论文部分内容阅读
摘 要：职业农民培育远程视频监管系统的推广应用，对于提高培训实效性、减轻监管负担、改善管理绩效具有重要意义。在建立职业农民培育远程视频监管系统综合评价指标体系的基础上，提出一个基于BP神经网络的综合评价模型，并通过实际应用验证网络模型的可行性。
关键词：职业农民；视频监管系统；BP神经网络
中图分类号：G728 文献标志码：A 文章编号：1673-291X（2017）06-0092-04
引言
职业农民培育远程视频监管系统是使用现代计算机网络、视频监控等技术对新型职业农民培育活动实现全程网络化集中管理和远程视频监控等功能的信息系统[1]。该系统的投入使用为提高新型职业农民培训的有效性和可控性，提高农业管理决策的科学化与信息化提供了强有力的支撑。为了准确、客观、科学地评价职业农民远程视频监管系统，本文结合神经网络的自学习能力，提出了一种基于神经网络的职业农民培育远程监管系统综合评价方法，从系统开发和运行的技术水平、性能、经济效益、社会效益、应用效果等多角度予以评价，有效地避开了人为计取权重和相关系数计算等环节，达到了评价结果的客观性、科学性，具有很高的应用价值。
一、系统评价指标体系
考虑到职业农民培育远程视频监管系统开发的主要目的是为了提高培训实效性、减轻监管负担、改善管理绩效[2]。本文在设计系统评价指标体系时，除了考虑系统技术水平评估外，还增加了能够反映系统应用效益和管理绩效方面的评价指标，以便项目施行者全面了解系统的开发和运行状况，更好地满足用户的实际工作需求。综合考虑这些因素，本文建立的职业农民培育远程视频监管系统指标评价体系，该体系包括两层指标集，共4个一级评价指标和15个二级评价指标[3～5]。其中一级指标系统技术指标，包括系统规划科学性I11，系统标准性I12，软件质量I13；一级指标系统性能指标包括系统可扩充性I21，系统可靠性I22，系统可维护性I23，系统安全性I24；一级指标系统效益指标包括直接、间接经济效益I31、I32，社会效益I33；一级指标系统管理绩效指标包括系统目标实现程度I41；管理效率I42；资源利用率I43；成本节约量I44；用户满意度I45。
二、BP神经网络模型设计和训练
1.BP神经网络的结构设计。在职业农民培育远程监管系统综合评价中，输入因素为15个二级评价指标，每个评价指标采用专家打分的方法进行评价，分值分别为1、0.7、0.5、0.3、0.1这5个等级，对应的综合评价等级为4个：0.7～1为优，0.5～0.7为良，0.3～0.5为较差，0.3以下为差。BP神经网络的输入节点n=15，输出节点m=1，隐含层节点10。
2.模型训练。现选取陕西省10个市区农业局的专家评价数据做相关分析，如下表所示，其中“I11-I45”是15个指标的专家评价值，“得分”是专家综合评价的结果。由于BP神经网络各层的初始连接权值是任意的，因此必须先对神经网络进行训练，从而使监管系统效益评价的实际输出值与期望输出值的偏差尽可能的小[6～7]。
在职业农民培育系统效益分析中，共有15个评价指标，每个评价指标采用专家打分的方法进行评价，从高到低五等级的分值为1、0.7、0.5、0.3、0.1，对应的综合评价等级有4个，分别依次为优、良、较差、差。下页表1为专家对不同地区的各个指标评价的相关数据。
选择比较典型的8组样本数据（表中前8组）作为训练信号，训练该网络，其余两组作为检验样本，模拟待评估的对象。在实际计算时，采用Matlab编程工具，其中Matlab神经网络工具箱中包含多个不同的神经网络工具，可以方便快捷地进行仿真实验[7]。其中仿真训练样本训练次数与输出误差的关系（如下页图所示）。从图中可知，神经网络训练到1 000次时，达到所要求的误差精度，证明该BP网络进行指控系统综合效能评估时能够满足误差精度和收敛速度的要求[7]。
本文中BP神经网络神经元转化函数一般选用Sigmoid函数f（x）=1/（1+e-x）式（1）中，系数决定着S函数压缩的程度，仿真结果（如下页表2所示）。
上述实验中，表2、表3与表1进行比较可以看出，利用神经网络工具的测试结果和专家实际的评价结果相符。因此，神经网络可以用来进行职业农民培育监管系统综合评价，评价效果良好。
