支持向量机理论与算法研究综述
支持向量机理论与算法研究综述
作者：丁世飞， 齐丙娟， 谭红艳， DING Shi-fei， QI Bing-juan， TAN Hong-yan
作者单位：丁世飞,DING Shi-fei(中国矿业大学计算机科学与技术学院,江苏,徐州,221116;中国科学院计算技术研究所智能信息处理重点实验室,北京,海淀区,100080)， 齐丙娟,QI Bing-
juan(中国矿业大学计算机科学与技术学院,江苏,徐州,221116)， 谭红艳,TAN Hong-yan(中
国科学院声学研究所高性能网络实验室,北京,海淀区,100190)
刊名：
电子科技大学学报
英文刊名：JOURNAL OF UNIVERSITY OF ELECTRONIC SCIENCE AND TECHNOLOGY OF CHINA
年，卷(期)：2011,40(1)
被引用次数：28次
参考文献(69条)
1.CRISTIANINI N;TAYLOR J S;李图正;王猛,曾华军支持向量机导论 2004
2.张学工关于统计学习理论与支持向量机[期刊论文]-自动化学报 2000(01)
3.VAPNIK V N;张学工统计学习理论的本质 2000
4.VAPNIK V N;许建华;张学工统计学习理论 2004
5.刘晓亮;丁世飞SVM用于文本分类的适用性[期刊论文]-计算机工程与科学 2010(06)
6.林开标;王周敬基于支持向量机的传真收件人识别方法[期刊论文]-计算机工程与应用 2006(07)
7.谢塞琴;沈福明;邱雪娜基于支持向量机的人脸识别方法[期刊论文]-计算机工程 2009(16)
8.李颖新;阮晓钢基于支持向量机的肿瘤分类特征基因选取[期刊论文]-计算机研究与发展 2005(10)
9.高伟;王宁浅海混响时间序列的支持向量机预测[期刊论文]-计算机工程 2008(06)
10.BOSER B E;GUYON I M;VAPNIK V N A training algorithm for optimal margin classifiers 1992
11.OSUNA E;FRENUD R;GIROSI F An improved training algorithm for support vector machines 1997
12.JOACHIMS T Making large-scale support vector machine learning practical 1998
13.PLATT J Fast training of support vector machines using sequential minimal optimization 1998
14.DAI Liu-ling;HUANG He-yan;CHEN Zhao-xiong Ternary sequential analytic optimization algorithm for SVM classifier design 2005(03)
15.KEERTHI S S;SHEVADE S K;BHATTAEHARYYA C Improvements to platt's SMO algorithm for SVM classifier design[外文期刊] 2001(03)
16.PLATT J Using analytic QP and sparseness to speed training support vector machines 1999
17.SYED N;LIU H;SUNG K Incremental learning with support vector machines 1999
18.GAUWENBERGHS G;POGGIO T Incremental and decremental support vector machine 2001(13)
19.RALAIVOLA L;FLORENCE D'ALCHe-BUC Incremental support vector machine learning:a local approach 2001
20.孔锐;张冰一种快速支持向量机增量学习算法[期刊论文]-控制与决策 2005(01)
21.孔波;刘小茂;张钧基于中心距离比值的增量支持向量机[期刊论文]-计算机应用 2006(06)
22.李东晖;杜树新;吴铁军基于壳向量的线性支持向量机快速增量学习算法[期刊论文]-浙江大学学报（工学版）2006(02)
23.TANG Yu-chun;JIN Bo;ZHANG Yan-qing Granular support vector machines for medical binary classification problems 2004
24.李道国;苗夺谦;张东星粒度计算研究综述[期刊论文]-计算机科学 2005(09)
25.程伟;石扬;张燕平粒度计算的三种主要方法[期刊论文]-计算机技术与发展 2007(03)
26.DING Shi-fei;XU Li;ZHU Hong Research and progress of cluster algorithms based on granular computing 2010(05)
27.TANG Yu-chun;JIN Bo;ZHANG Yan-qing Granular support vector machines with association rules mining for protein homology prediction[外文期刊] 2005(1/2)
28.张文浩;王文剑一种基于关联规则的核粒度支持向量机[期刊论文]-广西师范大学学报(自然科学版) 2009(03)
29.WANG Wen-jian;XU Zong-ben A heuristic training in support vector regression 2004
30.张鑫;王文剑一种基于粒度的支持向量机学习策略 2008(8a)
31.段丹青;陈松乔;杨卫军使用粗糙集和支持向量机检测入侵[期刊论文]-小型微型计算机系统 2008(04)
32.LI Ye;CAI Yun-ze;LI Yuan-gni Rough sets method for SVM data preprocessing 2004
33.YU H;YANG-JIONG;HAN Jia-wei Making SVMs scalable to large data sets using hierarchical cluster indexing[外文期刊] 2005(03)
34.文贵华;向君;丁月华基于商空间粒度理论的大规模SVM分类算法[期刊论文]-计算机应用研究 2008(08)
35.程伟;张燕平;赵姝商空间理论框架下的SVM产量预测模型研究[期刊论文]-中国农业大学学报 2009(05)
36.连可;黄建国;王厚军一种基于遗传算法的sVM决策树多分类策略研究[期刊论文]-电子学报 2008(08)
37.郭虎升;王文剑基于神经网络的SVM学习算法[期刊论文]-计算机工程与应用 2009(02)
38.GUO Hu-sheng;WANG Wen-jian;MEN Chang-qian A novel learning model-kernel granular support vector machine 2009
39.王文剑;郭虎升粒度支持向量机学习模型[期刊论文]-山西大学学报(自然科学版) 2009(04)
40.张文浩;王文剑一种基于关联规则的核粒度支持向量机[期刊论文]-广西师范大学学报(自然科学版) 2009(03)
41.LI Xue-hua;SHU Lan Fuzzy theory based support vector machine classifier 2008
