RBF網絡在大學生黨員發展中的應用

翁麗華 張 彥 呂延文

（1衢州學院 學生教育管理處；2衢州學院 化學與材料工程學院；3衢州學院 學生處，浙江 衢州 324000）

RBF網絡在大學生黨員發展中的應用

翁麗華1張 彥2呂延文3

（1衢州學院 學生教育管理處；2衢州學院 化學與材料工程學院；3衢州學院 學生處，浙江 衢州 324000）

作者在對傳統的本學院大學生發展黨員的機制進行研究后，認識到現行的黨員發展機制中，存在著個別有待科學改進的方面；而應用RBF網絡模型對部分非黨員學生和黨員學生進行模型測定的嘗試后，證明該模型確實有助于科學地改進和優化發展大學生新黨員的機制，并能提高所發展的新黨員的質量。

大學生新黨員 科學量化標準 RBF神經網絡

傳統的高校學生黨員發展的工作模式，一般是由黨員輔導員或黨員老師在其所在班里申請入黨的學生中發現苗子，然后提交到黨支部列為發展對象，進而分別確定黨員介紹人，并對其進行一段時間的聯系、談心、教育幫助和考察，對其表現做出評價，提交到黨支部進行討論，然后確定是否作為黨員發展對象。介紹人個人的評價在其過程中起著主要作用。然而在當今高等教育逐步走向“普及化”的時代，面對眾多要求入黨的積極分子和高要求的發展任務，只依靠個別黨員去發現、培養、考察和評價，顯然已不太適應科學和高質量發展新黨員的要求；而且，以個體單一黨員的評價來確定被考察對象是否符合黨員發展要求，再確定發展與否，主觀思維成分比較多，難以做到全面、科學、客觀與準確，難以保證黨員發展的高質量。

徑向基函數網絡 （Radial Basis Function Networks，RBF網絡）可以較好地彌補上述缺點，同時能在發展大學生新黨員上有所創新。RBF網絡能夠準確地建立起輸入與輸出數據之間內在的關系模型，從而可以很好地把一些非線性問題進行準確分類。大學生新黨員的發展，以黨章規定的共產黨黨員的標準，作為一個大學生是否可作為發展對象的評價依據，以此標準來區分申請入黨的大學生，一般可以分為以下兩大類：一類是可及時發展的對象；另一類是還需繼續考驗的對象。這是一個典型的非線性分類問題，我們通過對申請入黨的對象進行調查評分，評分結果作為RBF網絡的輸入數據，根據RBF網絡模型得到輸出結果，以此結果來評判申請入黨的大學生，是否可及時發展的對象。應用RBF網絡，可以更加科學和客觀地評價申請入黨的對象，有效地減少人為主觀因素的干擾，更好地達到公平、公正、全面、準確的黨員發展要求。

一、RBF網絡

RBF網絡是一種前饋神經網絡，具有很強的非線性映射功能，近年來受到許多研究者的密切關注，并成功廣泛地應用于信息、機械、化工、管理等領域。RBF網絡的結構比較簡單，由輸入層、隱含層和輸出層組成，若網絡分別有n個輸入單元、p個隱單元，m個輸出單元，則其拓撲結構如圖1所示。

圖1 RBF網絡的拓撲結構

RBF網絡隱單元的活化函數就是徑向基函數，即徑向衰竭函數，它有多種形式，其選取對網絡性能影響不大，本文選用高斯徑向基函數，此時各隱單元的輸出為：

式中i=1，2，…，p；xj為樣本輸入向量在j維上的值；c（i）j為

式中wij為第i個隱單元到第j個輸出單元的連接權值。

對于樣本的所有輸入，網絡的全部輸出可以用式（3）的矩陣形式表示。

RBF網絡的擬合和預測性能取決于本身的結構和參數。輸入層的單元數n由訓練樣本輸入向量（自變量）的維數決定，輸出層的單元數m由訓練樣本輸出向量 （因變量）的維數決定；而隱單元數p、各隱單元中心向量c（i）和寬度參數σ（i）則是需要選擇的。c（i）的選擇可通過聚類分析來確定，但又涉及類的數量及閥值的選擇，過程比較復雜；也可運用遺傳算法同時優化c（i）、p、σ（i）等參數，但優化過程復雜、計算量大。

