基于機器學習的專業(yè)技術(shù)與技能質(zhì)量測評模型優(yōu)化分析

摘 要：技能質(zhì)量關(guān)系到企業(yè)的核心競爭力，是企業(yè)轉(zhuǎn)型升級的關(guān)鍵，構(gòu)建基于機器學習的企業(yè)技能質(zhì)量評價體系模型，提升企業(yè)技能質(zhì)量評價準確性。以機器學習常用算法支持向量機（SVM）來設(shè)計企業(yè)技能質(zhì)量評價體系模型，并采用改進天牛須搜索算法（BAS）對SVM參數(shù)優(yōu)化，提出改進的BAS-SVM企業(yè)技能質(zhì)量評價體系模型。對比該模型和SVM模型、BAS-SVM模型、層次分析法模型，結(jié)果表明，改進BAS-SVM企業(yè)技能質(zhì)量評價體系模型的評價準確率高達94.8%，且具有良好的魯棒性。

關(guān)鍵詞：天牛須搜索算法；機器學習；技能質(zhì)量評價體系；層次分析法；化工企業(yè)

中圖分類號：TP391 文獻標志碼：A文章編號：1001-5922（2023）06-0140-04

Optimization analysis of professional technical and skill quality evaluation models based on machine learning

GAO Xiaoming

（Guoneng Shuohuang Railway Development Co.，LTD.，Yuanping 034100，Shanxi China）

Abstract：The quality of enterprise skills is related to the core competitiveness of enterprises and is the key to enterprise transformation and upgrading.Constructing a machine learning based evaluation system model for enterprise skill quality can improve the accuracy of enterprise skill quality evaluation.Design an enterprise skill quality evaluation system model using the commonly used machine learning algorithm Support Vector Machine （SVM），and optimize SVM parameters using the improved Beetle Antennae search algorithm （BAS） to propose an improved BAS-SVM enterprise skill quality evaluation system model.Comparing this model with SVM model，BAS-SVM model，and Analytic Hierarchy Process model，the results showed that the improved BAS-SVM enterprise skill quality evaluation system model had a high evaluation accuracy of 94.8% and good robustness.

Key words：beetle antennae search algorithm;machine learning;skill quality evaluation system;analytic hierarchy process;chemical enterprise

伴隨著我國經(jīng)濟發(fā)展進入“新常態(tài)”，國民經(jīng)濟增長速度放緩。另外，環(huán)境污染、能源危機使得企業(yè)在發(fā)展過程中必須實施轉(zhuǎn)型升級。企業(yè)技能質(zhì)量評價關(guān)系到企業(yè)轉(zhuǎn)型升級，通過構(gòu)建科學的技能質(zhì)量評價體系模型，提升企業(yè)技能質(zhì)量。機器學習作為多學科交叉專業(yè)，是人工智能的科學，其通過數(shù)據(jù)或以往經(jīng)驗來對計算機程序進行優(yōu)化。常見的機器學習算法有決策樹算法、樸素貝葉斯算法、支持向量機算法、隨機森林算法、人工神經(jīng)網(wǎng)絡(luò)算法等。支持向量機（SVM）作為一種有效的評價方法，在化工、水利、地質(zhì)、教育方面得到了廣泛應用[1]。何劍萍采用海洋捕食者算法對SVM模型的懲罰系數(shù)與核參數(shù)進行優(yōu)化，構(gòu)建了化工專業(yè)畢業(yè)生就業(yè)指導評價模型，并通過與其它模型的對比，驗證了所提出的模型具有更佳的性能，有效提升了化工專業(yè)大學生就業(yè)質(zhì)量[2]。潘萍采用蝙蝠優(yōu)化算法對SVM模型的懲罰系數(shù)與核參數(shù)進行優(yōu)化，并將其應用于工科專業(yè)人才培訓質(zhì)量評價中，指出PDCA實踐教學模式能夠有效提升工科人才培訓質(zhì)量[3]。王蕊構(gòu)建了二叉樹的SVM模型，并將其應用于化工產(chǎn)品英文字符識別中，其識別準確率高于傳統(tǒng)的SVM方法[4]。通過對前人的研究綜述發(fā)現(xiàn)，SVM作為機器學習常用算法在許多問題的解決中發(fā)揮著重要作用，而算法的參數(shù)優(yōu)化極為重要，直接影響算法所構(gòu)建系統(tǒng)的性能。對天牛須搜索算法（BAS）改進，優(yōu)化SVM模型參數(shù)，構(gòu)建企業(yè)技能質(zhì)量評價體系模型。并將構(gòu)建的企業(yè)技能質(zhì)量評價體系模型應用于化工企業(yè)中，驗證該質(zhì)量評價體系模型的有效性。

