摘要：针对管制员人岗匹配测评的问题，将人工神经网络技术应用于空中交通管制员的人岗匹配中，探讨了两种最有可能应用于人岗匹配的BP神经网络与RBF神经网络的可行性，分析了对影响人工神经网络的各因素，对比了两种神经网络的优缺点，提出这两种方法用于管制员人岗匹配测评中，有一定的先进性。

　　关键词：人工神经网络；空中交通管制员；人岗匹配；测评

　　管制员是空中交通的指挥者，是民航安全、高效运行的保证，管制员的岗位胜任力、管制员的人才选拔等等这样的人岗匹配度，直接影响着空中交通的运行速率，因此管制员人岗匹配的研究非常的有意义。前文对人岗匹配的测评方法进行了梳理与总结，如何选择合适的测评方法应用于空中交通管制中，是极为有意义的。但目前一些主流的人岗匹配测评方法仍然存在着较大的主观因素人工神经网络是一个非线性的有向图，图中有着具有能够改变权值大小进行存放的加权边，而且能够从不够清晰的输入端找到模式方法。

　　人工神经网络最基本的特征是其具有非线性映射、联想记忆、优化计算、分类与识别与数据信息处理等能力。人工神经网络具有并行计算与分布式存储信息等功能，因而可以根据各个神经元之间的某种结构关系以及一些信息之间的相互联系与处理行为来实现外部信息与输入形式之间的联想记忆能力。人工神经网络通过映射可以作为输入与输出之间的桥梁，完成对样本的训练，能够获得以任意精度来逼近复杂的映射，另外一方面，神经网络具有较强的分类与识别能力，可通过不断变换让能量函数从而变得稳定，最终求得函数最佳解。此外，人工神经网络可以从输入与输出的信息中自动寻求规律进而获取有关对象的信息知识。人工神经网络的这些特性能够适用于不平稳、混沌以及非线性映射等数学模型[1]。RBF与BP神经网络有良好的学习能力、泛化能力和非线性映射功能。而本文的研究对象——管制员人岗匹配的测算体系是一个典型的由多个指标变量影响的非线性系统，企图从某个单独的数学方法上根据某种规律来表征管制员的人岗匹配的情况是不太可行的，而人工神经网络却有着完全不同的计算模式，因而本文选择人工神经网络，通过其误差反转的能力对管制员人岗匹配的模型进行训练，获得最终人岗匹配的测算方法。

　　一、基于BP神经网络的管制员人岗匹配测算

　　BP神经网络是一种典型的单向传播多层前向型的神经网络，是当前推广最多的一种神经网络。BP神经网络的神经元的传递函数主要采用的是Sigmoid函数为多，可实现输入与输出的非线性映射，这与本文研究的人岗匹配矩阵所具有的非线性相吻合，因此可引入BP神经网络到管制员人岗匹配的问题中。

　　（一）BP神经网络的算法与建模

　　根据BP神经网络的关键技术与特点，BP算法步骤可总结如下:

　　（l）网络初始化（对阈值与权益设置初始值）。

　　（2）输入训练样本；

　　（3）获得隐含层与输出层的输入输出；

　　（4）获得期望值与实际值的误差；

　　（5）误差精度达到要求则到（6），否则到（4）。

　　（6）采用梯度法调整各层的连接权值与阈值（偏置阈值）进行调整，转回（2）。

　　（7）输出结果，结束训练。

　　图1给出了BP神经网络算法的步骤程序图。根据程序图可知，BP模型采用梯度下降法，同时将输入输出的函数关系转换成非线性问题。

　　图1 BP神经网络训练流程图

　　根据BP神经网络算法步骤，可以得出建立网络模型的过程为：首先确定网络层数，再确定输入层的神经元的数量，紧接着确定隐含层层数、隐含层的神经元的数量，最后确定输出神经元的数量。由BP算法的流程可知，还需选择合理的激励函数、学习率和动量因子以及收敛误差界值等等。

　　（1）输入层样本的选择与输入层神经元数的确定

　　根据前文建立的评价指标体系，将通用理论知识、专业理论知识、事业心、责任心、执行力、设备使用能力、陆空通话能力、指挥英语对话能力、特情处理能力、气象观测能力、空间想象能力、目视监控能力、团队协作能力、沟通协调能力、心理承受能力、快速反应能力和决策应变能力等共17个指标可用来作为BP神经网络模型的输入神经元。

