基于神经网络机器学习技术研发的人才分级分类评价模型制造技术

本发明专利技术涉及信息技术领域，且公开了基于神经网络机器学习技术研发的人才分级分类评价模型，通过对不同脑区、不同条件下的脑电位信号复杂度LZC特征与受试者的实际相关能力进行分析，确定脑电信号与表征优秀潜质的各优秀潜质因子所对应不同脑区，实现对优秀潜质脑电信号表征。该基于神经网络机器学习技术研发的人才分级分类评价模型，机器学习方法是计算机利用已有的数据或经验，得出了某种模型，并利用此模型预测未来，该人才分级分类评价模型通过神经网络机器学习技术对数据进行分析，建立模型，当需要对人才进行分类时，启动模型即可完成人才等级分类，更加科学高效，具有很广泛的应用前景。

Grading and Classifying Evaluation Model of Talents Based on Neural Network Machine Learning Technology

【技术实现步骤摘要】
基于神经网络机器学习技术研发的人才分级分类评价模型
本专利技术涉及信息
，具体为基于神经网络机器学习技术研发的人才分级分类评价模型。
技术介绍
人才，是指具有一定的专业知识或专门技能，进行创造性劳动，并对社会做出贡献的人，是人力资源中能力和素质较高的劳动者；但是传统的人才分级没有一个标准，都是依靠经验鉴定人才，没有一种快速的模型识别人才，费事费力，效率差，为此，我们提出基于神经网络机器学习技术研发的人才分级分类评价模型。
技术实现思路
针对现有技术的不足，本专利技术提供了基于神经网络机器学习技术研发的人才分级分类评价模型，解决了上述
技术介绍
提出的问题。本专利技术提供如下技术方案：基于神经网络机器学习技术研发的人才分级分类评价模型，该评价模型包括以下步骤：步骤一、分别选取优秀人才和普通人的两组实验者带上电极帽，分别采集受试者优秀潜质相关情景下的脑电信号，生成事件相关脑电位信号；步骤二、将采集到的脑电信号进行预处理，通过图形化模拟软件获取虚拟图像数据,对虚拟数据集进行分类标记,得到图像数据集；步骤三、通过3D建模软件建立目标模型，从网络影视游戏中获取目标模型，将该模型导入图形化模拟软件本文档来自技高网...

【技术保护点】
1.基于神经网络机器学习技术研发的人才分级分类评价模型，该评价模型包括以下步骤：步骤一、分别选取优秀人才和普通人的两组实验者带上电极帽，分别采集受试者优秀潜质相关情景下的脑电信号，生成事件相关脑电位信号；步骤二、将采集到的脑电信号进行预处理，通过图形化模拟软件获取虚拟图像数据,对虚拟数据集进行分类标记,得到图像数据集；步骤三、通过3D建模软件建立目标模型，从网络影视游戏中获取目标模型，将该模型导入图形化模拟软件，步骤四、设置材料属性，通过图形化模拟软件中设置的摄像机轨道,从不同角度对目标模型进行图像信息采集；步骤五、分类对图像信息进行储存，生成随机数据改变目标模型的所述环境信息；步骤六、判断是...

【技术特征摘要】
1.基于神经网络机器学习技术研发的人才分级分类评价模型，该评价模型包括以下步骤：步骤一、分别选取优秀人才和普通人的两组实验者带上电极帽，分别采集受试者优秀潜质相关情景下的脑电信号，生成事件相关脑电位信号；步骤二、将采集到的脑电信号进行预处理，通过图形化模拟软件获取虚拟图像数据,对虚拟数据集进行分类标记,得到图像数据集；步骤三、通过3D建模软件建立目标模型，从网络影视游戏中获取目标模型，将该模型导入图形化模拟软件，步骤四、设置材料属性，通过图形化模拟软件中设置的摄像机轨道,从不同角度对目标模型进行图像信息采集；步骤五、分类对图像信息进行储存，生成随机数据改变目标模型的所述环境信息；步骤六、判断是否达到预期效果,达到结束,未达到返回通过图形化模拟软件中设置的摄像机轨道,从不同角度对目标模型进行图像信息采集，然后对虚拟数据集进行分类标记，得到图像数据集；步骤七、通过两组受试者不同脑区的导联、情景训练前后采集到的脑电信号进行时间序列复杂性测度分析处理，提取复杂度LZC特征；步骤八、对不同脑区、不同条件下的脑电位信号复杂度LZC特征与受试者的实际相关能力进行分析，确定脑电信号与表征优秀潜质的各优秀潜质因子所对应不同脑区、优秀人才所拥有的优秀潜质各特征因子所对脑区的脑电信号时间序列复杂度特征值变化规律，实现对优秀潜质脑电信号表征；步骤九、通过对脑电信号表征的预处理,将JPEG...

【专利技术属性】
技术研发人员：施顺海，
申请(专利权)人：贵州省尚层基石管理咨询有限公司，
类型：发明
国别省市：贵州,52