CN116823056A - 一种人因工效分析方法及系统 - Google Patents

一种人因工效分析方法及系统 Download PDF

Info

Publication number
CN116823056A
CN116823056A CN202310833165.6A CN202310833165A CN116823056A CN 116823056 A CN116823056 A CN 116823056A CN 202310833165 A CN202310833165 A CN 202310833165A CN 116823056 A CN116823056 A CN 116823056A
Authority
CN
China
Prior art keywords
data
factor
analysis
work efficiency
human
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.)
Pending
Application number
CN202310833165.6A
Other languages
English (en)
Inventor
张运红
司峰
杨毅
谭军
刘国利
胡悦琳
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.)
China National Institute of Standardization
Original Assignee
China National Institute of Standardization
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 China National Institute of Standardization filed Critical China National Institute of Standardization
Priority to CN202310833165.6A priority Critical patent/CN116823056A/zh
Publication of CN116823056A publication Critical patent/CN116823056A/zh
Pending legal-status Critical Current

Links

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
    • G06Q10/06398—Performance of employee with respect to a job function
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/26—Visual data mining; Browsing structured data
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/25—Fusion techniques
    • G06F18/253—Fusion techniques of extracted features

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Computation (AREA)
  • Evolutionary Biology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Databases & Information Systems (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Strategic Management (AREA)
  • Economics (AREA)
  • Educational Administration (AREA)
  • Development Economics (AREA)
  • Game Theory and Decision Science (AREA)
  • General Business, Economics & Management (AREA)
  • Tourism & Hospitality (AREA)
  • Quality & Reliability (AREA)
  • Operations Research (AREA)
  • Marketing (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种人因工效分析方法及系统，包括获取人因数据和工效数据，对所述人因数据进行预处理，快速访问预处理后的所述人因数据获得快速数据，根据所述工效数据将所述快速数据通过因素分析算法计算工效得分，对所述工效得分从大到小排序并输出前五个为工效因子，根据所述工效因子提取对应的所述人因数据获得关联数据，将工效指标作为评价系数，将所述关联数据和所述评价系数输入分析器，将分析器输出的结果输入分析元并输出前两组的因子值，将所述因子值增加权重ωj输入评价算法获得综合评价得分并输出因子值该方法不仅可以提高分析精度，同时具有较好的可解释性，可以直接应用于人因工效分析系统中。

