企业在生产运行阶段，以企业发展目标为依据，通过企业保留过去和目前使用的人力资源相关数据，进行准确的评估。对于相关企业而言，不仅要清楚将来阶段使用人力资源的预测，还要了解目前阶段本企业人力资源的使用情况、岗位配置、招聘等相关需求信息。
其需求预测可以分成现阶段人力资源需求预测、将来人力资源需求预测、消失人力资源需求预测等三大部分[2]。根据需求预测的相关分析结果，企业可以确定各级岗位类型及相关的人员配置数量。这对于企业有着重要的意义，它能够保证企业在发展过程中及时采取有效措施调整人员使用中的问题，从而调动企业各类员工工作的积极性与热情[3]。
（二）RBF神经网络的基本原理
RBF（Radical Basis Function）神经网络也称为径向基神经网络，是一种有效的特殊前馈型神经网络。RBF神经网络具有最强的逼近性能、结构简单性能以及训练、学习速度较快的性能，因此能够逼近较为复杂的随机非线性函数，及时分析、处理大量的无规则的数据信息，得到较为理想的学习结果[4]。
RBF神经网络是一种特殊的三层前馈网络，首层为输入层，是由大量的神经元组合而成，其输入训练样本可用公式（1）表示。
其中，P是q组输入训练样本。
第二层为隐形层，它是一种非线性的的转化函数，可用公式（2）表示[5]。
其中，P是训练样本；ni是第i个样本的中心，同P有相同的输入组数；σi是第i个感应样本变量，由它可得出样本同中心位置的距离。f是隐形的神经元个数。||p-ni||是其距离的取值范围，也就是p与n之间的长度距离[6]。Mi（p）是第i个神经元长度距离最大值。
第三层为输出层，其输出结果是经过隐形层非线性转换后的线性变化的结果，可用公式（3）表示。
f是隐形的神经元个数，q为输入层训练组数，Gi为隐形层第i个样本神经元权重值，Mi（p）是第i个样本神经元距离长度的最大值。Le为给定输入样本数据后，相对应的输出结果值[7]。其RBF神经网络结构如图1所示。
RBF神经网络结构较为简洁，相对性、编辑性较强，因此，在训练的过程中，将会编辑最少的神经元权重，并对神经网络中数据列进行累计加的方法逐步生成，形成累加列，同时，会用阶梯渐进的方式，逐步接近中心位置，使用离散响应函数映射到相关的预测模型中，并以此为基础进行较快速的训练、学习，使这个过程速度最高，使用时间达到最短[8]。所以，选择RBF神经网络作为人力资源需求预测模型研究的基础。
二、基于RBF神經网络的企业人力资源需求预测模型的构建
（一）建立符合企业实际的预测目标
企业要建立人力资源需求预测模型，首先应当根据企业的中长期发展战略目标及实现此目标的相关方式，确定本企业目前人力资源的现状，并制订相关岗位职能计划，以便建立起符合企业实际的预测目标。在确定目标时，要求对企业近五年的经济活动数据进行收集、分析、统计等工作。这些经济数据应当包括各阶段的经济目标、实现时间等相关数据，以此为基本依据来确定各方面的预测对象及建立符合企业实际的预测目标[9]。
（二）基于RBF神经网络的企业人力资源需求预测模型的构建
基于RBF神经网络的企业人力资源需求预测模型的构建步骤如下：
第一步：建立合适的编码规则，建立初始化权重值
使用RBF神经网络建立起的相关模型，首先需要对RBF神经网络的训练权重值进行二进制编码组合，使之能够达到模型处理运行数据的速度达到最快[10]。以二进制编码为依据建立的训练样本权重值，用公式（4）表示。
其中，a为训练样本权重组数，b为隐形层神经元个数。
第二步：设置相关输入参数
训练样本经过初始化权重后，设置相关输入数据参数，用公式（5）表示。
其中，G为输入最终参数值，m为输入信息点数，Qn为权重值，Xn为实际输入值。当0 当前使用公式（2）非线性的转换函数，首先定义使用存放输入数据的类Rp，p为训练样本值，对第一个数据a1，令其到该样本中心n1的距离长度为|a21-n1|。如果|a21-n1|≤Mi，则a1为到中心ni的最短距离，Mi是公式（2）中的神经元长度距离值。如果|a21-n1|>Mi，则RBF在其神经系统中为a1新建一个样本中心，同时配置一个新的隐形数据[12]。
