论文部分内容阅读
［摘要］远程教育知识管理综合评价是提高远程教育机构知识管理水平的关键环节。为了确保评价的科学性和合理性,本文把人工神经网络技术应用于远程教育知识管理评价中,设计了评价指标及BP网络结构,提出了多指标综合评价模型。通过仿真实例对中国远程教育机构的知识管理进行综合评估,验证了该模型的有效性。为远程教育机构知识管理的正确评价提供了可能的途径。
［关键词］人工神经网络;远程教育;知识管理;综合评价模型
［中图分类号］G64［文献标识码］A［文章编号］1005-6432（2014）21-0048-04
1人工神经网络评价远程教育知识管理绩效的原理远程教育知识管理绩效评价是一项复杂的多层次、多目标评价活动。由于影响评价有效性的相关因素很多,这些因素一般难以量化,而且远程教育知识管理绩效评价决定力量与管理质量之间映射关系是非常复杂的,很难明显地表述。因此,评价是一件非常复杂的事情。如何才能做到既充分考虑评价专家的经验和直觉思维的模式又能降低评价过程中人为的不确定性因素,既具备综合评价方法的规范性又能体现出较高的问题求解效率。这是正确评价的关键所在。
把ANN应用于远程教育知识管理的综合评价,意在建立更加接近于人类思维模式的定性与定量相结合的综合评价模型。ANN用于远程教育知识管理综合评价的基本原理是：将描述远程教育知识管理的基础指标的属性值作为ANN的输入向量,将代表综合评价目标的结果作为ANN的输出。然后用足够多样本向量训练这个网络,使不同的输入向量得到不同的输出值,这样ANN所具有的那组权系数值便是网络经过自适应学习所得到的正确内部表示。人工神经网络通过信息样本对神经网络的训练,使其具有人的大脑的记忆、辨识能力,完成各种信息处理功能,利用其良好的自学习、自适应、联想记忆、并行处理和非线性转换的能力,模拟并记忆出远程教育知识管理评价指标和知识管理绩效向量之间的关系,以此作为评价远程教育知识管理绩效的标准。同时,通过大量的试训样本使得模型向着理想状态逼近。然后利用测试样本对模型进行测试,直到感觉满意为止。训练好的ANN便可作为一种定性与定量相结合的有效工具,对不同机构的教育知识管理进行综合评价。
2基于人工神经网络的远程教育知识管理评价模型
21远程教育知识管理评价指标
设计评价指标是教育知识管理绩效评估中的首要问题。从教育知识管理的内容、目标及职能出发,借鉴国内外学者对知识管理评价指标体系的研究成果,结合远程教育知识管理活动规律,并力求遵循科学性、系统性、层次性、可比性、可操作性原则,本文从知识管理重视度、基础设施建设水平、人力资源管理知识化水平、知识检测、评价和利用水平、综合管理水平等方面确定远程教育知识管理绩效评价指标体系（见表1）。
表1远程教育知识管理绩效评价指标体系一级指标二级指标知识管理重视
程度X1知识管理战略和预算的制定情况X11
CKO的职位与级别X12
激励人员创造性的花费占总投入的比重X13基础设施建设
水平X2人均计算机台数X21
知识管理基础设施投入占固定资产投资比重X22
网络覆盖率X23
基本信息数据库建设水平X24人力资源管理
知识化水平X3职位技能和评价标准的设立X31
知识人员比例X32
年均人员培训和教育成本X33
人员周转率X34知识检测、评价
和利用水平X4知识分类与标准化水平X41
多媒体软件或课件开发水平X42
经验与新方法数据库建设水平X43
电子图书的建设及利用水平X44
知识地图的建设及利用水平X45
网络教学资源的便利性X46
网上教学资源所占比重X47综合管理水平X5安全防范措施X51
信息资源管理措施X52
规章制度完善程度X53对远程教育知识管理进行评价时,从输入层输入教育知识管理指标评价体系。为使模型既有理论价值又有可操作性,本文在案例研究并结合有关文献的基础上选取7个较为典型的指标作为输入神经元(χij),依次分别是：知识管理基础设施投入占固定资产投资比重；人均计算机台数；网络教学资源的便利性；网上教学资源所占比重；知识人员比例；年均人员培训和教育成本；激励人员创造性的花费占总投入的比重。这7种因素的设置,考虑了概括性和动态性,力求全面反映远程教育知识管理的主要因素。
22评价指标属性值的量化
多目标评价中各目标间具有不可共度性,即各指标没有统一的度量标准,难以进行比较,因此,在综合评价前必须把这些分指标按某种隶属度函数将其归一化到某一无量纲区间。
指标属性值的量化步骤：
（1）计算第j个分指标Zj的平均值j：
j=(∑mi=1χij)/m,j=1,2,…,n(11)
（2）分别按不同类型的指标计算中间变量:
①对效益型指标,记中间变量
Mij=xij-jj(12)
②对成本型指标,记中间变量
