CN116485021A - 一种煤炭企业技术技能人才人岗匹配预测方法与*** - Google Patents
一种煤炭企业技术技能人才人岗匹配预测方法与*** Download PDFInfo
- Publication number
- CN116485021A CN116485021A CN202310428380.8A CN202310428380A CN116485021A CN 116485021 A CN116485021 A CN 116485021A CN 202310428380 A CN202310428380 A CN 202310428380A CN 116485021 A CN116485021 A CN 116485021A
- Authority
- CN
- China
- Prior art keywords
- index
- clustering
- coal enterprise
- staff
- technical skill
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 239000003245 coal Substances 0.000 title claims abstract description 61
- 238000000034 method Methods 0.000 title claims abstract description 42
- 238000011156 evaluation Methods 0.000 claims abstract description 29
- 238000012549 training Methods 0.000 claims abstract description 23
- 238000004458 analytical method Methods 0.000 claims abstract description 14
- 238000005286 illumination Methods 0.000 claims description 55
- 238000009499 grossing Methods 0.000 claims description 17
- 230000006870 function Effects 0.000 claims description 16
- 238000012545 processing Methods 0.000 claims description 16
- 238000004364 calculation method Methods 0.000 claims description 13
- 230000011218 segmentation Effects 0.000 claims description 6
- 238000004590 computer program Methods 0.000 claims description 5
- 238000010276 construction Methods 0.000 claims description 4
- 238000011002 quantification Methods 0.000 claims description 4
- 238000007418 data mining Methods 0.000 claims description 3
- 238000005516 engineering process Methods 0.000 claims description 3
- 230000010354 integration Effects 0.000 claims description 3
- 238000003062 neural network model Methods 0.000 claims description 3
- 230000008520 organization Effects 0.000 claims description 3
- 238000013139 quantization Methods 0.000 claims description 3
- 238000012706 support-vector machine Methods 0.000 abstract description 23
- 238000004422 calculation algorithm Methods 0.000 abstract description 14
- 238000007621 cluster analysis Methods 0.000 abstract description 4
