CN115375210B - 职业技能等级认定管理方法及系统 - Google Patents

职业技能等级认定管理方法及系统 Download PDF

Info

Publication number
CN115375210B
CN115375210B CN202211324685.6A CN202211324685A CN115375210B CN 115375210 B CN115375210 B CN 115375210B CN 202211324685 A CN202211324685 A CN 202211324685A CN 115375210 B CN115375210 B CN 115375210B
Authority
CN
China
Prior art keywords
data
feature vector
person
tested
vector set
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN202211324685.6A
Other languages
English (en)
Other versions
CN115375210A (zh
Inventor
李昭
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Anhui Zhongwang Yunlian Technology Co ltd
Original Assignee
Anhui Zhongwang Yunlian Technology Co ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Anhui Zhongwang Yunlian Technology Co ltd filed Critical Anhui Zhongwang Yunlian Technology Co ltd
Priority to CN202211324685.6A priority Critical patent/CN115375210B/zh
Publication of CN115375210A publication Critical patent/CN115375210A/zh
Application granted granted Critical
Publication of CN115375210B publication Critical patent/CN115375210B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
    • G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/10—Services
    • G06Q50/20—Education
    • G06Q50/205—Education administration or guidance
    • G06Q50/2057—Career enhancement or continuing education service
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/40—Scenes; Scene-specific elements in video content
    • G06V20/41—Higher-level, semantic clustering, classification or understanding of video scenes, e.g. detection, labelling or Markovian modelling of sport events or news items
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/40—Scenes; Scene-specific elements in video content
    • G06V20/46—Extracting features or characteristics from the video content, e.g. video fingerprints, representative shots or key frames
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
    • G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
    • G06V40/16—Human faces, e.g. facial parts, sketches or expressions
    • G06V40/161—Detection; Localisation; Normalisation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
    • G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
    • G06V40/16—Human faces, e.g. facial parts, sketches or expressions
    • G06V40/168—Feature extraction; Face representation

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Educational Administration (AREA)
  • Strategic Management (AREA)
  • Health & Medical Sciences (AREA)
  • Multimedia (AREA)
  • General Health & Medical Sciences (AREA)
  • Oral & Maxillofacial Surgery (AREA)
  • Educational Technology (AREA)
  • Tourism & Hospitality (AREA)
  • Economics (AREA)
  • Development Economics (AREA)
  • Human Computer Interaction (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Marketing (AREA)
  • General Business, Economics & Management (AREA)
  • Primary Health Care (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Game Theory and Decision Science (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Computational Linguistics (AREA)
  • Software Systems (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种职业技能等级认定管理方法及系统，方法包括：获取待测人员的备案资料信息，根据预设规则分析备案资料信息，得到第一数据；获取待测人员的相关视频资料，提取待测人员的面部特征、声音特征和实操动作特征，得到第二数据；将第一数据和第二数据输入综合评价模型中，根据输出结果判定待测人员的职业技能等级；对判定结果进行聚类分析并保存分析结果，实现职业技能等级的认定及管理。本申请可及时、准确、客观的对专业技术人员的技能水平进行评估及认定，使技术人员快速了解自身的技能水平，并有针对性地进行知识强化，提高技能水平，同时对职业技能等级进行统一的管理，有效提高企业的管理水平，有促进企业相关业务的高质量发展。