我們將神經網絡與主成分回歸（Principal Component Regression，PCR）相組合，解決RBF網絡結構和參數的確定問題。具體步驟為：

①將隱含層單元數p設為訓練樣本數l，每個隱含層第i個隱單元中心向量在j維上的值；σ（i）為第i個隱單元徑向基函數的寬度參數。

RBF網絡第j個輸出單元的輸出值為：單元的中心向量c（i）取相應樣本的輸入向量；

②根據RBF網絡模型的擬合和預測性能，采用嘗試的方法選取σ（i）值；

③p、c（i）和σ（i）選定后，根據式（1）計算zi，構成活化矩陣Z；

④由訓練樣本的實測輸出向量構成輸出向量矩陣Y；

⑤運用主成分回歸方法求解式（4），得到權系數矩陣W。

這樣網絡模型的結構和參數已確定，運用該模型即可對預測樣本的因變量進行計算。

主成分回歸是從多元自變量數據矩陣中，在滿足正交約束的條件下，提取主要數據信息，并舍去一些方差非常小的主成分，達到降維和消除復共線性的目的，提高回歸模型的穩健性。因此，我們采用的RBF網絡與主成分回歸相結合的建模方法，所建立的模型將具有良好的擬合和預測性能。

二、輸入和輸出數據的量化處理

1.輸入數據量化處理的標準和方法

輸入數據選擇以下一些指標，并對每個指標向量進行量化處理，各輸入向量采用評分制，具體如下。

（1）思想政治方面

滿分100分，主要從以下4個方面進行評分。

評分方法：基礎分80分，每項有突出表現者按子指標加5分，有嚴重違反者按子指標扣5分，無加、扣分的按基礎分評分。

（2）道德作風方面

滿分100分，也從以下4個方面進行評分。

①模范遵守國家法律及學校規章制度，無違紀行為。②團結同學、尊敬師長、誠實守信，樂于幫助他人，待人寬容誠懇。③嚴于律己，勇于開展批評和自我批評，敢于和不良現象作斗爭。④生活樸實，作風正派，無不良嗜好，行為舉止大方。

評分方法：基礎分80分，每項有突出表現者按子指標加5分，有嚴重違反者按子指標扣5分，無加、扣分的也按基礎分評分。

（3）專業學習方面

滿分100分，基礎分60分，實行加、扣分制，主要從以下4個方面進行評分。

①上學年獲校一等獎學金者加30分，獲校二等獎學金者加25分，獲校三等獎學金者加20分。②學習態度端正，目標明確，未獲得獎學金，但學習成績班級排名前50%加10分。③非前2項已獲加分者，但上學年無不及格課程者，加5分。④上學年課程有不及格者，每門扣10分。

（4）工作能力方面

四小姐站在石西岳側面，先是漠然，既而似笑非笑說：“既然你又多了一名嫌疑犯，我就不帶走他了。石處長，好好斷一斷眼前這樁風流案吧。”

滿分100分，基礎分60分，主要從以下4個方面進行評分。

①組織協調能力強，工作出色的班長和團支書及以上的學生干部加20—40分。②責任心強，熱心為同學服務的班委和團委委員可以加10—20分。③工作踏實的課代表或小組長加10分。④同學有負面意見的小組長、課代表及以上的班級干部，視情況酌情扣分，直到扣完為止。

（5）模范作用方面

滿分100分，基礎分60分，主要從以下幾個方面進行評分。

①學習、工作能力強，個人自身素質較高，能營造良好風氣的三好學生可以加30—40分。②嚴格要求自己，以身作則，注意自己的一言一行的各項積極分子可以加20—30分。③與同學相處融洽和諧，有較好的群眾基礎，向黨組織靠攏的積極分子可以加10—20分。④得到同班師生的肯定，在同學中有較好信譽的申請入黨的普通同學可以加5—10分。

2.輸出數據量化處理的標準和方法

訓練樣本中，因變量（輸出數據）的取值采用“0—1”制：學生黨員的因變量值取1，非學生黨員的因變量值取0。

模型預測時，輸出值（因變量值）小于0.5，取整為0，表示暫不列為發展對象，需要繼續考察；輸出值（因變量值）大于或等于0.5，取整為1，表示基本符合黨員的標準，可列為發展對象。

