基于Ｅｌｍａｎ神经网络的江苏技术人才需求预测.doc

基于Ｅｌｍａｎ神经网络的江苏技术人才需求预测.doc基于E 1 ma n神经网络的江苏技术人才需求预测
作者：陈振斌张万红彭勃
发布时间：07-05-06
［摘要］日man神经网络是一种典型的动态回归神经网络，它具有适应时变性的 能力。以江苏省技术人才系统为例，说明了日man神经网络在人才需求预测中 的应用，并将其预测结果与基于BP静态神经网络的预测值进行了比较。指出了 Bman神经网络在对人才系统这样的动态系统进行预测时优越性。
［关键词］人才预测日man神经网络BP神经网络
随着知识经济的到来，人才在区域经济中的作用日益彰显，人力资源规划已 经成为区域经济发展的重要影响因素。因此人力资源需求预测逐渐被接纳和重 视。人才预测的方法有很多种，神经网络是较为常用的方法之一。目前大多数采 用的是基于BP算法的神经网络，它可以看成是输入与输出集合之间的一种非线 性映射，通过对有限样本的学****来模拟系统的内部结构。但BP网络作为一种静 态前馈网络，它对动态系统进行辨识时将动态时间建模问题变为静态空间建模问 题。日man回归神经网络是一种典型的动态神经元网络，它是在BP网络基本结 构的基础上，通过存储内部状态使其具备映射动态特征的功能，从而使系统具有 适应时变特性的能力。因此，考虑到人才系统具有动态性的特点，尝试采用日man 神经网络以江苏省技术人才系统为例进行预测。
一、Sman神经网络
日man神经网络是日man于1990年提出的，该模型在前馈网络的隐含层 中增加一个承接层，作为一步延时算子，达到记忆的目的，从而是系统具有适应 时变特性的能力，能直接反映动态过程系统的特性。

Bman神经网络一般分为4层：输入层、中间层（隐含层）、承接层、输出 层，如图1所示。其输入层、隐含层、输出层的连接类似于前馈网络，输入层的 单元仅起信号传输作用，输出层单元起线性加权作用。隐含层单元的一步传递函 数可采用线性或非线性函数，承接层又称为上下文层或状态层，它用来记忆隐含 层单元前一时刻的输出值，可以认为是一个延时算子。
Elman神经网络的特点是隐含层的输出通过承接层的延迟与存储，自联到 隐含层的输入，这种自联方式使其对历史状态的数据具有敏感性，内部反馈网络 的加入增加了网络本身处理动态信息的能力，从而达到了动态建模的目的。
2.