Description

职业技能等级认定管理方法及系统
技术领域
本发明涉及数据分析处理的技术领域，尤其涉及一种职业技能等级认定管理方法及系统。
背景技术
随着科技和时代的快速发展，各行各业对专业技术人才的需求越来越大，专业技术人员在各行各业中也发挥着越来越重要的作用。然而，技术人员的技能水平参差不齐，通常通过考试或面谈等方式对技术人员的职业技能水平进行评估，这种评估方式主观性较强且评价维度单一，无法有效控制标准，导致评估结果不准确，专业技术人员也无法及时了解自身的薄弱点，并有针对性地进行知识强化，提高自身技能，且现有技术无法对职业技能等级进行统一的管理，很难有效促进企业相关业务的高质量发展。
因此，亟需一种职业技能等级认定管理方法及系统，可及时对专业技术人员的技能水平进行评估及认定，使技术人员快速了解自身的技能水平，并有针对性地进行知识强化，提高技能水平，同时提高企业的管理水平。
发明内容
本部分的目的在于概述本发明的实施例的一些方面以及简要介绍一些较佳实施例。在本部分以及本申请的说明书摘要和发明名称中可能会做些简化或省略以避免使本部分、说明书摘要和发明名称的目的模糊，而这种简化或省略不能用于限制本发明的范围。
鉴于上述现有存在的问题，提供一种能够及时对专业技术人员的技能水平进行评估及认定，同时提高企业的管理水平的职业技能等级认定管理方法及系统。
一方面，提供了一种职业技能等级认定管理方法，所述方法包括：
步骤A：获取待测人员的备案资料信息，根据预设规则分析所述备案资料信息，得到第一数据，所述备案资料包括学历及其学习期间所获奖项、理论知识考核，以及以下至少一项：论文、职称、工作时长；
步骤B：获取待测人员的相关视频资料，提取所述待测人员的面部特征、声音特征和实操动作特征，得到第二数据，所述视频资料包括为：面试视频集和实操视频集；
步骤C：将所述第一数据和所述第二数据输入综合评价模型中，根据输出结果判定所述待测人员的职业技能等级；
步骤D：对判定结果进行聚类分析并保存分析结果，实现职业技能等级的认定及管理。
作为本发明所述的职业技能等级认定管理方法及系统的一种优选方案，其中：所述根据预设规则分析所述备案资料信息包括：
根据所述奖项对应的不同学历，利用专家评分法对各奖项进行权重赋值，基于所述权重赋值得到第一数值；
根据所述学历和第一预设权重得到第二数值；
根据所述理论知识考核和第二预设权重得到第三数值；
根据所述论文、和/或职称、和/或工作时长和第三预设权重得到第四数值；
基于所述第一数值、第二数值、第三数值和第四数值得到所述第一数据。
作为本发明所述的职业技能等级认定管理方法及系统的一种优选方案，其中：所述获取待测人员的相关视频资料，提取所述待测人员的面部特征、声音特征和实操动作特征，得到第二数据包括：
获取所述待测人员的面试视频集和实操视频集；
利用特征提取机制同时提取所述待测人员的多个面部特征、声音特征和实操动作特征，分别得到第一特征向量集、第二特征向量集和第三特征向量集；
将所述第一特征向量集、第二特征向量集和第三特征向量集输入数据诊断模型中，判断特征向量集的可用性；
若可用，则拟合所述第一特征向量集、第二特征向量集、第三特征向量集并与静态特征集进行比较，得到对应差值，基于所述差值及预设标准判断所述待测人员的情绪类别，提取所述情绪类别所对应的值生成所述第二数据。
作为本发明所述的职业技能等级认定管理方法及系统的一种优选方案，其中：所述综合评价模型包括：
定义所述第一数据和第二数据的评价指标向量为
Figure 100002_DEST_PATH_IMAGE001
，指标权重向量为
Figure 591056DEST_PATH_IMAGE002
，基于所述评价指标向量和指标权重向量构建综合评价函数
Figure 100002_DEST_PATH_IMAGE003
，其中，
Figure 370794DEST_PATH_IMAGE004
表示评价指标
Figure 100002_DEST_PATH_IMAGE005
的权重系数，
Figure 828320DEST_PATH_IMAGE006
；
基于所述综合评价函数构建综合评价模型：
Figure 100002_DEST_PATH_IMAGE007
Figure 455741DEST_PATH_IMAGE008
Figure 100002_DEST_PATH_IMAGE009
其中，
Figure 278204DEST_PATH_IMAGE010
分别表示第一数据和第二数据，
Figure 100002_DEST_PATH_IMAGE011
表示类间方差，
Figure 607554DEST_PATH_IMAGE012
表示向量系数，
Figure 100002_DEST_PATH_IMAGE013
表示优化向量，
Figure 619503DEST_PATH_IMAGE014
为常数，
Figure 100002_DEST_PATH_IMAGE015
表示输出值，
Figure 350699DEST_PATH_IMAGE016
表示权重，
Figure 100002_DEST_PATH_IMAGE017
表示评价指标向量、指标权重向量之和。
作为本发明所述的职业技能等级认定管理方法及系统的一种优选方案，其中：基于所述综合评价模型判定所述待测人员的职业技能等级包括：
当
Figure 344063DEST_PATH_IMAGE015
大于第一预设值，
Figure 926090DEST_PATH_IMAGE016
小于第二预设值时，判断所述待测人员的职业技能等级为低等级；
当
Figure 663102DEST_PATH_IMAGE015
小于第一预设值，
Figure 186487DEST_PATH_IMAGE016
大于第二预设值时，判断所述待测人员的职业技能等级为中等级；
当
Figure 678648DEST_PATH_IMAGE015
等于第一预设值，
Figure 920274DEST_PATH_IMAGE016
等于第二预设值时，判断所述待测人员的职业技能等级为高等级。
作为本发明所述的职业技能等级认定管理方法及系统的一种优选方案，其中：将所述第一特征向量集、第二特征向量集和第三特征向量集输入数据诊断模型中，判断特征向量集的可用性包括：
采集已知的多个可用和不可用特征向量集；
利用所述已知的多个可用和不可用特征向量集训练基于逻辑回归分类算法所构建的数据诊断模型，所述数据诊断模型的表达式为：
Figure 8447DEST_PATH_IMAGE018
其中，
Figure 100002_DEST_PATH_IMAGE019
表示诊断值，
Figure 651918DEST_PATH_IMAGE020
表示特征向量，
Figure 100002_DEST_PATH_IMAGE021
为转置运算，
Figure 49401DEST_PATH_IMAGE022
为模型参数；
所述数据诊断模型的代价函数为：
Figure 100002_DEST_PATH_IMAGE023
其中，
Figure 591372DEST_PATH_IMAGE024
表示确定是否为可用特征向量集的标识，
Figure 100002_DEST_PATH_IMAGE025
为特征向量集的数量，
Figure 670186DEST_PATH_IMAGE026
表示输出值；
当
Figure 230481DEST_PATH_IMAGE026
达到预设标准时，得到训练好的数据诊断模型；
将所述第一特征向量集、第二特征向量集和第三特征向量集输入训练好的数据诊断模型中，根据诊断值判断特征向量集的可用性：
若
Figure 2128DEST_PATH_IMAGE019
的值小于或等于1且大于0.5，判断所述特征向量集可用。
作为本发明所述的职业技能等级认定管理方法及系统的一种优选方案，其中：所述基于所述第一数值、第二数值、第三数值和第四数值得到所述第一数据包括：
所述第一数值的计算公式为：
Figure 100002_DEST_PATH_IMAGE027
其中，
Figure 765815DEST_PATH_IMAGE028
表示第一数值，
Figure 100002_DEST_PATH_IMAGE029
表示不同学历对应的奖项赋值，
Figure 648321DEST_PATH_IMAGE030
表示不同学历对应的奖项权重，
Figure 100002_DEST_PATH_IMAGE031
，
Figure 63121DEST_PATH_IMAGE032
；
所述第二数值、第三数值和第四数值的计算公式为：
Figure 100002_DEST_PATH_IMAGE033
Figure 815789DEST_PATH_IMAGE034