42.HAO Pei-yi;LIN Min-shiu;TSAI Lung-biao A new support vector machine with fuzzy hyper-plane and
its application to evaluate credit risk 2008
43.LIN Chun-fu;WANG Sheng-de Fuzzy support vector machines 2002(02)
44.HUANG H P;LIU Y H Fuzzy support vector machines for pattern recognition and data mining 2002(03)
45.张翔;肖小玲;徐光祜模糊支持向量机中隶属度的确定与分析[期刊论文]-中国图象图形学报 2006(08)
46.张贵香;费岚;杜喆基于类内超平面的模糊支持向量机 2008(29)
47.李苗苗;向凤红;刘新旺一种新颖隶属度函数的模糊支持向量机[期刊论文]-计算机工程与科学 2009(09)
48.孙名松;高庆国;王宣丹基于双隶属度模糊支持向量机的邮件过滤[期刊论文]-计算机工程与应用 2010(02)
49.吴青;刘三阳;杜喆基于边界向量提取的模糊支持向量机方法[期刊论文]-模式识别与人工智能 2008(21)
50.YAN W Y;HE Q Multi-class fuzzy support vector machine based on dismissing margin 2009
51.刘宏冰;熊盛武一类快速模糊支持向量机[期刊论文]-系统仿真学报 2008(24)
52.施其权;李小明;肖辞源一类新型快速模糊支持向量机[期刊论文]-计算机技术与发展 2010(02)
53.JAYADCVA R;KHEMCHANDANI S C Twin support vector machines for pattern classification[外文期刊] 2007(05)
54.ARUN K M;GOPAL M Least squares twin support vector machines for pattern classification 2009
55.ZHANG Xin-sheng Boosting twin support vector machine approach for MCs detection 2009
2010(20)
57.CHEN Jing;JI Guang-rong Weighted least squares twin support veetor machines for pattern classification 2010
58.WANG Di;YE Ning;YE Qiao-lin Twin support vector machines via fast generalized Newton refinement 2010
59.GANESH R N;DINESH K K;JAYADEVA Twin SVM for gesture classification using the surface electromyogram 2010(02)
60.王扬;黄亚楼;刘杰基于PRank算法的主动排序学习算法[期刊论文]-计算机工程 2008(21)
61.HERBRICH R;GRAEPEL T;OBERMAYER K Large margin rank boundaries for ordinal regression 2000
62.DING Shi-fei;LIU Xiao-liang;ZHANG Li-wen Research on ranking support vector machine and prospects 2010
63.JOACHIMS T Optimizing Serarch engines using clickthrough data 2002
64.CAO Yun-bo;Xu Jun;LIU Tie-yan Adapting ranking SVM to document retrieval 2006
65.YAJIMA Y;Kuo Tien-fang Efficient formulations for 1-SVM and their application to recommendation tasks 2006(03)
66.王宏宇;糜仲春;梁晓艳一种基于支持向量机回归的推荐算法[期刊论文]-中国科学院研究生院学报 2007(06)
67.YU H;KIM Y;HWANG S An efficient method for learning ranking SVM 2009
68.QIN Tan;ZHANG Xu-dong;WANG De-sheng Ranking with multiple hyperplanes 2007
69.NGUYEN T;NGO A V;NGUYEN H V Probabilistic ranking support vector machine 2009
本文读者也读过(1条)
1.顾亚祥.丁世飞.GU Ya-xiang.DING Shi-fei支持向量机研究进展[期刊论文]-计算机科学2011,38(2)
引证文献(45条)
1.唐静.胡云安.肖支才基于遗传算法的电路故障诊断超参数优化算法框架[期刊论文]-计算机工程与应用 2012(3)
2.陈圣磊.陈耿.薛晖最小二乘支持向量机分类的稀疏化方法研究[期刊论文]-计算机工程 2011(22)
3.张铁山.付家才粒子群支持向量机在煤矿顶板故障诊断中的应用[期刊论文]-机电一体化 2013(7)
4.王春方.张力新.刘爽.孙长城.王勇军.赵欣.綦宏志.周鹏.万柏坤基于去趋势波动分析(DFA)的脑卒中后抑郁症静息脑电特征提取与识别[期刊论文]-中国生物医学工程学报 2013(5)
5.邢玉娟.李恒杰.高翔基于PCS-PCA分类器和支持向量机的说话人确认[期刊论文]-自动化与仪器仪表 2012(5)
6.邢玉娟.李恒杰.张成文.王万军基于MVR隶属度的多级FSVM语音情感识别[期刊论文]-重庆理工大学学报：自然科学 2012(10)
7.陈晨.吴海云.田燕红.左月明基于支持向量回归机的粮食产量预测研究[期刊论文]-山西农业大学学报（自然科学版） 2013(4)
8.徐红.彭力.陈容基于优化支持向量机的人脸表情分类[期刊论文]-计算机应用研究 2013(8)
9.郝晓鹏.赵洪业.高强基于KPCA的FPSO流程故障检测方法[期刊论文]-电子科技 2013(5)
10.郭虎升.王文剑基于粒度偏移因子的支持向量机学习方法[期刊论文]-计算机研究与发展 2013(11)
11.罗元.吴彩明.张毅基于PCA与SVM结合的面部表情识别的智能轮椅控制[期刊论文]-计算机应用研究 2012(8)
12.李驰支持向量机在焊接过程中的应用[期刊论文]-电焊机 2011(10)
13.蒋鼎国.周红标.耿忠华基于PSO-SVM的白酒品质鉴别电子鼻[期刊论文]-中国酿造 2011(11)
14.贾志先基于支持向量机的空白试卷识别方法[期刊论文]-山西大学学报（自然科学版） 2011(3)
15.梁海军人工蜂群优化支持向量机算法在网络安全中的应用[期刊论文]-微电子学与计算机 2013(2)
16.吴家梁.樊波基于支持向量机的三相逆变器波形控制策略[期刊论文]-低压电器 2013(17)
17.杨禹.严中红.易东生物医学信号模式的状态评估法分析方法研究[期刊论文]-重庆医学 2013(36)
18.邢笑雪.姜利基于PCA与KPCA的基因数据的特征简约[期刊论文]-长春大学学报（自然科学版） 2013(6)
19.王岩.朱齐丹.刘志林.杨震改进的稀疏孪生支持向量回归算法[期刊论文]-系统工程与电子技术 2012(9)
20.高相铭.陈永超基于物联网的分布式电动机故障诊断与保护系统研究[期刊论文]-工矿自动化 2013(6)
21.张锐.成伟山.潘博混沌分布估计算法在电站锅炉NOx排放预测模型中的应用[期刊论文]-制造业自动化
