基于支持向量机的高校人才评价系统的设计与实现

发布时间：2017-04-09 14:23

  本文关键词：基于支持向量机的高校人才评价系统的设计与实现，由笔耕文化传播整理发布。

【摘要】：随着我国国力的迅猛增长及社会转型的巨大变革,社会各个领域日新月异,这也必然导致国家对各个领域尖端学术人才的大量需求,因此国家也十分关注人才的培养和选拔计划,尤其是对海外人才的引进和国内优秀人才的提拔尤为重视。近年来在人才选拔机制中,各领域的尖端技术都在发挥作用。数据分析领域的支持向量机等算法也在其中应用广泛。基于支持向量机在人才选拔机制中的应用,本文从吉林大学中高端人才的历年数据入手,开发了高端人才系统并应用支持向量机对学者是否满足高端人才的标准做出预测,为其他学者提供一定的分析和参考。首先文章介绍了国内高校人才领域的相关内容,并论证了对高校中高层次人才统计分析的必要性,在此基础上,进一步介绍了机器学习、统计学以及支持向量机的相关理论,明确其基本原理,并基于支持向量机通过多次实验找到预测模型中准确率最高的模型。在此之后本文介绍了关于此高端人才系统的开发过程,涉及了系统的开发环境,需求分析,系统设计,系统实现等,以便更加明确系统实现的必要性,最后使用支持向量机预测未知学者是否满足吉林大学高端人才中千人计划、国家杰出青年、长江学者、优秀青年、青年千人计划五项的可能性,以及为其他学者提供相应参考,在一定程度上明确高端人才选拔条件及其日后发展方向。在本文的实验中,使用支持向量机来预测未知学者是否满足高校高层次人才的可能性,并将其应用在了高端人才系统中,此方向的研究在之前的研究中鲜有涉及。但是对高校人才信息的管理和预测都具有其实际意义,不仅利于待选学者对自身的评估,提供对其入选高端人才的有效参考,更对国家在高端人才的管理和利用等方面有着很大的应用价值。
【关键词】：高层次人才评价 支持向量机 机器学习
【学位授予单位】：吉林大学
【学位级别】：硕士
【学位授予年份】：2016
【分类号】：TP311.52;TP18
【目录】：

• 摘要4-5
• Abstract5-11
• 第1章 绪论11-16
• 1.1 研究背景11
• 1.2 研究现状11-13
• 1.2.1 高校人才评价与管理的研究现状12-13
• 1.2.2 支持向量机研究现状13
• 1.3 项目背景和数据13-14
• 1.4 主要研究内容和论文结构14-16
• 1.4.1 主要研究内容14-15
• 1.4.2 论文结构15-16
• 第2章 支持向量机研究基础16-31
• 2.1 机器学习16-19
• 2.1.1 机器学习的模型16-17
• 2.1.2 损失函数17
• 2.1.3 经验样本最小化原则17-18
• 2.1.4 复杂性和推广性18-19
• 2.2 统计学基础19-23
• 2.2.1 VC维19-20
• 2.2.2 学习过程的一致性条件20-21
• 2.2.3 推广性的界21-22
• 2.2.4 结构风险最小化原则22-23
• 2.3 支持向量机理论23-30
• 2.3.1 线性可分支持向量机24-26
• 2.3.2 松弛变量和惩罚因子26-28
• 2.3.3 核函数28-30
• 2.4 本章小结30-31
• 第3章 基于SVM的人才预测模型31-42
• 3.1 预测模型准备31-35
• 3.1.1 实验工具31-32
• 3.1.2 数据来源32-33
• 3.1.3 数据应用33
• 3.1.4 检验方法33-34
• 3.1.5 参数寻优34-35
• 3.2 实验过程35-39
• 3.2.1 实验流程35-36
• 3.2.2 实验步骤36-39
• 3.3 实验结果及分析39-40
• 3.4 本章小结40-42
• 第4章 高端人才评价系统的设计42-52
• 4.1 系统的开发技术及主要框架42-47
• 4.1.1 基于B/S的体系结构42-43
• 4.1.2 MVC开发模型43-45
• 4.1.3 ThinkPHP框架45
• 4.1.4 响应式布局45-46
• 4.1.5 其他相关技术46-47
• 4.2 系统需求分析47-48
• 4.2.1 业务需求分析47
• 4.2.2 功能需求分析47-48
• 4.3 系统设计48-51
• 4.3.1 系统的结构设计48
• 4.3.2 功能模块设计48-49
• 4.3.3 系统流程设计49-50
• 4.3.4 数据库设计50-51
• 4.4 本章小结51-52
• 第5章 高端人才评价系统的实现52-60
• 5.1 模块具体实现52-58
• 5.1.1 首页模块的实现52-53
• 5.1.2 年度高端人才分布模块53-54
• 5.1.3 个人信息模块54
• 5.1.4 论文信息模块54-55
• 5.1.5 预测模块的实现55-56
• 5.1.6 数据库的实现56-58
• 5.2 系统测试58
• 5.3 系统总结58-59
• 5.4 本章小结59-60
• 第6章 全文总结与展望60-62
• 6.1 总结60
• 6.2 展望60-62
• 参考文献62-64
• 攻读硕士学位期间所获成果64-65
• 致谢65

