文摘
人们通常使用工作分析的方法来理解而言,每个工作人员的需求特征,同时利用心理测量的方法来理解每个人的心理特征,在适当的位置,然后把人员相互匹配。随着信息时代的发展,大规模和复杂的数据。如何准确地提取有效数据所需的行业从大数据是一个非常艰巨的任务。在现实中,人员数据受到许多因素的影响,更偶然形成的时间序列和随机,常常具有多层次、多尺度特征。如何使用某种算法或数据处理技术有效地挖掘出的规则包含在人事信息数据和研究人员安置方案已成为一个重要的问题。摘要多层变量神经网络模型建立了复杂的大数据特性学习优化人员配备计划。与此同时,学习从向量空间模型扩展到张量空间。神经网络的参数是用高阶张量空间面临的反向传播算法。相比与传统的多层神经网络计算模型基于张量空间,多通道神经网络计算模型可以学习复杂的数据快速、准确的特点,具有明显的优势。
1。介绍
人们通常使用工作分析的方法了解每个工作岗位的人员的需求特征,利用心理测量的方法来理解每个人员成员的心理特征,然后通过相互匹配的人员在适当的位置(1- - - - - -3]。人们常常很难理解存储的大量数据,他们不能从这些数据得出准确、有效的结论,因为人们缺乏有效的方法和实用技术从大量的数据中提取有价值的信息。如何有效地使用某种算法或数据处理技术矿山人员信息数据中包含的法律和探索人员安置方案已成为一个重要的话题(4,5]。大数据量大的特点,许多类型,速度快,艰难的歧视。视频媒体的迅速发展,社交网络,物联网等行业构成了严重挑战大数据的快速、准确处理(6,7]。互联网技术的快速发展和大数据的时代,人工神经网络(ANN)已经成为现代最流行的算法之一(8]。近年来,神经网络算法在理论研究和实际应用都取得了很大的进步。越来越多的神经网络提出了不同的结构和应用于越来越多的复杂的人工智能任务(9- - - - - -11]。混合国有企业改革可能涉及改变原企业的所有权结构或改变原来的劳动就业和分配激励机制。这一系列的改革关系到员工的切身利益12]。为了确保这一改革的成功和稳定的促销,我们应该特别注意员工的位置。当前数据集显示微小的变化由于其特定的成分;也就是说,每个人只由一个场景或域(13]。因此,这些数据集的模型训练不够健壮。目前,深度学习已成为人工智能领域的一个重要的研究方向,因为它能模仿人类大脑的结构,提取和抽象信息,和在现实生活中解决问题14- - - - - -16]。深度学习数学模型由多个神经元相互连接来处理复杂的信息,它可以降低人类的工作负载,提高实际结果的准确性。卷积神经网络容易陷入局部最优解时使用梯度下降算法训练参数在向前传播。同时,梯度扩散很容易发生过程中随着层次的增加反向传播(17]。多层卷积神经网络BP(反向传播)算法计算权重和阈值基于神经的神经网络学习规则(18]。这个算法能够收敛的步长调整无限网络权重和阈值,每次和动量因子的引入可以加快计算(19]。
与人工智能技术的不断发展和人力资源市场,大量的人员数据已经产生了丰富的信息。富有但难以使用数据资源已经成为一种普遍现象在当今社会,人们已成为一个障碍有效使用信息(20.]。为了地方人在合适的工作岗位,具有不同特点的约束满足模型人工神经网络用于解决这个问题。模型中的每个节点代表一个假设,每个节点的连接权重代表假说之间的约束。同时,每个节点可以从外界输入,和一定的偏差值可以设置网络在必要时(21]。随着网络的发展,网络数据量的逐渐增加,和网络的结构变得越来越复杂,这将导致一个更大的网络参数。面对巨大的网络参数,这导致网络的训练和测试,GPU内存和计算能力有很高的要求22]。在现实中,人员受到许多因素的影响,数据和时间序列形成的更大的偶然性和随机性,常常具有多层次、多尺度特征。单一神经网络预测模型有一定的局限性,对预测精度有一定影响的人员安置数据(23]。基于传统的多层数据处理变量神经网络,本文抓住了在高阶张量空间分布特征的数据,建立一个多通道神经网络计算模型对于复杂的大数据特性的学习,和实现优化的人员安置方案。
2。相关工作
