知识管理评估模型及在MATLAB上的实现_蒋翠清

第30卷第12期 2007年12月

合肥工业大学学报(

自然科学版)

JO U RN AL O F H EFEI U N IV ERSIT Y OF T ECH N OL O GY

V ol.30No.12 Dec.2007

收稿日期:2006-12-21;修改日期:2007-04-30

基金项目:国家自然科学基金资助项目(70471046)

作者简介:蒋翠清(1966-),男,安徽无为人,合肥工业大学教授,硕士生导师.

知识管理评估模型及在M AT LAB 上的实现

蒋翠清, 李有为

(合肥工业大学管理学院,安徽合肥,230009)

摘 要:文章提出了一个基于神经网络的知识管理评估模型,介绍了它的评价原理和学习算法,并介绍了一个在M A T L A B 软件上实现的实例;企业可以利用该评估模型对企业知识管理的效果进行大致的评估,为企业决策层提供参考。

关键词:知识管理;神经网络;M A T L A B 软件

中图分类号:C931.1 文献标识码:A 文章编号:1003-5060(2007)12-1665-04

Research on the knowledge management model

and its realization in MATLAB

JIANG Cu-i qing, LI You -w ei

(Sch ool of M anagem ent,Hefei University of Technology,H efei 230009,Ch ina)

Abstract:A know ledge management model based on neur al netw orks is pro posed,and its evaluation principles and learning algorithm are described.A n application ex ample using M AT LAB so ftw are is

presented.Enterprises can use this model to evaluate the effect o f know ledge manag em ent,and the ob -tained results are useful for decision -making m anagers.

Key words:know ledg e manag em ent;neural netw ork;MAT LAB

0 引 言

21世纪已经进入了知识经济社会,当前企业的竞争不再是传统意义上的产品竞争,也不再只是以机械设备为代表的传统生产技术的竞争,而是以 软 的技术,即物质含量越来越少,人的思维方式和信息及智慧的含量越来越高为特征的 软 的技术竞争[1]。竞争的主战场从技术前沿进一步向前推移,转入了技术的基础 知识的层面。在微观层面上,知识生产力也已经成为企业竞争和发展的关键,企业知识管理正变得日益重要。评估是管理中最重要的一环, 没有评估,就没有管理 ,任何政策的执行如果没有对其绩效进行评估就无法产生反馈信息,组织就无法了解执行的效果,以及方向是否正确,达成率如何,有什么问题及投资报酬率如何等等。在实施企业管理过程中,企业都非常希望对知识管理进行评估,主要原因有以下几点[2]: 有效地沟通及了解知识管理推动的过程和目的; 管理员工的行为;

确切地了解企业本身知识的竞争能力; 寻找知识管理推动失败的症结; 明确地把握资源的投资报酬率。

基于以上原因,企业知识管理评估引起了人们的广泛关注。然而,目前在知识管理的主要评估方法中,定性化的评估太过于主观,容易被人有意操纵,而财务指标导向的定量化评估又太过于片面[3]

。对于企业来说,知识管理定性化的效益,是较难量化的部分,但这却是企业非常重要的根本核心能力。因此,本文尝试用神经网络的方法对知识管理进行评估,并在M ATLAB 上实现。这种方法可以将企业的定性化指标综合分析,对企业的知识管理绩效进行简单的评价。虽然一个参数的输出结果过于简单,但可以为企业决策层提供很好地参考作用。

1 评价模型

1 1 基于人工神经网络的知识管理评价原理

将可以用于描述知识管理效果的一些对象特征信息作为神经网络的输入变量,将综合评价信息作为神经网络的输出变量。首先,应用大量已知样本对该网络进行训练,使不同的输入向量得到相应的目标输出向量;然后,综合考虑训练结果的网络误差和收敛速度,选取最优隐藏神经元个数,神经网络所持有的那组权系数值、阈值,就是该网络自适应结果下的最佳内部表示;最后,将已训练好的神经网络对需要评价的对象进行评价。

神经网络作为知识管理的评价工具,不仅具有高准确性、高反应速度的优点,并且可以高度容忍 坏 的数据和干扰[4]。不足的地方在于,需要对大量的数据进行预处理,并且只具有有限的测量性。

1 2 BP 网络设计

BP 网络是一种单向传播的多层前向结构,具有三层或三层以上的神经网络。本文应用目前算法发展最成熟的、应用最广泛的三层BP 网络对知识管理效果进行评价[5]

。对于一般的模式识别问题,三层网络就可以很好地被解决。

BP 神经网络的结构设计如图1所示,包括输入层、隐含层及输出层,上下层之间实现全连接,而每层之间无连接。当在输入层输入知识管理评价指标后,神经元的激活值从输入层经中间层向输出层传播,在输出层的各神经元获得网络的输入响应;然后,按照减少目标输出和实际误差的方向,从输出层经中间层修正各连接权值;最后回到输入层。随着这种误差逆转的传播修正,网络对

输入模式响应的正确率不断上升。

图1 BP 神经网络图

网络的结构参数非常重要,输入层和隐含层的神经元个数的选择在影响网络表达能力的同

时,也影响网络的收敛速度。本文在案例研究中,结合案例实际和相关资料,提取了6个较典型的指标作为输入神经元,即P 1为缩短产品的上市时间;P 2为节省的作业成本;P 3为顾客的保留率;P 4为专利权与授权收入比重;P 5为扩大市场占有率;P 6为提高的销售收入。隐含神经元,通过设计一个隐含层神经元数目可变的BP 网络,通过误差对比,确定最佳隐含神经元的个数,在三层网络中,隐含神经元N 2与输入神经元N 1之间有以下相似关系:N 2=2N 1+1。网络的输出只有一个神经元,是一个代数值,取值范围[0,1],表示企业知识管理综合评价结果。由此,可按照如下的方式设计网络,网络的输入层神经元个数为6个,输出层神经元为1个,隐含层神经元为13个。隐含层神经元不是固定的,需要经过实际训练的检验来不断调整。

对于P 这个1级指标,既可以通过直接的数据预处理来得到,也可以通过另一个子三层BP 网络来得到。例如:市场占有率P 5指标的实现,可以通过三层BP 网络,将P 5作为子网络的输出神经元,输入神经元可以选取对于公司市场有影响的几个指标作为输入指标,具体的步骤和上述的方法相似。1 3 BP 网络学习算法

由于企业知识管理评价中所使用的各项指标之间,数值都相差很大,需要对它们进行预处理。用归一化对数据进行处理,公式如下:

x i 0=

x i -x min

x max -x min

其中,x i 为第i 个指标值;x i 0为归一化后的第i 个指标值;x min 和x max 分别为第4i 个指标数值的最小和最大值。

(1)初始化。给每个连接权值W ij 、V jt 、阈值 j 及 j 赋予区间(-1,1)内的随机值。随机选取

一组输入和目标样本p k =(a k 1,a k 2, ,a k

n ),T k =(s k 1,s k 2, ,s k n )提供给网络。

(2)用输入样本p k =(a 1,a 2, ,a n ),连接权值W ij 和阈值 j ,计算中间层各单元的输入s j ,然后用s j 通过传递函数计算中间层各单元的输出b j ,即

s j =

n

i=1

w

ij

a i - j ,

b j =f (s j )(j =1,2, ,p )

利用中间层的输出b j ,连接权值W ij 和阈值 j 计算输出层各单元的输出L t ,然后利用传递函数计算各输出层各单元的响应C t 。

1666

合肥工业大学学报(自然科学版)第30卷