【相似文献】

中国期刊全文数据库 前10条

1 吴娟;范玉妹;王丽;;关于改进的支持向量机的研究[J];攀枝花学院学报;2006年05期

2 刘硕明;刘佳;杨海滨;;一种新的多类支持向量机算法[J];计算机应用;2008年S2期

3 尹传环;牟少敏;田盛丰;黄厚宽;;单类支持向量机的研究进展[J];计算机工程与应用;2012年12期

4 王云英;阎满富;;C-支持向量机及其改进[J];唐山师范学院学报;2012年05期

5 李逢焕;;试述不确定支持向量机应用分析及改进思路[J];中国证券期货;2012年12期

6 邵惠鹤;支持向量机理论及其应用[J];自动化博览;2003年S1期

7 曾嵘,蒋新华,刘建成;基于支持向量机的异常值检测的两种方法[J];信息技术;2004年05期

8 张凡,贺苏宁;模糊判决支持向量机在自动语种辨识中的研究[J];计算机工程与应用;2004年21期

9 魏玲,张文修;基于支持向量机集成的分类[J];计算机工程;2004年13期

10 沈翠华,邓乃扬,肖瑞彦;基于支持向量机的个人信用评估[J];计算机工程与应用;2004年23期

中国重要会议论文全文数据库 前10条

1 余乐安;姚潇;;基于中心化支持向量机的信用风险评估模型[A];第六届（2011）中国管理学年会——商务智能分会场论文集[C];2011年

2 刘希玉;徐志敏;段会川;;基于支持向量机的创新分类器[A];山东省计算机学会2005年信息技术与信息化研讨会论文集（一）[C];2005年

3 史晓涛;刘建丽;骆玉荣;;一种抗噪音的支持向量机学习方法[A];全国第19届计算机技术与应用（CACIS）学术会议论文集（下册）[C];2008年

4 何琴淑;刘信恩;肖世富;;基于支持向量机的系统辨识方法研究及应用[A];中国力学大会——2013论文摘要集[C];2013年

5 刘骏;;基于支持向量机方法的衢州降雪模型[A];第五届长三角气象科技论坛论文集[C];2008年

6 王婷;胡秀珍;;基于组合向量的支持向量机方法预测膜蛋白类型[A];第十一次中国生物物理学术大会暨第九届全国会员代表大会摘要集[C];2009年

7 赵晶;高隽;张旭东;谢昭;;支持向量机综述[A];全国第十五届计算机科学与技术应用学术会议论文集[C];2003年

8 周星宇;王思元;;智能数学与支持向量机[A];2005年中国智能自动化会议论文集[C];2005年

9 颜根廷;马广富;朱良宽;宋斌;;一种鲁棒支持向量机算法[A];2006中国控制与决策学术年会论文集[C];2006年

10 侯澍e，

本文编号：295471