三、模型应用
通过第三小节中，对职业农民培育远程视频监管系统模型的建立和神经网络方法对其模型的训练，得到较好的评价模型。因此，运用训练好的模型综合评价杨凌和韩城职业农民培育监管系统。其中杨凌和韩城应用监管系统的各个指标评价（如表4所示），应用系统预测结果（如表5所示）。
从预测评价表5中可以看出，陕西省杨凌和韩城应用职业农民培育远程视频监管系统取得较好的结果。综上所述，通过陕西省12个市区分别应用职业农民培育远程视频监管系统取得了较好的效果。其中优占16%，良占67%，较差占17%。
结论与建议
职业农民培育远程视频监管系统的评价是一项十分艰巨的工作。本文在建立职业农民培育远程视频监管系统评价指标的基础上，通过神经网络仿真实验，取得了令人满意的结果，该方法具有自适应性、处理非线性问题的能力，避免了德尔菲法和模糊综合评价方法中主观因素对计取權重和相关系数的影响。为职业农民培育监管系统综合评价预测提供了一种新的有效的解决途径。
职业农民培育远程视频监管系统有有益的一面，它节约了管理成本、提高了管理效率、增强了用户满意度，但也有不足的一面。特别偏远的地方网络不发达，信号不稳定，造成监管障碍，综合考虑系统技术、系统性能、系统效益和系统绩效等多方面的因素，系统地进一步推广和应用利大于弊。
参考文献：
[1] 祝燕丽.新型职业农民培育措施探讨[J].现代农业科技，2015，（3）.
[2] 叶宏.新型城镇化视阈下的职业农民培养研究——基于农村高职教育改革的视角[M].职业研究，2015，（7）.
[3] 郑丽.档案信息化建设测度指标体系探索[J].档案与建设，2007，（2）.
[4] 刘坤.档案信息系统评价指标体系研究[J].现代情报，2011，（1）.
[5] 关雷，王希忠，黄俊强.神经网络在信息系统安全评价中的应用研究[J].计算机安全，2014，（4）.
[6] 黄亦潇，邵培基，李菁菁.基于BP神经网络的管理信息系统评价研究[J].中国管理科学，2003，（10）.
[7] 闻新，周露，王丹力.MATLAB神经网络应用设计[M].北京：科学出版社，2002.
[责任编辑 吴 迪]
关键词：职业农民；视频监管系统；BP神经网络
中图分类号：G728 文献标志码：A 文章编号：1673-291X（2017）06-0092-04
引言
职业农民培育远程视频监管系统是使用现代计算机网络、视频监控等技术对新型职业农民培育活动实现全程网络化集中管理和远程视频监控等功能的信息系统[1]。该系统的投入使用为提高新型职业农民培训的有效性和可控性，提高农业管理决策的科学化与信息化提供了强有力的支撑。为了准确、客观、科学地评价职业农民远程视频监管系统，本文结合神经网络的自学习能力，提出了一种基于神经网络的职业农民培育远程监管系统综合评价方法，从系统开发和运行的技术水平、性能、经济效益、社会效益、应用效果等多角度予以评价，有效地避开了人为计取权重和相关系数计算等环节，达到了评价结果的客观性、科学性，具有很高的应用价值。
一、系统评价指标体系
考虑到职业农民培育远程视频监管系统开发的主要目的是为了提高培训实效性、减轻监管负担、改善管理绩效[2]。本文在设计系统评价指标体系时，除了考虑系统技术水平评估外，还增加了能够反映系统应用效益和管理绩效方面的评价指标，以便项目施行者全面了解系统的开发和运行状况，更好地满足用户的实际工作需求。综合考虑这些因素，本文建立的职业农民培育远程视频监管系统指标评价体系，该体系包括两层指标集，共4个一级评价指标和15个二级评价指标[3～5]。其中一级指标系统技术指标，包括系统规划科学性I11，系统标准性I12，软件质量I13；一级指标系统性能指标包括系统可扩充性I21，系统可靠性I22，系统可维护性I23，系统安全性I24；一级指标系统效益指标包括直接、间接经济效益I31、I32，社会效益I33；一级指标系统管理绩效指标包括系统目标实现程度I41；管理效率I42；资源利用率I43；成本节约量I44；用户满意度I45。
二、BP神经网络模型设计和训练