- 230000008569 process Effects 0.000 description 8
- 238000013528 artificial neural network Methods 0.000 description 4
- 238000011161 development Methods 0.000 description 4
- 230000018109 developmental process Effects 0.000 description 4
- 239000011159 matrix material Substances 0.000 description 3
- 230000007115 recruitment Effects 0.000 description 3
- 230000009466 transformation Effects 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000012804 iterative process Methods 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 239000013598 vector Substances 0.000 description 2
- 101000637771 Homo sapiens Solute carrier family 35 member G1 Proteins 0.000 description 1
- 238000002790 cross-validation Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000013210 evaluation model Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 102000053339 human SLC35G1 Human genes 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000000611 regression analysis Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/27—Regression, e.g. linear or logistic regression
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/34—Smoothing or thinning of the pattern; Morphological operations; Skeletonisation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Strategic Management (AREA)
- Artificial Intelligence (AREA)
- Economics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Multimedia (AREA)
- Evolutionary Biology (AREA)
- General Engineering & Computer Science (AREA)
- Development Economics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- Educational Administration (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Game Theory and Decision Science (AREA)
- Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Databases & Information Systems (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供了一种煤炭企业技术技能人才人岗匹配预测方法与***,包括:对每个目标员工的技术技能员工胜任力评价指标进行量化;以一级指标点和二级指标点为特征维度对所有量化后的样本进行聚类,得到聚类分析分类结果;以每个目标员工的二级指标点对SVR回归模型进行训练得到煤炭企业人岗匹配预测模型;运用煤炭企业人岗匹配预测模型完成目标员工的人岗匹配。本发明采用聚类分析对样本进行分类,获得各样本的等级归属类别,即分类结果,避免了对各样本打分时多指标点权重设置的考量难题。此外,本发明采用的支持向量机算法的将变量映射到高维空间并构造线性分类函数,使得模型具有较强的泛化能力,同时很好的避免了维数灾难的发生。