2013(21)
22.张毅.毛厚林.罗元智能轮椅控制中基于LNUS和Gabor的表情识别[期刊论文]-华中科技大学学报（自然科学版） 2013(z1)
23.王天.叶秀芬.刘晓阳.王雷基于SVM算法的碟形水下机器人姿态预测方法研究[期刊论文]-传感器与微系统2012(4)
24.张龙.张元志.王贻坤.朱灵.余锋.张弓.刘勇.王安基于支持向量机的皮肤自体荧光光谱分类方法在糖尿病筛查中的应用[期刊论文]-激光生物学报 2012(1)
25.赵健.高军.罗超.沙丰永基于数字图像处理的玻璃缺陷在线检测系统[期刊论文]-电子技术应用 2013(12)
26.李一兵.葛娟.林云基于熵特征和支持向量机的调制识别方法[期刊论文]-系统工程与电子技术 2012(8)
27.王松.王东风.董宇基于支持向量机的CFB锅炉烟气含氧量建模和预测[期刊论文]-电力科学与工程 2013(6)
28.朱赛.蔡金燕.杜敏杰基于Zernike矩和SVM的测试波形识别[期刊论文]-测控技术 2012(6)
29.谭建辉基于粗糙集支持向量机的红外步态识别[期刊论文]-计算机工程与设计 2012(4)
30.罗芳琼.黄胜忠.吴春梅基于支持向量机的数控机床液压刀架的故障诊断研究[期刊论文]-煤矿机械 2012(2)
31.胡文.刘洪涛.胡春.范明霞.莫锦秋.王石刚基于伪Zernike矩不变量分析的视觉测力[期刊论文]-上海交通大学学报 2013(4)
32.王霞.陈洁基于机器学习的矿井三维空间无线传感器网络节点感知算法研究[期刊论文]-科学技术与工程
2013(24)
33.韩旭.王建宇.祖先锋基于时间序列模型的系统最大值指标评定方法[期刊论文]-系统工程与电子技术 2012(4)
34.章治网络潜在危险趋势估计的建模算法研究[期刊论文]-计算机工程与设计 2013(9)
35.王霞.王占岐.金贵.杨俊基于核函数支持向量回归机的耕地面积预测[期刊论文]-农业工程学报 2014(4)
36.姬晓飞.吴倩倩.李一波改进时空特征的人体异常行为检测方法研究[期刊论文]-沈阳航空航天大学学报
2013(5)
37.吕刚.杨海清基于光谱技术的葡萄活体可溶性固体含量在线检测研究[期刊论文]-红外 2012(10)
38.王静.何建农基于K型支持向量机的遥感图像分类新算法[期刊论文]-计算机应用 2012(10)
39.郭明玮.赵宇宙.项俊平.张陈斌.陈宗海基于支持向量机的目标检测算法综述[期刊论文]-控制与决策 2014(2)
40.张兰影.庞博.徐宗学.刘文丰基于支持向量机的石羊河流域径流模拟适用性评价[期刊论文]-干旱区资源与环境 2013(7)
Machine Combined with Weighted Fuzzy Clustering[期刊论文]-天津大学学报（英文版） 2013(3)
42.高斌斌.刘霞.李秋林改进孪生支持向量机的一种快速分类算法[期刊论文]-重庆理工大学学报：自然科学2012(11)
43.王兴起.王维才.谢宗晓.丘东文本挖掘技术在信息安全风险评估系统中的应用研究[期刊论文]-情报理论与实践 2013(4)
44.梁栋.管青松.黄文江*.黄林生.杨贵军基于支持向量机回归的冬小麦叶面积指数遥感反演[期刊论文]-农业工程学报 2013(7)
45.陈科文.张祖平.龙军多源信息融合关键问题、研究进展与新动向[期刊论文]-计算机科学 2013(8)
本文链接：https://www.360docs.net/doc/8e296139.html,/Periodical_dzkjdxxb201101001.aspx
(完整word版)支持向量机(SVM)原理及应用概述分析
支持向量机（SVM ）原理及应用 一、SVM 的产生与发展 自1995年Vapnik (瓦普尼克)在统计学习理论的基础上提出SVM 作为模式识别的新方法之后，SVM 一直倍受关注。同年，Vapnik 和Cortes 提出软间隔(soft margin)SVM ，通过引进松弛变量i ξ度量数据i x 的误分类(分类出现错误时i ξ大于0)，同时在目标函数中增加一个分量用来惩罚非零松弛变量(即代价函数)，SVM 的寻优过程即是大的分隔间距和小的误差补偿之间的平衡过程；1996年，Vapnik 等人又提出支持向量回归 (Support Vector Regression ，SVR)的方法用于解决拟合问题。SVR 同SVM 的出发点都是寻找最优超平面(注：一维空间为点；二维空间为线；三维空间为面；高维空间为超平面。)，但SVR 的目的不是找到两种数据的分割平面，而是找到能准确预测数据分布的平面，两者最终都转换为最优化问题的求解；1998年，Weston 等人根据SVM 原理提出了用于解决多类分类的SVM 方法(Multi-Class Support Vector Machines ，Multi-SVM)，通过将多类分类转化成二类分类，将SVM 应用于多分类问题的判断：此外，在SVM 算法的基本框架下，研究者针对不同的方面提出了很多相关的改进算法。例如，Suykens 提出的最小二乘支持向量机 (Least Square Support Vector Machine ，LS —SVM)算法，Joachims 等人提出的SVM-1ight ，张学工提出的中心支持向量机 (Central Support Vector Machine ，CSVM)，Scholkoph 和Smola 基于二次规划提出的v-SVM 等。此后，台湾大学林智仁(Lin Chih-Jen)教授等对SVM 的典型应用进行总结，并设计开发出较为完善的SVM 工具包，也就是LIBSVM(A Library for Support Vector Machines)。LIBSVM 是一个通用的SVM 软件包，可以解决分类、回归以及分布估计等问题。 二、支持向量机原理 SVM 方法是20世纪90年代初Vapnik 等人根据统计学习理论提出的一种新的机器学习方法，它以结构风险最小化原则为理论基础，通过适当地选择函数子集及该子集中的判别函数，使学习机器的实际风险达到最小，保证了通过有限训练样本得到的小误差分类器，对独立测试集的测试误差仍然较小。 支持向量机的基本思想：首先，在线性可分情况下，在原空间寻找两类样本的最优分类超平面。在线性不可分的情况下，加入了松弛变量进行分析，通过使用非线性映射将低维输
学习型组织研究综述
学习型组织的理论与实践 1 学习型组织理论发展历程回顾 现在，组织学习(Organizational Learning)与学习型组织(Learning Organization)已经成为当今中外企业管理界最热门的话题之一。近十年以来，更是受到越来越多的重视。现在西方对组织学习的研究正方兴未艾。据粗略统计，近年来关于组织学习与学习型组织的文献呈直线增长态势。不仅有很多论文发表，而且出版了一批有影响的专著；不仅有理论探讨，而且有大量的实证分析与案例研究，并且出现了一些咨询公司专门辅助企业转变为学习型组织。 与理论界相呼应，大批优秀企业也纷纷表示了对学习型组织的兴趣，有的还积极推进组织学习或导入学习型组织辅导项目，如美国的福特汽车(Ford)、通用电气(General Electric)、摩托罗拉(Motorola)、康宁(Corning)、A T&T、联邦快递(Federal Express)；欧洲的塞恩斯钢铁(Sheerness Steel)、罗福(Rover)、ABB等，并取得了明显成效，初露锋芒。 实际上，学术界对组织学习的研究已经有了很长时间，并不是最近才开始的。纵观理论发展过程，笔者认为可以将其大致分为三个阶段： (1) 萌芽期 最早关于组织学习的论述可追溯到本世纪五、六十年代。早期的研究主要集中在组织中的个人学习上，大都直接或间接地来自心理学或组织行为学的研究。代表人物有钱德勒(Chandler)、阿吉瑞斯(Chris Argyris)、萧恩(Schon)、马奇(March)、辛尔特(Cyert)等。 (2) 成长期 本世纪七、八十年代是组织学习研究缓慢发展的时期。 