第四步：输出层的最终输出
依据上述过程，根据公式（6），建立输出值。
为输出值，n为样本中心的距离长度，Qin为权重值，ai为数据样本值[13]。
通过RBF神经网络建立的企业人力资源需求预测模型将相关预测过程有机连接，从而最大限度的消除了误差问题，提高了预测精度，并由于结构简洁，提高了连接效率，使模型的运算速度更快[14]。
（三）算法介绍
人力资源需求预测模型和RBF神经网络之间关联的相关数据可以通过数值型函数转化为估算器，利用RBF神经网络中的newrb的相关算法计算，通过newrb算法可以快速建立起一组径向基神经网络。该网络可以较快接近相关调用函数，它在该预测模型里可以使用最快的四参网络系统，在模型中隐形层添加多个神经元，可以使建立模型的误差达到最低。算法表示可以用公式（7）表示[15]。
其中，以P为起点神经元，终点为Q的神经元输入向量值组，组成P×Q的维矩阵。
以T为起点神经元，终点为Q的神经元预测输出向量值组，组成T×Q的维矩阵。
GOAL为平均要求误差，认定默认值为0。
SPREAD为径向基的扩展度参数，认定默认值为1。SPREAD的值越大，表示预测模型的扩展速度等相关参数越平整。但是需要注意的是，如果SPREAD取值过于大，会导致在速度变化过程中RBF神经网络形成较多神经元，造成过度误差，出现不必要的损失，如果SPREAD取值过于小，就需要在RBF神经网络中增加大量的神经元来适应newrb算法的缓慢变换，最终造成网络堵塞，影响模型计算的速度。
MN表示newrb算法中能够形成最大的神经元数目。
DF表示输入与输出后，newrb中添加的所有神經元个数，认定默认值为25。
NET表示newrb算法最终向该径向网络返回的值[16]。
三、基于RBF神经网络的企业人力资源需求预测模型训练及结果
通过上述步骤建立好模型后，为了建立精准型的模型，将RBF神经网络相关训练样本的初始值输入，其相关训练参数设置如表1 所示。
由图2可知，该RBF神经网络具有较好的向权重值靠近的特点，准确使用企业的建立时间、年产值、利润等相关属性，使该模型具有较为平稳发展的特性，这些属性与企业各种人力资源需求之间的关系是具有较为理想的整合度，解决了输入神经元与输出神经元之间的非线性、不符合相关统计数据规律的问题。
从图2数据可以看出，该模型预测初始序列较多，而初始序列列数越多，证明其获取的原始数据年度越长，部门、岗位越多，预策出来的误差数据也就越小，因此也就具有较为理想的自学、容错的能力，形成了较为理想的整合实际数据，提高了人力资源需求预测的准确度与精确度。该种预测模型对于中、大型企业具有较为理想的作用，并表现出相关技术对于企业人力资源需求较为重要的影响，因此，在采集相关企业数据样本的时候，要多考虑每个企业的特点、数据获取的渠道等，这样，就可以使该模型达到较为准确的预测。
基于RBF神经网络的企业人力资源需求预测模型的实际应用，对企业人力资源需求预测是一种颇有成效且方便快捷的方法，该模型较精确地预测了人力资源的需求，为企业的发展提供了必要的依据[17]。
四、结论
本文的研究和相关实践证明，企业人力资源需求预测是每一个企业制订人力资源计划时需要重点研究的一个内容，而基于RBF神经网络的企业人力资源需求预测模型对于企业在实际运行过程中完全是可行的，企业要在日益激烈市场竞争中取得优势，正确的人力资源需求规划是重要条件，是满足企业长久发展的需要。而由于社会环境等与企业发展相关的条件在发生着较快的变换，就需要使用RBF神经网络提供的企业人力资源需求预测模型对企业未来的人力资源需求提供更加准确、精准的动态数据，为企业的核心发展力提供强有力的决策保障和数据参考依据。
参考文献：
[1] ANNADUBIEL，HOLGER ERNST.InduStr-Ial Centers in Emerging Markets：Moti-vations，Barriers，and Success Facto-rs[M].The
Off shoring Challenge，2013：191-209.