Description

一种人因工效分析方法及系统
技术领域
本发明涉及比对技术领域，尤其涉及一种人因工效分析方法及系统。
背景技术
分析技术在工效领域的应用越来越广泛，可以帮助人因工效分析系统及时、高效地分析因子值，实现人因数据的精准分析。目前，人因工效分析具有数量庞大、类型多样、信息密度大、多学科综合性等共性特点，分析技术的定性分析和判断存在较多的不确定因素，导致分析的结果出现较大的随机性。虽然已经构建了一些工效分析系统，也有一些专业的工效仿真模拟软件工具，但仍不能有效解决人因工效分析工作中的随机问题。
发明内容
本发明的目的是要提供一种人因工效分析系统。
为达到上述目的，本发明是按照以下技术方案实施的：
本发明包括以下步骤：
A获取人因数据和对应的工效数据，对所述人因数据进行预处理，所述人因数据包括生理数据、行为数据、认知数据和环境数据；
B快速访问预处理后的所述人因数据获得快速数据，根据所述工效数据将所述快速数据通过因素分析算法计算工效得分，对所述工效得分从大到小排序并输出前五个为工效因子；
C根据所述工效因子提取对应的所述人因数据获得关联数据，将工效指标作为评价系数，将所述关联数据和所述评价系数输入分析器，将分析器输出的结果输入分析元并输出前两组的因子值，所述分析器包括随机森林模型和自适应提升模型，将关联数据输入随机森林模型，将经过随机森林模型处理后的所述关联数据输入的自适应提升模型预测因子值；
D将所述因子值增加权重ωj输入评价算法获得综合评价得分并输出因子值：
其中因子为j，因子的权值ej，因子有p个。
进一步的，在步骤A中所述预处理方法包括删除缺失数据，对冗余和噪声数据进行数据清洗；对于不同数据库中存储的数据进行整合，将整合后的数据导入数据库；剔除直接进行数据挖掘的数据。
进一步的，其特征在于，所述快速访问预处理后的所述人因数据的方法，包括：
将预处理后的所述人因数据按行构造成矩阵，计算矩阵内人因数据的支持度，筛选出大于支持度阈值的所述人因数据，删除不满足支持度阈值的所述人因数据；
计算筛选后区域矩阵的频繁项集并进行筛选，融合得到快速数据；
其中人因数据X对人因数据Y的支持度S(X→Y)，大于支持度阈值的所述人因数据的人因个数为num(I)，所述人因数据的数量为num(X∪Y)。
进一步的，所述根据所述工效数据将所述快速数据通过因素分析算法计算工效得分的方法，包括：
随机选取快速数据输入因素分析算法，根据支持度计算每个频繁项集工效得分，计算所有非空集合的工效得分；筛选出大于工效得分阈值0.1的工效因子，移除先导项的工效因子；比较工效得分并排序输出前五个对应的工效因子；
其中人因数据X对工效数据Y的工效得分为P(X→Y)，所述快速数据中出现人因数据X的概率P(X)，含有人因数据X和工效数据Y的概率为P(X∪Y)。
进一步的，步骤C中所述分析元包括将所述分析器预测的因子值输入，根据工效指标对所述因子值进行排序并输入前两组因子值。
进一步的，所述自适应提升模型包括：
随机选取关联因子输入所述自适应提升模型，训练相对误差和权重系数：
其中，快速数据的平均误差γ，训练集i的实际输出yi，训练集i的数据集xi，数据集的回归模型g(xi)，其中调整系数k，第t个因子的预测错误率εt，训练权重系数β，第t个因子的权重为ωt；若迭代次数到最高，则输出相对误差和权重系数，否则重新计算样本的相对误差，直到达到最大迭代次数；将随机选取剩余的关联数据输入自适应提升模型输出因子值。
进一步的，步骤D中所述增加权重包括：
其中测量数i，因子j，第i次第j个因子的规范指标评价矩阵的数值xij，因子j的最小值因子j的最大值/>第j个因子的权值ej，j的最大值是p，无量纲数值yij。
进一步的，所述将分析器输出的结果输入分析元并输出前两组的因子值的方法，包括：
将关联数据和评价指标输入分析元计算综合评价得分Ci：
其中测量数i，因子j，第i次第j个因子的值xij，因子j的最小值因子j的最大值，因子j的权重ωj，规范化值bij，加权规范化值cij，正理想解的欧式距离/>负理想解的欧式距离/>
比较综合评价得分并排序，直到遍历所有的因子输出前三个综合评价得分对应的因子值。
