科技企业人才孵化效率的S-FNN评价研究及应用

计算机工程与应用 ›› 2012, Vol. 48 ›› Issue (1): 16-20.

科技企业人才孵化效率的S-FNN评价研究及应用

李雷霆，张宗益

重庆大学经济与工商管理学院，重庆 400030

收稿日期:1900-01-01 修回日期:1900-01-01 出版日期:2012-01-01 发布日期:2012-01-01

Evaluation of technology enterprise talent incubating efficiency based on S-FNN

LI Leiting, ZHANG Zongyi

College of Economics and Business Administration, Chongqing University, Chongqing 400030, China

Received:1900-01-01 Revised:1900-01-01 Online:2012-01-01 Published:2012-01-01

摘要/Abstract

摘要： 为科学测评科技企业孵化器的人才孵化效率，提出科技企业人才孵化效率S-FNN评价模型。在研究科技企业人才孵化基本过程的基础上，构建了科技企业人才孵化效率评价指标体系；运用模糊减聚类法对网络规则进行处理，减少神经网络规则数目，以免参数膨胀导致网络难以训练，采用粒子群与遗传算法确定模糊网络参数值；运用模糊神经网络对科技企业人才孵化效率进行综合评价；通过应用案例验证了该评价模型的有效性和可行性。

关键词: 科技企业孵化器, 人才孵化, 效率评价, 减聚类, 模糊神经网络

Abstract: In order to scientifically evaluate talent incubating efficiency of technology enterprise incubators, a technology enterprise talent incubating efficiency evaluation model based on S-FNN is proposed. A scientific enterprise incubating efficiency evaluation index system is constructed based on basic process of talent incubating. Fuzzy subtractive clustering method is used to deal with network rules, reduce the rule number of neural network, lest cause network parameters inflation which is hard to train and particle swarm and genetic algorithm is used to determine the fuzzy network parameters. Fuzzy neural network is employed for overall evaluation of technology enterprise incubating efficiency. An actual case demonstrates the feasibility and efficiency of evaluation model.

Key words: technology enterprise incubator, talent incubate, efficiency evaluation, subtractive cluster, fuzzy neural network

李雷霆，张宗益. 科技企业人才孵化效率的S-FNN评价研究及应用[J]. 计算机工程与应用, 2012, 48(1): 16-20.

LI Leiting, ZHANG Zongyi. Evaluation of technology enterprise talent incubating efficiency based on S-FNN[J]. Computer Engineering and Applications, 2012, 48(1): 16-20.

[1]	郑建锋，王应明. 基于DEA-BP神经网络的效率置信区间预测模型研究[J]. 计算机工程与应用, 2021, 57(3): 273-278.
[2]	周非，罗晓勇，刘云萍. 基于概率模型的实时修正IMM目标跟踪算法[J]. 计算机工程与应用, 2020, 56(21): 85-92.
[3]	彭越兮1，徐蔚鸿1，2，陈沅涛1，马宏华3. 改进量子粒子群算法的模糊神经网络水质评价[J]. 计算机工程与应用, 2018, 54(11): 211-216.
[4]	张楠，南敬昌，高明明. 基于分组混沌PSO算法的模糊神经网络建模研究[J]. 计算机工程与应用, 2017, 53(9): 31-37.
[5]	南敬昌，周丹，高明明. 基于自适应模糊神经网络的功放预失真新方法[J]. 计算机工程与应用, 2016, 52(7): 96-100.
[6]	孙新乐，段万春，许成磊，程思路. 整合多维不确定投入产出关系的效率评价新方法[J]. 计算机工程与应用, 2016, 52(23): 68-74.
[7]	刘国荣1，2，钟庭欢1. 一种基于FNN的感应电机定子电阻辨识建模方法[J]. 计算机工程与应用, 2015, 51(18): 233-238.
[8]	孟劦1，胡亚洲2,陈晓2. 基于自适应模糊神经网络控制器的网络控制系统[J]. 计算机工程与应用, 2015, 51(18): 90-93.
[9]	高长元，史晓巍，彭定洪，李艳来. 一类环形生产系统的DEA效率评价模型[J]. 计算机工程与应用, 2015, 51(13): 251-254.
[10]	侯越，赵贺. 改进的粒子群算法优化TSFNN的交通流预测[J]. 计算机工程与应用, 2014, 50(4): 236-239.
[11]	周晔，余隋怀，初建杰. 基于DFNN的语义驱动色彩智能设计研究[J]. 计算机工程与应用, 2014, 50(3): 145-149.
[12]	刘亮，徐蔚鸿. 模糊Hopfield网络的收敛性与鲁棒性分析[J]. 计算机工程与应用, 2014, 50(23): 73-76.
[13]	冯文洁1，李万莉2，嘉红霞3. 模糊神经网络变幅液压系统故障诊断[J]. 计算机工程与应用, 2014, 50(11): 241-245.
[14]	汪群芳，谭满春，郑珍. 混合时滞非恒同模糊神经网络的同步控制[J]. 计算机工程与应用, 2013, 49(8): 63-66.
[15]	唐林兵1，谭清美1，吴华清2. 我国商业银行效率及其内控风险因素分析[J]. 计算机工程与应用, 2013, 49(19): 11-15.