Figure 100002_DEST_PATH_IMAGE035
其中，
Figure 316041DEST_PATH_IMAGE036
分别表示第二数值、第三数值和第四数值，
Figure 100002_DEST_PATH_IMAGE037
分别表示学历赋值和第一预设权重，
Figure 549707DEST_PATH_IMAGE038
分别表示理论知识考核赋值和第二预设权重，
Figure 100002_DEST_PATH_IMAGE039
分别表示论文、和/或职称、和/或工作时长赋值及第三预设权重，
Figure 22277DEST_PATH_IMAGE040
；
所述第一数据的计算公式为：
Figure 100002_DEST_PATH_IMAGE041
其中，
Figure 198043DEST_PATH_IMAGE042
表示第一数据。
作为本发明所述的职业技能等级认定管理方法及系统的一种优选方案，其中：利用相似性度量机制对拟合后的所述第一特征向量集、第二特征向量集、第三特征向量集并与静态特征集进行比较计算，得到对应差值。
作为本发明所述的职业技能等级认定管理方法及系统的一种优选方案，其中：所述情绪类别包括开心、害怕、愤怒、厌恶、惊讶、轻蔑和伤心。
另一方面，提供了一种职业技能等级认定管理系统，所述系统包括：
第一数据生成模块，用于获取待测人员的备案资料信息，根据预设规则分析所述备案资料信息，得到第一数据，所述备案资料包括学历及其学习期间所获奖项、理论知识考核，以及以下至少一项：论文、职称、工作时长；
第二数据生成模块，用于获取待测人员的相关视频资料，提取所述待测人员的面部特征、声音特征和实操动作特征，得到第二数据，所述视频资料包括为：面试视频集和实操视频集；
等级判断模块，用于将所述第一数据和所述第二数据输入综合评价模型中，根据输出结果判定所述待测人员的职业技能等级；
管理模块，用于对判定结果进行聚类分析并保存分析结果，实现职业技能等级的认定及管理。
本发明的有益效果：本发明提供了一种职业技能等级认定管理方法及系统，所述方法包括：获取待测人员的备案资料信息，根据预设规则分析所述备案资料信息，得到第一数据，所述备案资料包括学历及其学习期间所获奖项、理论知识考核，以及以下至少一项：论文、职称、工作时长；获取待测人员的相关视频资料，提取所述待测人员的面部特征、声音特征和实操动作特征，得到第二数据，所述视频资料包括为：面试视频集和实操视频集；将所述第一数据和所述第二数据输入综合评价模型中，根据输出结果判定所述待测人员的职业技能等级；对判定结果进行聚类分析并保存分析结果，实现职业技能等级的认定及管理，基于上述方案，本申请可及时、准确、客观的对专业技术人员的技能水平进行评估及认定，使技术人员快速了解自身的技能水平，并有针对性地进行知识强化，提高技能水平，同时对职业技能等级进行统一的管理，有效提高企业的管理水平，有促进企业相关业务的高质量发展。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其它的附图。其中：
图1为本发明一个实施例提供的一种职业技能等级认定管理方法的基本流程示意图；
图2为本发明一个实施例提供的一种职业技能等级认定管理系统的基模块结构示意图。
具体实施方式
为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合说明书附图对本发明的具体实施方式做详细的说明，显然所描述的实施例是本发明的一部分实施例，而不是全部实施例。基于本发明中的实施例，本领域普通人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本发明的保护的范围。
在下面的描述中阐述了很多具体细节以便于充分理解本发明，但是本发明还可以采用其他不同于在此描述的其它方式来实施，本领域技术人员可以在不违背本发明内涵的情况下做类似推广，因此本发明不受下面公开的具体实施例的限制。
其次，此处所称的“一个实施例”或“实施例”是指可包含于本发明至少一个实现方式中的特定特征、结构或特性。在本说明书中不同地方出现的“在一个实施例中”并非均指同一个实施例，也不是单独的或选择性的与其他实施例互相排斥的实施例。
本发明结合示意图进行详细描述，在详述本发明实施例时，为便于说明，表示器件结构的剖面图会不依一般比例作局部放大，而且所述示意图只是示例，其在此不应限制本发明保护的范围。此外，在实际制作中应包含长度、宽度及深度的三维空间尺寸。
同时在本发明的描述中，需要说明的是，术语中的“上、下、内和外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。此外，术语“第一、第二或第三”仅用于描述目的，而不能理解为指示或暗示相对重要性。
本发明中除非另有明确的规定和限定，术语“安装、相连、连接”应做广义理解，例如：可以是固定连接、可拆卸连接或一体式连接；同样可以是机械连接、电连接或直接连接，也可以通过中间媒介间接相连，也可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本发明中的具体含义。
实施例1
参照图1，为本发明的一个实施例，提供了一种职业技能等级认定管理方法，包括：
S1：获取待测人员的备案资料信息，根据预设规则分析所述备案资料信息，得到第一数据，所述备案资料包括学历及其学习期间所获奖项、理论知识考核，以及以下至少一项：论文、职称、工作时长。
需要说明的是，待测人员的备案资料信息可以从学信网等官方数据库中调取以确保数据的真实有效性。
进一步的，所述根据预设规则分析所述备案资料信息包括：
根据所述奖项对应的不同学历，示例性的，如本科期间获得国家奖学金，利用专家评分法对各奖项进行权重赋值，基于所述权重赋值得到第一数值；
根据所述学历和第一预设权重得到第二数值；
根据所述理论知识考核和第二预设权重得到第三数值；
根据所述论文、和/或职称、和/或工作时长和第三预设权重得到第四数值；
基于所述第一数值、第二数值、第三数值和第四数值得到所述第一数据。
其中，所述基于所述第一数值、第二数值、第三数值和第四数值得到所述第一数据包括：
所述第一数值的计算公式为：
Figure 123274DEST_PATH_IMAGE027
其中，
Figure 160631DEST_PATH_IMAGE028
表示第一数值，
Figure 222128DEST_PATH_IMAGE029
表示不同学历对应的奖项赋值，
Figure 506479DEST_PATH_IMAGE030
表示不同学历对应的奖项权重，
Figure 981323DEST_PATH_IMAGE031
，
Figure 9321DEST_PATH_IMAGE032
；
所述第二数值、第三数值和第四数值的计算公式为：
Figure 190904DEST_PATH_IMAGE033
Figure 193626DEST_PATH_IMAGE034
Figure 93449DEST_PATH_IMAGE035
其中，
Figure 659560DEST_PATH_IMAGE036
分别表示第二数值、第三数值和第四数值，
Figure 23545DEST_PATH_IMAGE037
分别表示学历赋值和第一预设权重，
Figure 384119DEST_PATH_IMAGE038
分别表示理论知识考核赋值和第二预设权重，
Figure 771238DEST_PATH_IMAGE039
分别表示论文、和/或职称、和/或工作时长赋值及第三预设权重，
Figure 957019DEST_PATH_IMAGE040
；
所述第一数据的计算公式为：
Figure 847614DEST_PATH_IMAGE041
其中，
Figure 644669DEST_PATH_IMAGE042
表示第一数据。
S2：获取待测人员的相关视频资料，提取所述待测人员的面部特征、声音特征和实操动作特征，得到第二数据，所述视频资料包括为：面试视频集和实操视频集。
需要说明的是，该步骤具体包括：
获取所述待测人员的面试视频集和实操视频集；
利用特征提取机制同时提取所述待测人员的多个面部特征、声音特征和实操动作特征，分别得到第一特征向量集、第二特征向量集和第三特征向量集，其中，上述的特征提取机制为常用的声音、图像以及动作特征提取及处理机制，本实施例不再赘述；
将所述第一特征向量集、第二特征向量集和第三特征向量集输入数据诊断模型中，判断特征向量集的可用性；