1 技能質(zhì)量評價體系

1.1 技能質(zhì)量評價指標

企業(yè)技能是企業(yè)轉(zhuǎn)型升級的關(guān)鍵，企業(yè)只有具有強大的技能，才能夠使得轉(zhuǎn)型升級得到順利實施。從知識技能、績效考核、企業(yè)氛圍、發(fā)展?jié)摿λ膫€角度構(gòu)建企業(yè)技能質(zhì)量評價指標體系，對企業(yè)技能質(zhì)量進行評價。知識技能是企業(yè)技能的基礎(chǔ)，只有積累豐富的經(jīng)驗，擁有核心技術(shù)，利用先進技術(shù)，這樣才能夠達到企業(yè)技能提升的目的。績效考核是對企業(yè)工作業(yè)績的考核，主要通過企業(yè)經(jīng)營目標達成情況、工作質(zhì)量以及工作效率來體現(xiàn)。企業(yè)氛圍是企業(yè)技能質(zhì)量的軟實力，只有具有良好的企業(yè)氛圍，才能夠更好地實現(xiàn)企業(yè)技能質(zhì)量的提升。企業(yè)的發(fā)展?jié)摿σ欢ǔ潭壬戏从沉似髽I(yè)的技能質(zhì)量，只有具有更好的技能質(zhì)量才能夠擁有更大的發(fā)展?jié)摿ΑD1為企業(yè)技能質(zhì)量評價指標體系。

1.2 技能質(zhì)量評價體系模型

根據(jù)企業(yè)技能質(zhì)量評價指標體系可以獲得用于企業(yè)技能質(zhì)量評價模型的訓練數(shù)據(jù)。SVM作為機器學習的核心算法，其由Vapnik等人依據(jù)統(tǒng)計學理論提出。從本質(zhì)上來講，SVM是廣義線性分類器，核心是尋找數(shù)據(jù)分類的超平面，該超平面對數(shù)據(jù)的分類使得數(shù)據(jù)集中的正例與反例隔離邊緣最大化[5]。圖2為SVM的體系結(jié)構(gòu)。

1.3 改進BAS-SVM評價系統(tǒng)流程

采用改進BAS對SVM懲罰系數(shù)C與核函數(shù)參數(shù)g進行優(yōu)化，得到改進BAS-SVM評價模型，結(jié)果如圖4所示。

企業(yè)技能質(zhì)量評價數(shù)據(jù)按照8∶2的比例劃分為訓練樣本和測試樣本[17]，采用訓練樣本對模型進行訓練，得到用于企業(yè)技能質(zhì)量評價的改進BAS-SVM模型。將訓練好的改進BAS-SVM對測試樣本進行評價，得到企業(yè)技能質(zhì)量評價結(jié)果。

