基于機(jī)器學(xué)習(xí)的專(zhuān)業(yè)技術(shù)與技能質(zhì)量測(cè)評(píng)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(jìng)爭(zhēng)力，是企業(yè)轉(zhuǎn)型升級(jí)的關(guān)鍵，構(gòu)建基于機(jī)器學(xué)習(xí)的企業(yè)技能質(zhì)量評(píng)價(jià)體系模型，提升企業(yè)技能質(zhì)量評(píng)價(jià)準(zhǔn)確性。以機(jī)器學(xué)習(xí)常用算法支持向量機(jī)（SVM）來(lái)設(shè)計(jì)企業(yè)技能質(zhì)量評(píng)價(jià)體系模型，并采用改進(jìn)天牛須搜索算法（BAS）對(duì)SVM參數(shù)優(yōu)化，提出改進(jìn)的BAS-SVM企業(yè)技能質(zhì)量評(píng)價(jià)體系模型。對(duì)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(jìn)BAS-SVM企業(yè)技能質(zhì)量評(píng)價(jià)體系模型的評(píng)價(jià)準(zhǔn)確率高達(dá)94.8%，且具有良好的魯棒性。

關(guān)鍵詞：天牛須搜索算法；機(jī)器學(xué)習(xí)；技能質(zhì)量評(píng)價(jià)體系；層次分析法；化工企業(yè)

中圖分類(lèi)號(hào)：TP391 文獻(xiàn)標(biāo)志碼：A文章編號(hào)：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(guó)經(jīng)濟(jì)發(fā)展進(jìn)入“新常態(tài)”，國(guó)民經(jīng)濟(jì)增長(zhǎng)速度放緩。另外，環(huán)境污染、能源危機(jī)使得企業(yè)在發(fā)展過(guò)程中必須實(shí)施轉(zhuǎn)型升級(jí)。企業(yè)技能質(zhì)量評(píng)價(jià)關(guān)系到企業(yè)轉(zhuǎn)型升級(jí)，通過(guò)構(gòu)建科學(xué)的技能質(zhì)量評(píng)價(jià)體系模型，提升企業(yè)技能質(zhì)量。機(jī)器學(xué)習(xí)作為多學(xué)科交叉專(zhuān)業(yè)，是人工智能的科學(xué)，其通過(guò)數(shù)據(jù)或以往經(jīng)驗(yàn)來(lái)對(duì)計(jì)算機(jī)程序進(jìn)行優(yōu)化。常見(jiàn)的機(jī)器學(xué)習(xí)算法有決策樹(shù)算法、樸素貝葉斯算法、支持向量機(jī)算法、隨機(jī)森林算法、人工神經(jīng)網(wǎng)絡(luò)算法等。支持向量機(jī)（SVM）作為一種有效的評(píng)價(jià)方法，在化工、水利、地質(zhì)、教育方面得到了廣泛應(yīng)用[1]。何劍萍采用海洋捕食者算法對(duì)SVM模型的懲罰系數(shù)與核參數(shù)進(jìn)行優(yōu)化，構(gòu)建了化工專(zhuān)業(yè)畢業(yè)生就業(yè)指導(dǎo)評(píng)價(jià)模型，并通過(guò)與其它模型的對(duì)比，驗(yàn)證了所提出的模型具有更佳的性能，有效提升了化工專(zhuān)業(yè)大學(xué)生就業(yè)質(zhì)量[2]。潘萍采用蝙蝠優(yōu)化算法對(duì)SVM模型的懲罰系數(shù)與核參數(shù)進(jìn)行優(yōu)化，并將其應(yīng)用于工科專(zhuān)業(yè)人才培訓(xùn)質(zhì)量評(píng)價(jià)中，指出PDCA實(shí)踐教學(xué)模式能夠有效提升工科人才培訓(xùn)質(zhì)量[3]。王蕊構(gòu)建了二叉樹(shù)的SVM模型，并將其應(yīng)用于化工產(chǎn)品英文字符識(shí)別中，其識(shí)別準(zhǔn)確率高于傳統(tǒng)的SVM方法[4]。通過(guò)對(duì)前人的研究綜述發(fā)現(xiàn)，SVM作為機(jī)器學(xué)習(xí)常用算法在許多問(wèn)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(duì)天牛須搜索算法（BAS）改進(jìn)，優(yōu)化SVM模型參數(shù)，構(gòu)建企業(yè)技能質(zhì)量評(píng)價(jià)體系模型。并將構(gòu)建的企業(yè)技能質(zhì)量評(píng)價(jià)體系模型應(yīng)用于化工企業(yè)中，驗(yàn)證該質(zhì)量評(píng)價(jià)體系模型的有效性。

1 技能質(zhì)量評(píng)價(jià)體系

1.1 技能質(zhì)量評(píng)價(jià)指標(biāo)