互联网的不断发展,人力资源市场,大量的人员数据已经产生了丰富的信息。大数据技术的推广,它可以处理大量的人员数据。文献[24)表明,劳动力的生产是人类生活生产和消费。人口总数和人口组成,社会消费水平和消费结构直接决定了劳动力的供应。文献[25)表明,生产发展水平,经济增长的规模和速度,经济结构和合理的协调程度的确定工作,社会能提供的状态,从而确定对劳动力的需求。文献[26)认为,劳动力的供给和需求是在对立统一,这不仅限制了,也会影响劳动力的生产和再生产。文献[27)指出,当劳动力的供给和需求平衡,劳动人民的充分就业具有现实的可能性,他们可以完成流程的“劳动力工资”,从而确保劳动力的生产和再生产。文献[28)认为,有一个逆失业率和工资增长率之间的关系,或失业率和通货膨胀率之间,也是一个理论依据西方市场经济国家治理失业和通货膨胀。文献[29日)研究了聚类分析的随机优化方法选择股票投资。传统的分析方法简单,容易掌握,但人员安置的变化数据往往呈现非线性特征,与传统预测方法是基于线性变化建模,因此,人员安置数据的分析和预测精度较低。
多通道神经网络计算模型同时扩展了学习模式从向量空间到张量空间。通过高阶取向张量空间反向传播算法,神经网络的参数是相反的。多通道神经网络计算模型可以快速、准确地学习复杂数据的特点,具有明显的优势超过传统的多层神经网络计算模型基于张量空间。从劳动者的角度,根据新的就业政策,他们必须承担一定的风险和压力,与此同时,他们将享受发展前景,希望从来没有过去,即。,前景,希望得到充分的使用和实现,这样他们就可以做出自己的才能。人力资源的社会位置可以减少或消除就业不安全感,但就个体而言,他们失去了自由选择职业。
3所示。方法
3.1。多层神经网络
多层神经网络学习可以看作是一个非线性系统T与n层, ,我和O代表系统的输入数据和输出,分别。神经网络结构如图1。
经历了n-layer系统的数据转换后,输入和输出数据仍然是平等的,这意味着数据通过n-layer系统后,输入和输出的每一层都是相等的,并没有有效的信息丢失。培训过程中的大数据的多层神经网络模型,其参数和结构的学习应该是自主的,也就是说,没有人工干预,多层神经网络学习模式可以自主学习的多层特征数据。
根据输入层的特点,纬度在输入层的神经元主要决定根据不同属性和类型的样品,和输入层应充分考虑所有的纬度数据和相关属性的准确性(30.- - - - - -32]。从隐层的特点,隐藏层主要由数据阈值和相关条件由用户提供。作为一个重要的限制条件,隐藏层可以改变神经元的活动,确保预测模型的灵活性和可变性。每个神经元都有一个输入和一个输出。输入的输入和输出层是训练样本的属性值。多层神经网络学习训练的模型包括两个步骤:第一次培训和再培训。在第一个训练阶段,建立了神经网络模型训练的一层一层地从下到上获得初始参数。在培训阶段,现有的数据用于正确的参数一旦从上到下,以获得最终的正确的参数。
操作过程主要包括三个阶段:卷积,非线性变换,将采样。作为网络的主要成分,卷积层不仅承担大部分的网络计算,而且是特征提取的关键步骤。卷积层提取有效特征值通过一个特定的卷积内核和卷积操作输入画面。多个卷积操作后,部分功能相匹配的特性卷积内核得到加强,所以参数训练后可以提取的最佳数据功能。在卷积阶段,原始输入信号的特征提取,以确定卷积核的数量,和原始信号的卷积内核与关键特性可以实现共享。第一阶段的卷积公式所示以下方程:
其中,多层神经网络的输入,由n二维数据,多层神经网络的输出,并组成的吗米二维数据;和是偏差向量。在非线性转换阶段,输出需要非线性激活,和最常用的激活函数是乙状结肠函数:
在将采样阶段,特性通常采用一个池的处理方法。池操作允许数据维护大多数特征,同时大大减少了数据量。通过使用W权重连接卷积神经元,深可以构建基于多层网络的学习模式。
池平均算法如下:
最大池算法如下: 在哪里表示将采样操作,它可以执行对数据降维操作。
多层神经网络的训练方法主要包括pretraining和微调。pretraining主要采用反向传播梯度下降算法,这是一种无监督培训过程。pretraining后,通过监督训练参数调整。一个典型的单一深度模型,神经网络的输出如图2。