第二方面，一种人因工效分析系统，包括
预处理模块，用于获取人因数据和工效数据，预处理所述人因数据得到预处理数据；
关联模块，快速访问预处理数据获得快速数据，根据所述工效数据将所述快速数据通过因素分析算法计算工效得分；
预测模块，根据所述工效因子提取对应的所述人因数据获得关联数据，将工效作为评价指标，将所述关联数据和所述评价指标输入分析器，将分析器输出的结果输入分析元并输出前两组的因子值；
评价模块，将所述因子值增加权重ωj输入评价算法获得综合评价得分并输出因子值。
本发明的有益效果是：
本发明是一种人因工效分析方法及系统，与现有技术相比，本发明具有以下技术效果：
1.本发明通过预处理、获取工效关联因素、预测因子值和增加权重评价因子值步骤，可以提高分析的准确性，从而提高分析的精度，系统将分析科学化，可以大大提高分析的精度和速度，提高工作效率，可以实现对人因数据的实时分析，及时给出不同工作对应的人因工效分析，对人因工效分析系统具有重要意义，可以适应不同工作环境、不同设备的人因工效分析需求，具有一定的普适性。
2.本发明的方法可以综合考虑工效和人因的相关性，利用优劣解距离算法将分析问题转化为评价问题，通过对获得工效关联因素，实现对关联因素的准确把控。该方法不仅可以提高分析精度，同时具有较好的可解释性，可以直接应用于人因工效分析系统中。
附图说明
图1为本发明一种人因工效分析方法的步骤流程图。
具体实施方式
下面以及具体实施例对本发明作进一步描述，在此发明的示意性实施例以及说明用来解释本发明，但并不作为对本发明的限定。
本发明人因工效分析方法及系统包括以下步骤：
如图1所示，在本实施例中，包括以下步骤：
A获取人因数据和对应的工效数据，对所述人因数据进行预处理，所述人因数据包括生理数据、行为数据、认知数据和环境数据；
生理数据包括工作压力和员工心率，行为数据包括员工站立时间、重复性动作和员工操作步骤，认知数据包括认知负荷、员工疲劳、错误率和事故发生率，环境数据温湿度；
B快速访问预处理后的所述人因数据获得快速数据，根据所述工效数据将所述快速数据通过因素分析算法计算工效得分，对所述工效得分从大到小排序并输出前五个为工效因子；
前五个工效因子为员工站立时间、重复性动作、工作压力、员工疲劳、错误率；
C根据所述工效因子提取对应的所述人因数据获得关联数据，将工效指标作为评价系数，将所述关联数据和所述评价系数输入分析器，将分析器输出的结果输入分析元并输出前两组的因子值，所述分析器包括随机森林模型和自适应提升模型，将关联数据输入随机森林模型，将经过随机森林模型处理后的所述关联数据输入的自适应提升模型预测因子值；
D将所述因子值增加权重ωj输入评价算法获得综合评价得分并输出因子值：
其中因子为j，因子的权值ej，因子有p个。
在本实施例中，步骤A中所述预处理方法包括删除缺失数据，对冗余和噪声数据进行数据清洗；对于不同数据库中存储的数据进行整合，将整合后的数据导入数据库；剔除直接进行数据挖掘的数据。
在本实施例中，所述快速访问预处理后的所述人因数据的方法，包括：
将预处理后的所述人因数据按行构造成矩阵，在因素中添加一项，该项元素为空时记为0，反之记为1，并支持度阈值；
计算矩阵内人因数据的支持度，筛选出大于支持度阈值的所述人因数据，删除不满足支持度阈值0.05的元素；扫描矩阵，筛选矩阵行向量元素，筛选出非零元素，若每行非零元素总计不大于1则删除该行向量；统计矩阵的非零元素，从大到小进行排序，以最小支持度为标准，筛选出数量为最小支持度的行向量并求交集，根据交集结果删除非零元素交集项中非零元素小的行向量；
计算筛选后区域矩阵的频繁项集并进行筛选，融合得到快速数据；
其中其中人因数据X对人因数据Y的支持度S(X→Y)，大于支持度阈值的所述人因数据的人因个数为num(I)，所述人因数据的数量为num(X∪Y)；
在实际评估中，人因数据X和人因数据Y是不同的，给出员工站立时间、重复性动作、工作压力、员工心率、员工操作步骤、温湿度、认知负荷、员工疲劳、错误率和事故发生率的数据，分别输入将未快速访问的因素分析算法和快速访问后的因素分析算法，快速访问后的因素分析算法给出的因子为员工站立时间、重复性动作、员工疲劳、错误率，未快速访问的因素分析算法给出的工效因子为员工站立时间、重复性动作、员工疲劳、错误率、温湿度，快速访问后的因素分析算法节省了67.3％的运算时间，所以快速访问后的因素分析算法提高了获取结果的精度和效率。
在本实施例中，所述根据所述工效数据将所述快速数据通过因素分析算法计算工效得分的方法，包括：
随机选取快速数据输入因素分析算法，根据支持度计算每个频繁项集工效得分，计算所有非空集合的工效得分；筛选出大于工效得分阈值0.1的工效因子，移除先导项的工效因子；比较工效得分并排序输出前五个对应的工效因子；
其中人因数据X对工效数据Y的工效得分P(X→Y)，总元素中出现人因数据X的概率P(X)，含有人因数据X和工效数据Y的概率为；
在实际评估中，X员工站立时间，Y工效，“员工站立时间→工效”表示员工站立时间对工效的影响；若P(X→Y)＝0.1，表示工效与员工站立时间相互独立，即是否工效与员工站立时间无关联，规则“工效→员工站立时间”不成立；若P(X→Y)>0.1，则规则“X→Y”是有效的关联，输出员工站立时间；若P(X→Y)<0.1，则规则“X→Y”是无效的关联；输出第一组因子值为员工站立时间为0.7，重复性动作为0.5，员工疲劳0.4、错误率0.2；输出第二组因子值为员工站立时间为0.6，重复性动作为0.4，员工疲劳0.3、错误率0.1。
在本实施例中，步骤C中所述分析元包括将所述分析器预测的因子值输入，根据工效指标对所述因子值进行排序并输入前两组因子值。
在本实施例中，所述自适应提升模型包括：
随机选取关联因子输入所述自适应提升模型，训练相对误差和权重系数：
其中，快速数据的平均误差γ，训练集i的实际输出yi，训练集i的数据集xi，数据集的回归模型g(xi)，其中调整系数k，第t个因子的预测错误率εt，训练权重系数β，第t个因子的权重为ωt；若迭代次数到最高，则输出相对误差和权重系数，否则重新计算样本的相对误差，直到达到最大迭代次数；将随机选取剩余的关联数据输入自适应提升模型输出因子值。；
在实际评估中，在每个数据集上10次训练误差和相对误差的平均值，未训练的权重系数为0.12时，相对误差为19.43,；训练后的权重系数为0.22，相对误差为11.14；训练后的权重系数较大，但相对误差较小，说明训练后的泛化能力更好，鲁棒性更强。
在本实施例中，步骤D中所述增加权重包括：
其中测量数i，因子j，第i次第j个因子的规范指标评价矩阵的数值xij，因子j的最小值因子j的最大值/>第j个因子的权值ej，j的最大值是p，无量纲数值yij。
在本实施例中，所述将分析器输出的结果输入分析元并输出前两组的因子值的方法，包括：
将关联数据和评价指标输入分析元计算综合评价得分Ci：
其中测量数i，因子j，第i次第j个因子的值xij，因子j的最小值因子j的最大值，因子j的权重ωj，规范化值bij，加权规范化值cij，正理想解的欧式距离/>负理想解的欧式距离/>
比较综合评价得分并排序，直到遍历所有的因子输出前三个综合评价得分对应的因子值；
当员工站立时间为0.7，重复性动作为0.5，员工疲劳0.4、错误率0.2，评分为0.497；当员工站立时间为0.6，重复性动作为0.4，员工疲劳0.3、错误率0.1，评分为0.511，工效得分明显提高，此时的因子值更加适合当前系统并输出。
第二方面，一种人因工效分析系统，包括
预处理模块，用于获取人因数据和工效数据，预处理所述人因数据得到预处理数据；
关联模块，快速访问预处理数据获得快速数据，根据所述工效数据将所述快速数据通过因素分析算法计算工效得分；
预测模块，根据所述工效因子提取对应的所述人因数据获得关联数据，将工效作为评价指标，将所述关联数据和所述评价指标输入分析器，将分析器输出的结果输入分析元并输出前两组的因子值；
评价模块，将所述因子值增加权重ωj输入评价算法获得综合评价得分并输出因子值。
以上所述仅为本发明的较佳实施例，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (9)

1.一种人因工效分析方法，其特征在于，包括：
A获取人因数据和对应的工效数据，对所述人因数据进行预处理，所述人因数据包括生理数据、行为数据、认知数据和环境数据；
B快速访问预处理后的所述人因数据获得快速数据，根据所述工效数据将所述快速数据通过因素分析算法计算工效得分，对所述工效得分从大到小排序并输出前五个为工效因子；
C根据所述工效因子提取对应的所述人因数据获得关联数据，将工效指标作为评价系数，将所述关联数据和所述评价系数输入分析器，将分析器输出的结果输入分析元并输出前两组的因子值，所述分析器包括随机森林模型和自适应提升模型，将关联数据输入随机森林模型，将经过随机森林模型处理后的所述关联数据输入的自适应提升模型预测因子值；
D将所述因子值增加权重ωj输入评价算法获得综合评价得分并输出因子值：
其中因子为j，因子的权值ej，因子有p个。
2.根据权利要求1所述人因工效分析方法，其特征在于，在步骤A中所述预处理方法包括删除缺失数据，对冗余和噪声数据进行数据清洗；对于不同数据库中存储的数据进行整合，将整合后的数据导入数据库；剔除直接进行数据挖掘的数据。
3.根据权利要求1所述人因工效分析方法，其特征在于，所述快速访问预处理后的所述人因数据的方法，包括：
将预处理后的所述人因数据按行构造成矩阵，计算矩阵内人因数据的支持度，筛选出大于支持度阈值的所述人因数据，删除不满足支持度阈值的所述人因数据：
其中人因数据X对人因数据Y的支持度S(X→Y)，大于支持度阈值的所述人因数据的人因个数为num(I)，所述人因数据的数量为num(X∪Y)。
4.根据权利要求1所述人因工效分析方法，其特征在于，所述根据所述工效数据将所述快速数据通过因素分析算法计算工效得分的方法，包括：
随机选取快速数据输入因素分析算法，根据支持度计算每个频繁项集工效得分，计算所有非空集合的工效得分；筛选出大于工效得分阈值的工效因子，移除先导项的工效因子；比较工效得分并排序输出前五个对应的工效因子；
其中人因数据X对工效数据Y的工效得分为P(X→Y)，所述快速数据中出现人因数据X的概率为P(X)，含有人因数据X和工效数据Y的概率为P(X∪Y)。
5.根据权利要求1所述人因工效分析方法，其特征在于，步骤C中所述分析元包括将所述分析器预测的因子值输入，根据工效指标对所述因子值进行排序并输入前两组因子值。
6.根据权利要求1所述人因工效分析方法，其特征在于，所述自适应提升模型包括：
随机选取关联因子输入所述自适应提升模型，训练相对误差和权重系数：
其中，快速数据的平均误差γ，训练集i的实际输出yi，训练集i的数据集xi，数据集的回归模型g(xi)，其中调整系数k，第t个因子的预测错误率εt，训练权重系数β，第t个因子的权重为ωt；若迭代次数到最高，则输出相对误差和权重系数，否则重新计算样本的相对误差，直到达到最大迭代次数；将随机选取剩余的关联数据输入自适应提升模型输出因子值。
7.根据权利要求1所述的人因工效分析方法，其特征在于，步骤D中所述增加权重包括：
其中测量数i，因子j，第i次第j个因子的规范指标评价矩阵的数值xij，因子j的最小值因子j的最大值/>第j个因子的权值ej，j的最大值是p，无量纲数值yij。
8.根据权利要求1所述的人因工效分析方法，其特征在于，所述将分析器输出的结果输入分析元并输出前两组的因子值的方法，包括：
将因子值和评价指标输入分析元，增加权重计算综合评价得分Ci：
cij＝ωjbij
其中因子j的权重ωj，规范化值bij，加权规范化值cij，正理想解的欧式距离负理想解的欧式距离/>
比较综合评价得分并排序，直到遍历所有的因子输出综合评价得分对应的因子值。
9.一种人因工效分析系统，其特征在于，包括，
预处理模块，用于获取人因数据和工效数据，预处理所述人因数据得到预处理数据；
关联模块，快速访问预处理数据获得快速数据，根据所述工效数据将所述快速数据通过因素分析算法计算工效得分；
预测模块，根据所述工效因子提取对应的所述人因数据获得关联数据，将工效作为评价指标，将所述关联数据和所述评价指标输入分析器，将分析器输出的结果输入分析元并输出前两组的因子值；
评价模块，将所述因子值增加权重ωj输入评价算法获得综合评价得分并输出因子值。
CN202310833165.6A 2023-07-07 2023-07-07 一种人因工效分析方法及系统 Pending CN116823056A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310833165.6A CN116823056A (zh) 2023-07-07 2023-07-07 一种人因工效分析方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310833165.6A CN116823056A (zh) 2023-07-07 2023-07-07 一种人因工效分析方法及系统

Publications (1)

Publication Number Publication Date
CN116823056A true CN116823056A (zh) 2023-09-29

Family

ID=88115154

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310833165.6A Pending CN116823056A (zh) 2023-07-07 2023-07-07 一种人因工效分析方法及系统

Country Status (1)

Country Link
CN (1) CN116823056A (zh)

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20060206287A1 (en) * 2005-03-11 2006-09-14 Rosam Ian M Performance analysis and assessment tool and method
CN107230113A (zh) * 2017-08-01 2017-10-03 江西理工大学 一种多模型融合的房产评估方法
CN112232706A (zh) * 2020-11-06 2021-01-15 四川大汇大数据服务有限公司 基于行为与能力维度的能力评价方法、系统、终端及介质
CN115859450A (zh) * 2023-02-16 2023-03-28 日照职业技术学院 一种基于bim技术的建筑建模数据处理方法及系统

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20060206287A1 (en) * 2005-03-11 2006-09-14 Rosam Ian M Performance analysis and assessment tool and method
CN107230113A (zh) * 2017-08-01 2017-10-03 江西理工大学 一种多模型融合的房产评估方法
CN112232706A (zh) * 2020-11-06 2021-01-15 四川大汇大数据服务有限公司 基于行为与能力维度的能力评价方法、系统、终端及介质
CN115859450A (zh) * 2023-02-16 2023-03-28 日照职业技术学院 一种基于bim技术的建筑建模数据处理方法及系统

Similar Documents

Publication Publication Date Title
Sokal Distance as a measure of taxonomic similarity
US8666998B2 (en) Handling data sets
CN110097123B (zh) 一种快件物流过程状态检测多分类系统
Gustafsson et al. Comparison and validation of community structures in complex networks
Boyabatli et al. Parameter selection in genetic algorithms
Hwang et al. Variational deep clustering of wafer map patterns
CN104616029B (zh) 数据分类方法及装置
Oriol Sabat et al. SALAI-Net: species-agnostic local ancestry inference network
CN114373507A (zh) 一种混合dna图谱的分析方法
Tiruneh et al. Feature selection for construction organizational competencies impacting performance
CN116842330B (zh) 一种可对比历史记录的保健信息处理方法及装置
CN116823056A (zh) 一种人因工效分析方法及系统
CN112733451A (zh) 一种mbd模型的关键检验特性识别及其提取方法
CN116629716A (zh) 一种智能交互系统工效分析方法
Senapti et al. A novel approach for missing value imputation and classification of microarray dataset
Wang et al. Cooperative co-evolution with improved differential grouping method for large-scale global optimisation
CN113838519B (zh) 基于自适应基因交互正则化弹性网络模型的基因选择方法及系统
CN113624466B (zh) 汽轮机转子故障诊断方法、装置、设备及存储介质
Rathore et al. Approximate cluster heat maps of large high-dimensional data
CN111965733B (zh) 一种预报因子与太阳耀斑发生的相关性评估方法
CN112947339A (zh) 一种基于性能指标的半导体生产线动态调度方法
WO2004003168A2 (en) Clustering biological data using mutual information
CN113205274A (zh) 一种施工质量定量化排名方法
JP5852902B2 (ja) 遺伝子間相互作用解析システム、その方法及びプログラム
Ferreira et al. Assessment of fuzzy gaussian naive bayes for classification tasks

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