若可用，则拟合所述第一特征向量集、第二特征向量集、第三特征向量集并与静态特征集进行比较，此处的静态特征集为待测人员在平静状态下所测得相关特征数据，拟合方法可以是线性拟合，得到对应差值，基于所述差值及预设标准判断所述待测人员的情绪类别，提取所述情绪类别所对应的值生成所述第二数据。
其中，将所述第一特征向量集、第二特征向量集和第三特征向量集输入数据诊断模型中，判断特征向量集的可用性包括：
采集已知的多个可用和不可用特征向量集；
利用所述已知的多个可用和不可用特征向量集训练基于逻辑回归分类算法所构建的数据诊断模型，所述数据诊断模型的表达式为：
Figure 315822DEST_PATH_IMAGE018
其中，
Figure 489314DEST_PATH_IMAGE019
表示诊断值，
Figure 313045DEST_PATH_IMAGE020
表示特征向量，
Figure 281001DEST_PATH_IMAGE021
为转置运算，
Figure 377133DEST_PATH_IMAGE022
为模型参数；
所述数据诊断模型的代价函数为：
Figure 151054DEST_PATH_IMAGE023
其中，
Figure 16241DEST_PATH_IMAGE024
表示确定是否为可用特征向量集的标识，
Figure 155099DEST_PATH_IMAGE025
为特征向量集的数量，
Figure 551576DEST_PATH_IMAGE026
表示输出值；
当
Figure 801292DEST_PATH_IMAGE026
达到预设标准时，得到训练好的数据诊断模型；
将所述第一特征向量集、第二特征向量集和第三特征向量集输入训练好的数据诊断模型中，根据诊断值判断特征向量集的可用性：
若
Figure 786565DEST_PATH_IMAGE019
的值小于或等于1且大于0.5，判断所述特征向量集可用。
进一步的，利用相似性度量机制对拟合后的所述第一特征向量集、第二特征向量集、第三特征向量集并与静态特征集进行比较计算，得到对应差值，本申请所述的相似性度量机制包括的算法可以是欧式距离法、相关系数法等。
基于对应差值及预设标准判断所述待测人员的情绪类别，所述情绪类别包括开心、害怕、愤怒、厌恶、惊讶、轻蔑和伤心，提取所述情绪类别所对应的值生成所述第二数据，其中，预设的判断标准为事先对于各个差值预设好与情绪类别形成的映射关系，示例性的，差值为1时，对应的情绪类别为害怕，另外，同样通过专家评分对情绪类别进行赋值，通过对待测人员情绪的判断，可以识别出在其面试或实操过程中紧张或放松的情绪，判别待测人员的心态特点。
S3：将所述第一数据和所述第二数据输入综合评价模型中，根据输出结果判定所述待测人员的职业技能等级。
需要说明的是，所述综合评价模型包括：
定义所述第一数据和第二数据的评价指标向量为
Figure 158641DEST_PATH_IMAGE001
，指标权重向量为
Figure 100002_DEST_PATH_IMAGE043
，基于所述评价指标向量和指标权重向量构建综合评价函数
Figure 229365DEST_PATH_IMAGE003
，其中，
Figure 95821DEST_PATH_IMAGE004
表示评价指标
Figure 935601DEST_PATH_IMAGE005
的权重系数，
Figure 416261DEST_PATH_IMAGE006
；
基于所述综合评价函数构建综合评价模型：
Figure 771019DEST_PATH_IMAGE007
Figure 628117DEST_PATH_IMAGE008
Figure 132523DEST_PATH_IMAGE009
其中，
Figure 784084DEST_PATH_IMAGE010
分别表示第一数据和第二数据，
Figure 891717DEST_PATH_IMAGE011
表示类间方差，
Figure 286927DEST_PATH_IMAGE012
表示向量系数，
Figure 835720DEST_PATH_IMAGE013
表示优化向量，
Figure 736811DEST_PATH_IMAGE014
为常数，
Figure 3844DEST_PATH_IMAGE015
表示输出值，
Figure 999482DEST_PATH_IMAGE016
表示权重，
Figure 402781DEST_PATH_IMAGE017
表示评价指标向量、指标权重向量之和。
进一步的，基于所述综合评价模型判定所述待测人员的职业技能等级包括：
当
Figure 661724DEST_PATH_IMAGE015
大于第一预设值，
Figure 494682DEST_PATH_IMAGE016
小于第二预设值时，判断所述待测人员的职业技能等级为低等级；
当
Figure 231694DEST_PATH_IMAGE015
小于第一预设值，
Figure 755079DEST_PATH_IMAGE016
大于第二预设值时，判断所述待测人员的职业技能等级为中等级；
当
Figure 981661DEST_PATH_IMAGE015
等于第一预设值，
Figure 957707DEST_PATH_IMAGE016
等于第二预设值时，判断所述待测人员的职业技能等级为高等级。
S4：对判定结果进行聚类分析并保存分析结果，实现职业技能等级的认定及管理。
需要说明的是，本实施例所述的聚类分析算法可以是均值漂移算法、K-means聚类算法等，示例性的，通过对判定结果进行聚类分析，可以得到同一学历的高等级的技术工，或者不同学历、经验丰富的高等级的技术工等其他符合企业要求的技术工，本方案可以快速、准确地筛选出企业所需要的人才，提高企业的管理效率。
实施例2
在一个实施例中，如图2所示，提供了一种职业技能等级认定管理系统，包括：第一数据生成模块、第二数据生成模块、等级判断模块和管理模块，其中：
第一数据生成模块，用于获取待测人员的备案资料信息，根据预设规则分析所述备案资料信息，得到第一数据，所述备案资料包括学历及其学习期间所获奖项、理论知识考核，以及以下至少一项：论文、职称、工作时长；
第二数据生成模块，用于获取待测人员的相关视频资料，提取所述待测人员的面部特征、声音特征和实操动作特征，得到第二数据，所述视频资料包括为：面试视频集和实操视频集；
等级判断模块，用于将所述第一数据和所述第二数据输入综合评价模型中，根据输出结果判定所述待测人员的职业技能等级；
管理模块，用于对判定结果进行聚类分析并保存分析结果，实现职业技能等级的认定及管理。
作为一种较优的实施方式，本发明实施例中，所述第一数据生成模块具体用于：
根据所述奖项对应的不同学历，利用专家评分法对各奖项进行权重赋值，基于所述权重赋值得到第一数值；
根据所述学历和第一预设权重得到第二数值；
根据所述理论知识考核和第二预设权重得到第三数值；
根据所述论文、和/或职称、和/或工作时长和第三预设权重得到第四数值；
基于所述第一数值、第二数值、第三数值和第四数值得到所述第一数据。
作为一种较优的实施方式，本发明实施例中，所述第二数据生成模块具体用于：
获取所述待测人员的面试视频集和实操视频集；
利用特征提取机制同时提取所述待测人员的多个面部特征、声音特征和实操动作特征，分别得到第一特征向量集、第二特征向量集和第三特征向量集；
将所述第一特征向量集、第二特征向量集和第三特征向量集输入数据诊断模型中，判断特征向量集的可用性；
若可用，则拟合所述第一特征向量集、第二特征向量集、第三特征向量集并与静态特征集进行比较，得到对应差值，基于所述差值及预设标准判断所述待测人员的情绪类别，提取所述情绪类别所对应的值生成所述第二数据。
作为一种较优的实施方式，本发明实施例中，所述等级判断模块具体用于：
定义所述第一数据和第二数据的评价指标向量为
Figure 498410DEST_PATH_IMAGE001
，指标权重向量为
Figure 954930DEST_PATH_IMAGE043
，基于所述评价指标向量和指标权重向量构建综合评价函数
Figure 290097DEST_PATH_IMAGE003
，其中，
Figure 19018DEST_PATH_IMAGE004
表示评价指标
Figure 425729DEST_PATH_IMAGE005
的权重系数，
Figure 923706DEST_PATH_IMAGE006
；
基于所述综合评价函数构建综合评价模型：
Figure 968455DEST_PATH_IMAGE007
Figure 184673DEST_PATH_IMAGE008
Figure 67178DEST_PATH_IMAGE009
其中，
Figure 481979DEST_PATH_IMAGE010
分别表示第一数据和第二数据，