Mij=j-xijj(13)
③对区间型指标,记中间变量
当χij≤A,则Mij=xij-ΑΑ(14)
当χij≥B,则Mij=B-xijΒ(15)
当B≥χij≥A,则Mij=6(16)
式中A,B分别为区间型指标的最佳上下界
（3）原始指标按下式转化到［-1,1］区间上的隶属度函数值Yij:
Yij=1-e-Μij1+e-Μij(17)
显然,Yij=f(Mij)是一条S形曲线,其曲线形状如图1所示。Mij反映了原始数据χij偏离平均值j的程度。当χij=j,则Mij=0；当χij＞j,则Mij＞0且Yij随Mij的增长非线性递增。
图1S形转换曲线
从上述转换可以看出,对于效益型指标来说,当原始值χij大于平均值时，转换后其隶属度函数值大于0,原始值越大,隶属度函数值越大,当原始值是4倍以上平均值时,隶属度函数值接近“饱和”。这样处理的好处是为了防止某一分指标隶属度函数值过大,从而左右整个综合指标。对于成本型指标,当χij越大时,其隶属度函数值反而越小,取负值,当χij越小时,其隶属度函数越大,取正值。
23综合评价BP网络的结构设计
远程教育知识管理评价模型采用具有多输入单元、单隐层单元和单输出单元的三层BP神经网络,其结构如图2所示：
图2远程教育知识管理综合评价BP网络结构
图2中,n,m分别表示输入节点和隐含结点个数；
χi1,χi2，…，χin为论域U={u1,u2,…，un}上第i个样本模式的评价指标属性值,Yi1,Yi2,…，Yin为论域U上χi经相应隶属函数量化后的评价值；
ωij(i=1,2，…，n;j=1,2，…，m)为输入层第i个单元到第j个单元的连接权值；
ωj(j=1,2，…，m)为隐层第j个单元到输出层的连接权值；Oi为样本模式i的输出。
综合评价BP网络模型的输入结点数等于各个被评对象的分指标数目。对于各个输入结点,分别输入经隶属度函数转化后的第i个被评对象的各指标隶属度函数值Yij(i=1,2，…，n;j=1,2，…，m)。隐层结点数的确定采用实验凑试法。输出层只有一个结点,代表第i个被评对象的总评价指标Oi。转移函数选用f(x)=11+e-x
24学习样本的确定与网络训练
一个学习样本由输入样本和输出样本两部分构成。输入样本为Y(i)={Yi1,Yi2,…，Yin}即被评对象各分指标的隶属度函数值。输出样本Oi为综合评价总指标,由下式确定：
Oi=∑nj=1ωj×Yij(18)
其中Yij是χij经上述转换后的隶属度函数值,ωj为综合评价中各分指标的权重。显然∑nj=1ωj=1,权重通常是依据公式(18),由专家组反复斟酌而定的。
把训练样本输入网络,利用该样本对BP网络的连接权系数进行学习和调整,以使网络实现给定的输入输出关系。本文采用BP算法训练网络。
25综合评价神经网络的实现算法
通过样本模式的训练学习后,BP网络就具有了样本模式所包含的专家的知识,分布地存贮在BP网络的权值之中,这样,这个训练好的BP网络就可以用来对评价的对象系统做出综合评价,再现评价专家的经验和知识。
由此,得到评价的算法如下：
Step1指标属性值的量化。即得出各分指标的隶属度函数值；
Step2确定BP网络结构,定义这些结构参数；
Step3把知识库中的权重和阈值,给BP网络的权重和阈值(ωij,ωjk,θj,θk)赋值；
Step4输入待考核对象的隶属度函数值,作为BP网络的输入值Yij；
Step5求出隐结点的输出值：
Sj=∑ni=1ωijxi+θj(i=1,2,…，n;j=1,2,…，m)(19)
yj=1/［1+exp(-Sj)］(110)
求出输出层的输出值：
Sk=∑mj=1ωjkyj+θk(111)
Oi=1/［1+exp(-Sk)］(112)
Step6输出考核结果Oi；
Step7是否还有待考核单位？
是：转Step3继续考核。
否：考核结束。
3仿真实例
本文运用基于神经网络的远程教育知识管理综合评价模型对中国20家远程教育机构的知识管理进行综合评估,并与专家评估相比较以验证模型的有效性。在实验中,采用了MATLAB下神经网络工具箱进行仿真模拟。实验原始数据来源于《中国教育统计年鉴》。样本的选取考虑了概括性和典型性,力求全面反映不同类型机构知识管理的水平,同时兼顾地区间的差异,尽量分布于不同省市地区,体现地区的广泛性。
依据本文所述方法,得到各分指标量化后的隶属度函数值和综合评价总指标的期望值。其中权重是由专家评判组反复斟酌而定。如表2所示。