　　神经网络需要对已知的样本作为训练数据进行训练神经网络，然后才可以用来进行综合评价。样本是较权威的评价结果，由专业人士对管制员进行人岗匹配度的评估。

　　（2）隐含层层数的确定

　　从某种意义上来说，适当增加隐含层的层数能够有效减小网络误差，提高计算精度。然而隐含层数的增加也会将网络变得更为复杂，反而在训练上需要较多的时间，出现过拟合。Hornik[2]认为若输入层与输出层采用线性转换函数，隐含层采用Sigmoid转换函数，则仅有一个隐含层的MLP网络能够以任意精度逼近任何有理函数。所以，本文在进行神经网络设计的时候，基于该方面的考虑，确定本研究的神经网络为3层BP网络（即1个隐含层）。而为了获取较低的误差，可从增加隐含层节点数方法，而且训练效果比增加隐含层的层数更容易训练。

　　（3）隐含层神经元数（节点数）的确定

　　BP神经网络中，隐层层神经元数的选择尤为关键，它关系到神经网络的模型性能以及训练时出现的“过拟合”现象等方面，但什么原因与机理，目前并没有研究结果。研究者们也针对隐含层的神经元数设计了一些计算公式[3]：

                              （1）

　　其中，k为样本数，n为输入神经元数。

                            （2）

　　其中，m为输入神经元数，a为1~10之间的常数。

                              （3）

　　式中，n为输入神经元数。

　　不过以上公式的前提是在训练样本非常多的情况下，一般应用中样本数量较难满足条件。另外一方面，专家们认为隐含层神经元数选择的基本原则[3, 4]为在达到预期精度的条件下结构越紧凑越好，也就是说满足预期精度后的隐含层的神经元数越少越好，从而避免过拟合发生，浪费训练时间。研究者们[5, 6]认为隐含层神经元的数量不但与输入层的神经元数有关系，同时与样本的数据特征、转换函数以及问题的复杂性等方面都有着联系。因此，隐含层神经元数的确定可满足以下几个方面：隐含层神经元数小于N-1（N为样本数），不然网络模型的误差将由于其与训练样本的特征不相关而趋于0，也就表明所设立的网络模型无法泛化，训练没有意义。另外一方面，输入层神经元数也必须小于N-1，优选地，样本数是网络模型连接的权数的2倍以上，不然样本很难获得期望的神经网络模型。

　　综上可知，隐含层的神经元数如果偏少，则网络模型的性能偏差，或者训练无法达到预期；而隐含层的神经元数如果过多，则虽然系统的误差会降低，但是学习时间会拉长，且容易陷入过拟合，得到局部最小点而非最佳点[7]。所以，在设计隐含层神经元数的时候，可通过不同神经元数进行对比训练，根据实际结果来选择优选的隐含层神经元数。根据前文（浅析民航空中交通管制员人岗匹配指标体系的构建）的指标体系的说明，我们可按照实际需求设隐含层的神经元数为4。

　　（4）输出层神经元数的确定

　　输出层神经元数由评价结果来决定。在本研究中，我们的研究对象的期望输出是管制员人岗匹配的总体评价，所以，输出层的神经元数为1。

　　（5）激励函数的确定

　　根据调试要求，将隐含层的输出函数选择为logsig，输出层的输出函数选择线性函数purelin。

　　（6）学习率与动量因子

　　学习率与动量因子从根本上来看是为了优化在训练中的梯度下降法，通过对误差与权值和阈值之间的关系来调整权值，进而让计算收敛阈值。偏大的学习率可能由于在对权值的修正过大，使得计算结果在超出预期误差后不规则跳跃，进而导致计算不收敛；而偏小的学习率则可能增加训练时间，但最终会完成收敛。

　　因此为了保证最后学习能够收敛，提高学习过程的稳定性，一般会选择偏小一些的学习率。添加动量因子是为了使网络的训练避免陷入局部极小，虽然从机理上来说，动量因子应该与权值修正因子有关联。

　　（7）收敛误差界值

　　收敛收敛误差界值的确定与网络的收敛速度以及学习精度密切相关。收敛误差界值取得偏小时，训练性能偏好，但是训练时间加长，收敛较慢；如果界值选择偏大时，则训练效果稍差，但是训练时间变短，且容易收敛。因此，一般地，期望误差界值需要通过多次计算对比后选择一个较优的数值，当然偏小的期望误差是通过提高隐含层神经元数以及学习步长来完成的，因此，较优值对应于所需要的隐含层的神经元数来说的。