[2] HOU，MAOZHANG，CHEN，WENJUN，YANG，ZHIQING.Current Situation and Count-Ermeasures of Strategic Emerging Indus-tries
in China[J].WIT Transactions on Information and Communication Tech-nologies，2014，（52）：461-466.
[3] Kun Wang，Xingli Fan，Xiaowen Fu，Yiran Zhou.Benchmarking the performance of Chinese airlines：An investigation of productivity，
yield and cost competitiveness[J].Journal of Air Transport Management，2014：3-14. [4] Nawaf Hamadneh，Saratha Sathasivam.Learning Logic Programming in Radial Basis Function Network via Genetic Algorithm[J].
Journal of Applied Sciences，2012，9（12）：110-121.
[5] I-Cheng Yeh，Chung-Chih Chen，Xin-ying Zhang，Chong Wu，Kuan-Chieh Huang，Adaptive radial basis function net-Works
with kernel shape parameter-s[J].Neural Comput & Applic，2012，（21）：469-480.
[6] 任佩瑜，王苗，任竞斐.从自然系统到管理系统——熵理论发展的阶段和管理熵规律[J].管理世界，2013，12（3）：182-183.
[7] 李海峰，李纯果.深度学习结构和算法计較分析[J].河北大学学报，2012，32（5）：230-237.
[8] 卞永峰，李恩平.基于组合预测模型的山西省转型期紧缺科技人才需求预测研究[J].科技管理研究，2013，10（21）：41-45.
[9] 徐国浪，魏延.基于多核函数的模糊支持向量机学习算法[J].重庆师范大学学报，2012，11（6）：50-53.
[10] 张超，李擎，陈鹏，等.一种基于粒子群参数优化的改进蚁群算法及其应用[J].北京科技大学学报，2013，35（7）：873-878.
[11] 丁硕，常晓恒，巫庆辉.RBF与BP网络在模式分类领域内的对比研究[J].电子测试，2014：41-43.
[12] 张立.基于灰色预测模型GM（1，1）的人力资源需求预测研究[J].人力资源管理，2011，9（4）：234-235.
[13] 蒋荣华，曹琦.基于灰色 BP 神经网络的企业人力资源需求预测[J].中国人力资源开发，2011，1（2）：42-45.
[14] 甘敏，彭晓燕，彭辉.RBF神经网络参数估计的两种混合优化算法[J].控制与决策，2009，24（8）：72-76.
[15] 孙涵，杨普容，成金华.基于Matlab支持向量回归机的能源需求预测模型[J].系统工程理论与实践，2011，31（10）：21-27.
[16] 刘道华，张礼涛，曾召霞，等.基于正交最小二乘法的径向基神经网络模型[J].信阳师范学院学报，2013，26（3）：428-431.
[17] 韩红桂，乔俊飞，薄迎春.基于信息强度的RBF神经网络结构设计研究[J].自动化学报，2012，38（7）：1083-1090.