多层神经网络具有不同的优化策略,有许多不同的适用问题和信息处理方法。多层神经网络可用于模式识别、最优控制和负荷预测。
3.2。约束满足模型
本文建立了问题的约束满足模型是一个模型的多层神经网络(33- - - - - -35]。在模型中每个节点代表一个假设。模型由一组变量和一组约束。一个给定的一组约束满足一组变量赋值。对于每个节点,可以从外部输入,这反映了外部的证据。在必要的时候,可以设置一定的偏差值为网络,以反映决策者的素质。这些可以被视为不同的约束。他们的值可以表示的约束力量 ,输入和偏见。最后决定的程度(即。,personnel placement) satisfies these constraints can be measured by goodness. The fitness对于一个特定的节点我可以通过以下公式计算:
的公式,接收节点的激活值吗我,发送节点的激活值吗j,是它们之间的连接权重。节点的偏差值吗我,外部输入的节点我。整个网络的健身健身的总和所有接收节点的网络,由以下公式表示:
网络最大化善良,不断更新每个节点的激活值。从公式可以看出(5)的节点我有关输入来自其他节点,外面的世界,和prebias价值,可以被视为输入值吗的节点我,它被定义为 在哪里代表节点的输入我从内部的网络,代表节点的输入我从外部的网络。系数int和ext分别反映的相对程度的影响来自内部和外部的输入节点我。如果int大于ext从里面,输入收到的数量将有更大的影响,反之亦然。如果根据方程(获得3)是正的,那么该节点将更新其激活值如下:
的公式, 激活值更新后,是更新前的激活值,上限是所有节点可以达到的最大激活值。如果是负的,那么该节点将更新激活值如下: 在地板上是所有节点的最小激活值。通过使用公式(8)和(9),整个网络的美好将逐步提高,最后达到一个极端值。这意味着,在这种状态下,各种约束的网络已达到最大程度。最优步长进行优化计算时可获得沿负梯度方向,以及相邻两次的搜索方向是正交的。当梯度优化方法是远离最小值点,函数值减小,收敛速度更快。当接近最小值点,形成锯齿现象,旅游距离缩短,且收敛速度慢了下来。
4所示。结果分析和讨论
4.1。数据处理
我们选择就业数据从2016年5月1日,5月1日,2020年,随着训练样本和就业数据从5月1日,2019年5月1日,2020年,模型预测数据。选中的数据是非常大的,5年,它可以被称为大数据(36- - - - - -44]。人员的变动位置如图3。
当一个给定的训练样本用于训练网络,选择一个合适的优化算法优化网络权值是影响网络训练效果最关键的一步。优化算法的性能不仅影响网络培训的最终效果,而且会影响训练的时间和其他资源消耗过程。因为人员变动位置数据随着时间的特点是高噪声和非线性,可以使用小波分析的多分辨率分析,可以观察到的信号逐渐从粗到细的。使用小波分析,人员安置的数据曲线分解为两部分:低频和高频。db5跑车Mallat算法,选择小波基函数的原始数据的四层小波分解。小波分析后的结果如图4。其中,d1小波是低频部分,d2、d3、d4小波的高频部分。
从图可以看出4原来低频小波和小波变化趋势基本相同,而高频小波零值附近上下波动,这证明了原始小波分解取得了良好的效果。由于神经网络的输入和输出之间的映射关系可以是线性或非线性,多层神经网络不使用特定的数学函数来表达其固有的规则。网络训练过程中,通过输入大量的学习样本,该网络可以学习这个特定的映射能力。多层神经网络属于监督学习需要标签信号指导学习。后样品是多层神经网络输入,一个输出信号会通过复杂的内部映射关系。优化器对输出信号进行比较和标签的样品更新每个神经元的权重,这种不同的判断标准是判断损失函数。损失函数值越小,培训效果就越好。优化器的功能是寻找网络的最佳体重,这样损失函数是尽可能小。
4.2。模型预测