2 實例分析

2.1 數(shù)據(jù)來源

企業(yè)之間的競爭歸根結(jié)底是企業(yè)技能的競爭，高水平的技能為企業(yè)轉(zhuǎn)型升級提供強有力保障。特別是對化工企業(yè)，必須提升企業(yè)技能水平，才能夠更好地適應社會的發(fā)展需求。以化工企業(yè)為例，按照圖1所構(gòu)建的企業(yè)技能質(zhì)量評價指標體系來設(shè)計問卷調(diào)查表。通過對化工企業(yè)員工實施問卷調(diào)查，獲取企業(yè)技能質(zhì)量評價的數(shù)據(jù)集。考慮到不同指標之間存在的量綱差異，對數(shù)據(jù)進行歸一化處理[18]，消除不同指標量綱差異的影響。企業(yè)技能質(zhì)量評價體系原始數(shù)據(jù)樣本量為300，按照8∶2的比例劃分，其中訓練樣本量為240，測試樣本量為60。

2.2 結(jié)果分析

為對比BAS優(yōu)化SVM和改進BAS優(yōu)化SVM對企業(yè)技能質(zhì)量評價的準確率，給出其迭代次數(shù)與分類準確率關(guān)系曲線，結(jié)果如圖5所示。

從圖5可以看出，改進BAS優(yōu)化SVM，伴隨著迭代次數(shù)的增加，其分類準確率不斷增大，同時在經(jīng)過12次迭代之后，其已經(jīng)尋找到了最優(yōu)值。BAS優(yōu)化SVM，其在經(jīng)過22次迭代之后才尋找到了最優(yōu)值，同時陷入了局部最優(yōu)狀態(tài)，這使得BAS優(yōu)化得到的SVM參數(shù)組合不是最優(yōu)參數(shù)。對比3種模型的準確率與運行時間，結(jié)果如表1所示。

由表1可知，改進BAS-SVM的準確率最高，為94.8%；SVM的準確率最低，為72.1%。從模型的運行時間來看，SVM的運行時間最短，但是3種模型運行時間相差非常小。總體評價，改進BAS-SVM對企業(yè)技能質(zhì)量評價的準確率最高。

2.3 與層次分析法對比

層次分析法是處理復雜決策問題的有效方法，其將專家意見與分析者的客觀判斷有機結(jié)合，對企業(yè)技能質(zhì)量的評價更加客觀[19]。按照層次分析法評價流程對化工企業(yè)技能質(zhì)量進行評價[20]，將企業(yè)技能質(zhì)量評價劃分為4個等級，評價得分60分以下為“差”，評價得分60～79分為“中”，評價得分80～89分為“良”，評價得分90分以上為“優(yōu)”。抽取10個樣本分別采用層次分析法模型和改進BAS-SVM進行企業(yè)技能質(zhì)量評價，圖2為2種評價方法得到的結(jié)果。

由表2可知，層次分析法和改進BAS-SVM對企業(yè)技能質(zhì)量評價結(jié)果保持一致，即改進BAS-SVM模型是有效的。相對于層次分析法，改進BAS-SVM模型在企業(yè)技能質(zhì)量評價方面更為突出的優(yōu)勢。這是因為對于樣本4、6、7、9而言，采用層次分析法，計算過程中的誤差很容易導致層次分析法所得的結(jié)果發(fā)生改變，即層次分析法魯棒性比較差，而改進BAS-SVM模型對企業(yè)技能質(zhì)量評價具有良好的魯棒性。

3 結(jié)語

技能質(zhì)量評價關(guān)系到企業(yè)技能的提升，進而影響到企業(yè)的轉(zhuǎn)型升級。對SVM懲罰系數(shù)和核函數(shù)參數(shù)采用改進天牛須搜索算法進行優(yōu)化，得到了企業(yè)技能質(zhì)量評價的改進BAS-SVM模型。將改進BAS-SVM和BAS-SVM進行對比，改進BAS-SVM模型的準確率最高，為948.8%。采用改進BAS-SVM和層次分析法對化工企業(yè)技能質(zhì)量進行評價，評價結(jié)果一致，同時改進BAS-SVM企業(yè)技能質(zhì)量評價模型具有良好的魯棒性。

【參考文獻】

［1］王濤，李治軍.PSO-SVM模型在黑龍江省水資源承載力評價中的應用[J].水電能源科學，2023，41（1）：30-33.