[责任编辑 柯 黎]
关键词：RBF神经网络；人力资源管理；需求；预测模型
中图分类号：TP183；F272.92 文献标志码：A 文章编号：1673-291X（2017）02-0014-03
引言
随着世界经济的快速发展，企业人力资源已经成为一个企业良性发展的重要核心内容，并具有极其重要的战略意义，因此也被越来越多的企业所重视。企业人力资源管理中的科学需求预测是其发展过程中的重要规划之一，它能够为企业人力资源管理中的各种用人需求提供强有力的支持保障，并以此为基础，构建企业可持续发展的动力，以保证企业在市场经济竞争中快速高效发展[1]。以企业当前人力资源需求预测的内涵为主要研究内容，以RBF神经网络为基础，建立起人力资源需求预测模型，以较为准确地预测企业各种人力资源的不同要求，最终得到企业用人需求的整体规则，为企业提出正确策略提供较为翔实的依据，具有较为重要的参考与指导的现实意义。
一、基于RBF神经网络的企业人力资源需求预测模型的理论基础
（一）人力资源需求预测的含义
人力资源需求是伴随着人力资源管理的概念而产生的，其核心体系包括人力资源数量、人力资源构成、人力资源质量等三个重要方面。它是企业在生产运行阶段，以企业发展目标为依据，通过企业保留过去和目前使用的人力资源相关数据，进行准确的评估。对于相关企业而言，不仅要清楚将来阶段使用人力资源的预测，还要了解目前阶段本企业人力资源的使用情况、岗位配置、招聘等相关需求信息。
其需求预测可以分成现阶段人力资源需求预测、将来人力资源需求预测、消失人力资源需求预测等三大部分[2]。根据需求预测的相关分析结果，企业可以确定各级岗位类型及相关的人员配置数量。这对于企业有着重要的意义，它能够保证企业在发展过程中及时采取有效措施调整人员使用中的问题，从而调动企业各类员工工作的积极性与热情[3]。
（二）RBF神经网络的基本原理
RBF（Radical Basis Function）神经网络也称为径向基神经网络，是一种有效的特殊前馈型神经网络。RBF神经网络具有最强的逼近性能、结构简单性能以及训练、学习速度较快的性能，因此能够逼近较为复杂的随机非线性函数，及时分析、处理大量的无规则的数据信息，得到较为理想的学习结果[4]。
RBF神经网络是一种特殊的三层前馈网络，首层为输入层，是由大量的神经元组合而成，其输入训练样本可用公式（1）表示。
其中，P是q组输入训练样本。
第二层为隐形层，它是一种非线性的的转化函数，可用公式（2）表示[5]。
其中，P是训练样本；ni是第i个样本的中心，同P有相同的输入组数；σi是第i个感应样本变量，由它可得出样本同中心位置的距离。f是隐形的神经元个数。||p-ni||是其距离的取值范围，也就是p与n之间的长度距离[6]。Mi（p）是第i个神经元长度距离最大值。
第三层为输出层，其输出结果是经过隐形层非线性转换后的线性变化的结果，可用公式（3）表示。
f是隐形的神经元个数，q为输入层训练组数，Gi为隐形层第i个样本神经元权重值，Mi（p）是第i个样本神经元距离长度的最大值。Le为给定输入样本数据后，相对应的输出结果值[7]。其RBF神经网络结构如图1所示。
RBF神经网络结构较为简洁，相对性、编辑性较强，因此，在训练的过程中，将会编辑最少的神经元权重，并对神经网络中数据列进行累计加的方法逐步生成，形成累加列，同时，会用阶梯渐进的方式，逐步接近中心位置，使用离散响应函数映射到相关的预测模型中，并以此为基础进行较快速的训练、学习，使这个过程速度最高，使用时间达到最短[8]。所以，选择RBF神经网络作为人力资源需求预测模型研究的基础。
二、基于RBF神經网络的企业人力资源需求预测模型的构建
（一）建立符合企业实际的预测目标
企业要建立人力资源需求预测模型，首先应当根据企业的中长期发展战略目标及实现此目标的相关方式，确定本企业目前人力资源的现状，并制订相关岗位职能计划，以便建立起符合企业实际的预测目标。在确定目标时，要求对企业近五年的经济活动数据进行收集、分析、统计等工作。这些经济数据应当包括各阶段的经济目标、实现时间等相关数据，以此为基本依据来确定各方面的预测对象及建立符合企业实际的预测目标[9]。
（二）基于RBF神经网络的企业人力资源需求预测模型的构建
基于RBF神经网络的企业人力资源需求预测模型的构建步骤如下：
第一步：建立合适的编码规则，建立初始化权重值