　　因此，根据本小节的研究与分析，可建立基于BP神经网络的管制员人岗匹配模型，如图2所示。

图2 管制员岗位匹配的BP神经网络模型

　　（二）BP神经网络模型的训练与检测

　　不同的训练函数与不同的算法对BP网络的性能影响很大，主要体现在收敛速度（时间）与训练精度上，为了进行比较，选择更有质量的网络模型，通过不同的训练函数对BP网络进行了对比训练。

　　根据训练结果，对样本数据进行BP神经网络的检验。将样本数据与与之对应的专家评分所确定的管制员人岗匹配数据分别设定为检测的输入与输出值进行对比。根据检测结果确定期望输出与实际输出的结果，从而完成BP神经网络的训练，最终确定基于BP神经网络模型的管制员人岗匹配评价模型。

　　二、基于RBF神经网络的管制员人岗匹配测算

　　从理论方面来说，BP神经网络仍然存在着隐含层的确定的主观性与学习时间偏长且容易局部极小等缺点，而与BP神经网络不同的是，径向基函数（RBF）神经网络作为一种具有全局收敛特性的线性学习算法的前馈神经网络[8]，在其隐含层的神经元数的选择转换是通过局部相应特征的高斯函数来完成，是一种具有全局相应的函数。正是因为这种差异，径向基函数所需要的训练时间按理论来说，应该比BP神经网络的要少一些此，也就是能够更快地完成收敛，更准确地逼近连续函数。

　　因此，根据RBF神经网络的这一特性，本节将RBF神经网络引入到管制员的人岗匹配评价体系中来。

　　（一）RBF神经网络的算法与建模

　　在RBF网络中，从输入层到隐含层之间是非线性优化的情况，而在输出层则是线性优化的情况。前者求解方法较为复杂，后者则训练速度较快，且有唯一解。因此对于整个网络的训练过程来讲，随机选取一定的算法可能获得较好的结论，然而算法计算复杂且容易出现问题。

　　RBF神经网络算法的理论基础可知，如果RBF神经网络的输入、输出数据如果确定，那么RBF神经网络的层数和各层神经元数，以及网格输入输出节点数、传递函数也都逐一确定了。

　　本文将RBF神经网络的层数以及神经元数确定如下：输入层神经元数目和输出层的神经元数目与BP神经网络相同，而隐含层由计算过程中自动获取最佳值。隐含层传递函数采用高斯函数，出层传递函数则选择线性传递函数。

　　（二）RBF神经网络模型的训练与检测

　　不同的学习算法对RBF神经网络的性能影响较大，比较不同的学习算法，最终选取收敛速度要快、误差更小的算法对神经网络进行训练，目标误差和BP算法相同。

　　在所取的样本中，取一部分数据为检测数据，根据训练结果，对这几组样本数据进行RBF神经网络的检验，如果检测结果的期望输出与实际输出的结果非常接近，则完成了RBF神经网络的训练。经分析可认为，采用RBF神经网络模型来建立管制员的人岗匹配评价模型是可行的。

　　三、BP神经网络与RBF神经网络的对比分析

　　BP神经网络与RBF神经网络从根本上来讲，都是属于非线性多层前向网络。可以这么理解，针对任意的RBF神经网络，总可以使用某个BP神经网络来替换之，反之也是一样。然而，二者也在训练方法、网络结构、以及网络资源的利用等方面存在着不同。

　　（1）训练方法方面。BP神经网络需要确连接权值和阈值，相对RBF神经网络来说，BP神经网络的算法存在一些缺点，概括来说就是训练时间偏长，收敛慢，且隐含层的神经元数不易选取，易陷入局部极小值。对于BP神经网络来说，网络训练的性能与太多变量有关，如样本数量、样本质量、训练的算法、网格结构参数（如隐含层神经元数、输出神经元、输入神经元、传递函数等等）、期望误差等等都紧密相关，任何一个变量的设置不当都有可能对训练结果造成影响。而RBF神经网络的训练算法方面，能够动态地选取网络结构、尤其是隐含层的神经元数，训练速度更快，误差更低，在算法方面比BP算法更为优秀。