企業(yè)技能是企業(yè)轉(zhuǎn)型升級(jí)的關(guān)鍵，企業(yè)只有具有強(qiáng)大的技能，才能夠使得轉(zhuǎn)型升級(jí)得到順利實(shí)施。從知識(shí)技能、績(jī)效考核、企業(yè)氛圍、發(fā)展?jié)摿λ膫€(gè)角度構(gòu)建企業(yè)技能質(zhì)量評(píng)價(jià)指標(biāo)體系，對(duì)企業(yè)技能質(zhì)量進(jìn)行評(píng)價(jià)。知識(shí)技能是企業(yè)技能的基礎(chǔ)，只有積累豐富的經(jīng)驗(yàn)，擁有核心技術(shù)，利用先進(jìn)技術(shù)，這樣才能夠達(dá)到企業(yè)技能提升的目的?？?jī)效考核是對(duì)企業(yè)工作業(yè)績(jī)的考核，主要通過(guò)企業(yè)經(jīng)營(yíng)目標(biāo)達(dá)成情況、工作質(zhì)量以及工作效率來(lái)體現(xiàn)。企業(yè)氛圍是企業(yè)技能質(zhì)量的軟實(shí)力，只有具有良好的企業(yè)氛圍，才能夠更好地實(shí)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?。圖1為企業(yè)技能質(zhì)量評(píng)價(jià)指標(biāo)體系。

1.2 技能質(zhì)量評(píng)價(jià)體系模型

根據(jù)企業(yè)技能質(zhì)量評(píng)價(jià)指標(biāo)體系可以獲得用于企業(yè)技能質(zhì)量評(píng)價(jià)模型的訓(xùn)練數(shù)據(jù)。SVM作為機(jī)器學(xué)習(xí)的核心算法，其由Vapnik等人依據(jù)統(tǒng)計(jì)學(xué)理論提出。從本質(zhì)上來(lái)講，SVM是廣義線性分類(lèi)器，核心是尋找數(shù)據(jù)分類(lèi)的超平面，該超平面對(duì)數(shù)據(jù)的分類(lèi)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(jìn)BAS-SVM評(píng)價(jià)系統(tǒng)流程

采用改進(jìn)BAS對(duì)SVM懲罰系數(shù)C與核函數(shù)參數(shù)g進(jìn)行優(yōu)化，得到改進(jìn)BAS-SVM評(píng)價(jià)模型，結(jié)果如圖4所示。

企業(yè)技能質(zhì)量評(píng)價(jià)數(shù)據(jù)按照8∶2的比例劃分為訓(xùn)練樣本和測(cè)試樣本[17]，采用訓(xùn)練樣本對(duì)模型進(jìn)行訓(xùn)練，得到用于企業(yè)技能質(zhì)量評(píng)價(jià)的改進(jìn)BAS-SVM模型。將訓(xùn)練好的改進(jìn)BAS-SVM對(duì)測(cè)試樣本進(jìn)行評(píng)價(jià)，得到企業(yè)技能質(zhì)量評(píng)價(jià)結(jié)果。

2 實(shí)例分析

2.1 數(shù)據(jù)來(lái)源

企業(yè)之間的競(jìng)爭(zhēng)歸根結(jié)底是企業(yè)技能的競(jìng)爭(zhēng)，高水平的技能為企業(yè)轉(zhuǎn)型升級(jí)提供強(qiáng)有力保障。特別是對(duì)化工企業(yè)，必須提升企業(yè)技能水平，才能夠更好地適應(yīng)社會(huì)的發(fā)展需求。以化工企業(yè)為例，按照?qǐng)D1所構(gòu)建的企業(yè)技能質(zhì)量評(píng)價(jià)指標(biāo)體系來(lái)設(shè)計(jì)問(wèn)卷調(diào)查表。通過(guò)對(duì)化工企業(yè)員工實(shí)施問(wèn)卷調(diào)查，獲取企業(yè)技能質(zhì)量評(píng)價(jià)的數(shù)據(jù)集?？紤]到不同指標(biāo)之間存在的量綱差異，對(duì)數(shù)據(jù)進(jìn)行歸一化處理[18]，消除不同指標(biāo)量綱差異的影響。企業(yè)技能質(zhì)量評(píng)價(jià)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(xùn)練樣本量為240，測(cè)試樣本量為60。

2.2 結(jié)果分析

為對(duì)比BAS優(yōu)化SVM和改進(jìn)BAS優(yōu)化SVM對(duì)企業(yè)技能質(zhì)量評(píng)價(jià)的準(zhǔn)確率，給出其迭代次數(shù)與分類(lèi)準(zhǔn)確率關(guān)系曲線，結(jié)果如圖5所示。

從圖5可以看出，改進(jìn)BAS優(yōu)化SVM，伴隨著迭代次數(shù)的增加，其分類(lèi)準(zhǔn)確率不斷增大，同時(shí)在經(jīng)過(guò)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(guò)22次迭代之后才尋找到了最優(yōu)值，同時(shí)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(duì)比3種模型的準(zhǔn)確率與運(yùn)行時(shí)間，結(jié)果如表1所示。

由表1可知，改進(jìn)BAS-SVM的準(zhǔn)確率最高，為94.8%；SVM的準(zhǔn)確率最低，為72.1%。從模型的運(yùn)行時(shí)間來(lái)看，SVM的運(yùn)行時(shí)間最短，但是3種模型運(yùn)行時(shí)間相差非常小?？傮w評(píng)價(jià)，改進(jìn)BAS-SVM對(duì)企業(yè)技能質(zhì)量評(píng)價(jià)的準(zhǔn)確率最高。