80年代末期，一些学者开始对传统的理论假设与关系提出了质疑，如莱维蒂(Levitt)和马奇(March)于1988年、休伯(Huber)于1991年分别发表文章，回顾了美欧主流研究学派，一些杂志如《组织科学(Organizational Science)》也出版特刊，或发表评论文章（Cohen & Sproul, 1991; Meindl, Stubbart, & Porac, 1994）。这些研究不仅拓展了组织学习的研究领域，突破了一些思想束缚，而且对组织学习过程也进行了一些探讨。 这一时期，研究重点也开始由早期重视组织中的个人学习转移到组织中个人学习与组织学习的连接上。如休伯和巴尼特(Barnett)分别于1991年、1994年对有关组织学习的文献进行了富有远见的综合，从不同角度丰富了人们对个人学习与组织学习界限的认识。休伯给学习下了定义，并提出了一种分阶段的学习过程模式，为用系统动力学研究组织学习奠定了基础，并起了巨大促进作用。其它重要研究还包括科恩(Cohen, 1991)、科内等(Corner, Kinicki & Keats, 1994)、哈里斯(Harris, 1994)以及费罗(Fiol, 1994)。科恩论述了心理学研究对于人们理解组织学习的作用，并着重讨论了“学习转移”（transfer of learning）过程和程序化记忆与陈述性记忆在转移中的作用。科内等人探讨了战略决策环境，建立了一种“多层次并行过程模式”，使个人学习与组织学习再次概念化：并行流动伴随着特定点的交换。而哈里斯则认为，无论是个人学习，还是集体学习、组织学习，都可以统一纳入公司文化框架中去。费罗
支持向量机分类器
支持向量机分类器 1 支持向量机的提出与发展 支持向量机( SVM, support vector machine )是数据挖掘中的一项新技术，是借助于最优化方法来解决机器学习问题的新工具，最初由V.Vapnik 等人在1995年首先提出，近几年来在其理论研究和算法实现等方面都取得了很大的进展，开始成为克服“维数灾难”和过学习等困难的强有力的手段，它的理论基础和实现途径的基本框架都已形成。 根据Vapnik & Chervonenkis的统计学习理论 ,如果数据服从某个(固定但未知的)分布,要使机器的实际输出与理想输出之间的偏差尽可能小,则机器应当遵循结构风险最小化 ( SRM,structural risk minimization)原则,而不是经验风险最小化原则,通俗地说就是应当使错误概率的上界最小化。SVM正是这一理论的具体实现。与传统的人工神经网络相比, 它不仅结构简单,而且泛化( generalization)能力明显提高。 2 问题描述 2.1问题引入 假设有分布在Rd空间中的数据，我们希望能够在该空间上找出一个超平面(Hyper-pan),将这一数据分成两类。属于这一类的数据均在超平面的同侧，而属于另一类的数据均在超平面的另一侧。如下图。 比较上图，我们可以发现左图所找出的超平面（虚线），其两平行且与两类数据相切的超平面（实线）之间的距离较近，而右图则具有较大的间隔。而由于我们希望可以找出将两类数据分得较开的超平面，因此右图所找出的是比较好的超平面。 可以将问题简述如下： 设训练的样本输入为xi，i=1，…，l，对应的期望输出为yi∈{+1，-1}，其中+1和-1分别代表两类的类别标识，假定分类面方程为ω﹒x+b=0。为使分类面对所有样本正确分类并且具备分类间隔，就要求它满足以下约束条件： 它追求的不仅仅是得到一个能将两类样本分开的分类面，而是要得到一个最优的分类面。 2.2 问题的数学抽象 将上述问题抽象为： 根据给定的训练集
关于组织支持感的研究评述
1.引言 随着全球化进程的加快和企业之间竞争的加剧,组织面临着裁员、重组、兼并的压力。在这种情况下,如何有效地保持员工与组织关系和吸引、留住优秀人才就成为企业管理者和组织行为学家所面临的一个极具现实意义的问题。以往学者对员工、组织关系的研究有单极化倾向亦即仅仅关注员工对组织或主管的一种由下而上的承诺,而相对忽视了组织对员工的承诺问题。鉴于此,社会心理学家Eisenberger（1986）等人提出了组织支持感（Perceived Organizational Support，POS）的概念,强调组织对员工的支持和忠诚是否可以让员工感受得到（即一种由上而下的承诺），以弥补这方面的不足，为解决员工组织关系问题提供了一种崭新思路。这一概念一经提出，即引起了学者们的广泛关注。如今有关组织支持感的相关问题已逐渐成为组织行为学与人力资源管理领域中新的研究热点。 2.组织支持感理论的提出及理论基础 2.1POS理论产生的背景 在过去的二十余年,全球范围内发生的公司裁员、重组、兼并等情况对经济产生了巨大影响。在国际竞争激烈和技术进展迅速的情况下，许多组织都在思考如何处理员工—组织关系，以赢得竞争优势。1986年Eisenberger等提出组织支持理论（Organizational Support Theory，OST）和组织支持感（Perceived Organizational Support，POS）的概念。这一现代管理理论的提出为解决员工—组织关系问题提供了新思路，克服了以往研究强调员工对组织的承诺而很少关注组织对员工承诺的局限性，强调组织对于员工的重视和关心才是员工愿意留在组织并为组织做出贡献的重要原因。 2.2POS理论的理论基础 POS理论产生的理论基础是社会交换理论和组织拟人性化思想。社会交换理论的核心组成部分是社会交换概念（Blau，1964）和互惠原则（Gouldner，1960）。根据社会交换理论，个体与他人之间建立关系是为了实现最大的个体利益，个体愿意回报帮助过自己或有恩于自己的他人。Levinson（1965）提出了组织拟人化的思想，员工常常把组织代理人的行动理解为组织的意图，而非仅仅归因于代理人个人的动机。由于员工将上级看作组织的代言人，如果能从上级那里得到良好的待遇，将加强员工的组织支持感。 关于组织支持感的研究评述 张树连 摘要：本文从组织支持感产生的理论背景出发，简要介绍了国内外关于组织支持感的研究，主要包括组织支持感研究的理论基础、组织支持感的概念和测量工具、组织支持感的其前因变量和结果变量等方面，并指出了组织支持感理论在现代组织中的应用价值和意义，以及目前存在的问题和对今后研究的展望。 关键词：组织支持感组织支持理论组织承诺 作者简介：张树连，硕士研究生，主要从事发展与教育心理学研究。 ·理论研究·社会心理科学第26卷总第121期2011年第3期总第270页
支持向量机概述
支持向量机(Support Vector Machine，SVM)概述 支持向量机(Support Vector Machine，SVM)是基于统计学习理论发展起来的新一代机器学习算法，由Vapnik于1992年介绍进入机器学习领域，之后受到广泛关注。支持向量机理论处理的是两类分类问题，对于多类分类问题，通过多个二分类模型组合构成。SVM的基本原理是将样本映射到高维空间，然后在高维空间中构建线性分类器，寻找使分类间隔最大的最优超平面，这个特点在保证分类器在具有较好的泛化能力的同时解决了维数灾难问题。SVM的目标是在有限样本信息下寻求学习精度和学习能力的最优解，该问题最终转化成为一个二次型寻优问题，从理论上来看，将得到全局最优解，解决了神经网络中无法避免的局部极值问题。由于SVM具有以上多个优点，使得该算法在众多领域获得较好应用，包括图像分类，生物信息学，病虫害识别等。下面将具体介绍SVM的原理和求解过程。 （1）线性可分的情况 给定一些样本数据，分别属于两个不同的类，标记为：{x i,y i},x i∈R d y i∈{1,?1},i=1,2,…,n。由于这些样本数据是线性可分的，因此，存在一个超平面H：w T?x+b=0，可以把这两类数据正确分开。同时存在两个平行于H的超平面H1：w T?x+b=1和H2：w T?x+b=?1，使得距离超平面H最近的样本分别位于H1和H2之上，这些样本称为支持向量。而剩余其他样本都将位于H1和H2之外，即满足式（1）或式（2）的约束条件。 w T?x i+b≥1 y i=1(1) w T?x i+b≤?1 y i=?1(2) 在两类分类问题中，由于表示分类标记的y i只有1和-1两个值，因此可将式（1）和式（2）合并得到式（3） y i(w T?x i+b)?1≥0(3) 由两个平行平面之间的距离公式可得超平面H1和H2之间的间隔为 f(w)=2 (4) ‖w‖ SVM的目标就是寻找在满足式（3）约束的同时能够把样本准确分开，并
