基于機器學習的專業技術與技能質量測評模型優化分析

摘 要：技能質量關系到企業的核心競爭力，是企業轉型升級的關鍵，構建基于機器學習的企業技能質量評價體系模型，提升企業技能質量評價準確性。以機器學習常用算法支持向量機（SVM）來設計企業技能質量評價體系模型，并采用改進天牛須搜索算法（BAS）對SVM參數優化，提出改進的BAS-SVM企業技能質量評價體系模型。對比該模型和SVM模型、BAS-SVM模型、層次分析法模型，結果表明，改進BAS-SVM企業技能質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。

關鍵詞：天牛須搜索算法；機器學習；技能質量評價體系；層次分析法；化工企業

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

伴隨著我國經濟發展進入“新常態”，國民經濟增長速度放緩。另外，環境污染、能源危機使得企業在發展過程中必須實施轉型升級。企業技能質量評價關系到企業轉型升級，通過構建科學的技能質量評價體系模型，提升企業技能質量。機器學習作為多學科交叉專業，是人工智能的科學，其通過數據或以往經驗來對計算機程序進行優化。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、人工神經網絡算法等。支持向量機（SVM）作為一種有效的評價方法，在化工、水利、地質、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模型的懲罰系數與核參數進行優化，構建了化工專業畢業生就業指導評價模型，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大學生就業質量[2]。潘萍采用蝙蝠優化算法對SVM模型的懲罰系數與核參數進行優化，并將其應用于工科專業人才培訓質量評價中，指出PDCA實踐教學模式能夠有效提升工科人才培訓質量[3]。王蕊構建了二叉樹的SVM模型，并將其應用于化工產品英文字符識別中，其識別準確率高于傳統的SVM方法[4]。通過對前人的研究綜述發現，SVM作為機器學習常用算法在許多問題的解決中發揮著重要作用，而算法的參數優化極為重要，直接影響算法所構建系統的性能。對天牛須搜索算法（BAS）改進，優化SVM模型參數，構建企業技能質量評價體系模型。并將構建的企業技能質量評價體系模型應用于化工企業中，驗證該質量評價體系模型的有效性。

1 技能質量評價體系

1.1 技能質量評價指標

企業技能是企業轉型升級的關鍵，企業只有具有強大的技能，才能夠使得轉型升級得到順利實施。從知識技能、績效考核、企業氛圍、發展潛力四個角度構建企業技能質量評價指標體系，對企業技能質量進行評價。知識技能是企業技能的基礎，只有積累豐富的經驗，擁有核心技術，利用先進技術，這樣才能夠達到企業技能提升的目的。績效考核是對企業工作業績的考核，主要通過企業經營目標達成情況、工作質量以及工作效率來體現。企業氛圍是企業技能質量的軟實力，只有具有良好的企業氛圍，才能夠更好地實現企業技能質量的提升。企業的發展潛力一定程度上反映了企業的技能質量，只有具有更好的技能質量才能夠擁有更大的發展潛力。圖1為企業技能質量評價指標體系。

1.2 技能質量評價體系模型

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

1.3 改進BAS-SVM評價系統流程

采用改進BAS對SVM懲罰系數C與核函數參數g進行優化，得到改進BAS-SVM評價模型，結果如圖4所示。

企業技能質量評價數據按照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，得到用于企業技能質量評價的改進BAS-SVM模型。將訓練好的改進BAS-SVM對測試樣本進行評價，得到企業技能質量評價結果。

2 實例分析

2.1 數據來源

企業之間的競爭歸根結底是企業技能的競爭，高水平的技能為企業轉型升級提供強有力保障。特別是對化工企業，必須提升企業技能水平，才能夠更好地適應社會的發展需求。以化工企業為例，按照圖1所構建的企業技能質量評價指標體系來設計問卷調查表。通過對化工企業員工實施問卷調查，獲取企業技能質量評價的數據集。考慮到不同指標之間存在的量綱差異，對數據進行歸一化處理[18]，消除不同指標量綱差異的影響。企業技能質量評價體系原始數據樣本量為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 結果分析

為對比BAS優化SVM和改進BAS優化SVM對企業技能質量評價的準確率，給出其迭代次數與分類準確率關系曲線，結果如圖5所示。

從圖5可以看出，改進BAS優化SVM，伴隨著迭代次數的增加，其分類準確率不斷增大，同時在經過12次迭代之后，其已經尋找到了最優值。BAS優化SVM，其在經過22次迭代之后才尋找到了最優值，同時陷入了局部最優狀態，這使得BAS優化得到的SVM參數組合不是最優參數。對比3種模型的準確率與運行時間，結果如表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對企業技能質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合，對企業技能質量的評價更加客觀[19]。按照層次分析法評價流程對化工企業技能質量進行評價[20]，將企業技能質量評價劃分為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”。抽取10個樣本分別采用層次分析法模型和改進BAS-SVM進行企業技能質量評價，圖2為2種評價方法得到的結果。

由表2可知，層次分析法和改進BAS-SVM對企業技能質量評價結果保持一致，即改進BAS-SVM模型是有效的。相對于層次分析法，改進BAS-SVM模型在企業技能質量評價方面更為突出的優勢。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果發生改變，即層次分析法魯棒性比較差，而改進BAS-SVM模型對企業技能質量評價具有良好的魯棒性。

3 結語

技能質量評價關系到企業技能的提升，進而影響到企業的轉型升級。對SVM懲罰系數和核函數參數采用改進天牛須搜索算法進行優化，得到了企業技能質量評價的改進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技能質量進行評價，評價結果一致，同時改進BAS-SVM企業技能質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循環的專業實踐模式設計與實例分析[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神經網絡的冬小麥晚霜凍害預測[J].江蘇農業科學，2023，51（3）：178-187.

[7］余華，童馨.基于粒子群優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研究[J].工具技術，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入侵檢測[J].計算機工程與設計，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辨識[J].電源技術，2021，45（6）：728-731.

[13］童耀南，曹鸝晨，趙舜楠.天牛須搜索算法實現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.基于確定性系數與支持向量機的滑坡易發性評價[J].科學技術與工程，2023，23（2）：518-527.

[18］楊寒雨，趙曉永，王磊.數據歸一化方法綜述[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育等級評價——以沁水煤田為例[J].科學技術與工程，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技術與技能質量測評模型優化分析[J].粘接，2023，50（6）：140-143.