基于模糊数学的人力资源岗位匹配度研究

目前我国要建立并完善科学的社会化的人才评价机制,迫切要求广大企事业单位用科学、透明、公正的方法评价人力资源与岗位的匹配程度。为此,在构建人力资源岗位匹配度相关指标体系的基础上,运用360度模糊综合评价模型对人力资源岗位匹配度进行定量研究,并借鉴期望观点和空间两点距离观点对评价结果进行综合分析,以实现上述目标。     

基于Hadoop平台的大数据人力资源管理高效推荐研究

为了提高Hadoop平台下大数据人力资源管理推荐的高效性和精准性,采用支持向量机来完成岗位匹配。将人员指标要素样本进行稀疏表示,得到人员指标要素稀疏矩阵,经过支持向量机对样本进行二元分类,判断人员对岗位的匹配程度,最后引入随机变换函数,实现Hadoop平台下大数据环境下的动态推荐。经过实验证明:文中算法人员岗位匹配精准度好,且动态推荐效率高且能实现批量推荐。     

高校哲学社会科学创新能力评价模型研究

在构建高校哲学社会科学创新能力评价指标体系的基础上,鉴于层次分析法的特点与优势,在专家问卷调查的基础上,利用层次分析法确定了每个指标的权重.高校哲学社会科学创新能力评价具有模糊性,故可以采用基于专家咨询的多层次模糊综合评价模型方法对哲学社会科学创新能力进行评价,其基本步骤依次是:设定指标权重向量、建立评价指标集、建立评价等级集、构建二级指标模糊判断矩阵、计算二级指标的模糊向量、构建一级指标模糊判断矩阵、计算一级指标的模糊向量、构建目标层模糊判断矩阵、计算模糊综合评价结果,按照最大隶属度原则对被评价对象所属等级进行判断.     

人岗匹配与幼儿教师职业韧性关系的研究

幼儿教师职业韧性会影响其职业态度和决策行为,是克服职业压力和摆脱困境的关键成分。本研究选取420名幼儿教师为研究对象,采用幼儿教师职业韧性量表和人岗匹配问卷考察幼儿教师职业韧性和人岗匹配特点及其关系。结果发现：幼儿教师人岗匹配及其各维度均处于中等偏上水平,除园所性质以外的性别、家庭人均月收入以及年龄上均存在显著差异;幼儿教师职业韧性总分及其三个维度,即克服困难、应对压力和恢复活力均处于中等偏上水平,在性别、园所性质、家庭人均月收入和年龄上均存在显著差异。相关和回归分析结果显示,人岗匹配与职业韧性及其各维度呈显著正相关,人岗匹配显著预测幼儿教师职业韧性,即岗位需求和个体能力匹配度和个体需求和岗位供应匹配度显著正向预测幼儿教师职业韧性水平。     

模糊支持向量机的非直达波抑制算法

针对支持向量机中由于噪声和野值带来的过拟合问题,提出了基于模糊最小二乘支持向量机(fuzzy LS-SVM)的抑制非直达波的移动定位方法。利用一种基于支持向量数据域描述的模糊隶属度函数模型,根据样本到特征空间最小包含超球球心的距离来确定模糊隶属度。仿真结果表明了该方法的稳健性,提高了LS-SVM的抗噪声能力。     

边界自适应三角模糊非线性优化支持向量分类器

为了提高对存在噪声的大规模数据集的分类效果,本文提出了一种边界自适应三角模糊非线性优化支持向量分类器BAT-FNOSVC.该分类器在支持向量分类器SVC的基础上引入边界自适应三角模糊隶属函数以更好地解决噪声带来的干扰问题,同时在模型中构造模糊列核矩阵及稀疏化函数,提高了算法的可解释性.对含噪数据集的实验结果表明,与采用...     

基于磁光图像的飞机铆钉缺陷识别

针对飞机铆钉磁光图像的识别问题,提出了一种基于模糊支持向量机的裂纹有无和裂纹方向自动识别的新方法。该方法首先对铆钉磁光图像进行预处理得到铆钉二值化图像;然后采用阈值法求取铆钉中心;最后将由铆钉中心发出的星形射线矢量作为特征,采用模糊支持向量机方法对铆钉有无裂纹和裂纹方向进行分类。其中,支持向量机的核宽及惩罚常数采用网格法进行选取,并结合模糊隶属度函数解决多类分类问题中存在的错分和拒分现象。实验结果表明,使用训练获得的支持向量机分类器识别裂纹缺陷取得了很好的效果,能够满足自动检测的高实时性要求。     

基于支持向量机的中长期电力负荷预测研究与应用

采用一种新的机器学习方法——支持向量机,建立了中长期电力负荷预测模型.阐述了支持向量机的基本内容,对影响电力负荷诸多因素的样本集进行了标准化处理和主因素分析(PCA).采用Libsvm训练了数据集,并与灰色预测GM(1,1)模型、多元线性回归模型、模糊ISODATA聚类模型和BP神经网络进行对比.结果表明,此算法有更高的准确性,可为电力负荷预测提供有效依据.     

一种顾及用户朝向的PSO-LSSVM指纹定位算法

为了解决人体对WiFi信号遮蔽和最小二乘支持向量机参数优化的问题,提出了一种顾及用户朝向的粒子群优化最小二乘支持向量机指纹定位方法。建立全向指纹库,采用粒子群优化算法求出最小二乘支持向量机最优参数,通过最小二乘支持向量机训练出定位模型,将待测点指纹信息输入定位模型中,最终估算出待测点位置坐标。仿真实验结果表明所提算法在定位误差上达到0.72 m,普通的粒子群优化最小二乘支持向量机算法定位误差为0.84 m,提高了室内定位精度,具有实际的应用价值。     

构造稀疏最小二乘支持向量机的网络入侵检测模型

从最小二乘支持向量机的稀疏表达出发,构建高效的基于稀疏最小二乘支持向量机的网络入侵检测模型,提出了一种通过基于核空间近似策略的有效低秩逼近来有效减小原始训练样本集中的支持向量数来实现最终模型的稀疏表达。以MIT KDD99数据集为基础,对所提出方法进行有效性验证,并与利用剪枝策略通过递归过程中不断减少模型中支持向量个数的稀疏化方法、基本最小二乘支持向量机以及标准支持向量机方法的性能进行对比。结果表明:基于核空间近似的最小二乘支持向量机稀疏化与标准最小二乘支持向量机相当;此外稀疏最小二乘支持向量机能够提高入侵检测响应速度。     

基于主元分析和支持向量机的电路故障诊断模型

综合主元分析和支持向量机的优点,提出了一种基于主元分析和支持向量机的故障诊断模型.通过主元分析提取故障特征,然后利用支持向量机进行故障模式的分类,实现对模拟电路不同故障的识别.实验结果表明,该模型能够准确地实现故障的诊断,具有好的识别能力.     

支持向量机理论与算法研究综述

统计学习理论(statistical learning theory,SLT)是一种小样本统计理论,着重研究在小样本情况下的统计规律及学习方法性质。支持向量机(support vector machinse,SVM)是一种基于SLT的新型的机器学习方法,由于其出色的学习性能,已经成为当前机器学习界的研究热点。该文系统介绍了支持向量机的理论基础,综述了传统支持向量机的主流训练算法以及一些新型的学习模型和算法,最后指出了支持向量机的研究方向与发展前景。     

基于遗传算法的进化支持向量机研究

支持向量机是最近发展起来的一种新的通用的机器学习方法 ,其理论基础是统计学习理论 ,支持向量机无论在模式识别还是在函数拟合方面均显示了其优越性 ,并越来越受到国内外研究者的广泛关注 .但是 ,对支持向量机的推广预测能力具有很大影响的核函数和参数C一直没有一个很好的确定方法 ,针对这一问题 ,将遗传算法和支持向量机结合 ,提出了一种自动选择支持向量机参数的方法 ,结果表明 ,这种方法是科学有效的 .     

支持向量机中未确知信息的处理方法

介绍了构建未确知支持向量机的设想,在构建未确知支持向量机的未确知机会约束规范模型的基础上,提出了未确知支持向量机模型转化为其确知等价类的方法,并给出了一个具体算例说明该方法是可行的.     

采用非线性核支持向量机并基于基因表达数据的基因选择和分类

在基于微阵列的癌症分类中,由于变量(基因表达)较多,而实验条件较少,因此特征选择和分类方法非常重要。对于疾病诊断,分类器的性能直接影响到最终结果的准确性。本文提出一种新的基因选择和分类方法,这种方法使用基于递归特征排除(RFE)的非线性核支持向量机(SVM)。实验表明本文方法比其它线性分类方法具有更好的整体表现,如线性核支持向量机和Fisher线性判别分析方法;同样本文方法也比一些非线性分类方法更好,如采用非线性核的最小二乘支持向量机(LS-SVM)。实验除了使用测试集,还使用留一校验算法(leave-one-out)用于测试分类器的泛化性能。实验采用可通过互联网获得的AML/ALL数据集和遗传性乳腺癌数据集。     

基于Lasso和支持向量机的粮食价格预测

首先利用Lasso方法在影响粮食价格波动的众多因素中选出了粮食储备、粮食生产成本、粮食产量、粮食政策、生产需求、贸易需求、心理预期等7个主要影响因素;然后在Lasso变量选择的基础上利用支持向量机进行粮食价格的回归与预测,同时,把Lasso、支持向量机、Lasso-支持向量机及ARIMA方法的拟合预测效果进行比较。实证结果表明：Lasso-支持向量机组合预测方法的拟合预测效果要优于另外三种预测方法。     

基于脑电的脑-机接口:关键技术和应用前景

介绍了运动想像脑-机接口技术中的几项核心技术,即在信息特征提取阶段采用的共空间模式和判决空间模式滤波方法、在模式识别阶段采用的大概率测试样本扩充训练集合的贝叶斯线性判决分析方法、直推式支持向量机方法、基于流形学习的拉普拉斯支持向量机方法和基于分层贝叶斯模型的方法。介绍了在线系统设计中的放大器设计和空闲态检测,展望了未来的发展方向。     

组合核RVM在CPI预测中的应用研究

针对传统预测模型训练时间长、误差大的缺陷,提出高可靠的组合核相关向量机模型用于CPI预测。构建组合核相关向量机预测模型,根据我国1987年1月至2015年2月的CPI 月度数据,得到CPI的回归预测曲线,再与支持向量机和单核相关向量机进行对比。仿真模拟表明：组合核相关向量机预测模型预测CPI的平均误差可控制在1％以内,运行时间为1．35 s,预测结果良好。     

采用FA和SVDFRM的SVM入侵检测分类模型

提出了一种新型网络入侵检测分类模型,设计了一个基于支持向量机(SVM)的分类器。采用因子分析法(FA)将行为样本的众多相关网络特征融合成精简的综合特征,实现了对网络监测数据的降维。利用支持向量决策函数排序法(SVDFRM),通过支持决策向量函数得到网络行为的特征贡献率并提取网络行为的重要特征。KDD99数据集测试实验结果表明,提出的分类模型降维效果显著,具有较好的实时性和较高的检测率。