[2］何劍萍，黃曉蘭，蔣大銳.基于MPA-SVM的技術(shù)實踐與工作精準指向研究[J].粘接，2023，50（3）：122-126.

[3］潘萍，彭高豐，朱智平.基于PDCA循環(huán)的專業(yè)實踐模式設(shè)計與實例分析[J].粘接，2023，50（3）：141-145.

[4］王蕊.基于圖像處理的化工產(chǎn)品英文字符識別研究[J].粘接，2021，46（5）：76-79.

[5］張蜀紅.基于支持向量機的機械設(shè)備故障診斷研究[J].粘接，2021，47（9）：129-132.

[6］時雷，孫佳佳，孫嘉玥，等.基于支持向量機和灰色BP神經(jīng)網(wǎng)絡(luò)的冬小麥晚霜凍害預測[J].江蘇農(nóng)業(yè)科學，2023，51（3）：178-187.

[7］余華，童馨.基于粒子群優(yōu)化支持向量機的語音情感識別[J].電子器件，2022，45（5）：1100-1104.

[8］張建華，許衍彬，王雄偉.基于支持向量機和遺傳算法的柔性砂帶磨削刀具狀態(tài)研究[J].工具技術(shù)，2021，55（12）：55-59.

[9］單斌斌，李華，谷瑞政，等.基于天牛須搜索算法的短期風電功率組合預測[J].科學技術(shù)與工程，2022，22（2）：540-546.

[10］汪祖民，田紀宇，王寶鳳.改進天牛須搜索算法的工控系統(tǒng)入侵檢測[J].計算機工程與設(shè)計，2021，42（8）：2108-2114.

[11］高澤海，劉洋，陳杰，等.基于增強天牛須搜索算法的專色配方預測方法[J].西北工業(yè)大學學報，2022，40（6）：1422-1430.

[12］曲云霄，林升垚，徐晉勇，等.基于天牛須搜索算法的電池模型參數(shù)辨識[J].電源技術(shù)，2021，45（6）：728-731.

[13］童耀南，曹鸝晨，趙舜楠.天牛須搜索算法實現(xiàn)小波濾波器直接頻域逼近[J].電子測量與儀器學報，2021，35（3）：56-63.

[14］廖列法，楊紅.天牛須搜索算法研究綜述[J].計算機工程與應用，2021，57（12）：54-64.

[15］閆重熙，陳皓.基于改進天牛須搜索算法優(yōu)化LSSVM短期電力負荷預測方法研究[J].電測與儀表，2020，57（6）：6-11.

[16］王宸，向長峰，王生懷.改進天牛須搜索算法在圓度誤差評定中的研究[J].制造技術(shù)與機床，2019，689（11）：143-146.

[17］陳芯宇，師蕓，溫永嘯，等.基于確定性系數(shù)與支持向量機的滑坡易發(fā)性評價[J].科學技術(shù)與工程，2023，23（2）：518-527.

[18］楊寒雨，趙曉永，王磊.數(shù)據(jù)歸一化方法綜述[J].計算機工程與應用，2023，59（3）：13-22.

[19］趙敏.基于層次分析法的地下水壓采效果評價[J].人民黃河，2022，44（S2）：83-85.

[20］王帆，廉旭剛，蔡音飛.基于模糊層次分析法的采動地裂縫發(fā)育等級評價——以沁水煤田為例[J].科學技術(shù)與工程，2023，23（1）：129-136.

收稿日期：2023-02-24；修回日期：2023-05-06

作者簡介：高曉明（1982-），男，碩士，高級經(jīng)濟師，研究方向：計算機軟件與理論及計算機應用；E-mail：gaoxm9820@sina.com。

引文格式：高曉明.基于機器學習的專業(yè)技術(shù)與技能質(zhì)量測評模型優(yōu)化分析[J].粘接，2023，50（6）：140-143.