　　（2）网络结构方面。BP神经网络是通过权重来连接，但是RBF神经网络中输入层是直接与隐含层连接，在隐含层到输出层通过权连接。因此，一般BP神经网络的隐含层的转变函数使用非线性函数来完成，而RBF神经网络的隐含层的转移函数是一种中心对称的函数。最为关键的是，BP神经网络是静态的网络，其隐含层与隐含层神经元数的选取比较麻烦，没有通用的选择规律，但是此结构的选择对训练非常关键，直接影响到训练性能的好坏；而RBF神经网络的隐含层的神经元数可随着训练本身自行调整，无需自行设置，因此实用性更强。

　　（3）网络资源的利用方面。RBF神经网络的学习算法与网络结构使得其隐含层的神经元数可以随着学习样本的类型、容量与分布来自行调整。在隐含层神经元数分配的基础上，输入与输出可根据调整隐含层与输出层神经元间的权值完成，通过这种变换，使得任务可并行完成，互不影响，而网络的资源可充分使用。不同地，BP神经网络权值与阈值在事先需要给定，训练的网格无法同时进行不同的任务，因而对于任意的任务来讲，很难达到最优结果。因此，从网络资源的利用来说，RBF神经网络能够使多个任务间的影响降低，这种并行多任务系统使得每个任务都能完成较优的状态，自然RBF神经网络的应用会越来越受欢迎。

　　总之，BP网络具有结构简单的优点，简单操作，同时训练与检验的结果也基本能够符合我们测评的要求，只是逼近精度要低于RBF网络。这是由于BP神经网络是不断地通过修正神经元权值来达到逼近最小误差的，因而其训练的速度是稳定不变的，因而收敛较慢，故而学习时间偏长，尤其在处理较为复杂问题的时候，采用BP算法则可能会需要较长的学习时间，而本研究的样本稍微简单，对算法的要求并不是特别苛刻，所以BP网络也能够在较短的时间内完成训练。而RBF网络可以自动增加神经元直到满足精度要求为止，因此作为性能优良的前馈型神经网络，RBF网络解决了BP网络的局部最优问题，且可通过对结构参数进行分离训练，提高其收敛速度。同时，能够完成大数据的融合，并能够并行地读写数据，进一步提高学习速度。因此，RBF神经网络的优良特性使得其显示出比BP神经网络更强的生命力，也越来越多得到广泛应用。

　　四、结束语

　　本文针对管制员人岗匹配的人工神经网络测算评价方法展开了深入的研究，目的是要通过量化的方法来对管制员岗位匹配进行评价，分析结果认为引入BP神经网络与RBF神经网络到人岗匹配中来，对管制员人岗匹配有积极意义。

　　在实际应用过程中，笔者认为管制员人岗匹配的测算指标体系仍需进一步深化研究。合理的测算指标体系是进行人岗匹配评价的前提，对测算结果起着决定性的作用。前文提到的测算指标是在前人文献的基础上，同时参考了有关专家的意见，提出的与作者职业关系较为紧密的一些测算指标。固然有一定的合理性，但是认为还是有一定的局限性，本测算指标体系受个人专业与知识面的影响较大，指标的设计还存在较大不足。在今后的研究工作中，可综合考虑跨学科多专业（如心理学专业、飞行员方面的意见等等）对指标体系进行进一步的研究与优化。（作者：魏娴）

　　参考文献

　　[1] 纪冬梅. 基于组合模型的短时交通流预测方法[D]. 华东理工大学, 2012. 系

　　[2] Hornik K, Stinchcombe M, White H, Auer P. Degree of approximation results for feedforward networks approximating unknown mappings and their derivatives[J]. Neural Computation, 2000, 6(6): 1262-1275.

　　[3] 廖宁放, 高稚允. BP神经网络用于函数逼近的最佳隐层结构[J]. 北京理工大学学报, 1998, 18(4): 476-480.

　　[4] 郑绪枝, 雷靖, 夏薇. 基于快速确定隐层神经元数的BP神经网络算法[J]. 计算机科学, 2012, 39(6): 432-436.

　　[5] 史旭光. 智能控制系统理论应用于数控设备的若干关键问题研究[D]. 华南理工大学, 2009.

　　[6] 刘慧芳. 基于室内热舒适的空调系统测控与节能研究[D]. 重庆大学, 2009.

　　[7] 李耀勇, 郑南宁. 前馈神经网络的隐结点个数与网络推广能力的关系[J]. 西安交通大学学报, 1996, 30(9): 22-29.

　　[8] Moody J, Darken C J. Fast learning in networks of locally-tuned processing units[J]. Neural Computation, 1989, 1(2): 281-294.