1.BP神经网络的结构设计。在职业农民培育远程监管系统综合评价中，输入因素为15个二级评价指标，每个评价指标采用专家打分的方法进行评价，分值分别为1、0.7、0.5、0.3、0.1这5个等级，对应的综合评价等级为4个：0.7～1为优，0.5～0.7为良，0.3～0.5为较差，0.3以下为差。BP神经网络的输入节点n=15，输出节点m=1，隐含层节点10。
2.模型训练。现选取陕西省10个市区农业局的专家评价数据做相关分析，如下表所示，其中“I11-I45”是15个指标的专家评价值，“得分”是专家综合评价的结果。由于BP神经网络各层的初始连接权值是任意的，因此必须先对神经网络进行训练，从而使监管系统效益评价的实际输出值与期望输出值的偏差尽可能的小[6～7]。
在职业农民培育系统效益分析中，共有15个评价指标，每个评价指标采用专家打分的方法进行评价，从高到低五等级的分值为1、0.7、0.5、0.3、0.1，对应的综合评价等级有4个，分别依次为优、良、较差、差。下页表1为专家对不同地区的各个指标评价的相关数据。
选择比较典型的8组样本数据（表中前8组）作为训练信号，训练该网络，其余两组作为检验样本，模拟待评估的对象。在实际计算时，采用Matlab编程工具，其中Matlab神经网络工具箱中包含多个不同的神经网络工具，可以方便快捷地进行仿真实验[7]。其中仿真训练样本训练次数与输出误差的关系（如下页图所示）。从图中可知，神经网络训练到1 000次时，达到所要求的误差精度，证明该BP网络进行指控系统综合效能评估时能够满足误差精度和收敛速度的要求[7]。
本文中BP神经网络神经元转化函数一般选用Sigmoid函数f（x）=1/（1+e-x）式（1）中，系数决定着S函数压缩的程度，仿真结果（如下页表2所示）。
上述实验中，表2、表3与表1进行比较可以看出，利用神经网络工具的测试结果和专家实际的评价结果相符。因此，神经网络可以用来进行职业农民培育监管系统综合评价，评价效果良好。
三、模型应用
通过第三小节中，对职业农民培育远程视频监管系统模型的建立和神经网络方法对其模型的训练，得到较好的评价模型。因此，运用训练好的模型综合评价杨凌和韩城职业农民培育监管系统。其中杨凌和韩城应用监管系统的各个指标评价（如表4所示），应用系统预测结果（如表5所示）。
从预测评价表5中可以看出，陕西省杨凌和韩城应用职业农民培育远程视频监管系统取得较好的结果。综上所述，通过陕西省12个市区分别应用职业农民培育远程视频监管系统取得了较好的效果。其中优占16%，良占67%，较差占17%。
结论与建议
职业农民培育远程视频监管系统的评价是一项十分艰巨的工作。本文在建立职业农民培育远程视频监管系统评价指标的基础上，通过神经网络仿真实验，取得了令人满意的结果，该方法具有自适应性、处理非线性问题的能力，避免了德尔菲法和模糊综合评价方法中主观因素对计取權重和相关系数的影响。为职业农民培育监管系统综合评价预测提供了一种新的有效的解决途径。
职业农民培育远程视频监管系统有有益的一面，它节约了管理成本、提高了管理效率、增强了用户满意度，但也有不足的一面。特别偏远的地方网络不发达，信号不稳定，造成监管障碍，综合考虑系统技术、系统性能、系统效益和系统绩效等多方面的因素，系统地进一步推广和应用利大于弊。
参考文献：
[1] 祝燕丽.新型职业农民培育措施探讨[J].现代农业科技，2015，（3）.
[2] 叶宏.新型城镇化视阈下的职业农民培养研究——基于农村高职教育改革的视角[M].职业研究，2015，（7）.
[3] 郑丽.档案信息化建设测度指标体系探索[J].档案与建设，2007，（2）.
[4] 刘坤.档案信息系统评价指标体系研究[J].现代情报，2011，（1）.
[5] 关雷，王希忠，黄俊强.神经网络在信息系统安全评价中的应用研究[J].计算机安全，2014，（4）.
[6] 黄亦潇，邵培基，李菁菁.基于BP神经网络的管理信息系统评价研究[J].中国管理科学，2003，（10）.
[7] 闻新，周露，王丹力.MATLAB神经网络应用设计[M].北京：科学出版社，2002.
[责任编辑 吴 迪]