基于模块化神经网络模型的高等学校资产管理绩效综合评价

张辉

（华南理工大学数学学院，广州510000)

0 引言

人工神经网络是科学家们根据生物神经元工作机理和生物神经网络结构提出的一种信息处理系统，在一定程度上模拟了人脑的某些功能。它凭借自主性的学习适应功能和高精度的优势，被广泛使用于各类研究分析中。但是随着科学技术的不断进步，学者们对研究结果的要求不但提升，单一的神经网络模型已经无法满足学者们的需要，在这样的大环境下，模块化神经网络应运而生。

从仿生学角度出发，根据脑功能分区原理，学者们提出了模块化神经网络。它是一个由多个子模块组成的神经网络,每个子模块承担神经网络全局任务的一个子任务,通过各个网络之间的竞争或协作来提高系统的整体性能。当面对复杂的、大数据量的问题时，模块化神经网络将其划分为一个个小问题来处理，再将每个子模块的处理结果整合后做最终处理。解决了单一神经网络处理种网络结构复杂度大，内部干扰强，网络收敛速度慢，精确度低的弊端。与单一神经网络相比，模块化神经网络具有更密切的神经生物学基础与更大的设计和实施的灵活性。

1 模块化神经网络概述

目前获得大众认可度较高的模块化神经网络为[1]：

（1）模块化神经网络就是该网络在学习任务时可以被分成两个及以上的子网络，系统中的每个子网络都对应一个特定的输入区域，且在学习过程中，系统中的每一个子网络互相并不通信。

（2）整个系统的输出由一个整合单元按照某种整合机制将各个子网络系统的输出机型整合而形成整个系统的输出，整合单元不将整合信息反馈回系统。

（3）整合单元既要能够决定如何整合各个子网络的输出，又要能够决定哪些子任务分配给哪些子网络。

图1 模块化神经网络结构框图

图1所示是一个典型的模块化神经网络结构，它由多个不同的子模块和一个集成单元组成，每个子模块承担神经网络全局任务的一个子任务，且所有的子模块都被功能性集成。模块化神经网络中，每一个子模块可以拥有不同的模型结构，可以采用不同的学习算法，甚至可以使用不同类型的模型。

2 高等学校资产管理绩效综合评价

2.1 数据预处理

依据资产管理绩效的定义，对高效资产管理的主要影响因素进行了全面的分析，确定了高等学校资产管理绩效综合评价的指标体系，它包含了3个一级指标、13个二级指标以及38个三级指标。对各高校提供的原始数据，进行缺失数据的排查后，保留了32个三级指标，并利用层次分析法对各一二三级指标进行权重计算，结果如表1所示。然后根据赋值标准对数据进行类型一致化，与层次分析法所得到的权重对应相乘相加，得到三个一级指标和综合指标Y的数据。利用K均值聚类将数据分成五类，并按照每一类到类中心的贴合度进行等级排序，其中级别1代表优秀，等级2代表良好，等级3代表中等，等级4代表一般，等级5代表较差。

2.2 建立模型

由于距离类中心的样本最能体现数据的各类特征，故挑选各类中离类中心最近的70%的样本作为建模样本，其余的样本则作为检验样本。利用建模样本，建立单一神经网络模型和模块化神经网络模型。其中模块化神经网络模型包括4个子网络：一二级子网、二三级子网、三四级子网、四五级子网，子网及其集成方式均采用单一神经网络模型。其中一二级子网是Y的输入和模型的输出都是1级和2级，其他子网可以类推。

表1 各指标权重

表2 部分高校的模块化神经网络模型结果及薄弱性分析

3 结语

通过观察表2，可以发现，在资产保障水平和资产运行水平稍微落后的情况下，资产管理水平等级较高时，综合绩效依旧较好。因此高等学校资产管理综合绩效影响较大的一级指标是资产管理水平，其次是资产保障水平和资产运行水平。而各高校的资产管理水平也多为良好及以下，有待进一步提升，达到优秀。各高校可以参考表1，改善一级薄弱指标下对应的三级指标，争取从根本上解决综合绩效差的问题。

而在模型结果的对比中，也可以看出，模块化神经网络的正确率远高于单一神经网络。它能更好地模拟人脑的结构，在数据量大的情况下，有更好的效果。遗憾的是模型的正确率只有85.71%，没有达到90%，以后可以考虑改变子网模型及集成方式，提升模型的检验正确率。

参考文献：

[1]张昭昭.模块化神经网络结构自组织设计方法[D].北京：北京工业大学,2013.

[2]廖芹,郝志峰,陈志宏.数据挖掘于数学建模[M].北京:国防工业出版社,2010.

[3]孙成勋,李红彦,李润琴,王旭.层次分析法在管理水平综合评价中的应用[J].工业技术经济,2013,(9):72-78.