Description
技术领域
本发明涉及人力资源及数据分析技术领域,特别是涉及一种煤炭企业技术技能人才人岗匹配预测方法与***。
背景技术
煤矿企业现在正在向绿色智能方向转型发展。在这种形式下煤炭企业对技术技能人才质量的需求越来越高,需进一步提高人才的使用效率。传统的人才招聘和人岗配置无法满足要求,严重的阻碍了煤炭企业的发展,急需开发一套先进的智能化技术技能人才人岗匹配预测方法及***。
目前,传统的人员招聘和人岗配置缺乏有效的预测标准和理论支撑,特别是在煤炭企业的技术技能人才人岗匹配方面尚缺少相应的评价指标和评价模型,所以还需要进一步进行研究。在建立评价指标体系方面,大多未考虑煤炭企业的行业特征和现阶段绿色智能转型发展的现实需求,并凭借主观经验设计指标点间的权重因子。在模型构建的算法方面,虽然BP神经网络对企业的人岗匹配研究具有不错的效果,但是传统的神经网络容易陷入局部最优,网络拓扑结构需要反复试凑凭试验确定,多输入时容易陷入“维数灾难”,隐含层神经元个数以及权值和阈值需要优化确定。因此,如何提供一种煤炭企业技术技能人才人岗匹配预测方法及***,有效的解决上述问题,是现代化的煤炭绿色智能转型发展过程中急需解决的技术问题。
发明内容
为了克服现有技术的不足,本发明的目的是提供一种煤炭企业技术技能人才人岗匹配预测方法与***。
为实现上述目标区域,本发明提供了如下方案:
一种煤炭企业技术技能人才人岗匹配预测方法,包括:
建立煤炭企业的技术技能员工胜任力评价指标;所述技术技能员工胜任力评价指标包括多个一级指标点;其中,每个一级指标点包括多个对应的二级指标点;
对每个目标员工的技术技能员工胜任力评价指标进行量化得到量化后的样本;
以每个一级指标点下的二级指标点为特征维度对所有量化后的样本进行聚类,获得各一级指标下对应的样本分类结果;
以一级指标点为特征维度再次对所述样本分类结果进行聚类,得到最终的聚类分析分类结果;
将每个目标员工的二级指标点作为SVR回归模型的输入变量,将聚类分析分类结果作为输出变量,对所述SVR回归模型进行训练得到煤炭企业人岗匹配预测模型;
运用所述煤炭企业人岗匹配预测模型完成目标员工的人岗匹配。
优选的,所述一级指标点包括:技术素质、能力素质和思想素质;所述技术素质对应的二级指标点包括:专业技术知识、信息技术知识和操作技能;所述能力素质对应的二级指标点包括:应急处理能力、体力素质、预测能力、解决问题能力、学习能力、创新能力、跨界整合能力、组织协调能力、自主决策能力和数据挖掘能力;所述思想素质对应的二级指标点包括:责任意识、安全意识和敬业精神。
优选的,对目标员工的体力素质进行量化得到体力素质量化样本,包括:
获取煤炭企业内部目标员工的体型数据;所述体型数据包括员工的全身照、身高和体重;
对所述员工的全身照依次进行灰度处理和平滑处理生成平滑后的全身照;
对所述平滑后的全身照进行分割得到体型照;
将员工的体型照及其相应的身高和体重作为训练样本,输入到神经网络模型中进行训练得到体力素质计算模型;
利用所述体力素质计算模型对目标员工的体力素质进行计算得到相应员工的体力素质量化样本。
优选的,对所述员工的全身照依次进行灰度处理和平滑处理生成平滑后的全身照,包括:
对员工的全身照进行灰度处理得到相应全身照的灰度图;
利用灰度平滑模型对全身照的灰度图进行平滑处理生成平滑后的全身照;其中,灰度平滑模型为:
其中,p(x,y)表示平滑后的全身照,q(x,y)表示在全身照的灰度图上(x,y)位置处的灰度值,α表示可调参数。
优选的,对所述平滑后的全身照进行分割得到体型照,包括:
采用预设的灰度值将平滑后的全身照分为两组;
计算两组图像中的平均灰度值得到第一组平均灰度值和第二组平均灰度值;
不断调节预设的灰度值使得第一组平均灰度值和第二组平均灰度值差异值最大;其中,第一组平均灰度值和第二组平均灰度值的差异计算公式为:
其中,d(k)表示差异值,P1表示第一组图像上的像素点个数,N表示平滑后的全身照总的像素点个数,P2表示第二组图像上的像素点个数,μ1表示第一组平均灰度值,μ2表示第二组平均灰度值,μ表示平滑后的全身照的灰度均值;
将平均灰度值差异值最大的相应灰度值作为分割值,并利用分割值对平滑后的全身照进行分割得到体型照和背景区域灰度图。
优选的,以每个一级指标点下的二级指标点为特征维度对所有量化后的样本进行聚类,获得各一级指标下对应的样本分类结果,包括:
构建聚类目标函数,对所述聚类目标函数进行迭代求解得到各一级指标下对应的样本分类结果;其中,所述聚类目标函数为:
式中,dij为第i个样本与第j类中心点的欧几里得距离,n为样本数量,c为聚类中心的数量,bt为加权指数,μij为第i个样本与第j类中心点的隶属度。
本发明还提供了一种煤炭企业技术技能人才人岗匹配预测***,包括:
评价指标构建模块,用于建立煤炭企业的技术技能员工胜任力评价指标;所述技术技能员工胜任力评价指标包括多个一级指标点;其中,每个一级指标点包括多个对应的二级指标点;
指标量化模块,用于对每个目标员工的技术技能员工胜任力评价指标进行量化得到量化后的样本;
第一聚类模块,用于以每个一级指标点下的二级指标点为特征维度对所有量化后的样本进行聚类,获得各一级指标下对应的样本分类结果;
第二聚类模块,用于以一级指标点为特征维度再次对所述样本分类结果进行聚类,得到最终的聚类分析分类结果;
训练模块,用于将每个目标员工的二级指标点作为SVR回归模型的输入变量,将聚类分析分类结果作为输出变量,对所述SVR回归模型进行训练得到煤炭企业人岗匹配预测模型;
人岗匹配模块,用于运用所述煤炭企业人岗匹配预测模型完成目标员工的人岗匹配。
本发明还提供了一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现上述的一种煤炭企业技术技能人才人岗匹配预测方法中的步骤。
根据本发明提供的具体实施例,本发明公开了以下技术效果:
本发明提供了一种煤炭企业技术技能人才人岗匹配预测方法,与现有技术相比,本发明采用聚类分析对样本进行分类,获得各样本的等级归属类别,即分类结果,避免了对各样本打分时多指标点权重设置的考量难题。此外,本发明采用的支持向量机算法的将变量映射到高维空间并构造线性分类函数,使得模型具有较强的泛化能力,同时很好的避免了维数灾难的发生。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1为本发明提供的一种煤炭企业技术技能人才人岗匹配预测方法流程图;
图2为本发明提供的一种煤炭企业技术技能人才人岗匹配预测***原理图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
在本文中提及“实施例”意味着,结合实施例描述的特定特征、结构或特性可以包含在本申请的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例,也不是与其它实施例互斥的独立的或备选的实施例。本领域技术人员显式地和隐式地理解的是,本文所描述的实施例可以与其它实施例相结合。
本申请的说明书和权利要求书及所述附图中的术语“第一”、“第二”、“第三”和“第四”等是用于区别不同对象,而不是用于描述特定顺序。此外,术语“包括”和“具有”以及它们任何变形,意图在于覆盖不排他的包含。例如包含了一系列步骤、过程、方法等没有限定于已列出的步骤,而是可选地还包括没有列出的步骤,或可选地还包括对于这些过程、方法、产品或设备固有的其它步骤元。
为使本发明的上述目标区域、特征和优点能够更加明显易懂,下面结合附图和具体实施方式对本发明作进一步详细的说明。
请参阅图1,一种煤炭企业技术技能人才人岗匹配预测方法,包括:
步骤1:建立煤炭企业的技术技能员工胜任力评价指标;所述技术技能员工胜任力评价指标包括多个一级指标点;其中,每个一级指标点包括多个对应的二级指标点;
本发明根据煤炭企业自身的行业特点和现阶段煤炭企业绿色智能转型发展的现实需求建立一套全新的技术技能员工胜任素质评价指标体系,基于岗位胜任力考虑,一级评价指标点制定指标点3项为:技术素质、能力素质和思想素质。技术素质制定二级指标点3项为:专业技术知识、信息技术知识和操作技能。能力素质制定二级指标点10项为:应急处理能力、体力素质、预测能力、解决问题能力、学习能力、创新能力、跨界整合能力、组织协调能力、自主决策能力和数据挖掘能力。思想素质制定二级指标点3项为:责任意识、安全意识和敬业精神。本发明建立的煤炭企业员工评价指标体系包括一级指标点3项和二级指标点16项,涵盖了煤炭企业技术技能岗位需求的胜任力素质。
步骤2:对每个目标员工的技术技能员工胜任力评价指标进行量化得到量化后的样本;
进一步的,将煤炭企业内部的员工信息数据作为基础样本数据,依据样本选取的多样性、代表性和均匀性的原则,对数据进行筛选处理,获得符合要求的数据样本。根据步骤1建立的技术技能员工胜任力评价指标,采用聘请专家“背对背”打分的方式对各样本的评价指标点进行量化,制定的打分规则为:满分100分,划分为五个等级,分数在[0,60)区间的设定为不及格,分数在[60,70)区间的设定为及格,分数在[70,80)区间的设定为中等,分数在[80,90)区间的设定为良好,分数在[90,100]区间的设定为优秀。
需要说明的是,本发明中,对目标员工的体力素质进行量化得到体力素质量化样本是通过机器学习的方式完成的,其具体的过程包括:
获取煤炭企业内部目标员工的体型数据;所述体型数据包括员工的全身照、身高和体重;
对所述员工的全身照依次进行灰度处理和平滑处理生成平滑后的全身照;
进一步的,本发明是通过以下步骤完成全身照的平滑处理过程的:
对员工的全身照进行灰度处理得到相应全身照的灰度图;
利用灰度平滑模型对全身照的灰度图进行平滑处理生成平滑后的全身照;其中,灰度平滑模型为:
其中,p(x,y)表示平滑后的全身照,q(x,y)表示在全身照的灰度图上(x,y)位置处的灰度值,α表示可调参数。
本发明通过利用灰度平滑模型对图像进行平滑去噪处理,可以在尽量保留图像原有信息的情况下,使图像更加清晰,便于后续神经网络的训练。
对所述平滑后的全身照进行分割得到体型照;
其中,对平滑后的全身照进行分割的步骤如下:
采用预设的灰度值将平滑后的全身照分为两组;
计算两组图像中的平均灰度值得到第一组平均灰度值和第二组平均灰度值;
不断调节预设的灰度值使得第一组平均灰度值和第二组平均灰度值差异值最大;其中,第一组平均灰度值和第二组平均灰度值的差异计算公式为:
其中,d(k)表示差异值,P1表示第一组图像上的像素点个数,N表示平滑后的全身照总的像素点个数,P2表示第二组图像上的像素点个数,μ1表示第一组平均灰度值,μ2表示第二组平均灰度值,μ表示平滑后的全身照的灰度均值;
将平均灰度值差异值最大的相应灰度值作为分割值,并利用分割值对平滑后的全身照进行分割得到体型照和背景区域灰度图。
本发明基于直方图的思想对图像进行分割,可以根据图像灰度值分布的概率从整体上得到最优的灰度值分割值,利用该灰度值分割值对图像进行分割可以将背景区域灰度图连同噪声一起剥离出来,不仅可以提升图像的清晰度,还可以加快神经网络的收敛。
将员工的体型照及其相应的身高和体重作为训练样本,输入到神经网络模型中进行训练得到体力素质计算模型;
利用所述体力素质计算模型对目标员工的体力素质进行计算得到相应员工的体力素质量化样本。
步骤3:以每个一级指标点下的二级指标点为特征维度对所有量化后的样本进行聚类,获得各一级指标下对应的样本分类结果;
步骤4:以一级指标点为特征维度再次对所述样本分类结果进行聚类,得到最终的聚类分析分类结果;
需要说明的是,本发明是采用模糊C-均值聚类算法对量化后的样本进行多层多维度聚类分析的,其具体的过程如下:
以每个一级指标点下的二级指标点为特征维度对所有样本进行聚类,获得各一级指标下对应的样本分类结果,该聚类结果作为内层聚类结果,也即聚类的中间结果。接着以一级指标点为特征维度再次对所有样本进行聚类,该聚类结果作为聚类分析的最终分类结果,从而获得各样本的等级归属类别,即分类结果。
首先,选取以各一级指标点下对应的二级指标点为特征参数的数据样本,然后利用模糊C--均值聚类算法对其进行分类操作,其算法的计算过程如下:
将数量为n的样本X={x1,x2,…,xi,…,xn}T分为c类,所有类别的聚类中心V={v1,v2,…,vj,…,vc},其中vj为第j类中心点。相似分类矩阵U={μij|j=1,2,…,n,i=1,2,…,c},其中μij为样本点xi对于中心点vj的隶属度,其取值为0~1,任意样本点对于所有聚类中心的隶属度加和等于1。
算法目标函数:
式中,dij为第i个样本与第j类中心点的欧几里得距离;bt为加权指数,也称模糊度参数,取值大于等于1。
欧几里得距离:
dij=||xi-vj||,i=1,2,…,n,j=1,2,…,c (2)
该聚类问题实质是关于自变量(U,V)的带约束的优化问题,根据极值点的库恩-塔克条件(Kuhn-Tucker conditions)来推导聚类中心和隶属度的迭代公式:
模糊C--均值聚类算法的计算过程是一个迭代的过程,算法的流程如下所示。在批处理方式下,聚类中心V和相似分类矩阵U根据如下步骤来确定:
①迭代结束阈值设置为1e-6,最大迭代次数Tmax设置为30,聚类数c设置为10,幂指数bt设置为3,初始化迭代次数h设置为0。初始化聚类中心V,可以从全部样本点中随机取c个点,也可以在样本的最小值与最大值之间随机产生c个点。
②先根据式(4)来计算隶属矩阵U(h+1),再根据式(3)来计算聚类中心V(h+1),并令h=h+1。
③如果||V(h+1)-V(h)||<ε时,或迭代次数h>Tmax时,迭代的过程结束,保存分类结果。否则会返回步骤②,然后进行下一次迭代。
利用上述模糊C-均值聚类算法计算出各一级指标下对应的样本分类结果。
利用上述模糊C-均值聚类算法计算出以一类指标点为特征维度的样本分类结果,即最终的样本分类结果。
以上所述的聚类方法采取了对数据样本进行一级指标点和二级指标点之间层的划分,同时制定的一级指标点和二级指标点都包含多个维度,设计一种多层多维度的聚类计算思想,其能够有效的降低“维数灾难”带来的“量变”和“质变”的问题。
步骤5:将每个目标员工的二级指标点作为SVR回归模型的输入变量,将聚类分析分类结果作为输出变量,对所述SVR回归模型进行训练得到煤炭企业人岗匹配预测模型;
