一种基于BP神经网络的项目人才管理方法与流程

本发明涉及人才管理方法应用技术领域，具体涉及一种基于bp神经网络的项目人才管理方法。

背景技术：

随着发展形势的变化，企业要想突破高精尖的技术，必须不断聚集国内外一流人才，大力引进高水平的专业技术人才，人才队伍建设是一个系统工程，我们必须不断提高人才开发与管理的科学化水平，然而我们企业目前的人才管理水平不高，尚未实现基于素质层面的人才管理，如何科学甄选和配置人才，如何开发人的素质潜能成为摆在我们面前的一大课题。因此我们有必要针对现有技术的不足而提供一种基于bp神经网络的项目人才管理方法。

技术实现要素：

为了克服现有技术中的不足，本发明的一种基于bp神经网络的项目人才管理方法，其api安全通信的安全级别高。

为了实现上述目的，本发明的一种基于bp神经网络的项目人才管理方法，包括如下步骤：

s1,团队素质量化分析，团队素质量化分为优秀团队、良好团队、问题团队和需要重组团队四个等级；

s2,神经网络模型的建立，根据bp算法建立ann模型；

s3,神经网络样本训练，若干个团队作为标准样本，若干团队作为检验样本，取每个团队相应各影响因素的量化值，由专家判断打分，作为输入值录入，利用标准样本的输入值和输出值在神经网络模型中进行多于一万次的训练，并利用检验样本进行检验；

s4，输入数据，并得出结果，采集影响一个团队素质评价的各因素，输入到神经网络模型中并得出团队素质水平结果。

优选的，s1中，0.9≤优秀团队输出值＜1、0.75≤良好团队输出值＜0.9、0.6≤问题团队输出值＜0.75、0＜需要重组团队输出值＜0.6。

优选的，s2中，ann模型输入变量包括x1管理人员结构比、x2高级人才结构比、x3高层人才结构比、x4平均年龄、x5平均学历、x6平均职称、x7人员流失率、x8人员需求平均年龄、x9人员需求平均学历、x10人员胜任能力平均水平、x11管理层平均薪酬和x12专门技术人员平均薪酬。

优选的，s2中，建立神经网络模型计算步骤如下，连接权重、阈值的选取范围为均匀分布在[-0.3,0.3]随机数；阈值θ0、θ1和θ2的取值范围是[0,0.3]均匀分布随机数；

激活函数选择，

首先给ω1、ω2,、θ0、θ1和θ2随机赋较小的值；得到输入层的激活值，

计算隐含层的输入和激活值，

计算输出层的输入和激活值，

计算误差，

输出层误差信号,令

计算隐含层误差信号，

。

优选的，s4中，取12个团队，其中10个团队作为标准样本，2个团队作为检验样本，取每个团队相应各影响因素的量化值，并由专家对该12个团队进行判断打分，作为输出值录入，利用现有10组标准样本的输入值和输出值，可以对已经建立的神经网络进行上万次的训练，并利用后两组检验样本进行检验，待神经网络训练成熟，即可用于对未来若干团队的素质评价中。

本发明具有以下有益效果：

通过建立的神经网络模型，经过新进网络训练成熟后，可以用于对未来若干团队的素质评价中，可以及时发现优秀的团队，保持和完善这样的团队配置，从而让他们未来能够承担更重要的项目，同时也可能会发现素质水准低的团队，分析他们存在的问题，协调配置企业资源，帮助他们成长起来，或对团队及时的重组调整，对于每个项目团队来说，可以通过综合素质的评价结果，分别将影响素质评价的各因素同其他团队，或行业各团队各因素平均水准进行对比分析，从而发现本项目团队存在的问题，为整体提升提供依据。

附图说明

下面结合附图对本发明作进一步描写和阐述。

图1是一种基于bp神经网络的项目人才管理方法的流程图。

图2是一种基于bp神经网络的项目人才管理方法中团队素质ann模型输入变量图。

图3是一种基于bp神经网络的项目人才管理方法中团队素质ann模型结构图。

图4是一种基于bp神经网络的项目人才管理方法中神经网络训练收敛曲线图。

具体实施方式

下面将结合附图、通过对本发明的优选实施方式的描述，更加清楚、完整地阐述本发明的技术方案。

实施例

如图1所示，一种基于bp神经网络的项目人才管理方法，包括如下步骤：

s1,团队素质量化分析，团队素质量化分为优秀团队、良好团队、问题团队和需要重组团队四个等级。

s2,神经网络模型的建立，根据bp算法建立ann模型。

s3,神经网络样本训练，若干个团队作为标准样本，若干团队作为检验样本，取每个团队相应各影响因素的量化值，由专家判断打分，作为输入值录入，利用标准样本的输入值和输出值在神经网络模型中进行多于一万次的训练，并利用检验样本进行检验。

s4，输入数据，并得出结果，采集影响一个团队素质评价的各因素，输入到神经网络模型中并得出团队素质水平结果。

作为本发明的一种技术优化方案，如图2所示，s1中，0.9≤优秀团队输出值＜1、0.75≤良好团队输出值＜0.9、0.6≤问题团队输出值＜0.75、0＜需要重组团队输出值＜0.6。

作为本发明的一种技术优化方案，如图3所示，s2中，ann模型输入变量包括x1管理人员结构比、x2高级人才结构比、x3高层人才结构比、x4平均年龄、x5平均学历、x6平均职称、x7人员流失率、x8人员需求平均年龄、x9人员需求平均学历、x10人员胜任能力平均水平、x11管理层平均薪酬和x12专门技术人员平均薪酬。

作为本发明的一种技术优化方案，s2中，建立神经网络模型计算步骤如下，连接权重、阈值的选取范围为均匀分布在[-0.3,0.3]随机数；阈值θ0、θ1和θ2的取值范围是[0,0.3]均匀分布随机数；

激活函数选择，

首先给ω1、ω2,、θ0、θ1和θ2随机赋较小的值；得到输入层的激活值，

计算隐含层的输入和激活值，

计算输出层的输入和激活值，

计算误差，

输出层误差信号,令

计算隐含层误差信号，

。

作为本发明的一种技术优化方案，s4中，取12个团队，其中10个团队作为标准样本，2个团队作为检验样本，取每个团队相应各影响因素的量化值，并由专家对该12个团队进行判断打分，作为输出值录入，利用现有10组标准样本的输入值和输出值，可以对已经建立的神经网络进行上万次的训练，并利用后两组检验样本进行检验，待神经网络训练成熟，如图4所示，即可用于对未来若干团队的素质评价中。

本发明的工作原理为：通过建立的神经网络模型，经过新进网络训练成熟后，可以用于对未来若干团队的素质评价中，输入团队的变量x,得出数据y,根据y值判断该团队属于哪种类型，可以及时发现优秀的团队，保持和完善这样的团队配置，从而让他们未来能够承担更重要的项目，同时也可能会发现素质水准低的团队，分析他们存在的问题，协调配置企业资源，帮助他们成长起来，或对团队及时的重组调整，对于每个项目团队来说，可以通过综合素质的评价结果，分别将影响素质评价的各因素同其他团队，或行业各团队各因素平均水准进行对比分析，从而发现本项目团队存在的问题，为整体提升提供依据。

上述具体实施方式仅仅对本发明的优选实施方式进行描述，而并非对本发明的保护范围进行限定。在不脱离本发明设计构思和精神范畴的前提下，本领域的普通技术人员根据本发明所提供的文字描述、附图对本发明的技术方案所作出的各种变形、替代和改进，均应属于本发明的保护范畴。本发明的保护范围由权利要求确定。