Figure 424527DEST_PATH_IMAGE011
表示类间方差，
Figure 862462DEST_PATH_IMAGE012
表示向量系数，
Figure 361707DEST_PATH_IMAGE013
表示优化向量，
Figure 834277DEST_PATH_IMAGE014
为常数，
Figure 682147DEST_PATH_IMAGE015
表示输出值，
Figure 404116DEST_PATH_IMAGE016
表示权重，
Figure 628424DEST_PATH_IMAGE017
表示评价指标向量、指标权重向量之和。
基于所述综合评价模型判定所述待测人员的职业技能等级包括：
当
Figure 34128DEST_PATH_IMAGE015
大于第一预设值，
Figure 318479DEST_PATH_IMAGE016
小于第二预设值时，判断所述待测人员的职业技能等级为低等级；
当
Figure 731006DEST_PATH_IMAGE015
小于第一预设值，
Figure 290163DEST_PATH_IMAGE016
大于第二预设值时，判断所述待测人员的职业技能等级为中等级；
当
Figure 471746DEST_PATH_IMAGE015
等于第一预设值，
Figure 926998DEST_PATH_IMAGE016
等于第二预设值时，判断所述待测人员的职业技能等级为高等级。
作为一种较优的实施方式，本发明实施例中，所述第二数据生成模块具体还用于：
采集已知的多个可用和不可用特征向量集；
利用所述已知的多个可用和不可用特征向量集训练基于逻辑回归分类算法所构建的数据诊断模型，所述数据诊断模型的表达式为：
Figure 639870DEST_PATH_IMAGE018
其中，
Figure 205981DEST_PATH_IMAGE019
表示诊断值，
Figure 242070DEST_PATH_IMAGE020
表示特征向量，
Figure 196119DEST_PATH_IMAGE021
为转置运算，
Figure 583238DEST_PATH_IMAGE022
为模型参数；
所述数据诊断模型的代价函数为：
Figure 687461DEST_PATH_IMAGE023
其中，
Figure 184914DEST_PATH_IMAGE024
表示确定是否为可用特征向量集的标识，
Figure 981968DEST_PATH_IMAGE025
为特征向量集的数量，
Figure 590804DEST_PATH_IMAGE026
表示输出值；
当
Figure 577346DEST_PATH_IMAGE026
达到预设标准时，得到训练好的数据诊断模型；
将所述第一特征向量集、第二特征向量集和第三特征向量集输入训练好的数据诊断模型中，根据诊断值判断特征向量集的可用性：
若
Figure 588027DEST_PATH_IMAGE019
的值小于或等于1且大于0.5，判断所述特征向量集可用。
作为一种较优的实施方式，本发明实施例中，所述第一数据生成模块具体还用于：
所述第一数值的计算公式为：
Figure 555983DEST_PATH_IMAGE027
其中，
Figure 714432DEST_PATH_IMAGE028
表示第一数值，
Figure 160457DEST_PATH_IMAGE029
表示不同学历对应的奖项赋值，
Figure 291224DEST_PATH_IMAGE030
表示不同学历对应的奖项权重，
Figure 243131DEST_PATH_IMAGE031
，
Figure 826559DEST_PATH_IMAGE032
；
所述第二数值、第三数值和第四数值的计算公式为：
Figure 76274DEST_PATH_IMAGE033
Figure 123865DEST_PATH_IMAGE034
Figure 433623DEST_PATH_IMAGE035
其中，
Figure 504348DEST_PATH_IMAGE036
分别表示第二数值、第三数值和第四数值，
Figure 370804DEST_PATH_IMAGE037
分别表示学历赋值和第一预设权重，
Figure 210584DEST_PATH_IMAGE038
分别表示理论知识考核赋值和第二预设权重，
Figure 753560DEST_PATH_IMAGE039
分别表示论文、和/或职称、和/或工作时长赋值及第三预设权重，
Figure 46001DEST_PATH_IMAGE040
；
所述第一数据的计算公式为：
Figure 903099DEST_PATH_IMAGE041
其中，
Figure 413365DEST_PATH_IMAGE042
表示第一数据。
作为一种较优的实施方式，本发明实施例中，所述第二数据生成模块具体还用于：利用相似性度量机制对拟合后的所述第一特征向量集、第二特征向量集、第三特征向量集并与静态特征集进行比较计算，得到对应差值。
关于职业技能等级认定管理系统的具体限定可以参见上文中对于职业技能等级认定管理方法的限定，在此不再赘述。上述职业技能等级认定管理系统中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。
应当认识到，本发明的实施例可以由计算机硬件、硬件和软件的组合、或者通过存储在非暂时性计算机可读存储器中的计算机指令来实现或实施。所述方法可以使用标准编程技术-包括配置有计算机程序的非暂时性计算机可读存储介质在计算机程序中实现，其中如此配置的存储介质使得计算机以特定和预定义的方式操作——根据在具体实施例中描述的方法和附图。每个程序可以以高级过程或面向对象的编程语言来实现以与计算机系统通信。然而，若需要，该程序可以以汇编或机器语言实现。在任何情况下，该语言可以是编译或解释的语言。此外，为此目的该程序能够在编程的专用集成电路上运行。
此外，可按任何合适的顺序来执行本文描述的过程的操作，除非本文另外指示或以其他方式明显地与上下文矛盾。本文描述的过程(或变型和/或其组合)可在配置有可执行指令的一个或多个计算机系统的控制下执行，并且可作为共同地在一个或多个处理器上执行的代码(例如，可执行指令、一个或多个计算机程序或一个或多个应用)、由硬件或其组合来实现。所述计算机程序包括可由一个或多个处理器执行的多个指令。
进一步，所述方法可以在可操作地连接至合适的任何类型的计算平台中实现，包括但不限于个人电脑、迷你计算机、主框架、工作站、网络或分布式计算环境、单独的或集成的计算机平台、或者与带电粒子工具或其它成像装置通信等等。本发明的各方面可以以存储在非暂时性存储介质或设备上的机器可读代码来实现，无论是可移动的还是集成至计算平台，如硬盘、光学读取和/或写入存储介质、RAM、ROM等，使得其可由可编程计算机读取，当存储介质或设备由计算机读取时可用于配置和操作计算机以执行在此所描述的过程。此外，机器可读代码，或其部分可以通过有线或无线网络传输。当此类媒体包括结合微处理器或其他数据处理器实现上文所述步骤的指令或程序时，本文所述的发明包括这些和其他不同类型的非暂时性计算机可读存储介质。当根据本发明所述的方法和技术编程时，本发明还包括计算机本身。计算机程序能够应用于输入数据以执行本文所述的功能，从而转换输入数据以生成存储至非易失性存储器的输出数据。输出信息还可以应用于一个或多个输出设备如显示器。在本发明优选的实施例中，转换的数据表示物理和有形的对象，包括显示器上产生的物理和有形对象的特定视觉描绘。
如在本申请所使用的，术语“组件”、“模块”、“系统”等等旨在指代计算机相关实体，该计算机相关实体可以是硬件、固件、硬件和软件的结合、软件或者运行中的软件。例如，组件可以是，但不限于是：在处理器上运行的处理、处理器、对象、可执行文件、执行中的线程、程序和/或计算机。作为示例，在计算设备上运行的应用和该计算设备都可以是组件。一个或多个组件可以存在于执行中的过程和/或线程中，并且组件可以位于一个计算机中以及/或者分布在两个或更多个计算机之间。此外，这些组件能够从在其上具有各种数据结构的各种计算机可读介质中执行。这些组件可以通过诸如根据具有一个或多个数据分组（例如，来自一个组件的数据，该组件与本地系统、分布式系统中的另一个组件进行交互和/或以信号的方式通过诸如互联网之类的网络与其它系统进行交互）的信号，以本地和/或远程过程的方式进行通信。
应说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或者等同替换，而不脱离本发明技术方案的精神和范围，其均应涵盖在本发明的权利要求范围当中。