表2各机构分指标量化后的隶属度函数值及综合评估指标Ji机构代号指标Yi1Yi2Yi3Yi4Yi5Yi6Yi7Jiω0201501501020150051048100940275-0289-02020169-009901032-0086-02540330-0185-0006-03320083-00713033403630215006009050652012604454-0537-0330-00670179-0786-0410-0213-037850075-0097-0179-0069010601170060000860684-01820455067500070322001102967-0680-0210-05330048-0499-0229-0008-03778-0565-0446-0555-0339-0834-0441-0256-05439057601700339018703770157006703131002960195-02700321-02770203-0021005411-0006025804510556-0085-013600710127120732069904600330091904670133061413-03390106-0235-03420313-03640005-011314-0672-0439-0223-0387-0715-0428-0135-048615012503050436-0149004904090014020316-0221-041002900179015901100091000917-0073-02570135-0305-0436-02370030-0185180574057201410004053300480056 03391902630129-031801070289-02280031006120-0195-0472-0466-0208-0217-0412-0057-0309
应用本文所述的方法,本例的输入层共有7个节点,输出节点1个,为综合评价总指标。根据经验和反复试验,本实验隐层节点数选取10。
将表2中的数据分为两部分,前10组数据用作学习样本,作为训练神经元连接权值用,学习精度ε=10-4,后10组数据作为检验用。经过5200次的学习,其学习结果见表3。
表3学习结果机构代号12345678910训练结果0102-00710447-038100080295-0376-054403150054期望输出0103-00710445-037800080296-0377-054303130054相对误差（%）097004507900340270180640
训练结束后,给训练好的BP网络分别输入校验数据,得到高校教育信息资源管理综合评价排序结果。见表4。
表4结果验证及远程教育知识管理评价排序高校代号11121314151617181920测试结果01260616-0114-048702020009-018403410061-0311期望输出01270614-0113-048602030009-018503390061-0309相对误差（%）07903408802104900540590065仿真排序41710368259专家排序41710368259
从表4中可以看出,利用神经网络得到的输出值与期望值之间的最大误差为088%,远程教育知识管理综合评价排序与专家排序一致。由此可见,用神经网络学习知识管理综合评价专家知识,并用学习后的网络对其他远程教育机构的知识管理进行综合评价能够获得满意的结果。
基于神经网络的远程教育知识管理评价网络不仅可以模拟专家对知识管理进行评价,而且还能够很好地避免评价过程中的不确定性,实验证明该模型能有效评价教育知识管理绩效水平。既可用于某一地区、某一类机构教育知识管理系统的总体分析评价,也可用于某一机构或有关机构之间教育知识管理系统的前后对比或横向对比,为比较远程教育机构间知识管理水平、差距及其改进空间提供了一种可供借鉴的方法。本研究应用神经网络进行远程教育知识管理评价是一个新的尝试,在教育知识管理评价指标和学习样本的选取上还有待进一步完善。
参考文献：
［1］焦李成神经网络系统理论［M］西安:西安电子科技大学出版社,1990:92-114.
［2］JWang,BMalakootiA Feedforward Neural Networks for Multiple Criteria Decision-Making ［J］ Computers & OpsRes. 2009,23(2): 151-167.
［3］戴文战基于三层BP网络的多指标综合评估方法［J］系统工程理论与实践2010,19(5):33-40.
［4］FSWang Fuzzy Neural Systems for Decision-Making［J］ Procof IEEE IntConfon NNs 2010,10(11):1425-1634.
