【摘 要】
：
针对当前大学毕业生就业预测精度低,效率低等缺陷,为了获得更优的大学毕业生就业预测结果,提出基于数据挖掘的大学毕业生就业预测模型.首先采集大学毕业生就业历史数据,然后引入数据挖掘从历史数据发现大学毕业生就业变化规律,构建最优的大学毕业生就业预测模型,最后在MATLAB 2019平台上对其性能进行了测试.结果 表明,基于数据挖掘的大学毕业生就业预测精度达到了90％以上,精度超过了大学毕业生就业预测的实际应用要求,建模效率高,整体预测效果明显优于当前经典大学毕业生就业预测模型.
【机 构】
：
西安工程大学服装与艺术设计学院,陕西西安710048
论文部分内容阅读
针对当前大学毕业生就业预测精度低,效率低等缺陷,为了获得更优的大学毕业生就业预测结果,提出基于数据挖掘的大学毕业生就业预测模型.首先采集大学毕业生就业历史数据,然后引入数据挖掘从历史数据发现大学毕业生就业变化规律,构建最优的大学毕业生就业预测模型,最后在MATLAB 2019平台上对其性能进行了测试.结果 表明,基于数据挖掘的大学毕业生就业预测精度达到了90％以上,精度超过了大学毕业生就业预测的实际应用要求,建模效率高,整体预测效果明显优于当前经典大学毕业生就业预测模型.
其他文献
为了分析电力线通信(PLC)网络中协作电源域非正交多址接入(NOMA)的性能,通过半双工传输,信源在第一阶段传输叠加信号,中继在接收到的叠加信号上使用放大转发(AF)和解码转发(DF)协议,并在第二阶段将其转发给用户.在具有脉冲噪声的PLC对数正态信道下,推导了系统的中断概率和系统吞吐量的解析表达式.仿真结果表明,与无中继传输和传统正交多址(OMA)方案相比,AF-NOMA和DF-NOMA方案的中断概率和系统吞吐量性能均有所提高.
足球作为世界第一大体育运动,受到了全世界观众的关注.伴随着互联网彩票行业在国内的兴起,越来越多的彩民也开始关注这项比赛并投注.为了实现盈利最大化,需要对结果进行预测.因此,提出了一种基于神经网络的足球比赛结果预测算法.该方法基于BP神经网络,将对比赛最有影响的因素作为特征对竞赛结果进行预测.通过对神经网络特性的实验研究,预测精度达到75％.
准确的业务过程剩余时间预测有助于调整企业生产计划以及服务流程,以满足用户与市场的需求.现有方法多采用专家经验和历史数据构建的单一模型,具有无法智能选择较为符合当前业务过程模型的缺点.在传统变迁系统的基础上,提出一种基于多模型选择不同预测方法的算法.通过历史事件日志构建多种预测模型,基于模型数据纯度选择合适的预测模型对业务过程的剩余时间进行预测.通过在公开数据集上与传统变迁系统方法进行实验比较,验证了这种方法的有效性.
为了智能电网(SG)系统中各种智能设备产生的大数据降维后便于传输,以软件定义网络(SDN)为基础,设计了一种基于经验概率的控制算法(EPCS)来计算转发降维数据的最佳路径,以此最小化网络基础设施上的负载和有效带宽利用率.该控制算法可以最大限度地减少不同节点之间传输降维数据时所发生的传输延迟.仿真结果表明,该方案在网络时延、精度和吞吐量等方面均有较好的效果.
从确定型有限自动机生成简短的正则表达式是计算机理论研究的基础问题之一,经典生成方法对状态排序方式比较敏感,不能保证表达式的生成质量.为了找到最优状态序列,基于状态消减法,提出了一种向前预测的改进权重法.该算法利用权重函数分析消减状态前和消减状态后自动机字符总量的变化,并结合并行消减状态策略,以及连续消减多个状态的向前预测策略,从而确定状态序列.通过实验将改进权重法与现有的启发式搜索算法进行对比,结果显示该算法所生成最优正则表达式的正确率高于其他算法.
随着大数据时代的来临,如何提高数据质量成为提高数据利用效率的关键问题.介绍了大数据环境下的数据清洗流程,对传统的Logsf方法进行了改进,提取大数据的主要特征,实现了大数据的降维.提出了采用Canopy改进K-means的算法,实现了异常数据的快速识别.对所提出的改进的Logsf方法和传统的Logsf方法进行了仿真对比,实验结果说明改进的Logsf方法具有更高的准确率和数据处理速度.将改进的K-means算法和传统的K-means算法应用在异常数据的分析当中,实验结果验证了所提方法具有更高的准确性和处理速
车辆运行过程中要考虑前车的变化,为此,对避撞系统设计进行优化完善.通过智能车检系统与车前安装的雷达收集并分析左右车辆的数据信息,运用安全距离算法计算出车间时距,同时运用转向逆动力学模型测出最佳转向转角,并由车辆自行启动换道操作的方法,结合PreScan软件建立图像,对车辆紧急避撞系统进行场景虚拟试验,判断出车辆的避撞系统是否具备完善的安全性能,最终得出该控制系统结构能够很好的避免车辆出现碰撞现象的结论.
构建基于数据挖掘技术的心理障碍预测模型,有效预测心理障碍,提升预测能力.依据随机森林原理,通过投票或计算平均数的决策方式重组随机森林生成的分类树,Bagging算法使用Bootstrap从心理障碍数据样本集内反复抽取子心理障碍数据集,构建分类树模型,通过计算心理障碍样本集的信息增益、信息率等确定分类树分裂节点并构建决策树分支与叶节点,经过剪枝处理后,通过提升随机森林的收敛性、分类能效与相关度,缩小其泛化误差,实现心理障碍预测.实验结果表明:该模型灵敏度达到0.95,预测价值较高;预测准确率达到0.98,且
现有音频辨识变模型无法分辨电子音乐类型,辨识精度较低,为此,设计基于卷积神经网络的电子音乐辨识模型.通过重建电子音乐信号频谱内谐波信息,对电子音乐信号进行预处理,去除电子音乐信号频谱内的噪声,并将去除噪声后的电子音乐文件制作成波形图.将电子音乐频谱波形图作为输入,利用多层特征融合的混合和采样方式提取输入图像内的特性,利用反向传播算法训练卷积神经网络,通过Soft Max分类器试点电子音乐分类辨识.实验结果显示,所设计模型能够有效去除电子音乐内的噪声含量,在迭代次数达到100次时即可将模型拟合误差降至下限值
传统英语译文校准计算机系统仅注重单词和语法的准确性,对语境的忽略容易造成译文整体不通顺的缺陷,为此提出并设计了一种基于计算机智能的英语译文语境化自动校准系统.通过搜索模块初步确定单词的语义,利用行为日志收集用户的行为数据,在短语翻译改进模型自动校准方法的基础上,结合上下文语境确定正确的单词.系统测试结果表明,系统译文的平均准确性较之传统系统提高了27.7％,实现了语境化自动翻译的目标.