支持向量机(SVM)属于监督式学***面,使得两个分类集合的支持向量或者所有的数据距离平面最远,SVR回归则是寻求一个回归的平面,使得集合中所有的数据距离该平面最近。SVR是SVM的一个重要的应用分支。
SVR的算法如下:
①给定训练集T={(x1,y1),…,(xn,yn)}∈(R×y)n,其中xi∈Rn,yi∈y=R,i=1,…,n;所述xi为第i个样本数据的特征组成的向量,yi为第i个样本数据对应的等级归属类别,即聚类结果。
②选取适当的核函数K(x,x')以及适当的精度ε>0和惩罚参数C>0;
③构造并求解凸二次规划问题
得解
④计算选取位于开区间(0,C)中的/>的分量/>或/>
若选到的是则:
若选到的是则:
⑤构造决策函数
本发明选择SVR算法,将二级指标的16项指标点作为SVR回归模型的输入变量,将多层多维度聚类分析的分类结果作为输出变量。鉴于核函数的类型以及模型参数对模型训练有较大的影响,故在对这二者进行选择时,需要考虑采用最佳的核函数类型以及最优的参数组合。本发明采用默认的RBF核函数,并采用交叉验证寻求最优参数(惩罚因子c、核函数方差g),并利用其训练模型。模型训练结束以后,利用libwvm软件包中的函数svmpredict来完成SVR回归模型的仿真测试,从而获得对应的预测值以及测试集的均方差E和决定系数R2。最后,利用E和R2对回归模型性能进行评价,如果性能不满足要求,则需要修改核函数类型和模型参数以满足要求。
步骤6:运用所述煤炭企业人岗匹配预测模型完成目标员工的人岗匹配。
在实际应用中,本发明运用上述SVR回归模型,即煤炭企业人岗匹配预测模型,对该煤炭公司在人员招聘和岗位配置时进行人岗匹配预测,从而利用智能算法模型获得人岗匹配结果,本发明提出的煤炭企业人岗匹配预测模型可以在煤炭企业公司的人员招聘和人岗配置中运用,提高工作效率和人岗匹配度,实现煤炭企业招聘和人岗配置的智能化,并且能够避免传统人员招聘和人岗配置中人为因素的影响。
请参阅图2,本发明还提供了一种煤炭企业技术技能人才人岗匹配预测***,包括:
评价指标构建模块,用于建立煤炭企业的技术技能员工胜任力评价指标;所述技术技能员工胜任力评价指标包括多个一级指标点;其中,每个一级指标点包括多个对应的二级指标点;
指标量化模块,用于对每个目标员工的技术技能员工胜任力评价指标进行量化得到量化后的样本;
第一聚类模块,用于以每个一级指标点下的二级指标点为特征维度对所有量化后的样本进行聚类,获得各一级指标下对应的样本分类结果;
第二聚类模块,用于以一级指标点为特征维度再次对所述样本分类结果进行聚类,得到最终的聚类分析分类结果;
训练模块,用于将每个目标员工的二级指标点作为SVR回归模型的输入变量,将聚类分析分类结果作为输出变量,对所述SVR回归模型进行训练得到煤炭企业人岗匹配预测模型;
人岗匹配模块,用于运用所述煤炭企业人岗匹配预测模型完成目标员工的人岗匹配。
与现有技术相比,本发明提供的一种煤炭企业技术技能人才人岗匹配预测***的有益效果与上述技术方案所述一种煤炭企业技术技能人才人岗匹配预测方法的有益效果相同,在此不做赘述。
本发明还提供了一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现上述的一种煤炭企业技术技能人才人岗匹配预测方法中的步骤。
与现有技术相比,本发明提供的计算机可读存储介质的有益效果与上述技术方案所述一种煤炭企业技术技能人才人岗匹配预测方法的有益效果相同,在此不做赘述。
本说明书中各个实施例采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似部分互相参见即可。对于实施例公开的方法而言,由于其与实施例公开的装置相对应,所以描述的比较简单,相关之处参见装置部分说明即可。
本文中应用了具体个例对本发明的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本发明的方法及其核心思想;同时,对于本领域的一般技术人员,依据本发明的思想,在具体实施方式及应用范围上均会有改变之处。综上所述,本说明书内容不应理解为对本发明的限制。
Claims (8)
1.一种煤炭企业技术技能人才人岗匹配预测方法,其特征在于,包括:
建立煤炭企业的技术技能员工胜任力评价指标;所述技术技能员工胜任力评价指标包括多个一级指标点;其中,每个一级指标点包括多个对应的二级指标点;
对每个目标员工的技术技能员工胜任力评价指标进行量化得到量化后的样本;
以每个一级指标点下的二级指标点为特征维度对所有量化后的样本进行聚类,获得各一级指标下对应的样本分类结果;
以一级指标点为特征维度再次对所述样本分类结果进行聚类,得到最终的聚类分析分类结果;
将每个目标员工的二级指标点作为SVR回归模型的输入变量,将聚类分析分类结果作为输出变量,对所述SVR回归模型进行训练得到煤炭企业人岗匹配预测模型;