［5］张宏培经济效益的隶属函数综合评价与分档系统工程理论与实践［J］2011,18(12):89-93.
［基金项目］本论文是北京市教委社科计划面上项目的研究成果。
［关键词］人工神经网络;远程教育;知识管理;综合评价模型
［中图分类号］G64［文献标识码］A［文章编号］1005-6432（2014）21-0048-04
1人工神经网络评价远程教育知识管理绩效的原理远程教育知识管理绩效评价是一项复杂的多层次、多目标评价活动。由于影响评价有效性的相关因素很多,这些因素一般难以量化,而且远程教育知识管理绩效评价决定力量与管理质量之间映射关系是非常复杂的,很难明显地表述。因此,评价是一件非常复杂的事情。如何才能做到既充分考虑评价专家的经验和直觉思维的模式又能降低评价过程中人为的不确定性因素,既具备综合评价方法的规范性又能体现出较高的问题求解效率。这是正确评价的关键所在。
把ANN应用于远程教育知识管理的综合评价,意在建立更加接近于人类思维模式的定性与定量相结合的综合评价模型。ANN用于远程教育知识管理综合评价的基本原理是：将描述远程教育知识管理的基础指标的属性值作为ANN的输入向量,将代表综合评价目标的结果作为ANN的输出。然后用足够多样本向量训练这个网络,使不同的输入向量得到不同的输出值,这样ANN所具有的那组权系数值便是网络经过自适应学习所得到的正确内部表示。人工神经网络通过信息样本对神经网络的训练,使其具有人的大脑的记忆、辨识能力,完成各种信息处理功能,利用其良好的自学习、自适应、联想记忆、并行处理和非线性转换的能力,模拟并记忆出远程教育知识管理评价指标和知识管理绩效向量之间的关系,以此作为评价远程教育知识管理绩效的标准。同时,通过大量的试训样本使得模型向着理想状态逼近。然后利用测试样本对模型进行测试,直到感觉满意为止。训练好的ANN便可作为一种定性与定量相结合的有效工具,对不同机构的教育知识管理进行综合评价。
2基于人工神经网络的远程教育知识管理评价模型
21远程教育知识管理评价指标
设计评价指标是教育知识管理绩效评估中的首要问题。从教育知识管理的内容、目标及职能出发,借鉴国内外学者对知识管理评价指标体系的研究成果,结合远程教育知识管理活动规律,并力求遵循科学性、系统性、层次性、可比性、可操作性原则,本文从知识管理重视度、基础设施建设水平、人力资源管理知识化水平、知识检测、评价和利用水平、综合管理水平等方面确定远程教育知识管理绩效评价指标体系（见表1）。
表1远程教育知识管理绩效评价指标体系一级指标二级指标知识管理重视
程度X1知识管理战略和预算的制定情况X11
CKO的职位与级别X12
激励人员创造性的花费占总投入的比重X13基础设施建设
水平X2人均计算机台数X21
知识管理基础设施投入占固定资产投资比重X22
网络覆盖率X23
基本信息数据库建设水平X24人力资源管理
知识化水平X3职位技能和评价标准的设立X31
知识人员比例X32
年均人员培训和教育成本X33
人员周转率X34知识检测、评价
和利用水平X4知识分类与标准化水平X41
多媒体软件或课件开发水平X42
经验与新方法数据库建设水平X43
电子图书的建设及利用水平X44
知识地图的建设及利用水平X45
网络教学资源的便利性X46
网上教学资源所占比重X47综合管理水平X5安全防范措施X51
信息资源管理措施X52
规章制度完善程度X53对远程教育知识管理进行评价时,从输入层输入教育知识管理指标评价体系。为使模型既有理论价值又有可操作性,本文在案例研究并结合有关文献的基础上选取7个较为典型的指标作为输入神经元(χij),依次分别是：知识管理基础设施投入占固定资产投资比重；人均计算机台数；网络教学资源的便利性；网上教学资源所占比重；知识人员比例；年均人员培训和教育成本；激励人员创造性的花费占总投入的比重。这7种因素的设置,考虑了概括性和动态性,力求全面反映远程教育知识管理的主要因素。
22评价指标属性值的量化
多目标评价中各目标间具有不可共度性,即各指标没有统一的度量标准,难以进行比较,因此,在综合评价前必须把这些分指标按某种隶属度函数将其归一化到某一无量纲区间。
指标属性值的量化步骤：
（1）计算第j个分指标Zj的平均值j：
j=(∑mi=1χij)/m,j=1,2,…,n(11)
（2）分别按不同类型的指标计算中间变量:
①对效益型指标,记中间变量
Mij=xij-jj(12)
②对成本型指标,记中间变量
Mij=j-xijj(13)
③对区间型指标,记中间变量
当χij≤A,则Mij=xij-ΑΑ(14)
当χij≥B,则Mij=B-xijΒ(15)
当B≥χij≥A,则Mij=6(16)
式中A,B分别为区间型指标的最佳上下界
（3）原始指标按下式转化到［-1,1］区间上的隶属度函数值Yij:
Yij=1-e-Μij1+e-Μij(17)
显然,Yij=f(Mij)是一条S形曲线,其曲线形状如图1所示。Mij反映了原始数据χij偏离平均值j的程度。当χij=j,则Mij=0；当χij＞j,则Mij＞0且Yij随Mij的增长非线性递增。
图1S形转换曲线
从上述转换可以看出,对于效益型指标来说,当原始值χij大于平均值时，转换后其隶属度函数值大于0,原始值越大,隶属度函数值越大,当原始值是4倍以上平均值时,隶属度函数值接近“饱和”。这样处理的好处是为了防止某一分指标隶属度函数值过大,从而左右整个综合指标。对于成本型指标,当χij越大时,其隶属度函数值反而越小,取负值,当χij越小时,其隶属度函数越大,取正值。
23综合评价BP网络的结构设计
远程教育知识管理评价模型采用具有多输入单元、单隐层单元和单输出单元的三层BP神经网络,其结构如图2所示：
图2远程教育知识管理综合评价BP网络结构
图2中,n,m分别表示输入节点和隐含结点个数；
χi1,χi2，…，χin为论域U={u1,u2,…，un}上第i个样本模式的评价指标属性值,Yi1,Yi2,…，Yin为论域U上χi经相应隶属函数量化后的评价值；
ωij(i=1,2，…，n;j=1,2，…，m)为输入层第i个单元到第j个单元的连接权值；
ωj(j=1,2，…，m)为隐层第j个单元到输出层的连接权值；Oi为样本模式i的输出。
综合评价BP网络模型的输入结点数等于各个被评对象的分指标数目。对于各个输入结点,分别输入经隶属度函数转化后的第i个被评对象的各指标隶属度函数值Yij(i=1,2，…，n;j=1,2，…，m)。隐层结点数的确定采用实验凑试法。输出层只有一个结点,代表第i个被评对象的总评价指标Oi。转移函数选用f(x)=11+e-x
24学习样本的确定与网络训练
一个学习样本由输入样本和输出样本两部分构成。输入样本为Y(i)={Yi1,Yi2,…，Yin}即被评对象各分指标的隶属度函数值。输出样本Oi为综合评价总指标,由下式确定：
Oi=∑nj=1ωj×Yij(18)
其中Yij是χij经上述转换后的隶属度函数值,ωj为综合评价中各分指标的权重。显然∑nj=1ωj=1,权重通常是依据公式(18),由专家组反复斟酌而定的。
把训练样本输入网络,利用该样本对BP网络的连接权系数进行学习和调整,以使网络实现给定的输入输出关系。本文采用BP算法训练网络。
25综合评价神经网络的实现算法
通过样本模式的训练学习后,BP网络就具有了样本模式所包含的专家的知识,分布地存贮在BP网络的权值之中,这样,这个训练好的BP网络就可以用来对评价的对象系统做出综合评价,再现评价专家的经验和知识。
由此,得到评价的算法如下：
Step1指标属性值的量化。即得出各分指标的隶属度函数值；
Step2确定BP网络结构,定义这些结构参数；
Step3把知识库中的权重和阈值,给BP网络的权重和阈值(ωij,ωjk,θj,θk)赋值；
Step4输入待考核对象的隶属度函数值,作为BP网络的输入值Yij；
Step5求出隐结点的输出值：
Sj=∑ni=1ωijxi+θj(i=1,2,…，n;j=1,2,…，m)(19)
yj=1/［1+exp(-Sj)］(110)
求出输出层的输出值：
Sk=∑mj=1ωjkyj+θk(111)
Oi=1/［1+exp(-Sk)］(112)
Step6输出考核结果Oi；
Step7是否还有待考核单位？
是：转Step3继续考核。
否：考核结束。
3仿真实例
本文运用基于神经网络的远程教育知识管理综合评价模型对中国20家远程教育机构的知识管理进行综合评估,并与专家评估相比较以验证模型的有效性。在实验中,采用了MATLAB下神经网络工具箱进行仿真模拟。实验原始数据来源于《中国教育统计年鉴》。样本的选取考虑了概括性和典型性,力求全面反映不同类型机构知识管理的水平,同时兼顾地区间的差异,尽量分布于不同省市地区,体现地区的广泛性。
依据本文所述方法,得到各分指标量化后的隶属度函数值和综合评价总指标的期望值。其中权重是由专家评判组反复斟酌而定。如表2所示。
表2各机构分指标量化后的隶属度函数值及综合评估指标Ji机构代号指标Yi1Yi2Yi3Yi4Yi5Yi6Yi7Jiω0201501501020150051048100940275-0289-02020169-009901032-0086-02540330-0185-0006-03320083-00713033403630215006009050652012604454-0537-0330-00670179-0786-0410-0213-037850075-0097-0179-0069010601170060000860684-01820455067500070322001102967-0680-0210-05330048-0499-0229-0008-03778-0565-0446-0555-0339-0834-0441-0256-05439057601700339018703770157006703131002960195-02700321-02770203-0021005411-0006025804510556-0085-013600710127120732069904600330091904670133061413-03390106-0235-03420313-03640005-011314-0672-0439-0223-0387-0715-0428-0135-048615012503050436-0149004904090014020316-0221-041002900179015901100091000917-0073-02570135-0305-0436-02370030-0185180574057201410004053300480056 03391902630129-031801070289-02280031006120-0195-0472-0466-0208-0217-0412-0057-0309
应用本文所述的方法,本例的输入层共有7个节点,输出节点1个,为综合评价总指标。根据经验和反复试验,本实验隐层节点数选取10。
将表2中的数据分为两部分,前10组数据用作学习样本,作为训练神经元连接权值用,学习精度ε=10-4,后10组数据作为检验用。经过5200次的学习,其学习结果见表3。
表3学习结果机构代号12345678910训练结果0102-00710447-038100080295-0376-054403150054期望输出0103-00710445-037800080296-0377-054303130054相对误差（%）097004507900340270180640
训练结束后,给训练好的BP网络分别输入校验数据,得到高校教育信息资源管理综合评价排序结果。见表4。
表4结果验证及远程教育知识管理评价排序高校代号11121314151617181920测试结果01260616-0114-048702020009-018403410061-0311期望输出01270614-0113-048602030009-018503390061-0309相对误差（%）07903408802104900540590065仿真排序41710368259专家排序41710368259
从表4中可以看出,利用神经网络得到的输出值与期望值之间的最大误差为088%,远程教育知识管理综合评价排序与专家排序一致。由此可见,用神经网络学习知识管理综合评价专家知识,并用学习后的网络对其他远程教育机构的知识管理进行综合评价能够获得满意的结果。
基于神经网络的远程教育知识管理评价网络不仅可以模拟专家对知识管理进行评价,而且还能够很好地避免评价过程中的不确定性,实验证明该模型能有效评价教育知识管理绩效水平。既可用于某一地区、某一类机构教育知识管理系统的总体分析评价,也可用于某一机构或有关机构之间教育知识管理系统的前后对比或横向对比,为比较远程教育机构间知识管理水平、差距及其改进空间提供了一种可供借鉴的方法。本研究应用神经网络进行远程教育知识管理评价是一个新的尝试,在教育知识管理评价指标和学习样本的选取上还有待进一步完善。
参考文献：
［1］焦李成神经网络系统理论［M］西安:西安电子科技大学出版社,1990:92-114.
［2］JWang,BMalakootiA Feedforward Neural Networks for Multiple Criteria Decision-Making ［J］ Computers & OpsRes. 2009,23(2): 151-167.
［3］戴文战基于三层BP网络的多指标综合评估方法［J］系统工程理论与实践2010,19(5):33-40.
［4］FSWang Fuzzy Neural Systems for Decision-Making［J］ Procof IEEE IntConfon NNs 2010,10(11):1425-1634.
［5］张宏培经济效益的隶属函数综合评价与分档系统工程理论与实践［J］2011,18(12):89-93.
［基金项目］本论文是北京市教委社科计划面上项目的研究成果。