密度算法及其在HRM中的應用研究.pdf

1、隨著現(xiàn)代企業(yè)的信息化快速發(fā)展，信息系統(tǒng)產生的數(shù)據(jù)量日益增大，從大量的數(shù)據(jù)中提取有用信息并非易事。如何有效地利用海量的原始數(shù)據(jù)分析現(xiàn)狀、預測未來，已成為人類面臨的一大挑戰(zhàn)，數(shù)據(jù)挖掘就是為了滿足這種需要而產生的。 聚類分析是數(shù)據(jù)挖掘中的一個重要研究領域，近年來，隨著衛(wèi)星遙感、傳感器網絡、高能物理研究等技術的發(fā)展，大量的數(shù)據(jù)被存儲在數(shù)據(jù)庫中，這些數(shù)據(jù)具有維度高、數(shù)據(jù)分布稀疏、噪聲數(shù)據(jù)多的特點。在很多應用場合下，這些數(shù)據(jù)分布在不同的節(jié)點

2、上，如果使用傳統(tǒng)的聚類算法從這些分布式數(shù)據(jù)中提取信息，就必須把這些數(shù)據(jù)合并到一個中心站點上。由于傳輸速度和安全因素的限制，把各個站點的數(shù)據(jù)都集中到中心站點上是十分困難的，在某些領域中把數(shù)據(jù)集中到一個站點幾乎是不可能的，額外開銷很大。 K—Dmeans算法是基于K—Means的分布式聚類算法，本文針對K—Dmeans算法在K—Dmeans在每次迭代過程中站點間要傳送大量的數(shù)據(jù)對象，由于帶寬限制、網絡延時等問題導致通信代價很大，尤

3、其在處理大數(shù)據(jù)集時，通信代價遠大于計算代價，算法總體效率很低等不足進行了改進。改進后的算法能夠有效地處理傳遞少量的聚簇信息，執(zhí)行效率很高。并能夠有效地解決已有分布式密度算法存在的對噪音和異常數(shù)據(jù)處理能力弱、不適應高維數(shù)據(jù)以及各節(jié)點局部聚類結果規(guī)模較大的不足。 在將理論技術應用到實踐方面，本文在分析了中國企業(yè)現(xiàn)有的績效評估體系現(xiàn)狀以及現(xiàn)有績效評估方法缺陷的基礎上，根據(jù)本人參與開發(fā)HRM系統(tǒng)的經驗，將基于改進密度算法的聚類分析方法應

4、用于員工績效評估中，具體做法為：根據(jù)員工的各種績效評估指標，首先建立員工績效評估的聚類分析模型，然后采用改進密度算法對員工進行聚類。通過聚類，從而對公司的員工有效地進行分類，有了這些分類，就能為人事規(guī)劃和人事調整提供有效的決策支持。 本文首先介紹了分布式聚類算法研究現(xiàn)狀、績效管理發(fā)展現(xiàn)狀，聚類分析的原理、發(fā)展、聚類分析方法和聚類分析的應用，接著介紹了基于密度的分布式聚類算法研究現(xiàn)狀，然后闡述了分布式聚類算法的原理，分析了分布式聚

5、類算法的優(yōu)點和不足，并闡述了現(xiàn)有的幾種改進方法。有了以上的理論基礎，提出了改進密度算法以及該算法的聚類分析模型，并給出了相應的算法流程和實現(xiàn)，并進行了仿真實驗，和其他聚類分析算法進行了比較。之后，本文在第三章簡要介紹了人力資源管理理論和績效評估理論，分析了現(xiàn)有的幾種績效評估方法及其他們的優(yōu)缺點。并結合本人的項目開發(fā)經驗，將改進的密度算法應用在員工績效評估系統(tǒng)中，并在第四章實現(xiàn)了一個完整的基于改進密度算法聚類分析的員工績效評估系統(tǒng)。通過大