运用所述煤炭企业人岗匹配预测模型完成目标员工的人岗匹配。
2.根据权利要求1所述的一种煤炭企业技术技能人才人岗匹配预测方法,其特征在于:所述一级指标点包括:技术素质、能力素质和思想素质;所述技术素质对应的二级指标点包括:专业技术知识、信息技术知识和操作技能;所述能力素质对应的二级指标点包括:应急处理能力、体力素质、预测能力、解决问题能力、学习能力、创新能力、跨界整合能力、组织协调能力、自主决策能力和数据挖掘能力;所述思想素质对应的二级指标点包括:责任意识、安全意识和敬业精神。
3.根据权利要求2所述的一种煤炭企业技术技能人才人岗匹配预测方法,其特征在于:对目标员工的体力素质进行量化得到体力素质量化样本,包括:
获取煤炭企业内部目标员工的体型数据;所述体型数据包括员工的全身照、身高和体重;
对所述员工的全身照依次进行灰度处理和平滑处理生成平滑后的全身照;
对所述平滑后的全身照进行分割得到体型照;
将员工的体型照及其相应的身高和体重作为训练样本,输入到神经网络模型中进行训练得到体力素质计算模型;
利用所述体力素质计算模型对目标员工的体力素质进行计算得到相应员工的体力素质量化样本。
4.根据权利要求3所述的一种煤炭企业技术技能人才人岗匹配预测方法,其特征在于:对所述员工的全身照依次进行灰度处理和平滑处理生成平滑后的全身照,包括:
对员工的全身照进行灰度处理得到相应全身照的灰度图;
利用灰度平滑模型对全身照的灰度图进行平滑处理生成平滑后的全身照;其中,灰度平滑模型为:
其中,p(x,y)表示平滑后的全身照,q(x,y)表示在全身照的灰度图上(x,y)位置处的灰度值,α表示可调参数。
5.根据权利要求4所述的一种煤炭企业技术技能人才人岗匹配预测方法,其特征在于:对所述平滑后的全身照进行分割得到体型照,包括:
采用预设的灰度值将平滑后的全身照分为两组;
计算两组图像中的平均灰度值得到第一组平均灰度值和第二组平均灰度值;
不断调节预设的灰度值使得第一组平均灰度值和第二组平均灰度值差异值最大;其中,第一组平均灰度值和第二组平均灰度值的差异计算公式为:
其中,d(k)表示差异值,P1表示第一组图像上的像素点个数,N表示平滑后的全身照总的像素点个数,P2表示第二组图像上的像素点个数,μ1表示第一组平均灰度值,μ2表示第二组平均灰度值,μ表示平滑后的全身照的灰度均值;
将平均灰度值差异值最大的相应灰度值作为分割值,并利用分割值对平滑后的全身照进行分割得到体型照和背景区域灰度图。
6.根据权利要求3所述的一种煤炭企业技术技能人才人岗匹配预测方法,其特征在于:以每个一级指标点下的二级指标点为特征维度对所有量化后的样本进行聚类,获得各一级指标下对应的样本分类结果,包括:
构建聚类目标函数,对所述聚类目标函数进行迭代求解得到各一级指标下对应的样本分类结果;其中,所述聚类目标函数为:
式中,dij为第i个样本与第j类中心点的欧几里得距离,n为样本数量,c为聚类中心的数量,bt为加权指数,μij为第i个样本与第j类中心点的隶属度。
7.一种煤炭企业技术技能人才人岗匹配预测***,其特征在于,包括:
评价指标构建模块,用于建立煤炭企业的技术技能员工胜任力评价指标;所述技术技能员工胜任力评价指标包括多个一级指标点;其中,每个一级指标点包括多个对应的二级指标点;
指标量化模块,用于对每个目标员工的技术技能员工胜任力评价指标进行量化得到量化后的样本;
第一聚类模块,用于以每个一级指标点下的二级指标点为特征维度对所有量化后的样本进行聚类,获得各一级指标下对应的样本分类结果;
第二聚类模块,用于以一级指标点为特征维度再次对所述样本分类结果进行聚类,得到最终的聚类分析分类结果;
训练模块,用于将每个目标员工的二级指标点作为SVR回归模型的输入变量,将聚类分析分类结果作为输出变量,对所述SVR回归模型进行训练得到煤炭企业人岗匹配预测模型;
人岗匹配模块,用于运用所述煤炭企业人岗匹配预测模型完成目标员工的人岗匹配。
8.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1-6中任一项所述的一种煤炭企业技术技能人才人岗匹配预测方法中的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310428380.8A CN116485021A (zh) | 2023-04-20 | 2023-04-20 | 一种煤炭企业技术技能人才人岗匹配预测方法与*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310428380.8A CN116485021A (zh) | 2023-04-20 | 2023-04-20 | 一种煤炭企业技术技能人才人岗匹配预测方法与*** |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116485021A true CN116485021A (zh) | 2023-07-25 |