Claims (6)

1.一种职业技能等级认定管理方法，其特征在于，包括：
获取待测人员的备案资料信息，根据预设规则分析所述备案资料信息，得到第一数据，所述备案资料包括学历及其学习期间所获奖项、理论知识考核，以及以下至少一项：论文、职称、工作时长；
获取待测人员的相关视频资料，提取所述待测人员的面部特征、声音特征和实操动作特征，得到第二数据，所述视频资料包括为：面试视频集和实操视频集；
将所述第一数据和所述第二数据输入综合评价模型中，根据输出结果判定所述待测人员的职业技能等级；
对判定结果进行聚类分析并保存分析结果，实现职业技能等级的认定及管理；
所述综合评价模型包括：
定义所述第一数据和第二数据的评价指标向量为
Figure DEST_PATH_IMAGE001
，指标权重向量为
Figure 308479DEST_PATH_IMAGE002
，基于所述评价指标向量和指标权重向量构建综合评价函数
Figure DEST_PATH_IMAGE003
，其中，
Figure 209570DEST_PATH_IMAGE004
表示评价指标
Figure DEST_PATH_IMAGE005
的权重系数，
Figure 804499DEST_PATH_IMAGE006
；
基于所述综合评价函数构建综合评价模型：
Figure DEST_PATH_IMAGE007
Figure 472241DEST_PATH_IMAGE008
Figure DEST_PATH_IMAGE009
其中，
Figure 219748DEST_PATH_IMAGE010
分别表示第一数据和第二数据，
Figure DEST_PATH_IMAGE011
表示类间方差，
Figure 541008DEST_PATH_IMAGE012
表示向量系数，
Figure DEST_PATH_IMAGE013
表示优化向量，
Figure 764179DEST_PATH_IMAGE014
为常数，
Figure DEST_PATH_IMAGE015
表示输出值，
Figure 579819DEST_PATH_IMAGE016
表示权重，
Figure DEST_PATH_IMAGE017
表示评价指标向量、指标权重向量之和；
基于所述综合评价模型判定所述待测人员的职业技能等级包括：
当
Figure 431101DEST_PATH_IMAGE015
大于第一预设值，
Figure 595366DEST_PATH_IMAGE016
小于第二预设值时，判断所述待测人员的职业技能等级为低等级；
当
Figure 571412DEST_PATH_IMAGE015
小于第一预设值，
Figure 187814DEST_PATH_IMAGE016
大于第二预设值时，判断所述待测人员的职业技能等级为中等级；
当
Figure 565705DEST_PATH_IMAGE015
等于第一预设值，
Figure 635293DEST_PATH_IMAGE016
等于第二预设值时，判断所述待测人员的职业技能等级为高等级；
所述获取待测人员的相关视频资料，提取所述待测人员的面部特征、声音特征和实操动作特征，得到第二数据包括：
获取所述待测人员的面试视频集和实操视频集；
利用特征提取机制同时提取所述待测人员的多个面部特征、声音特征和实操动作特征，分别得到第一特征向量集、第二特征向量集和第三特征向量集；
将所述第一特征向量集、第二特征向量集和第三特征向量集输入数据诊断模型中，判断特征向量集的可用性；
若可用，则拟合所述第一特征向量集、第二特征向量集、第三特征向量集并与静态特征集进行比较，得到对应差值，基于所述差值及预设标准判断所述待测人员的情绪类别，提取所述情绪类别所对应的值生成所述第二数据；
将所述第一特征向量集、第二特征向量集和第三特征向量集输入数据诊断模型中，判断特征向量集的可用性包括：
采集已知的多个可用和不可用特征向量集；
利用所述已知的多个可用和不可用特征向量集训练基于逻辑回归分类算法所构建的数据诊断模型，所述数据诊断模型的表达式为：
Figure 957690DEST_PATH_IMAGE018
其中，
Figure DEST_PATH_IMAGE019
表示诊断值，
Figure 505346DEST_PATH_IMAGE020
表示特征向量，
Figure DEST_PATH_IMAGE021
为转置运算，
Figure 81952DEST_PATH_IMAGE022
为模型参数；
所述数据诊断模型的代价函数为：
Figure DEST_PATH_IMAGE023
其中，
Figure 181495DEST_PATH_IMAGE024
表示确定是否为可用特征向量集的标识，
Figure DEST_PATH_IMAGE025
为特征向量集的数量，
Figure 210762DEST_PATH_IMAGE026
表示输出值；
当
Figure DEST_PATH_IMAGE027
达到预设标准时，得到训练好的数据诊断模型；
将所述第一特征向量集、第二特征向量集和第三特征向量集输入训练好的数据诊断模型中，根据诊断值判断特征向量集的可用性：
若
Figure 296529DEST_PATH_IMAGE019
的值小于或等于1且大于0.5，判断所述特征向量集可用。
2.如权利要求1所述的职业技能等级认定管理方法，其特征在于，所述根据预设规则分析所述备案资料信息包括：
根据所述奖项对应的不同学历，利用专家评分法对各奖项进行权重赋值，基于所述权重赋值得到第一数值；
根据所述学历和第一预设权重得到第二数值；
根据所述理论知识考核和第二预设权重得到第三数值；
根据所述论文、和/或职称、和/或工作时长和第三预设权重得到第四数值；
基于所述第一数值、第二数值、第三数值和第四数值得到所述第一数据。
3.如权利要求2所述的职业技能等级认定管理方法，其特征在于，所述基于所述第一数值、第二数值、第三数值和第四数值得到所述第一数据包括：
所述第一数值的计算公式为：
Figure 508068DEST_PATH_IMAGE028
其中，
Figure DEST_PATH_IMAGE029
表示第一数值，
Figure 653878DEST_PATH_IMAGE030
表示不同学历对应的奖项赋值，
Figure DEST_PATH_IMAGE031
表示不同学历对应的奖项权重，
Figure 436021DEST_PATH_IMAGE032
，
Figure DEST_PATH_IMAGE033
；
所述第二数值、第三数值和第四数值的计算公式为：
Figure 184534DEST_PATH_IMAGE034
Figure DEST_PATH_IMAGE035
Figure 860366DEST_PATH_IMAGE036
其中，
Figure DEST_PATH_IMAGE037
分别表示第二数值、第三数值和第四数值，
Figure 315093DEST_PATH_IMAGE038
分别表示学历赋值和第一预设权重，
Figure DEST_PATH_IMAGE039