2.3 與層次分析法對(duì)比

層次分析法是處理復(fù)雜決策問(wèn)題的有效方法，其將專(zhuān)家意見(jiàn)與分析者的客觀判斷有機(jī)結(jié)合，對(duì)企業(yè)技能質(zhì)量的評(píng)價(jià)更加客觀[19]。按照層次分析法評(píng)價(jià)流程對(duì)化工企業(yè)技能質(zhì)量進(jìn)行評(píng)價(jià)[20]，將企業(yè)技能質(zhì)量評(píng)價(jià)劃分為4個(gè)等級(jí)，評(píng)價(jià)得分60分以下為“差”，評(píng)價(jià)得分60～79分為“中”，評(píng)價(jià)得分80～89分為“良”，評(píng)價(jià)得分90分以上為“優(yōu)”。抽取10個(gè)樣本分別采用層次分析法模型和改進(jìn)BAS-SVM進(jìn)行企業(yè)技能質(zhì)量評(píng)價(jià)，圖2為2種評(píng)價(jià)方法得到的結(jié)果。

由表2可知，層次分析法和改進(jìn)BAS-SVM對(duì)企業(yè)技能質(zhì)量評(píng)價(jià)結(jié)果保持一致，即改進(jìn)BAS-SVM模型是有效的。相對(duì)于層次分析法，改進(jìn)BAS-SVM模型在企業(yè)技能質(zhì)量評(píng)價(jià)方面更為突出的優(yōu)勢(shì)。這是因?yàn)閷?duì)于樣本4、6、7、9而言，采用層次分析法，計(jì)算過(guò)程中的誤差很容易導(dǎo)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(jìn)BAS-SVM模型對(duì)企業(yè)技能質(zhì)量評(píng)價(jià)具有良好的魯棒性。

3 結(jié)語(yǔ)

技能質(zhì)量評(píng)價(jià)關(guān)系到企業(yè)技能的提升，進(jìn)而影響到企業(yè)的轉(zhuǎn)型升級(jí)。對(duì)SVM懲罰系數(shù)和核函數(shù)參數(shù)采用改進(jìn)天牛須搜索算法進(jìn)行優(yōu)化，得到了企業(yè)技能質(zhì)量評(píng)價(jià)的改進(jìn)BAS-SVM模型。將改進(jìn)BAS-SVM和BAS-SVM進(jìn)行對(duì)比，改進(jìn)BAS-SVM模型的準(zhǔn)確率最高，為948.8%。采用改進(jìn)BAS-SVM和層次分析法對(duì)化工企業(yè)技能質(zhì)量進(jìn)行評(píng)價(jià)，評(píng)價(jià)結(jié)果一致，同時(shí)改進(jìn)BAS-SVM企業(yè)技能質(zhì)量評(píng)價(jià)模型具有良好的魯棒性。

【參考文獻(xiàn)】

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

[2］何劍萍，黃曉蘭，蔣大銳.基于MPA-SVM的技術(shù)實(shí)踐與工作精準(zhǔn)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(zhuān)業(yè)實(shí)踐模式設(shè)計(jì)與實(shí)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(shí)別研究[J].粘接，2021，46（5）：76-79.

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

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

[7］余華，童馨.基于粒子群優(yōu)化支持向量機(jī)的語(yǔ)音情感識(shí)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(jī)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(fēng)電功率組合預(yù)測(cè)[J].科學(xué)技術(shù)與工程，2022，22（2）：540-546.

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

[11］高澤海，劉洋，陳杰，等.基于增強(qiáng)天牛須搜索算法的專(zhuān)色配方預(yù)測(cè)方法[J].西北工業(yè)大學(xué)學(xué)報(bào)，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(shí)[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(shí)現(xiàn)小波濾波器直接頻域逼近[J].電子測(cè)量與儀器學(xué)報(bào)，2021，35（3）：56-63.

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

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

[16］王宸，向長(zhǎng)峰，王生懷.改進(jìn)天牛須搜索算法在圓度誤差評(píng)定中的研究[J].制造技術(shù)與機(jī)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(jī)的滑坡易發(fā)性評(píng)價(jià)[J].科學(xué)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(jì)算機(jī)工程與應(yīng)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(píng)價(jià)[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(dòng)地裂縫發(fā)育等級(jí)評(píng)價(jià)——以沁水煤田為例[J].科學(xué)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(jiǎn)介：高曉明（1982-），男，碩士，高級(jí)經(jīng)濟(jì)師，研究方向：計(jì)算機(jī)軟件與理論及計(jì)算機(jī)應(yīng)用；E-mail：gaoxm9820@sina.com。

引文格式：高曉明.基于機(jī)器學(xué)習(xí)的專(zhuān)業(yè)技術(shù)與技能質(zhì)量測(cè)評(píng)模型優(yōu)化分析[J].粘接，2023，50（6）：140-143.