激励研究综述及展望(一)
激励研究综述及展望(一) 作者：许学梅嵇东海许方维 摘要:回顾了关于激励的定义,不仅包括国内外对激励的一些典型定义,还在这些定义的基础上提出了自己对激励的看法。在激励定义的基础之上,叙述了国内外的激励研究,不仅包含了激励的理论研究,还囊括了近几年来国内对激励的实证应用研究。并对激励的理论和应用研究方向进行了展望。 关键词:激励理论;应用研究;研究展望 一、激励的定义 激励是指在外在诱因的作用下,个体通过有效的自我调节,从而达到激发、引导、维持和调节个体朝向某一既定目标而努力奋斗的心理过程。在现代企业管理中,激励的心理过程的模式可以表示为:源于需要,始于动机,引起行为和指向目标这几个程序,具体来说就是员工个体因为自身内在或者外在的需要和动机而产生了一系列的需求,随后又由动机支配引导自己的行为,而这些行为都是个体为了达到某个目标的活动,借此满足自己的需要,而这一行为刺激和行为强化了其原来的动机,从而形成一个闭合的循环。 二、激励的研究综述 (一)国外的激励研究 20世纪50年代以后,激励理论日益兴起,包括马斯洛的需要层次理论(1943)、赫茨伯格的双因素理论及工作丰富化理论、佛隆的期望理论、斯金纳的强化理论、Hackman和Oldham的工作特性理论、德鲁克的目标理论以及亚当斯(1963)的公平理论等。 西方的一些学者在对上述的这些理论进行补充和完善的过程中逐渐形成了一些新的理论。Lawel(1970)在期望理论的基础上认为金钱只有在具备下列三种条件下才可以激励员工:第一,金钱的数目本身具有诱惑性;第二,员工完成工作后能够得到期望的金钱;第三,员工经过努力提高了工作绩效。Bandura(1977)提出社会学习理论,后来经过修改成为社会认知理论(1986)。Latham(1986)认为,将实验室里的目标设置与工作中的目标设置结合起来,对员工激励更有效果。Greenberg(1986)提出了组织公平原则,回答了关于如何运用公平理论的问题。 伴随着理论研究的同时,西方的管理学家、心理学家对激励的实践应用也一直处于不停的探索之中。经过整理,对激励的实践应用研究集中在以下两个方面:第一是员工特质与激励的关系应用研究。Tett(2003)研究表明,员工倾向于选择适合自己特质的工作和任务。Dweck(1999)认为,目标倾向是反应员工个体差异的稳定变量,与激励方式显著相关。Wiggins(1996)发现性格外向的人喜欢工作的丰富化,神经质的人对他人及工作环境比较敏感,工作责任心强的人喜欢自由度比较大的工作。Day,Schleicher等(2002)认为,具有自我控制人格的人适宜做领导的位子,他们解释认为,因为自我控制者们对他人的期望比较敏感,从而增加了他们的可接受性。应对不同类型的员工,给予其不同的任务,符合各自不同的角色期待是一种很不错的激励措施。第二是关于工作本身特性与激励的研究。西方的学者认为,单调的工作使我们沮丧和委靡不振,甚至会影响我们的身体健康和工作效率;相反丰富化的工作可以使我们心情舒畅,有利于我们工作效率的提高。 (二)国内的激励研究 近年来,随着中国经济体制改革的深化和现代企业制度的建立,激励机制得以强化并发挥了不可替代的作用。经济学、心理学以及管理学应用各种激励理论进行广泛地分析与研究,取得了许多成果。主要包括激励的基础理论研究和应用实践研究两大部分。 1.激励理论研究。在对激励理论的研究上,主要是对国外已有的激励理论进行借鉴以及加以改进,以期适合中国的文化情境。张维迎认为,由于激励机制主要取决于产权和所有制结构,因此企业需要给予经理相应的剩余索取权和控制权。肖耀国,赵飞(2007)对激励的内涵进行了界定,介绍了目前在理论界和实践中较为流行的几种激励理论,分析了激励理论在管理中的运用以
情境学习理论研究综述解读
情境学习理论研究综述 传统知识观把知识看成是能打包的(package-able)、自给自足的实体,可由教育者传递给学习者。在传统的学校教育中,学习者与现实环境、知与行相分离,学校关注的是抽象的、简化的和去情境化的概念(Brown,Collins,&Duguid,1989)，学生所解决的问题是结构良好的问题,一般能在3-5分钟内解决，CTGV(温特比尔特大学认知与技术小组)据此认为,在传统课堂中学生所获得的大量是怀特海在其《教育目的》一书中所提到的呆滞的知识 (inertknowledge),它们无法迁移到相关的情境中去。 到20世纪80年代末,一些研究者开始对学习者与情境、知与行相分离的观点进行了挑战，如Brown等人(1989)认为,知识是情境性的,它要受到知识所使用的活动、情境以及文化的基本影响,并且与它们不可分离。打个比方,知识就象不可能把已做好的整件衣服交给学习者一样,学习者必须参与到环境的给予中,去纺线、织布进而把布裁剪成某一款式的服装，只有通过真正的活动,学习者才能编织她自己的知识之服。 2 情境学习理论的基本观点 情境学习理论强调知识与情境之间动态相互作用的过程,Brown 等人(1989)认为:知识与活动是不可分离的,活动不是学习与认知的辅助手段,它是学习整体中的一个有机组成部分。可以说是学习者在情境中通过活动获得了知识,学习与认知本质上是情境性的。Barab 和Duffy(2000)指出,人们在某种现实情境中通过实践活动不仅获得
了知识与技能,同时还形成了某一共同体成员的身份(identity),两者是不可分离的。Lave和Wenger(1991)把这种情境称之为实践共同体,并把它定义为“一群追求共同事业,一起从事着通过协商的实践活动,分享着共同信念和理解的个体的集合”。从这个意义上说,在空间上聚集在一起的任一群体并不一定都是实践共同体。它强调要有共同的任务,使用工具、利用资源并通过实践活动完成任务,有共同的历史、知识基础与假设,以及各自担负的责任(Driscoll,2000)。 在传统课堂教学中,学生先是学习一套抽象的概念性知识,然后再在实践中加以应用。而Brown等人(1989)则把概念性知识看成是一整套工具,认为二者共享着若干重要的特征:它们都只有通过运用才能得到充分的理解,通过运用不仅改变了使用者对世界的看法,同时又适应了其所处群体的特有的文化信念体系。因为,概念性知识的涵义不是由概念本身独立决定的,而是由这一概念、使用者所在群体的文化以及活动共同决定的,因而在不同的群体中,对同一概念也许有不同的意义。例如,对日落这种自然现象不同群体可能有不同的理解,对澳大利亚土著居民而言,意味着要加强警戒以保护同伴免受野兽的侵袭;对天文学家可能意味着要准备好仪器以便观察夜晚的星空;而对一个在作画的艺术家而言,则可能会考虑到此时光线的变化。 因此,学习实质上是一个文化适应与获得特定的实践共同体成员身份的过程。Lave和Wenger(1991)把情境学习的这种过程称为“合法的边缘性参与”。合法是指随着时间的推移与学习者经验的增加,学习者合法使用共同体资源的程度;边缘性是指学习者在实践共同体
支持向量机原理及应用(DOC)
支持向量机简介 摘要：支持向量机方法是建立在统计学习理论的VC 维理论和结构风险最小原理基础上的，根据有限的样本信息在模型的复杂性（即对特定训练样本的学习精度）和学习能力（即无错误地识别任意样本的能力）之间寻求最佳折衷，以求获得最好的推广能力 。我们通常希望分类的过程是一个机器学习的过程。这些数据点是n 维实空间中的点。我们希望能够把这些点通过一个n-1维的超平面分开。通常这个被称为线性分类器。有很多分类器都符合这个要求。但是我们还希望找到分类最佳的平面，即使得属于两个不同类的数据点间隔最大的那个面，该面亦称为最大间隔超平面。如果我们能够找到这个面，那么这个分类器就称为最大间隔分类器。 关键字：VC 理论 结构风险最小原则 学习能力 1、SVM 的产生与发展 自1995年Vapnik 在统计学习理论的基础上提出SVM 作为模式识别的新方法之后，SVM 一直倍受关注。同年，Vapnik 和Cortes 提出软间隔(soft margin)SVM ，通过引进松弛变量i ξ度量数据i x 的误分类(分类出现错误时i ξ大于0)，同时在目标函数中增加一个分量用来惩罚非零松弛变量(即代价函数)，SVM 的寻优过程即是大的分隔间距和小的误差补偿之间的平衡过程；1996年，Vapnik 等人又提出支持向量回归 (Support Vector Regression ，SVR)的方法用于解决拟合问题。SVR 同SVM 的出发点都是寻找最优超平面，但SVR 的目的不是找到两种数据的分割平面，而是找到能准确预测数据分布的平面，两者最终都转换为最优化问题的求解；1998年，Weston 等人根据SVM 原理提出了用于解
国内外研究文献综述
国内外研究文献综述 西方学界关于农村发展的理论研究 西方学界研究农村建设问题，最早源于19世纪40年代科尔等学者研究农村聚落的景观形态，即农民的住宅研究。进入20世纪以后，法国学者阿·德芒戎在《法国德农村住宅》的文中对法国农村居住形式与农业职能的关系进行了探讨，1他提出以农业职能来确定和划分农村住宅类型，随后他又在《法国农村聚落类型》一文中,首次对农村聚落的类型进行了研究，分析了村落形成与自然、社会、人口、农业之间的关系。随着农业可持续发展引起广泛关注后，尤其在日本，在原有村落共同体被破坏后，人与人之间的关系变得淡漠，从而使得农村共同体的活力变得脆弱，如何重建有活力的农村成为了西方学界关于农村建设的重要研究点。在1994年，日本学者祖田修和大原兴太郎通过分析日本现代农村后揭示了因人口的过疏而弱化了农村共同体。他们指出，以前的农村自然管理体系的丧失招致了众多问题的发生，尽管近代经济与科学技术的快速发展对农村产生了重要影响，但还是弱化了人与自然、人与人、村与村之间的相互融合。同时，他们认为农村的可持续发展,有必要综合实现经济、生态环境及生活的价值，要更加重视农村居民的相互交流，满足农村居民的诸多诉求，尤其是社会与文化方面。2传统农业社会的村落主要还是零散特征为主。到了工业革命以后，随着工业体系的完善和工业产业的逐渐发达，农业的主导地位逐渐被取代，乡村集聚的趋势不断发展，以下国家为主要代表： 1.美国的郊区新村化 美国的新村建设主要还是以郊区为依托开始的。在二战以后，由于私人交通工具的发达和普及，美国郊区出现了低密度、空间上无计划地扩张，由此造成了严重的交通问题和污染、空间浪费、地价和房租上涨、基础设施超负荷等问题。为了解决这些问题，美国开始在郊区规划了新社区或新村。其特点是土地混合利用、布局紧凑。 2.英国农村中心村 随着英国工业化、城市化的迅速发展，乡村地区人口不断向城市集中，英国的许多地方出现了人口减少，基础设施不足的情况。随后，由干大都市郊区化的迅速发展，周边的许多乡村人口又急剧增加，因此乡村地区呈现出多元化的发展方向。在这一背景下,英国政府开始对乡村地区进行大规模规划,以促进其繁荣。 1(法)德芒戎.人文地理学问题[M].北京:商务印书馆，1999年7月. 2王鹏飞等.近年国外有关可持续农村体系发展的研究[J].特区经济，2005(9):166一167.
支持向量机数据分类预测
支持向量机数据分类预测 一、题目——意大利葡萄酒种类识别 Wine数据来源为UCI数据库，记录同一区域三种品种葡萄酒的化学成分，数据有178个样本，每个样本含有13个特征分量。50%做为训练集，50%做为测试集。 二、模型建立 模型的建立首先需要从原始数据里把训练集和测试集提取出来，然后进行一定的预处理，必要时进行特征提取，之后用训练集对SVM进行训练，再用得到的模型来预测试集的分类。 三、Matlab实现 3.1 选定训练集和测试集 在178个样本集中，将每个类分成两组，重新组合数据，一部分作为训练集，一部分作为测试集。 % 载入测试数据wine,其中包含的数据为classnumber = 3,wine:178*13的矩阵,wine_labes:178*1的列向量 load chapter12_wine.mat; % 选定训练集和测试集 % 将第一类的1-30,第二类的60-95,第三类的131-153做为训练集 train_wine = [wine(1:30,:);wine(60:95,:);wine(131:153,:)]; % 相应的训练集的标签也要分离出来 train_wine_labels = [wine_labels(1:30);wine_labels(60:95);wine_labels(131:153)]; % 将第一类的31-59,第二类的96-130,第三类的154-178做为测试集 test_wine = [wine(31:59,:);wine(96:130,:);wine(154:178,:)]; % 相应的测试集的标签也要分离出来 test_wine_labels = [wine_labels(31:59);wine_labels(96:130);wine_labels(154:178)]; 3.2数据预处理 对数据进行归一化： %% 数据预处理 % 数据预处理,将训练集和测试集归一化到[0,1]区间 [mtrain,ntrain] = size(train_wine); [mtest,ntest] = size(test_wine); dataset = [train_wine;test_wine]; % mapminmax为MATLAB自带的归一化函数 [dataset_scale,ps] = mapminmax(dataset',0,1); dataset_scale = dataset_scale';
用于分类的支持向量机
文章编号:100228743(2004)0320075204 用于分类的支持向量机 黄发良,钟 智Ξ (1.广西师范大学计算机系,广西桂林541000; 2.广西师范学院数学与计算机科学系,广西南宁530001) 摘 要:支持向量机是20世纪90年代中期发展起来的机器学习技术,建立在结构风险最小化原理之上的支持向量机以其独有的优点吸引着广大研究者,该文着重于用于分类的支持向量机,对其基本原理与主要的训练算法进行介绍,并对其用途作了一定的探索. 关键词:支持向量机;机器学习;分类 中图分类号:TP181 文献标识码:A 支持向量机S VM (Support Vector Machine )是AT&T Bell 实验室的V.Vapnik 提出的针对分类和回归问题的统计学习理论.由于S VM 方法具有许多引人注目的优点和有前途的实验性能,越来越受重视,该技术已成为机器学习研究领域中的热点,并取得很理想的效果,如人脸识别、手写体数字识别和网页分类等. S VM 的主要思想可以概括为两点:(1)它是针对线性可分情况进行分析,对于线性不可分的情况,通过使用非线性映射算法将低维输入空间线性不可分的样本转化为高维特征空间使其线性可分,从而使得高维特征空间采用线性算法对样本的非线性特征进行线性分析成为可能;(2)它基于结构风险最小化理论之上在特征空间中建构最优分割超平面,使得学习器得到全局最优化,并且在整个样本空间的期望风险以某个概率满足一定上界. 1 基本原理 支持向量机理论最初来源于数据分类问题的处理,S VM 就是要寻找一个满足要求的分割平面,使训练集中的点距离该平面尽可能地远,即寻求一个分割平面使其两侧的margin 尽可能最大. 设输入模式集合{x i }∈R n 由两类点组成,如果x i 属于第1类,则y i =1,如果x i 属于第2类,则y i =-1,那么有训练样本集合{x i ,y i },i =1,2,3,…,n ,支持向量机的目标就是要根据结构风险最小化原理,构造一个目标函数将两类模式尽可能地区分开来,通常分为两类情况来讨论,(1)线性可分,(2)线性不可分. 1.1 线性可分情况 在线性可分的情况下,就会存在一个超平面使得训练样本完全分开,该超平面可描述为: w ?x +b =0(1) 其中,“?”是点积,w 是n 维向量,b 为偏移量. 最优超平面是使得每一类数据与超平面距离最近的向量与超平面之间的距离最大的这样的平面.最优超平面可以通过解下面的二次优化问题来获得: min <(w )= 12‖w ‖2(2) Ξ收稿日期:2004202206作者简介:黄发良(1975-),男,湖南永州人,硕士研究生;研究方向:数据挖掘、web 信息检索. 2004年9月 广西师范学院学报(自然科学版)Sep.2004 第21卷第3期 Journal of G u angxi T eachers Education U niversity(N atural Science Edition) V ol.21N o.3
