学位论文 > 优秀研究生学位论文题录展示

基于粗糙集和SVM的国防生综合素质测评方法研究

作　者: 李国栋
导　师: 仲崇权
学　校: 大连理工大学
专　业: 控制理论与控制工程
关键词: 机器学习粗糙集支持向量机国防生
分类号: E075
类　型: 硕士论文
年　份: 2011年
下　载: 52次
引　用: 0次
阅　读: 论文下载

内容摘要

随着全球竞争日益加剧,世界各国对人才的重要性有了更深刻的认识。人事测评作为人力资源管理部门进行人事管理决策的一个重要依据,当前,不同企业和政府机关的人力资源部门都不同程度地运用人事测评以提高管理效能,然而如何提高人事测评的客观性和准确性一直是开展人事测评工作的一个难题。人事测评实质即对各类指标数据进行综合分析判断,这属于典型的非线形分类问题。随着计算机技术的不断发展,机器学习方法可以从已给数据中发现知识和规律,并指导人类进行分析判断,因而受到越来越多的关注。运用机器学习方法进行人事测评已成为当前人事测评方法研究的热点。首先构建了国防生综合素质测评指标,并明确了指标量化和评估标准。其次分析了粗糙集理论的基本原理,介绍一种对国防生素质指标进行简约的方法。然后阐述了支持向量机的分类原理,主要对支持向量机的一对多、一对一、二叉树SVMs和DAG-SVMs分类方法进行了分析,同时提出了一种结合二叉树SVMs和DAG-SVMs方法特点的混合分类方法。最后,将粗糙集和支持向量机同时运用到国防生的综合素质测评中,即首先利用粗糙集对国防生属性数据进行简约,然后利用支持向量机对简约后的国防生属性数据进行分类。实验中,以国防生的各项素质指标作为输入属性,以优秀、良好、合格和问题四种类别作为国防生综合素质判别属性。对某高校170名国防生进行的分类实验分为2组,第一组以2011年3月份采集的数据作为研究对象进行分类研究,按照三比一的关系分配训练样本和测试样本,第二组以2011年3月份采集到的数据为训练样本,以同年5月份采集的数据为测试数据进行分类研究。实验结果表明,基于粗糙集和支持向量机的分类方法可以为国防生管理者提供客观有效的决策依据。粗糙集的使用达到了优化训练模型的目的,粗糙集和支持向量机组合方法的分类精度比单独使用支持向量机的分类精度要高。

全文目录

摘要  4-5
Abstract  5-9
1 绪论  9-19
  1.1 选题背景  9-10
  1.2 国内外人事测评发展情况  10-17
    1.2.1 国内外人事测评发展现状及对国内人事测评的影响  10-14
    1.2.2 人事测评方法和前沿理论研究  14-17
  1.3 课题的研究意义  17
  1.4 组织结构和主要工作  17-19
2 构建国防生综合素质测评指标及指标数据的采集方法  19-32
  2.1 国防生基本情况介绍  19-20
  2.2 构建国防生综合素质测评指标的指导思想  20
  2.3 构建国防生综合素质测评指标的基本原则  20-21
  2.4 国防生综合素质测评指标的内容、量化标准和评估标准  21-29
  2.5 国防生综合素质测评指标的采集方法  29-31
  2.6 小结  31-32
3 粗糙集理论及属性简约  32-43
  3.1 粗糙集理论的产生和应用  32-33
  3.2 粗糙集的基本概念和定义  33-37
    3.2.1 上、下近似关系  34-35
    3.2.2 信息系统和决策表  35-36
    3.2.3 不可区分关系  36-37
  3.3 核与属性简约  37-41
    3.3.1 属性简约定义  37-38
    3.3.2 基于广义特征表的求取核属性方法  38-41
  3.4 具有代表性的粗糙集软件系统  41-42
  3.5 小结  42-43
4 支持向量机分类原理  43-54
  4.1 机器学习及支持向量机原理  43-48
    4.1.1 机器学习及统计学原理  43
    4.1.2 VC维及结构风险最小化原理  43-44
    4.1.3 SVM基本原理  44-48
  4.2 支持向量机用于多类问题的分类  48-53
    4.2.1 一对多(One-versus-Rest)  49
    4.2.2 一对一(One-versus-One)  49-50
    4.2.3 二叉树SVMs(Binary tree SVMs)  50
    4.2.4 有向无环图(Directed Acyclic Graph SVMs)  50-51
    4.2.5 基于二叉树SVMs和DAG-SVMs的混合分类方法  51-53
  4.3 小结  53-54
5 基于粗糙集和支持向量机的国防生综合素质测评实例研究  54-70
  5.1 基于粗糙集和支持向量机的国防生分类模型及分类方法  54-55
  5.2 数据预处理  55-58
    5.2.1 属性权值的确定  55-56
    5.2.2 样本清洗  56-57
    5.2.3 属性简约  57-58
  5.3 SVM核参数的选优  58-61
  5.4 构建分类模型  61-63
  5.5 实验结果和分析  63-69
  5.6 小结  69-70
结论  70-71
参考文献  71-75
攻读硕士学位期间发表学术论文情况  75-76
致谢  76-77

基于粗糙集和SVM的国防生综合素质测评方法研究

内容摘要

全文目录

相似论文