因为人员安置数据的数值范围并不大,为了保证预测结果的准确性,神经网络训练之前不是标准化的。低频小波代表人员安置的长期趋势数据,和多层变量与记忆功能用于训练神经网络。高频小波是人员安置的性能数据受到偶然因素的影响,具有较强的随机性。因此,多层变量神经网络具有良好的逼近非线性函数用于培训。在Elman神经网络,tansig函数用于隐藏层,purelin函数在输出层,和trainlm用作学习功能。在多层神经网络变量,tansig函数作为隐层,traingdm用作学习功能。
使用MATLAB仿真,然后根据重建公式,每一层预测的小波系数的重构,重构小波具有相同的时间尺度与原始小波,也就是说,人员安置的波曲线的优化。的结果比较神经网络训练得到的预测值与实际值如图5。
由于面临的具体问题,需要设计不同的损失函数和激活函数。损失函数是一个指数反映了变量拟合程度的多层神经网络,训练数据。拟合程度越糟,损失函数的值应该越大。因为传统的优化算法需要优化函数的梯度,损失函数是相对较大时,其相应的梯度可以足够大,以便更新速度不够快。有两个主要指出在选择一个合适的损失函数:首先,它可以反映解决问题的真正的标签;其次,损失函数应该有一个合理的梯度,这有利于解决梯度,然后可以更新权值和参数。通过比较实际值,一般神经网络预测的结果,和多层变量神经网络预测的结果,如图6可以看出,多层神经网络在预测变量的准确性人员安置高于可行神经网络。
使用神经网络模型训练样本数据。确定隐层单元的数量是30的试验和错误的方法。的最大的培训时间max_epoch = 600,和目标错误err_goal = 1×10−6是集。相比之下,可以看出预测值和实际值之间的差异很小,和这两个值的趋势基本上是相同的。预测价值变化略早于实际值,从而达到预测的实际效果。神经网络的均方误差计算6.5488×10−6。
预测数据的神经网络模型具有更好的预测性能,相对误差较小,精度。通过研究和实现的预测基于大数据的人员安置和多层神经网络的变量,它可以发现,该模型可以结合大数据的优点和神经网络和人员安置有很好的预测效果。因此,预测人员安置具有重要意义基于大数据和多层神经网络的变量。
5。结论
数据挖掘技术可以自动从历史数据中提取经济活动的内部关系,克服许多传统的定量预测方法,所面临的局限性和困难,避免了许多人为因素的影响。大数据具有高复杂性的特点,实时变化,等等。由于其广泛的来源和不同类型,大数据将包含多种复杂的组合类型。同时,系统必须能够处理不同的数据实时的新建筑。多层变量神经网络有效地解决了非适应静态学习模式和问题具有明显的优势在处理大数据的复杂性和实时变化。这项研究表明,约束满足模型可用于人员安置,仿真实验也证明了该方法的可行性。这个模型提供了一种方法来预测基于大量人员就业数据。在这个模型中,人员安置的波曲线数据分解为不同层次与不同频率的数据小波分解,并预测结果由小波变换利用多层神经网络重建。模型是用于研究和预测人员安置的数据,结果表明,该组合模型具有较高的精度。多层神经网络学习模型可以准确地处理大量的数据和执行复杂的培训,相应地也会花费更多的时间。 In order to improve the training speed of multilayer neural network learning model, the best way is to make full use of cloud computing technology to optimize the neural network computing model.
困难的安置失业人员的问题主要是由于经济结构,无法在短时间内解决。促进就业,我们不应该仅仅依靠经济增长和固定资产投资的速度,但也探索新的方法来找到一种经济发展模式,有利于扩大就业。需要与员工沟通很多次,形成多元化的安置渠道,由员工自主选择,以确保各方的法律合规和双赢的局面。
数据可用性
使用的数据来支持本研究的发现可以从相应的作者。
的利益冲突
作者宣称没有利益冲突。
确认
这项研究是由浙江省哲学社会科学规划项目:研究浙江外资子公司参与东道国和合法性获取机制从多个制度逻辑的角度来看,20 ndjc346ybm。