分别表示理论知识考核赋值和第二预设权重，
Figure 568220DEST_PATH_IMAGE040
分别表示论文、和/或职称、和/或工作时长赋值及第三预设权重，
Figure DEST_PATH_IMAGE041
；
所述第一数据的计算公式为：
Figure 995790DEST_PATH_IMAGE042
其中，
Figure DEST_PATH_IMAGE043
表示第一数据。
4.如权利要求1所述的职业技能等级认定管理方法，其特征在于，利用相似性度量机制对拟合后的所述第一特征向量集、第二特征向量集、第三特征向量集并与静态特征集进行比较计算，得到对应差值。
5.如权利要求1所述的职业技能等级认定管理方法，其特征在于，所述情绪类别包括开心、害怕、愤怒、厌恶、惊讶、轻蔑和伤心。
6.一种职业技能等级认定管理系统，其特征在于，包括：
第一数据生成模块，用于获取待测人员的备案资料信息，根据预设规则分析所述备案资料信息，得到第一数据，所述备案资料包括学历及其学习期间所获奖项、理论知识考核，以及以下至少一项：论文、职称、工作时长；
第二数据生成模块，用于获取待测人员的相关视频资料，提取所述待测人员的面部特征、声音特征和实操动作特征，得到第二数据，所述视频资料包括为：面试视频集和实操视频集；
等级判断模块，用于将所述第一数据和所述第二数据输入综合评价模型中，根据输出结果判定所述待测人员的职业技能等级；
管理模块，用于对判定结果进行聚类分析并保存分析结果，实现职业技能等级的认定及管理；
所述综合评价模型包括：
定义所述第一数据和第二数据的评价指标向量为
Figure 401495DEST_PATH_IMAGE001
，指标权重向量为
Figure 154688DEST_PATH_IMAGE044
，基于所述评价指标向量和指标权重向量构建综合评价函数
Figure 426269DEST_PATH_IMAGE003
，其中，
Figure DEST_PATH_IMAGE045
表示评价指标
Figure 657530DEST_PATH_IMAGE005
的权重系数，
Figure 448900DEST_PATH_IMAGE006
；
基于所述综合评价函数构建综合评价模型：
Figure 372993DEST_PATH_IMAGE046
Figure 741658DEST_PATH_IMAGE008
Figure 166823DEST_PATH_IMAGE009
其中，
Figure 202912DEST_PATH_IMAGE010
分别表示第一数据和第二数据，
Figure 32328DEST_PATH_IMAGE011
表示类间方差，
Figure 29234DEST_PATH_IMAGE012
表示向量系数，
Figure 133456DEST_PATH_IMAGE013
表示优化向量，
Figure 492893DEST_PATH_IMAGE014
为常数，
Figure 149002DEST_PATH_IMAGE015
表示输出值，
Figure 226680DEST_PATH_IMAGE016
表示权重，
Figure 134593DEST_PATH_IMAGE017
表示评价指标向量、指标权重向量之和；
基于所述综合评价模型判定所述待测人员的职业技能等级包括：
当
Figure 752132DEST_PATH_IMAGE015
大于第一预设值，
Figure 188929DEST_PATH_IMAGE016
小于第二预设值时，判断所述待测人员的职业技能等级为低等级；
当
Figure 19482DEST_PATH_IMAGE015
小于第一预设值，
Figure 590141DEST_PATH_IMAGE016
大于第二预设值时，判断所述待测人员的职业技能等级为中等级；
当
Figure 924170DEST_PATH_IMAGE015
等于第一预设值，
Figure 797448DEST_PATH_IMAGE016
等于第二预设值时，判断所述待测人员的职业技能等级为高等级；
所述获取待测人员的相关视频资料，提取所述待测人员的面部特征、声音特征和实操动作特征，得到第二数据包括：
获取所述待测人员的面试视频集和实操视频集；
利用特征提取机制同时提取所述待测人员的多个面部特征、声音特征和实操动作特征，分别得到第一特征向量集、第二特征向量集和第三特征向量集；
将所述第一特征向量集、第二特征向量集和第三特征向量集输入数据诊断模型中，判断特征向量集的可用性；
若可用，则拟合所述第一特征向量集、第二特征向量集、第三特征向量集并与静态特征集进行比较，得到对应差值，基于所述差值及预设标准判断所述待测人员的情绪类别，提取所述情绪类别所对应的值生成所述第二数据；
将所述第一特征向量集、第二特征向量集和第三特征向量集输入数据诊断模型中，判断特征向量集的可用性包括：
采集已知的多个可用和不可用特征向量集；
利用所述已知的多个可用和不可用特征向量集训练基于逻辑回归分类算法所构建的数据诊断模型，所述数据诊断模型的表达式为：
Figure 990663DEST_PATH_IMAGE018
其中，
Figure 709220DEST_PATH_IMAGE019
表示诊断值，
Figure 428915DEST_PATH_IMAGE020
表示特征向量，
Figure 597728DEST_PATH_IMAGE021
为转置运算，
Figure 137294DEST_PATH_IMAGE022
为模型参数；
所述数据诊断模型的代价函数为：
Figure 925121DEST_PATH_IMAGE023
其中，
Figure 374688DEST_PATH_IMAGE024
表示确定是否为可用特征向量集的标识，
Figure 324190DEST_PATH_IMAGE025
为特征向量集的数量，
Figure 351051DEST_PATH_IMAGE027
表示输出值；
当
Figure 67204DEST_PATH_IMAGE026
达到预设标准时，得到训练好的数据诊断模型；
将所述第一特征向量集、第二特征向量集和第三特征向量集输入训练好的数据诊断模型中，根据诊断值判断特征向量集的可用性：
若
Figure 230332DEST_PATH_IMAGE019
的值小于或等于1且大于0.5，判断所述特征向量集可用。
CN202211324685.6A 2022-10-27 2022-10-27 职业技能等级认定管理方法及系统 Active CN115375210B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211324685.6A CN115375210B (zh) 2022-10-27 2022-10-27 职业技能等级认定管理方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211324685.6A CN115375210B (zh) 2022-10-27 2022-10-27 职业技能等级认定管理方法及系统