三、RBF網絡的建模及應用

1.樣本數據的獲取

以衢州學院機電工程學院2009級機電一體化專業的82名學生為研究對象，抽選10名學生對所有的82名學生進行評分，評分根據本文第二節的輸入數據量化處理標準和方法進行，每位學生共有10份評分，將其平均作為樣本數據的輸入數據，數據容量為82。樣本的輸出數據根據本文第二節的輸出數據量化處理標準和方法進行，數據容量也為82。樣本的輸入數據與輸出數據之間一一對應。

將樣本數據集分成兩組：一組為訓練樣本，用于RBF網絡模型的建立，數據容量為76；另一組為檢測樣本，用于RBF網絡模型的檢驗，數據容量為6。

2.RBF網絡的建模

基于訓練樣本，運用RBF網絡，結合PCR方法，建立新黨員發展機制的評價模型。RBF網絡的輸入層有5個單元（樣本輸入向量的維數為5維），分別代表思想政治、道德作風、專業學習、工作能力、模范作用；隱含層有76個單元，對應76個訓練樣本；輸出層為1個單元（輸出向量的維數為1維）。建模過程根據第一節的神經網絡與主成分回歸相結合的具體步驟進行，不再贅述。

3.評價模型的檢驗及結果

為了測試模型的適用性，運用檢測樣本對RBF網絡評價模型進行檢驗。實施步驟如下。

①每個檢測樣本對應1個輸入矢量。

②根據（1）式計算各隱單元對檢測樣本的輸出Zt=（z1，z2，…，zp）T。

評價模型的檢驗結果如表1所示。

表1 RBF網絡評價模型檢測數據及結果

表1中期望輸出為“1”的學生（現實為黨員）可以作為黨員發展對象，期望輸出為“0”的學生尚未達到發展要求。由表1可見，模型輸出的結果與期望輸出基本吻合。模型的檢測結果表明，該神經網絡模型可以準確地作為黨員發展機制的評價系統。

四、結語

采用RBF神經網絡模型，對高校大學生黨員發展機制進行優化，具有以下幾個優點。

1.RBF網絡具有容錯能力，即使個別指標分值不符合實際，如某項指標因主觀原因評分過高，也不影響其輸出結果，可以有效避免因“關系戶”而發展成黨員。

2.該模型操作性強，通過大量樣本調查，運用RBF網絡建立評價模型后，即可用來對學生黨員發展對象進行評價，可減少主觀評定，具有公平、公正的特點。

3.該模型是以大量學生黨員情況的量化數據作為評價依據，所以通過該模型計算出來的可發展對象個體，已較為準確地接近了學生黨員標準，可以保證新發展黨員的質量，從而使我們的黨更具有凝聚力。

4.高校的學生群體具有時代特點，而各屆學生的整體素質是有波動的，因此對學生黨員的要求也應隨之有些變化。但該模型是以在校的學生黨員作為評價依據，因此學生群體的流動性，對學生黨員發展對象的選擇不會有所影響。

基于以上各點，目前衢州學院正在全院范圍內，在發展學生新黨員時推廣應用RBF神經網絡模型，并已初見成效。

［1］練崇潮.怎樣把好學生黨員質量關［J］.學校黨建與思想教育，2010，（03）.

［2］趙潔.高校學生黨員發展教育中存在的問題與對策［J］.商業文化（學術版），2010，（09）.

［3］沈建紅.組織凝聚力的三維形態與高校黨建的著力點［J］.浙江學刊，2008，（03）.

［4］左惟.創新精神與高校學生黨建［J］.東南大學學報（哲學社會科學版），2008，（06）.

［5］Hummels D M，Ahemed W，Musavi M T.Adaptive detection of small sinusodial signals in non-gaussian noise using an RBF neural network.IEEE Trans on Neural Networks，1995，6（1）.

［6］韓力群.人工神經網絡理論、設計及應用［M］.北京：化學工業出版社，2007.

［7］胡穗華，徐輝.基于徑向基神經網絡模型的企業高管勝任力評價.系統工程，2010，（05）.

［8］陳德釗.多元數據處理.北京：化學工業出版社，1998.