绩效管理理论研究综述
学号2011228134 成绩等级 本科生学年论文1 题目：绩效管理理论研究综述 院（系）经济与管理系 专业班级11级信息管理与信息系统 学生姓名胡婷婷 指导教师（职称）麻凤梅（讲师） 提交时间二〇一三年七月
绩效管理理论研究综述 胡婷婷 （安康学院经济与管理系，陕西安康，72500） 摘要：在经济竞争异常激烈的环境下，绩效管理日益受到管理人员的重视。本文对国内、国外绩效管理理论的发展和现状进行了研究,从中可以看出，绩效管理理论经历了由单一的评估制度，逐步向系统性、综合性的方向发展的过程，最后形成了一套完整的绩效管理理论体系。 关键词：绩效；绩效管理；文献综述
Performance management theory research were summarized Hu Tingting (Department of Economics and Management,Ankang University Ankang, Shaanxi,72500) Abstract:In the economic and competitive environment,performance management theory is becoming more and more brought to the attention of the management.In this paper,the development and status quo of domestic and foreign performance management were summarized.From which it can be seen that performance management theory has experienced by single evaluation system,and gradually developed to the direction of systematic,comprehensive process,finally formed a complete set of performance management theory system. Key words:performance;performance management theory;review
支持向量机(SVM)算法推导及其分类的算法实现
支持向量机算法推导及其分类的算法实现 摘要：本文从线性分类问题开始逐步的叙述支持向量机思想的形成，并提供相应的推导过程。简述核函数的概念，以及kernel在SVM算法中的核心地位。介绍松弛变量引入的SVM算法原因，提出软间隔线性分类法。概括SVM分别在一对一和一对多分类问题中应用。基于SVM在一对多问题中的不足，提出SVM 的改进版本DAG SVM。 Abstract：This article begins with a linear classification problem, Gradually discuss formation of SVM, and their derivation. Description the concept of kernel function, and the core position in SVM algorithm. Describes the reasons for the introduction of slack variables, and propose soft-margin linear classification. Summary the application of SVM in one-to-one and one-to-many linear classification. Based on SVM shortage in one-to-many problems, an improved version which called DAG SVM was put forward. 关键字：SVM、线性分类、核函数、松弛变量、DAG SVM 1. SVM的简介 支持向量机(Support Vector Machine)是Cortes和Vapnik于1995年首先提出的，它在解决小样本、非线性及高维模式识别中表现出许多特有的优势，并能够推广应用到函数拟合等其他机器学习问题中。支持向量机方法是建立在统计学习理论的VC 维理论和结构风险最小原理基础上的，根据有限的样本信息在模型的复杂性（即对特定训练样本的学习精度，Accuracy）和学习能力（即无错误地识别任意样本的能力）之间寻求最佳折衷，以期获得最好的推广能力。 对于SVM的基本特点，小样本，并不是样本的绝对数量少，而是与问题的复杂度比起来，SVM算法要求的样本数是相对比较少的。非线性，是指SVM擅长处理样本数据线性不可分的情况，主要通过松弛变量和核函数实现，是SVM 的精髓。高维模式识别是指样本维数很高，通过SVM建立的分类器却很简洁，只包含落在边界上的支持向量。
国内外的课题研究综述
国内外的课题研究综述 一．韩国欧洲高校机器人现状分析 1．有多少高校开展机器人教育，以及高校的名称，在何时开设的课程，何时发展的 .2.。分析i优劣势 二．国内国外发展趋势研究，对比研究 1教育与教育之间的差距，发展时间，学习开展的形式，是否已学生为主，研究机器人的大学生英语研究生的比例 2．教育环境的对比 三．开展机器人教育的紧迫性与必要性 1，紧迫性：时代的发展翼科技发展为中心 2。必要性，自身的资源的 1.在韩国确保人类对机器人的控制、保护机器人获得的数据，并防止违法使用机器人。而且准备将道德标准装入计算机程序，以防止人类虐待机器人。机器人和人一样同时成为法律保护的对象，这在机器人发展史上是一次巨大变化。 2.法国机器人的发展比较顺利，主要原因是通过政府大力支持的研究计划，建立起一个完整的科学技术体系。即由政府组织一些机器人基础技术方面的研究项目，而由工业界支持开展应用和开发方面的工作，两者相辅相成，使机器人在法国企业界很快发展和普及。 3.德国工业机器人的总数占世界第三位，仅次于日本和美国。这里所说的德国，主要指的是原联邦德国。它比英国和瑞典引进机器人大约晚了五六年。其所以如此，是因为德国的机器人工业一起步，就遇到了国内经济不景气。但是德国的社会环境却是有利于机器人工业发展的。因为战争，导致劳动力短缺，以及国民技术水平高，都是实现使用机器人的有利条件。到了70年代中后期，政府采用行政手段为机器人的推广开辟道路；在"改善劳动条件计划"中规定，对于一些有危险。有毒。有害的工作岗位，必须以机器人来代替普通人的劳动。这个计划为机器人的应用开拓了广泛的市场，并推动了工业机器人技术的发展。日尔曼民族是一个重实际的民族，他们始终坚持技术应用和社会需求相结合的原则。除了像大多数国家一样，将机器人主要应用在汽车工业之外，突出的一点是德国在纺织工业中用现代化生产技术改造原有企业，报废了旧机器，购买了现代化自动设备。电子计算机和机器人，使纺织工业成本下降。质量提高，产品的花色品种更加适销对路。到1984年终于使这一被喻为"快完蛋的行业"重新振兴起来。与此同时，德国看到了机器人等先进自动化技术对工业生产的作用，提出了1985年以后要向高级的。带感觉的智能型机器人转移的目标。经过近十年的努力，其智能机器人的研究和应用方面在世界上处于公认的领先 4.丹麦的机器人产业发展很快, 2006 年拥有的机器人台数为3 626 比1982 年增加近60倍,见图1. 2006 年世界机器人的装机台数约为 970 000 台,即近100 万台;我国的机器人装机台数还不如丹麦多. 除了传统的工业机器人外,服务机器人是他们开发研究的重点之一. 例如,场地清 扫、下水道检查、娱乐、除草、真空清洁器、捡球、加油、护理、外科矫形和辅助手术等. 在丹麦技术大学,我看到一台由2 位硕士研究生自行设计制造的除草机器人,很有特色. 大学的教育受教育的不同程度：与丹麦工科大学相比,我国工科学生的工 程设计能力明显不强,应当加强我国工程学科本科和硕士教学的工程设计与应用基础教育,进一
组织承诺理论研究综述
组织承诺理论研究综述 文/王军 (新疆财经大学会计学院新疆·乌鲁木齐) [提要]组织承诺是组织行为学和人力资源管理中的一个重要概念，是连接员工与组织之间关系的一种纽带)因其影响着员工的工作态度和表现，所以对组织的生存和发展起着至关重要的作用)研究组织承诺和工作绩效之间的关系，可以帮我们了解企业员工的组织承诺现状，预测员工的工作绩效水平，并为企业加强人力资源管理提供理论依据和指导，因而具有极大的理论价值和实践意义。 关键词:组织承诺;前因变量;后果变量 本文系2013年新疆财经大学研究生校级课题“预算卸责:基于伊斯兰金融和预算公平的实证检验—以新疆企业为例”的阶段性成果。 一、组织承诺的概念 组织承诺的研究是一个颇具争议的问题，至今还没有一个得到国内外学者都认可的定义，最早给组织承诺作出定义的是美国的管理学家贝克(CBecker,1960) ,认为组织承诺是员工随着对组织的单方投入的增加而不得不继续留在该组织的一种心理倾向)如果离开组织，员工的损失会很大。 在此之后，组织承诺越来越引起学术界的关注，学者们根据各自的研究提出了对组织承诺的多种不同定义。Kanter(1968)认为组织承诺是个体对群体在感情上的忠诚和在继续留在组织的获益及离开组织的成木之间权衡后，愿意继续留在组织工作的意向，Sheldon(1971)将组织承诺定义为个体对组织的一种态度或取向，这种态度或取向联合了个体对组织的认同。Mowday(1979)将组织承诺定义为员工对组织价值观和目标的认同，是对组织的一种感情依赖，主要包括下而三个因素:C1)对组织目标和价值的高度信奉和接受;(2)愿为实现组织目标付出极大的努力;(3)保持组织成员资格的强烈愿望.Wiener(1982)结合hishbien(1967)行为意向模型，认为组织承诺完全是出于员工个人对组织的一种责任感，并认为组织承诺是由于内在的行为规范压力而使其成员行为符合组织目标，从而满足组织的利益)高承诺的员工所表现出的某种行为，并不是为了他们的个人利益，而是因为他们坚信其所做的都是正确的、道德的.Mcyer&Allen(1991)在总结前人的基础上认为组织承诺是体现员工和组织之间关系的一种心理状态，隐含了员工对是否继续留在该组织的决定，并把组织承诺分为情感承诺、持续承诺和规范承诺三种类型.我国学者凌文栓等人(2001)在对国内企业员工的组织行为进行深入研究的基础上，提出了中国企业职工的组织承诺五因素结构模型，即感情承诺、理想承诺、规范承诺、经济承诺和机会承诺. 二、组织承诺的前因变量 考察组织承诺的前因变量非常重要，因为这样可以使我们更好的理解不同组织承诺模型各因素的概念.在中国文化背景下，员工主要关心现有工作的稳定性及企业的发展前景，组织承诺的方向更多的指向个人而不是抽象的组织整体.我们将其归纳为三类:工作因素、组织因素和个人因素. 工作因素，包括工作的挑战性、职位的明确程度、工作自发性和角色创新等.Rhoades(2002)研究发现员工组织支持感知越高，越会表现出较高的组织承诺;凌文栓(1999)研究显示组织支持感知、组织公平、员工与组织间信任等会影响组织承诺.刘小平等(2002)对中外文化的研究对比发现，中国员工的组织承诺与西方
支持向量机SVM原理及应用概述
东北大学 研究生考试试卷 考试科目：信号处理的统计分析方法 课程编号：09601513 阅卷人: 刘晓志 考试日期：2012年11月07日 姓名：赵亚楠 学号：1001236 注意事项 1.考前研究生将上述项目填写清楚. 2.字迹要清楚,保持卷面清洁. 3.交卷时请将本试卷和题签一起上交. 4.课程考试后二周内授课教师完成评卷工作,公共课成绩单与试卷交研究生院培养办公室, 专业课成绩单与试卷交各学院,各学院把成绩单交研究生院培养办公室. 东北大学研究生院培养办公室
目录 一、SVM的产生与发展3 二、支持向量机相关理论4 （一）统计学习理论基础4 （二）SVM原理4 1．最优分类面和广义最优分类面5 2．SVM的非线性映射7 3．核函数8 三、支持向量机的应用研究现状9（一）人脸检测、验证和识别9（二）说话人／语音识别10 （三）文字／手写体识别10 （四）图像处理11 （五）其他应用研究11 四、结论和讨论12
一、SVM 的产生与发展 自1995年Vapnik 在统计学习理论的基础上提出SVM 作为模式识别的新方法之后，SVM 一直倍受关注。同年，Vapnik 和Cortes 提出软间隔(soft margin)SVM ，通过引进松弛变量i ξ度量数据i x 的误分类(分类出现错误时i ξ大于0)，同时在目标函数中增加一个分量用来惩罚非零松弛变量(即代价函数)，SVM 的寻优过程即是大的分隔间距和小的误差补偿之间的平衡过程；1996年，Vapnik 等人又提出支持向量回归 (Support Vector Regression ，SVR)的方法用于解决拟合问题。SVR 同SVM 的出发点都是寻找最优超平面，但SVR 的目的不是找到两种数据的分割平面，而是找到能准确预测数据分布的平面，两者最终都转换为最优化问题的求解；1998年，Weston 等人根据SVM 原理提出了用于解决多类分类的SVM 方法(Multi-Class Support VectorMachines ，Multi-SVM)，通过将多类分类转化成二类分类，将SVM 应用于多分类问题的判断：此外，在SVM 算法的基本框架下，研究者针对不同的方面提出了很多相关的改进算法。例如，Suykens 提出的最小二乘支持向量机 (Least Square Support VectorMachine ，LS —SVM)算法，Joachims 等人提出的SVM-1ight ，张学工提出的中心支持向量机 (Central Support Vector Machine ，CSVM)，Scholkoph 和Smola 基于二次规划提出的v-SVM 等。此后，台湾大学林智仁(Lin Chih-Jen)教授等对SVM 的典型应用进行总结，并设计开发出较为完善的SVM 工具包，也就是LIBSVM(A Library for Support Vector Machines)。上述改进模型中，v-SVM 是一种软间隔分类器模型，其原理是通过引进参数v ，来调整支持向量数占输入数据比例的下限，以及参数ρ来度量超平面偏差，代替通常依靠经验选取的软间隔分类惩罚参数，改善分类效果；LS-SVM 则是用等式约束代替传统SVM 中的不等式约束，将求解QP 问题变成解一组等式方程来提高算法效率；LIBSVM 是一个通用的SVM 软件包，可以解决分类、回归以及分布估计等问题，它提供常用的几种核函数可由用户选择，并且具有不平衡样本加权和多类分类等功能，此外，交叉验证(cross validation)方法也是LIBSVM 对核函数参数选取问题所做的一个突出贡献；SVM-1ight 的特点则是通过引进缩水(shrinking)逐步简化QP 问题，以及缓存(caching)技术降低迭代运算的计算代价来解决大规模样本条件下SVM 学习的复杂性问题。