Publications (2)

Publication Number Publication Date
CN115375210A CN115375210A (zh) 2022-11-22
CN115375210B true CN115375210B (zh) 2023-01-24

Family

ID=84073844

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211324685.6A Active CN115375210B (zh) 2022-10-27 2022-10-27 职业技能等级认定管理方法及系统

Country Status (1)

Country Link
CN (1) CN115375210B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117114508A (zh) * 2023-10-20 2023-11-24 浪潮软件股份有限公司 教师层级认定系统及方法

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106910016A (zh) * 2017-02-20 2017-06-30 北京爱必优得科技发展有限公司 职业技能评估方法及系统
CN109214652A (zh) * 2018-08-06 2019-01-15 常州天正工业发展股份有限公司 一种岗位能力计算方法及装置
CN111724135A (zh) * 2020-06-21 2020-09-29 华中科技大学同济医学院附属协和医院 一种职称申报评审全流程管理系统及方法
CN113537750A (zh) * 2021-07-07 2021-10-22 广东闯越企业集团有限公司 集技能竞赛、技能考证、人才招聘三位一体的系统及方法

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104819846B (zh) * 2015-04-10 2017-03-22 北京航空航天大学 一种基于短时傅里叶变换和稀疏层叠自动编码器的滚动轴承声音信号故障诊断方法
CN114493340A (zh) * 2022-02-15 2022-05-13 平安证券股份有限公司 技能数据处理方法、装置、计算机设备及存储介质

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106910016A (zh) * 2017-02-20 2017-06-30 北京爱必优得科技发展有限公司 职业技能评估方法及系统
CN109214652A (zh) * 2018-08-06 2019-01-15 常州天正工业发展股份有限公司 一种岗位能力计算方法及装置
CN111724135A (zh) * 2020-06-21 2020-09-29 华中科技大学同济医学院附属协和医院 一种职称申报评审全流程管理系统及方法
CN113537750A (zh) * 2021-07-07 2021-10-22 广东闯越企业集团有限公司 集技能竞赛、技能考证、人才招聘三位一体的系统及方法

Also Published As

Publication number Publication date
CN115375210A (zh) 2022-11-22

Similar Documents

Publication Publication Date Title
US11734566B2 (en) Systems and processes for bias removal in a predictive performance model
Khalid et al. Get along with quantitative research process
Srivastava et al. Intelligent employee retention system for attrition rate analysis and churn prediction: An ensemble machine learning and multi-criteria decision-making approach
Wohlin et al. On the reliability of mapping studies in software engineering
US20060100957A1 (en) Electronic data processing system and method of using an electronic data processing system for automatically determining a risk indicator value
US20080221950A1 (en) Storage medium having requirement confirmation support program stored therein, requirement confirmation support method, and requirement confirmation support apparatus
Sprinkle et al. The effects of audit risk and information importance on auditor memory during working paper review
CN110196814A (zh) 一种软件质量评价方法
CN115375210B (zh) 职业技能等级认定管理方法及系统
US20170091394A1 (en) Method and system for managing health care patient record data
Nguyen et al. Factors affecting efficiency of electronic customs and firm performance in Vietnam
Boyne Researching the new public management: the role of quantitative methods
Jadhav et al. Placement Readiness Check: Predicting Placement Status Using Supervised ML Methods
Tagharobi et al. Introducing a Framework for Code based Fairness Audits of Learning Analytics Systems on the Example of Moodle Learning Analytics.
Irwandi et al. Can environment uncertainty risk and environment of management accounting system affect managerial performance?
Afzal et al. Impact of HR matrices on HR analytics and decision making
Ambarwati et al. EFFECT OF THE ETHICAL CLIMATE ON EMPLOYEE ENGAGEMENT THROUGH WORK SATISFACTION AS AN INTERVENING VARIABLES (Case Study on Bank Jatim Syariah Malang)
Fioravanti et al. A tool for process and product assessment of C++ applications
Shaw When Is' Good'Enough?: Evaluating and Selecting Software Metrics
US20180189696A1 (en) System and method for measuring and monitoring innovation intelligence
Carollo Historical Data on Professional and Occupational Credentialing Requirements in the United States
Azzabi et al. Six Sigma based multicriteria approach to improve decision settings
Nazari et al. Identifying and ranking critical factors that determine meritocracy using ahp technique in automotive industry in iran
Baucks et al. Mitigating Biases using an Additive Grade Point Model: Towards Trustworthy Curriculum Analytics Measures
JP7079882B1 (ja) 情報処理方法、コンピュータプログラム及び情報処理装置

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant