一种员工技能水平多维度测评方法

摘要

本发明公开了一种员工技能水平多维度测评方法，包括，通过服务器获取员工的技能水平信息，并构建七个维度层级指标集；基于层次分析策略构建层次结构模型，并利用所述模型确定所述指标集的指标权重；根据所述指标权重并基于神经网络构建员工技能水平评价模型；利用误差能量函数迭代训练所述评价模型，并获得训练精度，直至满足精度阈值时输出技能水平评价值，完成测评；本发明通过多维度方式能够对电力系统技能员工进行全方面的测评，从不同维度和总体结果体现出技能员工的优中差，清晰明了展现员工优缺点和技能水平，同时，通过引入机器学习提升了测评准确度。

说明书

技术领域

本发明涉及计算机测评和机器学习的技术领域，尤其涉及一种员工技能水平多维度测评方法。

背景技术

目前，电力系统各专业领域员工在工作中的技能水平普遍存在“高学历，低素质”或“高职称、低能力”等与岗位能力不匹配的情况，真正的技能人才难以被发现，现有技术只能通过学历和资历来对员工的业务水平进行评定，采用这样的方式准确性太差。

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，提出了本发明。

因此，本发明提供了一种员工技能水平多维度测评方法，解决了遵义供电局各专业领域员工在工作中现有岗位与能力不匹配的问题。

为解决上述技术问题，本发明提供如下技术方案：包括，通过服务器获取员工的技能水平信息，并构建七个维度层级指标集；基于层次分析策略构建层次结构模型，并利用所述模型确定所述指标集的指标权重；根据所述指标权重并基于神经网络构建员工技能水平评价模型；利用误差能量函数迭代训练所述评价模型，并获得训练精度，直至满足精度要求时输出技能水平评价值，完成测评。

作为本发明所述的员工技能水平多维度测评方法的一种优选方案，其中：所述指标集包括，

P

其中，i为维度层数，P

作为本发明所述的员工技能水平多维度测评方法的一种优选方案，其中：所述构建层次结构模型包括，目标层：

其中，μ为测评得分，n为子维度值，i为维度值，K为最大特征值，u为某一维度得分归一化后的值；指标层：测评维度；对象层：测评对象。

作为本发明所述的员工技能水平多维度测评方法的一种优选方案，其中：所述指标权重包括，

其中，

作为本发明所述的员工技能水平多维度测评方法的一种优选方案，其中：所述员工技能水平评价模型包括，输入层：员工的所有维度指标得分；模糊层：

作为本发明所述的员工技能水平多维度测评方法的一种优选方案，其中：所述模糊层还包括，将所述模糊层的一个模糊节点的参数设为零。

作为本发明所述的员工技能水平多维度测评方法的一种优选方案，其中：还包括所述输入层到所述模糊层的权值修正，

Δβ＝ηφ

其中，Δβ为所述输入层到所述模糊层的加权系数修正值，η为学习速率，φ

作为本发明所述的员工技能水平多维度测评方法的一种优选方案，其中：所述误差能量函数包括，基于误差反向传播策略定义所述误差能量函数：

其中，所述o为实际输出值，q为预期输出值。

作为本发明所述的员工技能水平多维度测评方法的一种优选方案，其中：所述迭代训练包括，根据下式分别对所述参数c

其中，γ为模型的学习速率，z为迭代次数，x和y分别表示层级数和所述层级中的节点数。

作为本发明所述的员工技能水平多维度测评方法的一种优选方案，其中：所述精度要求包括，设置所述训练精度阈值为98％。

本发明的有益效果：通过多维度方式能够对电力系统技能员工进行全方面的测评，测评涵括了全部电力企业技能岗位上员工的所有方面，通过测评结果量化，以数字方式实现员工能力体现和综合能力排序，从不同维度和总体结果体现出技能员工的优中差，清晰明了展现员工优缺点，和技能水平，同时，通过引入机器学习提升了测评准确度。

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为本发明第一个实施例所述的员工技能水平多维度测评方法的流程示意图；

图2为本发明第一个实施例所述的员工技能水平多维度测评方法的部分员工多维度的测评结果示意图；

图3为本发明第一个实施例所述的员工技能水平多维度测评方法的部分员工的个人分析结果示意图。

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，为本发明的第一个实施例，该实施例提供了一种员工技能水平多维度测评方法，包括：

S1：通过服务器获取员工的技能水平信息，并构建七个维度层级指标集。

通过服务器收集变电运行专业和配网综合专业技能人员的详细数据，该数据包括员工的工作实绩、实操技能、培训参与度、内训师资质、专业岗位信息、技能鉴定、技术职称、论文发表情况、课件开发、新闻报道、安全能力、规程、标准编制情况、QC成果、专利、技改贡献、科技成果以及现场违章情况。

基于以上数据七个维度层级的指标集：

P

其中，i为维度层数，P

具体的，P

P

P

P

P

P

P

S2：基于层次分析策略构建层次结构模型，并利用模型确定指标集的指标权重。

其中需要说明的是，层次分析方法是一种定量和定性相结合的评价方法，当评价指标的组成结构比较复杂，难以使用其他方法加以量化时，可以通过该方法来进行量化，由于每一级指标的权重为其子级指标的权重之和，可自上而下地计算出各层指标的组合权重，因此层次分析方法适用于确定指标权重。

具体的，层次结构模型包括目标层，指标层以及对象层；

①目标层：

其中，μ为测评得分，n为子维度值，i为维度值，K为最大特征值，u为某一维度得分归一化后的值；

②指标层：测评维度；

③对象层：测评对象。

系统的层次结构划分为七个层级，因此分别计算七层指标的权重向量

定义指标权重：

其中，

k

由于指标的复杂性以及评价对象的主观判断差异性，矩阵A难以保证一定满足一致性矩阵的条件，因此需要对矩阵进行一致性检验，判断矩阵一致性的规则是：

其中，C.I.表示一致性指标。

S3：根据指标权重并基于神经网络构建员工技能水平评价模型。

员工技能水平评价模型采用4层结构：输入层、模糊层、推理层和输出层。

具体的，①输入层：输入员工的所有维度指标得分，该模型利用7个一级维度指标下的47个子维度指标作为输入数据，每个子维度指标的总分值为10分；

②模糊层：由于高斯型隶属函数为钟形曲线，具备通过利用简单的学习规则来表示丰富的模糊信息的性质，因此这里使用高斯型隶属函数作为模糊层的函数，即：

其中，t

较佳的是，将模糊层的一个模糊节点的参数设为零，即删除模糊层的一个模糊节点，提升了模型性能。

③推理层：将模糊规则划分为3个等级：优、及格和不及格，该层的输出值vi代表规则的激发密度，公式如下：

④输出层：对各神经节点数据进行去模糊化处理，获得网络输出值，公式如下：

为了减少对存储单元的需求，对输入层到模糊层的权值按下式进行修正：

Δβ＝ηφ

其中，Δβ为输入层到模糊层的加权系数修正值，η为学习速率，φ

S4：利用误差能量函数迭代训练评价模型，并获得训练精度，直至满足精度阈值时输出技能水平评价值，完成测评。

基于误差反向传播算法定义误差能量函数：

其中，o为实际输出值，q为预期输出值。

进一步的，根据下式分别对参数c

其中，γ为模型的学习速率，z为迭代次数，x和y分别表示层级数和层级中的节点数。

当迭代到训练精度达到98％后终止迭代训练，并输出训练参数值。

在样本训练过程中神经网络通过调整参数使网络误差收敛于目标误差，最终实现网络的最佳效果，当需要评估新对象时，只需要输入预测对象的指标因子向量，即通过网络计算获得员工技能能力评价的输出值。

实施例2

为了对本方法中采用的技术效果加以验证说明，本实施例分别选择传统的员工测评方法、传统的BP神经网络训练方法和采用本方法进行对比测试，以科学论证的手段对比试验结果，以验证本方法所具有的真实效果。

传统的员工测评方法只能通过学历和资历来对员工的业务水平进行评定，且测评准确度低；传统的BP神经网络训练时间较长，对于某些特殊的问题，运行时间可能需要几个小时甚至更长，且易陷入局部极小值。

为验证本方法相对传统的员工测评方法具有较准确的测评结果以及测评方式多维度，本实施例中将分别采用传统的BP神经网络训练方法、传统的员工测评方法和本方法分别对变电站的部分员工进行测评对比。

实验环境配置如下：

表1：实验环境参数表。

利用某变电站的员工信息数据库，以及相应的抽样调查统计，提取出大约100名员工的技能指标数据，导入到数据集F中，其中，F包含指标分值和评价输出值。数据集按照7:3的比例划分为训练集和测试集，数据集中将员工的各个指标值作为输入，实际综合评价值作为输出，并将输入输出值导入本发明的训练模型中，通过神经网络算法的不断学习，将网络学习速率设为0.02，最大迭代次数为2000，最小误差为0.001，将样本数据代入下式进行计算：

其中，sim表示网络各层的相似度之和，a表示样本个数，s

这里隐含层节点数选取为7个，即网络拓扑结构为47-7-1。在网络训练之后，随机选择未训练的30个样本，使用模糊神经网络进行模拟测试，并与传统BP神经网络的训练测试结果进行比较，比较结果如下表所示。

表2：传统的BP神经网络与本方法训练模型的结果对比表。

由上表可知，本方法的模型精度高于传统的BP神经网络，具有很好的鲁棒性。

下面分别从播州供电局、风冈供电局、市郊供电局、铜锌供电局以及遵义供电局挑选部分员工，同时采用传统的员工测评方法和本方法对这部分员工进行测评对比，测评结果如表3、图2、图3所示。

表3：采用传统的员工测评方法进行测评的结果表。

两种方法的实际匹配率分别为75％和100％，综上可见，本方法不仅能够对技能员工进行全方面的测评，且提升了岗位与能力的匹配率，为电力系统建立高素质专业化员工队伍奠定坚实的基础，同时也为安全生产评先选优及员工岗位晋级提供数据支持。

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。