使用RBF神经网络建立起的相关模型，首先需要对RBF神经网络的训练权重值进行二进制编码组合，使之能够达到模型处理运行数据的速度达到最快[10]。以二进制编码为依据建立的训练样本权重值，用公式（4）表示。
其中，a为训练样本权重组数，b为隐形层神经元个数。
第二步：设置相关输入参数
训练样本经过初始化权重后，设置相关输入数据参数，用公式（5）表示。
其中，G为输入最终参数值，m为输入信息点数，Qn为权重值，Xn为实际输入值。当0
第四步：输出层的最终输出
依据上述过程，根据公式（6），建立输出值。
为输出值，n为样本中心的距离长度，Qin为权重值，ai为数据样本值[13]。
通过RBF神经网络建立的企业人力资源需求预测模型将相关预测过程有机连接，从而最大限度的消除了误差问题，提高了预测精度，并由于结构简洁，提高了连接效率，使模型的运算速度更快[14]。
（三）算法介绍
人力资源需求预测模型和RBF神经网络之间关联的相关数据可以通过数值型函数转化为估算器，利用RBF神经网络中的newrb的相关算法计算，通过newrb算法可以快速建立起一组径向基神经网络。该网络可以较快接近相关调用函数，它在该预测模型里可以使用最快的四参网络系统，在模型中隐形层添加多个神经元，可以使建立模型的误差达到最低。算法表示可以用公式（7）表示[15]。
其中，以P为起点神经元，终点为Q的神经元输入向量值组，组成P×Q的维矩阵。
以T为起点神经元，终点为Q的神经元预测输出向量值组，组成T×Q的维矩阵。
GOAL为平均要求误差，认定默认值为0。
SPREAD为径向基的扩展度参数，认定默认值为1。SPREAD的值越大，表示预测模型的扩展速度等相关参数越平整。但是需要注意的是，如果SPREAD取值过于大，会导致在速度变化过程中RBF神经网络形成较多神经元，造成过度误差，出现不必要的损失，如果SPREAD取值过于小，就需要在RBF神经网络中增加大量的神经元来适应newrb算法的缓慢变换，最终造成网络堵塞，影响模型计算的速度。
MN表示newrb算法中能够形成最大的神经元数目。
DF表示输入与输出后，newrb中添加的所有神經元个数，认定默认值为25。
NET表示newrb算法最终向该径向网络返回的值[16]。
三、基于RBF神经网络的企业人力资源需求预测模型训练及结果
通过上述步骤建立好模型后，为了建立精准型的模型，将RBF神经网络相关训练样本的初始值输入，其相关训练参数设置如表1 所示。
由图2可知，该RBF神经网络具有较好的向权重值靠近的特点，准确使用企业的建立时间、年产值、利润等相关属性，使该模型具有较为平稳发展的特性，这些属性与企业各种人力资源需求之间的关系是具有较为理想的整合度，解决了输入神经元与输出神经元之间的非线性、不符合相关统计数据规律的问题。
从图2数据可以看出，该模型预测初始序列较多，而初始序列列数越多，证明其获取的原始数据年度越长，部门、岗位越多，预策出来的误差数据也就越小，因此也就具有较为理想的自学、容错的能力，形成了较为理想的整合实际数据，提高了人力资源需求预测的准确度与精确度。该种预测模型对于中、大型企业具有较为理想的作用，并表现出相关技术对于企业人力资源需求较为重要的影响，因此，在采集相关企业数据样本的时候，要多考虑每个企业的特点、数据获取的渠道等，这样，就可以使该模型达到较为准确的预测。
基于RBF神经网络的企业人力资源需求预测模型的实际应用，对企业人力资源需求预测是一种颇有成效且方便快捷的方法，该模型较精确地预测了人力资源的需求，为企业的发展提供了必要的依据[17]。
四、结论
本文的研究和相关实践证明，企业人力资源需求预测是每一个企业制订人力资源计划时需要重点研究的一个内容，而基于RBF神经网络的企业人力资源需求预测模型对于企业在实际运行过程中完全是可行的，企业要在日益激烈市场竞争中取得优势，正确的人力资源需求规划是重要条件，是满足企业长久发展的需要。而由于社会环境等与企业发展相关的条件在发生着较快的变换，就需要使用RBF神经网络提供的企业人力资源需求预测模型对企业未来的人力资源需求提供更加准确、精准的动态数据，为企业的核心发展力提供强有力的决策保障和数据参考依据。
参考文献：
[1] ANNADUBIEL，HOLGER ERNST.InduStr-Ial Centers in Emerging Markets：Moti-vations，Barriers，and Success Facto-rs[M].The
Off shoring Challenge，2013：191-209.
[2] HOU，MAOZHANG，CHEN，WENJUN，YANG，ZHIQING.Current Situation and Count-Ermeasures of Strategic Emerging Indus-tries
in China[J].WIT Transactions on Information and Communication Tech-nologies，2014，（52）：461-466.
[3] Kun Wang，Xingli Fan，Xiaowen Fu，Yiran Zhou.Benchmarking the performance of Chinese airlines：An investigation of productivity，
yield and cost competitiveness[J].Journal of Air Transport Management，2014：3-14. [4] Nawaf Hamadneh，Saratha Sathasivam.Learning Logic Programming in Radial Basis Function Network via Genetic Algorithm[J].
Journal of Applied Sciences，2012，9（12）：110-121.
[5] I-Cheng Yeh，Chung-Chih Chen，Xin-ying Zhang，Chong Wu，Kuan-Chieh Huang，Adaptive radial basis function net-Works
with kernel shape parameter-s[J].Neural Comput & Applic，2012，（21）：469-480.
[6] 任佩瑜，王苗，任竞斐.从自然系统到管理系统——熵理论发展的阶段和管理熵规律[J].管理世界，2013，12（3）：182-183.
[7] 李海峰，李纯果.深度学习结构和算法计較分析[J].河北大学学报，2012，32（5）：230-237.
[8] 卞永峰，李恩平.基于组合预测模型的山西省转型期紧缺科技人才需求预测研究[J].科技管理研究，2013，10（21）：41-45.
[9] 徐国浪，魏延.基于多核函数的模糊支持向量机学习算法[J].重庆师范大学学报，2012，11（6）：50-53.
[10] 张超，李擎，陈鹏，等.一种基于粒子群参数优化的改进蚁群算法及其应用[J].北京科技大学学报，2013，35（7）：873-878.
[11] 丁硕，常晓恒，巫庆辉.RBF与BP网络在模式分类领域内的对比研究[J].电子测试，2014：41-43.
[12] 张立.基于灰色预测模型GM（1，1）的人力资源需求预测研究[J].人力资源管理，2011，9（4）：234-235.
[13] 蒋荣华，曹琦.基于灰色 BP 神经网络的企业人力资源需求预测[J].中国人力资源开发，2011，1（2）：42-45.
[14] 甘敏，彭晓燕，彭辉.RBF神经网络参数估计的两种混合优化算法[J].控制与决策，2009，24（8）：72-76.
[15] 孙涵，杨普容，成金华.基于Matlab支持向量回归机的能源需求预测模型[J].系统工程理论与实践，2011，31（10）：21-27.
[16] 刘道华，张礼涛，曾召霞，等.基于正交最小二乘法的径向基神经网络模型[J].信阳师范学院学报，2013，26（3）：428-431.
[17] 韩红桂，乔俊飞，薄迎春.基于信息强度的RBF神经网络结构设计研究[J].自动化学报，2012，38（7）：1083-1090.
[责任编辑 柯 黎]