SVM与K-Means算法在IHRS中的研究与应用

论文摘要

随着信息技术的发展,各个行业在过去的若干年里都积累了大量的数据。如何发现隐含在这些数据中的规则和知识,并辅助决策,成了亟待解决的问题。数据挖掘技术的出现和发展为此提供了有力的支持。数据挖掘就是从大量的、不完备的数据中,提取出事先未知的、但具有价值的信息和知识的过程。 支持向量机(SVM)近年来在模式识别、回归分析和特征提取等方面得到了很多应用。支持向量机方法在VC维理论和结构风险最小化原理的基础上,根据有限的样本信息在模型的复杂性和学习能力之间寻求最佳折中,以期获得做好的推广能力。SVM解决了在神经网络网络方法中无法避免的局部极值问题和过学习的问题,而且既有较好的推广能力,同时避免高维空间的“维数灾难”问题,其算法复杂度与样本维数无关。 聚类分析是一种应用广泛的数据挖掘方法,它能从数据中找出相关的特征或模式,分析直观,结论形式简明。 本文主要阐明了ERP中人力资源管理系统在数据预处理的前提下,用支持向量机(SVM)方法来对到企业的应聘人员是否招聘做出预测。用聚类分析来对已有员工进行分析,为人力资源管理者提供决策支持。

论文目录

• 摘要
• Abstract
• 第一章 绪论
• 1.1 课题研究的背景
• 1.2 数据挖掘的现状
• 1.3 本课题研究的内容及意义
• 第二章 SVM与聚类分析算法原理
• 2.1 算法的选择及依据
• 2.1.1 SVM及K—Means聚类算法的优点
• 2.1.2 数据挖掘
• 2.1.2.1 数据挖掘的产生背景
• 2.1.2.2 数据挖掘简介
• 2.2 支持向量机（SVM）
• 2.2.1 统计学习理论
• 2.2.2 支持向量机的算法原理
• 2.3 聚类分析
• 2.3.1 聚类分析简介
• 2.3.2 K-Means聚类分析算法
• 第三章 IHRS的系统分析与设计
• 3.1 IHRS简介
• 3.1.1 人力资源管理
• 3.1.2 人力资源管理的意义
• 3.1.3 ERP中的人力资源管理
• 3.2 技术介绍
• 3.2.1 B／S结构
• 3.2.2 J2EE
• 3.2.3 系统架构的设计
• 第四章 SVM及聚类分析在KMUST-IHRS中的应用
• 4.1 数据准备
• 4.2 具体实现
• 4.2.1 IHRS系统的实现
• 4.2.1.1 IHRS系统的业务分析
• 4.2.1.2 ERP业务构架平台下IHRS系统的实现
• 4.2.2 数据挖掘的实现
• 4.2.2.1 数据的预处理
• 4.2.2.2 基于SVM的招聘预测
• 4.2.2.3 聚类分析
• 4.3 在Java中调用Matlab的原理
• 第五章 结论
• 5.1 总结
• 5.2 下一步工作
• 致谢
• 参考文献