Family
ID=87213239
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310428380.8A Pending CN116485021A (zh) | 2023-04-20 | 2023-04-20 | 一种煤炭企业技术技能人才人岗匹配预测方法与*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116485021A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117496431A (zh) * | 2023-11-03 | 2024-02-02 | 广州准捷电子科技有限公司 | 一种基于室内外定位***的户外作业安全监测方法 |
-
2023
- 2023-04-20 CN CN202310428380.8A patent/CN116485021A/zh active Pending
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117496431A (zh) * | 2023-11-03 | 2024-02-02 | 广州准捷电子科技有限公司 | 一种基于室内外定位***的户外作业安全监测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108805193B (zh) | 一种基于混合策略的电力缺失数据填充方法 | |
CN110827260B (zh) | 一种基于lbp特征与卷积神经网络的布匹缺陷分类方法 | |
CN112685504B (zh) | 一种面向生产过程的分布式迁移图学习方法 | |
CN110009030A (zh) | 基于stacking元学习策略的污水处理故障诊断方法 | |
CN111160750A (zh) | 一种基于关联规则挖掘的配网分析和投资决策方法 | |
CN113537728A (zh) | 一种基于产业园区招商智能推荐***及推荐方法 | |
CN110363230A (zh) | 基于加权基分类器的stacking集成污水处理故障诊断方法 | |
CN106971197A (zh) | 基于差异性与一致性约束的多视数据的子空间聚类方法 | |
CN113642486A (zh) | 一种具有机载前端识别模型的无人机配网巡检方法 | |
CN116485021A (zh) | 一种煤炭企业技术技能人才人岗匹配预测方法与*** | |
CN110968651A (zh) | 一种基于灰色模糊聚类的数据处理方法及*** | |
CN113935413A (zh) | 一种基于卷积神经网的配网录波文件波形识别方法 | |
CN113591947A (zh) | 基于用电行为的电力数据聚类方法、装置和存储介质 | |
CN113792984B (zh) | 基于云模型的防空反导指挥控制模型能力评估方法 | |
CN112465253B (zh) | 一种城市路网中的链路预测方法及装置 | |
CN115423091A (zh) | 一种条件对抗神经网络训练方法、场景生成方法和*** | |
CN114444654A (zh) | 一种面向nas的免训练神经网络性能评估方法、装置和设备 | |
CN113807005A (zh) | 基于改进fpa-dbn的轴承剩余寿命预测方法 | |
CN113283604A (zh) | 多要素情境自适应推理方法及应用 | |
WO1992017853A2 (en) | Direct data base analysis, forecasting and diagnosis method | |
CN112633622B (zh) | 一种智能电网运营指标筛选方法 | |
CN114281994B (zh) | 一种基于三层加权模型的文本聚类集成方法及*** | |
Pan | Study of Methods for Constructing Intelligent Learning Models Supported by Artificial Intelligence | |
Aggarwal et al. | Heuristics-based modelling of human decision process | |
US20230297651A1 (en) | Cost equalization spectral clustering |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |