匹配度算法（精选十篇）
匹配度算法 篇1
电子防护装备在提高部队作战效能的同时,对保障人员快速诊断及维修装备故障的能力也提出了更严格的要求。电子防护系统故障机理复杂和缺乏系统专家维修知识的装备,应用基于案例推理( Case-based Reasoning,CBR) 的故障诊断方法具有明显优势。CBR故障诊断方法通过模拟人类求解问题的思想,借鉴历史案例,经调整修改后以解决新的问题,具有知识获取简单,求解质量效率较高等优点[1]。案例推理的主要过程包括案例检索、重用、修正和存储这4 个步骤,其中相似度匹配是案例检索及重用的核心,直接决定CBR系统的速度和精度。
针对目前案例检索主要采用基于特征项关键词的匹配,而缺乏对案例语义信息利用的现状,本文引入基于本体的案例表示,利用案例间的语义关系驱动案例推理的过程,从而极大地提高了CBR的效能。
1 基于本体的装备故障案例表示
CBR系统中的知识以案例的形式存储,案例描述的完整性和表示形式的有效性是CBR的基础,其主要目的是抽取领域知识中隐含的事实、关系及业务流程,便于计算机识别、理解及应用[2]。目前,常用的框架和面向对象等知识表示方法缺乏对案例语义信息的描述,而语义网以知识本体作理论基础,通过对知识本体进行理解和推理,可以得到满足用户需求的语义信息,故本文引入本体理论来表示故障案例。
本体可以形式化地表示为一个7元组:O={C,AC,R,AR,H,X,I},其中C是概念的集合,AC表示概念属性的集合,R是关系的集合,AR表示关系属性的集合,H是层次的集合,I是实例的集合,X是公理的集合[3]。构建装备故障诊断领域本体的关键在于确立该领域概念范围(类)、属性和故障实例3个部分[4]。装备故障案例的主要组成有3种基本元素:数值型、布尔型和文本型。其中,数值型和布尔型易于处理,文本型是数据处理的难点所在。为了便于计算,先对故障案例文档进行预处理,包括分词、去掉停用词、语义标注和生成关键词词频矩阵等。首先采用NLPIR/ICTCLAS 2015分词系统[5]对案例文档进行分词;然后采用哈工大停用词表去掉停用词,得到案例集词表[6];再采用交叉信息熵[7]的算法提取关键词,建立关键词词频矩阵;最后抽取案例文档集中的相关概念,构建出本体概念、属性和故障实例。
1. 1 故障案例领域本体建模
本文设计的故障案例领域本体概念主要有: 案例信息本体、案例特征本体、案例方案本体、故障代号本体和案例资源本体。
案例信息本体OI是指案例发生的背景信息,可表示为5 元组: OI= { ID,EI,UI,TI,WI} ,其中ID为案例编号,EI为故障装备名称,UI为使用单位,TI为故障时间,WI为检修人员。
案例特征本体OC是指装备发生故障时的状态描述,也是故障诊断的关键信息,可表示为6 元组:OC= { EC,MC,AC,FC,SC,WC} ,其中EC为故障装备代号,MC为故障模块代号,AC为故障部位代号,FC为故障模式,SC为故障等级,WC为故障特征权值。
案例方案本体OF可表示为5 元组: OF= { CF,IF,EF,AF,NF} ,其中CF为故障原因分析,IF为故障隔离策略,EF为故障排除方法,AF为故障排除效果评价,NF为该案例被成功匹配使用的次数。
故障代号本体ON是为便于系统推理所设计的代号本体,可表示为4 元组: ON= { EN,MN,AN,FN},其中EN为故障装备代号,AN为故障部件代号,MN为故障模块代号,FN为故障模式的代号。
案例资源本体OS是指案例所涉及的其他资源,可表示为4 元组: OS= { PS,VS,MS,TS} ,其中PS为图片资源,VS为视频资源,MS为音频资源,TS为文档资源。
1. 2 概念间的属性定义
本文定义的领域本体属性如表1 所示。其中,对象属性( Object Properties) 包括故障诊断的目标装备,装备故障时对应的操作规程和动作部件,针对该案例的故障类型判别、原因分析、隔离策略及排除方案等。数据属性( Data Properties) 包括故障特征参数和关键字,以及对该故障排除效果的评价、被成功匹配使用的次数和补充说明等。注释属性( Annotation Properties) 是指对故障原因分析、隔离策略及排除方案的文本表述。
1. 3 本体库的构建
本文定义的实例包括装备对象实例、故障特征实例、故障排除实例和测试实例。装备对象实例包括装备编号、装备名称和装备组件实例。故障特征实例是案例库中记录的真实故障案例,包括故障部位、故障等级和故障现象等。故障排除实例是该故障的原因分析、隔离检测和处理方案。测试实例是用于推理测试的目标故障案例。本文采用本体开发工具Protégé 进行电子防护装备故障诊断领域本体的构建,Protégé 是语义网中本体构建的核心开发工具。它提供了本体概念、关系、属性、层次、实例和公理的构建,并且屏蔽了具体的本体描述语言,只需在概念层进行领域本体模型的构建[8]。本文建立的电子防护装备本体知识库如图1 所示。
2 基于SVSM的案例相似度匹配优化算法
电子防护装备故障案例的主要数据属于文本类型,由于中文语言的特点,对文本特征项的相似度匹配是案例推理故障诊断系统的难点问题。
2. 1 基于领域本体的语义向量空间模型
向量空间模型( Vector Space Model,VSM) 的基本理论是: 文档包含的信息只与所含词条在该文档中出现的次数有关,而与词条出现的顺序或位置无关,文档空间可视为由一组正交向量组成的向量空间[9]。VSM首先建立基于词条或短语的关键词字典,然后采用TF-IDF[10]等方法将案例表示成多维向量,再采用反转文档或二进制向量等方法将案例表示出来。由于传统的向量空间模型忽略了文本词条的位置和结构因素对表述故障症状的作用,因此本文提出SVSM,采用本体库代替包含关键词的字典,利用案例文档中涵盖的概念及其属性所组成的语义特征向量来表示案例[11]。
定义只包含正半轴的n维向量空间P :
式中,每个维度n都表示一个语义领域,并且各领域之间是正交的。除语义领域的数量外,领域空间的维度不受其他因素的影响。语义特征向量仍以中文词条作为案例的特征项,每个特征项s在空间中的向量表示为:
式中,sk∈[0,1],k ∈ { 1,2,…,n} 表示特征项与语义领域k的相关度,并且它的值越大则该特征项与领域k的相关度就越高。由于空间中的坐标轴只包含正方向,所以各特征向量之间的夹角满足cosθ ∈[0,1]。
本文针对案例特征项在语义领域空间的关联度和该特征项对案例文档的重要程度,将特征项与语义空间中各领域的相关度作为语义特征,特征项在案例文档中的特征权重作为统计特征,将案例的语义特征向量表示为:
式中,f( sk) 为在案例中特征项出现的频数;为各个特征项在语义领域空间中对应的向量。
2. 2 语义特征向量的计算及自定义加权
为计算案例文档特征项在语义领域空间中所对应的具体向量,结合图论和本体知识表示方法,将特征项与语义领域的关系用语义关联图来表示[12]。本文将语义关联图定义为一个以命名类概念为领域结点,以匿名类概念为非领域结点,不同的关系属性为不同权值的语义链接边的有向无环图: G = < V,E > 。其中,V为有限非空的结点集合,集合中的每个结点对应一个语义领域或非语义领域的文档特征项; E为有向边的集合,每个有向边e( Vi,Vj) 表示结点Vi和结点Vj语义关系。边的指向代表2 个特征项之间的隶属关系,边的权重表示结点之间的语义相关度。
为提高案例检索速度和准确度,在构建系统知识库时,针对每个结点设置一个可为空的特征标志位,用以改善语义向量空间模型的加权方式,即根据案例集中的文档特征来自定义加权。标志位可用来记录:
1 加权系数: 特征项加有数值标识时,根据给定的加权系数计算权重;
2 特征标识: 给案例集中的文档加注“标签”标识,在构建特征向量时,根据标识调节权重。
并约定多级领域结点的权重计算关系为:
根据语义领域空间向量模型,假设文档d的特征项为s1,s2,…,sn,各特征项在空间对应的向量为在文档中出现的次数为f1,f2,…,fn,在不考虑自定义权重时,对应的文档向量表示为:
现在假设文档事先已有c个特征标识,这些被标识的特征项表示为s1,s2,…,sc,加权系数分别为θ1,θ2,…,θc,没有标识的特征项表示为sc +1,sc +2,…,sn,( c ≤ n) ,则对应的文本向量表示为:
自定义特征加权是根据实际需要设定,用来提高案例匹配相似度算法的自由度。
2. 3 案例语义相似度计算
由于基于余弦的相似度算法不受坐标轴旋转、放大和缩小的影响,适用于多维向量空间,故本文采用案例di和案例dj之间的特征向量夹角的余弦值来表示相似度。因此,2 个案例之间的相似度可以表示为:
当Sim( di,dj) ≥ γ ( 匹配阈值) 时,表示案例di和案例dj是相似的,γ 一般通过领域专家的经验来确定。用与2 个案例都有关联的语义领域作为案例之间的相似元,体现了语义对案例的影响,最后求得的相似度值可以近似代表2 个案例在语义层次上的相似度。
2. 4 基于相似度匹配的故障诊断方法描述
对于一个新的目标装备故障,当用户按照要求输入对故障的症状特征描述后,采用基于相似度匹配的故障诊断方法如下:
输入:新的装备故障特征描述,即目标案例q;
输出:被标记的源案例;
步骤1: 对q进行分词、去停用词、提取概念及其关系等预处理;
步骤2: 将q的预处理结果与本体库中的概念进行比对,通过式( 4) 和式( 6) 计算q的语义特征向量Vq;
步骤3: 通过式( 7) 计算Vq与案例库中源案例的语义特征向量的相似度Sim( q,di) ;
步骤4: 若Sim( q,di) ≥ γ ,则案例di进行标记,并将标记的案例集Q按照相似度从高到低的顺序排列输出;
Step5: 若Q ∈ Ø ,则调整阈值 γ ; 若 γ < β ( 最低相似度匹配阈值) ,则输出“没有与目标案例匹配的源案例”,算法结束; 否则转到步骤3。
3 实验结果分析
本文以电子防护装备故障诊断为例,计算案例库中若干案例的相似度。针对本文提出的方法,分别设计2 组实验: 第1 组实验采用传统的向量空间模型计算案例间的相似度,第2 组实验采用本文的基于语义特征向量空间模型的案例间的相似度。
故障实例1: 席位软件启动后显示无法连接服务器。
故障实例2: 启动席位软件框架,输入用户名和密码后,显示无权限访问。
故障实例3: 文电流转失败。
故障实例4: 席位应用软件无法正常启动。
故障实例5: 席位应用软件提示无法连接数据库。
故障实例6: 席位与服务器网络连接失败。
根据对案例集的分析以及结合领域本体库的知识结构,本文将故障案例表示为8 维向量: G =[ZB,BJ,MK,ZT,DX,LX,SZ,BE],ZB为故障装备,BJ为故障部件,MK为故障模块,ZT为故障出现时装备所处的状态或执行的动作,DX为装备动作的对象,LX为故障类型,SZ为数值类型的数据,BE为布尔类型的数据。针对某一具体的故障案例,部分维度的值可以为空。据此,将上述案例及其各维要素与所在语义领域的关联权重进行整理,如表2 所示,括号内的值为对应特征项的语义关联权重。
按照VSM计算方法[13],可得各故障实例的向量表示为:
按照式( 6) 计算,可得各故障实例的语义特征向量表示为:
M1=(0.664,0.515,0.421,0.303,0.0.156)
M2=(0.716,0.502,0.334,0.264,0.235)
M3=(0.776,0.501,0.354,0,0.145)
M4=(0.764,0.527,0.348,0,0.129)
M5=(0.718,0.527,0.398,0.190,0.108)
M6=(0.70,0.528,0.414,0.204,0.102)。
再求两两向量之间相似度,如图2所示。
从图2( a) ~ 图2( f) 分别表示在同一向量空间中两两故障实例之间的相似度及不同向量空间之间的区别,例如图2( a) 表示实例1 分别与实例1 ~ 实例6 的相似度。由于实验故障均为指控装备软件故障,分析可知,实例1 与实例2、实例5 和实例6 都出现与服务器的连接故障在语义上相似度较高; 而实例3、实例4 与其他实例的相似度较低,这与实验结果一致。
实验表明,基于领域本体的语义特征向量表示的实例之间的相似度高于传统的向量表示,这与实例之间现实的语义关联度一致,体现了采用基于SVSM的相似度算法优点: 一是对案例包含的概念进行了规范,有效地起到了降维作用; 二是充分考虑了文本信息的语义关联,使得相似度的计算更加准确。
4 结束语
在装备故障案例相似度计算中,传统方法对中文文本特征项语义关联度描述的缺乏,本文通过建立装备故障领域本体库,引入语义特征向量空间模型,给出了一种基于案例推理的电子防护装备故障诊断算法。首先对特征项进行预处理,然后结合本体库计算各领域要素之间的语义关联度,将案例表示成语义特征向量,最后采用特征向量夹角的余弦值来表示相似度,并通过实验证明了算法的有效性和可靠性。在后续的工作中,将重点研究通过案例间的相似度和属性重要度进行案例的约简及案例库的维护策略。
摘要：分析和总结了电子防护装备故障案例的特点,设计了电子防护装备故障诊断的领域本体。利用本体在表示案例时所体现的语义关联信息,提出了基于领域本体的语义特征向量空间模型(Semantic Vector Space Model,SVSM),弥补了传统的向量空间模型在描述故障特征项语义关联度时忽略了文档词条的位置和结构因素的缺陷。引入自定义权值的语义特征项标志位,提出了一种改进的基于案例推理的电子防护装备故障诊断算法,提高了SVSM各维度值的准确性和相似度匹配算法的自由度。通过实验,验证了算法的有效性和可靠性。
自我个性与职业匹配度分析 篇2
组织行为学认为，不同性质、不同层次的工作，对人格都有着特定的要求，要选择和从事某一职业工作就应该具备这一职业所要求的人格特征。人格本无好坏之分，但与职业类型的匹配程度，却成为影响组织的效益与发展的重要因素，更成为个人事业的成功与发展的关键因素。
一、相关定义
（一）个性
所谓个性就是个别性、个人性，就是一个人在思想、性格、品质、意志、情感、态度等方面不同于其他人的特质，这个特质表现于外就是他的言语方式、行为方式和情感方式等等，任何人都是有个性的，也只能是一种个性化的存在，个性化是人的存在方式。简单的说，个性就是一个人的整体精神面貌，即具有一定倾向性的心理特征的总和，是一个人共性中所突显出的一部分。现代心理学一般认为，个性就是个体在物质活动和交往活动中形成的具有社会意义的稳定的心理特征系统。
（二）性格-职业匹配理论
性格-职业匹配理论是一个由美国约翰·霍普金斯大学心理学教授约翰·霍兰德（John Holland）于1959年提出的职业兴趣理论。这个理论认为，个人性格各异，性格类型、兴趣与职业都有密切关系，兴趣是人们活动的巨大动力，凡是具有职业兴趣的职业，都可以提高人们的积极性，促使人们积极愉快地从事该职业，而且职业兴趣与性格特质之间存在很高的相关性。而当个人的性格特质与其工作特性具有高度一致性时，对于其工作将有更佳的表现。在一般职业招聘与甄选的过程中，常使用许多工具与进行种种测试，例如应征表格、人格测验或面谈，其实都是组织寻找人格与工作适配员工的手段。
二、自我分析
（一）我的性格类型特点
1、我比较敏感，非常崇尚内心的平和，看重个人的价值，忠诚，理想化，一旦做出选择，就会约束自己完成。
2、我外表看起来沉默而冷静，但内心非常善良，有同情心，善解人意。重视与他人建立有深度、真实、共同进步的关系，希望参与有助于自己及他人的进步和内在提升的工作，欣赏那些能够理解你价值的人。
/ 5
3、我个性鲜明，好奇心强，创造力突出，思维开阔，有远见，乐于探索事物的可能性，致力于追寻自己的梦想。
4、一旦全身心地投入一项工作时，我往往发挥出冲刺式的干劲，全神贯注，全力以赴。我对人、事和思想信仰负责，一般能够忠实履行自己的义务。但是，对于意义不大的日常工作，我做起来可能有些困难。
（二）成功愿望
这个方面将告诉我们在面对工作时我们是否有积极主动，努力进取的心态。我的成功愿望一般。具体表现是：
1、做事有特定的目标和方向；愿意承担一定的责任。
2、面对新尝试时（比如组织同学的特别活动等），我往往会参照以前的经验和方法来进行。
3、对人和事的要求不高不低，这种“中庸”也让我和周围的人感到自在，而不至于压力太大。
（三）影响愿望
影响愿望是引导或说服别人按照你的想法行事的愿望。我是一个影响愿望较高的人。具体表现是：
1、喜欢指导别人怎样完成一件事，希望别人遵循你提供的方法。能够及时和有效地传达自己的观念和想法，并且能够让别人去贯彻和实现你的想法。
2、希望事情的进度和结果尽在你的掌握中。
3、看重自己的影响力，尽量在别人面前展示，也非常在意自己在别人心目中的地位。
（四）挫折承受
承受挫折是指我们面对现在或将来可能遇到的挫折、困难和失败时常有的心态、情绪以及可能的举动。
我的挫折承受力居中。具体表现是：
1、遇到挫折时感到沮丧，但不会深陷其中不能自拔。
2、能从失败中总结教训，避免重蹈覆辙。
3、新事物或新环境出现时，虽然会有点害怕，但还是会小心地试水挑战。
（五）人际交往
人际交往是生活和工作中对人际关系的关注程度，喜欢并能很好地建立和保持良好的人际关系。
/ 5
我在人际交往动机上处于中等程度。具体表现是：
1、和别人打交道时感觉很自如，不拘束；具有一定察言观色的技巧。
2、愿意与人为善，乐意和他人合作。
3、不会涉入别人的事，和朋友保持适当的距离，坚持自己的空间。
（六）优点
1、能够一个人做事情，忠于职守 ；
2、考虑问题细致周到，而且很深刻 ；
3、会考虑新的可能性，跳出以前的圈圈 ；
4、做自己信仰的工作能使我振奋鼓舞 ；
5、能与自己尊敬的人保持频繁、有意义的交流，并从那里得到支持；
6、收集所需的信息有一种天生的好奇与技巧；
7、能看到事情发展的趋势，看到行动背后的涵义；
8、能理解别人的真实想法，想别人之所想；
9、适应能力强，世界千变万化而你游刃有余，能迅速调整自己的状态和目标；
10、一对一的与人工作是我擅长的方式；
11、有雄心和志向，魄力强，善于影响他人；
12、有韧性，在困境中不轻易放弃。
（七）缺点
1、过于追求完美，会花很长时间酝酿自己的想法；，导致行动力较弱
2、经常忽略逻辑思考和具体现实，沉浸于梦想。当意识到自己的理想与现实之间的差距时，就容易灰心丧气 ；
3、比较固执，经常局限在自己的想法里，对外界的客观具体事物没有兴趣；
4、总是用高标准来要求自己，投入太多的感情，导致我对批评相当敏感。压力很大的时候，我可能会非常怀疑自己或他人的能力，而变得吹毛求疵，对一切都有抵触情绪；
5、有时做事会无秩序，很难把握事情的优先级别；
6、讨厌以传统的或习惯的方式行事；
7、过于关注失败的可能性，对没有把握的事情感到紧张和压力；
8、做事可能存在感情用事的倾向；
9、很难在竞争的、气氛紧张的环境中工作下去；
/ 5
10、有时表现地过于强势，让人难以接受。
三、职业匹配
无论是组织还是个人，实现人格与职业匹配，其意义都是十分重要的。从社会发展方面来看，社会分工已愈来愈细，组织中的职位对个体素质要求越来越高，若要增强组织活力和竞争力，保持组织在社会中的地位，首要任务是将最适合的高素质人才吸引到组织中来。从人才管理方面来看，科学合理使用人才资源的适才适时规律，要求适时地将人才安置到与其素质能力相符合的工作岗位上放手使其工作，使人尽其才，才尽其用。从组织提高效益方面来看，人格与职业匹配作为组织有效选拔人员、正确评价与激励组织成员，促进组织发展等手段，发挥着至关重要的作用，是人力资源管理的核心。因此，无论从以上哪个角度出发，都需要组织关注人格与职业匹配。
个人同样需要关注人格与职业匹配。人格与职业匹配对于个人一生的职业生涯发展、事业成就和家庭幸福也起着至关重要的作用。有专家研究表明，个人对职业的满意度和流动的倾向性，取决于个人的人格特征与职业的匹配程度。个人确定职业时，需要有专业的知识、良好的技能，更需要个人的人格与之匹配。当个人人格与职业匹配时，工作得心应手，状态积极，富有成就，不仅聪明才智得到了充分发挥，而且还会感到轻松愉快，有内在的满足与幸福感，产生很高的满意度。当个人人格与职业相近时，经过努力也会适应工作，取得成就。而当个人人格与职业相斥时，会对工作索然无味，容易出现困难，或者必须付出更大的努力才能有所成就。
经过上述分析，我适合的岗位的特点是：
1、我需要在一个注重合作、没有压力和人际冲突的环境中，与其他富有创造性和情感的同事一起工作；
2、工作能够符合我的价值观，能够帮助他人成长和发展，挖掘他人的潜力；
3、我需要在一个没有太多限制、灵活的机构中工作，有足够的私人的空间和时间；
4、工作允许我深入地与他人沟通和合作，理解、帮助、激励他人，并有机会接触到你尊敬的人；
5、我需要可以发挥创造力的工作条件，并能得到鼓励和嘉奖，不断提升自己的能力；
6、工作时间上要留给我足够的时间来深化我的想法，并为实现它们而坚定
/ 5
地工作。
综上所述，比较适合我的职业有：记者、娱乐业人士、演员、编辑、室内设计师、艺术指导、营养师、健康护理医师、企业培训师、薪酬福利人员、人力资源顾问及项目经理等。
性爱匹配度 篇3
性匹配是个什么概念呢？简单地说就是指夫妻之间在性爱的观念、态度、偏好以及性能力等方面的契合。想要美满的婚姻，男女双方除了在情感和心灵上要合拍之外，性爱上的契合更是維系情感生活中的重要因素。
你的性观念
当我无法拥有你的时候，我渴望你。关于我们内心对性的热情，是不带任何神秘色彩的。我们身体的荷尔蒙总是在燃烧，然而，对性的看法，我们又是如何形成的呢？
若从表面的角度看，答案可能是“个人经验”。其实，你现在对性所抱持的观念和态度，以
及偏好，是来自于过去发生在你生命中无数的事件累计的结果。从你婴儿时期至童年时期就不断地被灌输有关性方面的图像及事件，且这时期也正是建立爱和亲密关系的阶段。你和同学们玩“医生”的游戏，观察老师、父母以及邻居们的互动情形；你看见公园里接吻的情侣，也留意到广告牌上的色情广告。美国普雷桑洛博士说：“这些性意象在我们七八岁之前就已经在脑海里根深蒂固了。”而当你第一次从小说里体会到“性”，第一次在电影里看见赤裸的身体，第一次做春梦，第一次性幻想，第一次从异性那里听到自己心跳的回响，第一次游历他人的身体，这些不仅仅是你成长的时间刻度，还有连缀在上面的感受和情怀。
因此，个人经验的不同，导致了我们性观念上的差异。而影响你对性的态度最重要的因素，来自你的家庭。阿希在加拿大有过十年的留学经历，他是一个很乐意和善于在性生活中发现乐趣及浪漫色彩的男孩，性心理十分丰富。而安琪却是在传统、严谨的教师家庭长大的中国女孩。阿希曾跟安琪抱怨性生活的乏味和无聊，而对于阿希提出的性要求，安琪完全感觉对方太不尊重自己，对她是一种侮辱,最终让这段一见钟情的爱情分道扬镳。
美国麦卡锡博士告诉我们：在把性视为是羞耻或见不得人的家庭中长大的孩子，在性爱的表达上，会比一般人困难；反而那些在充满爱与拥抱、开明与相互尊重的家庭中长大的孩子，在面临外界所给予的一些负面影响时，总有足够信心去克服它。
你的性能力
除了遗传基因决定我们性欲的强弱外，每个人的性能力和性欲望也跟年龄、身体状况、锻炼、饮食、情绪等有关。
夫妻之间性欲是否一致，往往是两个人在一起一段时间后才明显表现出来。如果一个强，一个弱，一个大，一个小，以致双方无法协调，就意味着不匹配，发展下去，会使想要更多性爱的一方感到受伤害、被拒绝和欺骗。
因此，夫妻要找到双方都认为合适的做爱频率。在这里，千万不要迷信杂志中或性行为研究报告中所提供的数据。性，不是像拷贝粘贴这么简单，可以从一家的卧房复制到另一家的卧房。正常的性欲是取决于两人的需求和满意程度，如果你们每月三次或者每周七次都会感到快乐，那么三次不少，七次不多，对你们合适就好。
通常情况下，男人的性欲较强烈和旺盛，随时可以引起性兴奋；而女人的性欲相对较弱，只有在婚后性生活过程中，性欲才逐渐增强。因此，作为妻子，要仔细分析、琢磨、把握你的性欲周期：你在一天的什么时刻，或者在一个月的什么时候对性的欲望或要求更敏感，更迫切，更激动。然后告诉丈夫，让两人一起充分利用这些敏感、激动、迫切的时刻，发挥双方的想象力，把一个即使最司空见惯的场所变成一个浪漫的环境，将做爱的欲望推向高潮。
只有你自己了解你的身体，因此你是不会有错的，正确的性交频率当然由你们的具体情况而定。这里没有达标与不达标的不同，只有快乐与不快乐的区别。有时候，即便是零频率也
可能維系一段很好的感情。所以，夫妻双方对于性爱的频率作出协调和约定，不是要增加进行性生活的压力，而是让双方都能获得最大的愉悦和满足。
用爱调适性匹配度
每个人的性欲强度是不相同的，因为生理上、心理上的个体差异，导致夫妻之间存在性欲差异在所难免。但对大多数夫妻而言，他们并不希望因性欲的差异而造成性关系乃至夫妻关系的破裂，那么怎样才能平抑夫妻性欲的差异，让他们的性“匹配”起来呢？就是建立优质的性爱互动规则，为双方都能获得满意的性爱作出协调和达成共识。
38岁的澳大利亚工程师德尼就有这样一位妻子：“我的工作压力很大，我的性欲会经常因为很多事情而瘫痪。如果不经常做爱，我的状态会好一些。可是，一旦我很长时间没有跟妻子ML，她就开始不安。她会想象我不再爱她了，甚至怀疑我有别的女人……她需要性来确定我对她的感情。
所以，每个月两到三次，我必须强迫自己，以便消除她的不安。”他常陷入一种矛盾，到底是要拒绝，还是继续强迫自己，拒绝又怕伤害对方，忍受呢，又觉得失去身体的自主，到最后有种“我受不了了”的感觉。
在关系经营里，专家建议伴侣一周至少有一段时间分别空出来作为“夫妻日”，如周末的一个半天，属于两个人单独相处的约会时间，一起做些两个人感兴趣的活动，出去享受浪漫的晚餐、听场音乐会或看场电影。也建议夫妻之间可以每周或定期安排“性爱日”，使伴侣双方在白天就存着美好想象和期待，同时身体和情绪作出准备。
性，首先是一个对话：两个人之间的互动，充满惊奇，也可能超出预料。所以性是生理的，是荷尔蒙的，偶尔还是实用主义的，但它首先是情感的：它会在与对方碰撞中提升和丰富。所以，你们必须保持亲密的乐趣，让性融合进爱的承诺。对于性欲较低的一方，要找出自己根本的问题或采取有效的增加性能量的方法，比如进行运动锻炼，保持健康的生活习惯，食用助性食物……当然，更需要让自己有进入良好心境的时间。许多人在床上需要一段过渡时间才能变得兴奋，彼此拥抱、亲吻，谈谈一天发生的事情。对于性欲较高的一方，如果另一半真的不感兴趣，有欲望的一方可以自我满足，让另一半躺在身边抚慰。
当然，愉悦而浪漫的性爱氛围也很重要，整洁、舒适、温暖、光线柔和的房间，如华的月光，优美的歌声，暧昧的电影镜头等，都可以极大地勾起彼此的幻想，激发出热情，创造美好的性爱之旅。
测试你们的匹配度
在婚前了解双方的性匹配程度，有助于男女双方正视性在婚姻中的重要性。TestA、B、C都没有标准答案，双方的匹配度在于你们的答案是否一致。如果三种测试的答案一致度低于总数的三分之一，那婚姻对于双方都是非常痛苦的事情。
TestA：性态度
1. 避孕是女人的责任吗？
2. 性关系是否可以作为解决夫妻冲突的工具或者奖惩手段？
3. 当出现性方面的困扰，是否愿意和对方一起应对？
4. 你是否介意对方一些特殊性偏好？
5. 你是否很在意性关系给你们带来的亲密感？
TestB：性欲望
1. 你希望的性爱频率是多少？
2. 你对无性生活的状态能忍受多久？
3. 你希望性爱时间长度是多少？
4. 你是否希望对方在性爱中变化招式、花样，喜欢性爱环境有变化？
5. 你是否认为只要一方提出，另一方就必须无条件满足对方的性要求？
TestC：性观念
1. 你是否可以接受婚前性行为？
2. 你是否觉得性是很重要的一件事，或是觉得性可有可无，无关紧要？
3. 你是否觉得性是一件很有趣的事情？或是认为性是很无聊、庸俗？
4. 你的性生活只是婚姻中的例行公事，还是认为性爱关系到感情和爱？
关于提高岗位匹配度的思考 篇4
目前, 某检察院分院实有内设机构领导岗位43个, 处以下非领导岗位120个。业务部门工作岗位110个, 法警岗位9个, 技术岗位7个, 其他综合部门工作岗位37个。问卷共设置了“你曾在哪些岗位工作过?”“你认为最适合你的检察岗位是什么?”“你认为比较适合你的检察岗位是什么?”“你不适合、不愿意的岗位是什么?”“是否服从组织安排?”“你想说明的事项是什么?”等问题进行调查。各位干警对岗位的选择呈现4个特点。
1. 多数人认为适应现工作岗位。
回答“认为最适合检察岗位是现岗位的”有130人, 占85%;回答“比较适合现岗位的”有7人, 占5%;回答“最适合的岗位、比较适合的岗位”时, 没有选择现岗位的有16人, 占10%。
2. 愿意从事综合工作的人少。
主要集中在综合部门或业务部门从事内勤或文字材料工作的岗位。调查中, 明确表示不愿意从事办公室、政工等综合部门工作岗位、后勤部门岗位、文字材料工作或内勤等工作岗位的39人。而明确表示不愿意从事公诉工作的只有3人, 明确表示不愿意从事侦查工作的只有2人。
3. 认为工作岗位与个人意愿匹配的主要为业务部门干警。
问卷中选择现岗位工作为最适合自己工作的人员, 主要集中在侦监、公二、公一、监所、民行、控申、职侦、计财处等处室;而选择不愿意继续从事本岗位的工作人员主要集中在综合部门从事文字材料工作岗位, 或在从事本工作岗位时间较长的人员。
4. 干警的组织观念较强。绝大多数人表示愿意服从组织安排, 只有个别同志认为, 调整工作岗位应征求其本人的意见。
二、从问卷调查看队伍整体状况
1. 整体思想素质好。全院干部队伍自觉用党的创新理论
武装头脑, 紧紧把握时代脉搏, 站在服务经济社会发展大局下思考问题, 把献身检察事业作为个人的人生追求, 在本职岗位上默默无闻地勤奋工作。服从和服务意识比较强, 完成工作的质量和效率较高。
2. 本职业务完成较好。
每位干警虽然岗位不同、分工不同、工作量大小不一, 但大家都能按照职责分工, 对所从事的工作扎实有效地开展。对案件的办理, 能够严格依法进行, 对机关公文的拟制、呈办以及日常事务性工作的组织、谋划、协调都能够按照上级或领导的意图独立完成, 在案多、事多、人少、工作量大的情况下, 能够做到科学合理安排, 具有计划性、预见性, 工作有条不紊地开展。
3. 团结协作精神强。
某分院成立后, 就特别强调树立“自强不息、团结协作、务实进取、荣辱与共”的团队精神, 并在实践中很好地得到贯彻。大家养成了“一盘棋”、“一条船”思想, 一切围绕“领先”和“一流”的目标, 心往一处想, 劲往一处使, 工作分工不分家, 工作只有重点与非重点之分, 没有重要不重要之分, 注重用团队的力量推进各项工作的协调平衡开展。如在开展社会主义法治理念教育、学习实践科学发展观、“发扬传统、坚定信念、执法为民”和“人民好公仆”主题教育活动中, 各处室都结合自身工作实际, 积极配合各项任务的完成, 形成了齐抓共管、共同推进的工作氛围。
三、工作岗位调查反映出的主要问题
1. 现实思想比较活跃。
有的综合部门干部整天忙于事务性工作, 伏案写材料的时候多, 绝大部分时间都在办公室, 同业务处室相比接触社会的面比较窄;平时任务重, 做了大量无声无息的工作, 认为“细小事情干一万, 不如大案要案办一件”。从调查情况看, 在政工、办公室两部门中36%的人员不愿从事现岗位工作。由于受工资改革、检察官津贴等利益关系的调整, 科级以下干部的收入同过去相比有较大幅度的下降。在政工、办公室干部中有9人没有法律职务, 没有检察官津贴, 存在同工不同酬现象, 同时, 具有助理检察员法律职务的综合部门干部不能晋升检察员, 其检察官等级的晋升也受到限制。这些涉及个人切身而现实的问题, 给综合部门干部队伍建设带来了一定影响。
2. 工作压力比较大。
多数人认为综合部门人员少, 工作量大, 领导要求高, 一人多岗现象普遍存在。每项工作从布置到检查验收, 都要耗费很大的工作量, 经常要加班加点、超负荷工作, 才能确保工作任务的完成。业务部门案多人少的矛盾也比较突出, 打黑除恶和专项行动投入了巨大精力, “5+2”、“白加黑”成为常态, 加上市院对分院的工作考核形成五个分院相互比学赶超的竞争氛围, 工作上承受着不进则退、小进也是退的考核压力。
3. 有的同志进取精神不够强。
由于职级职数的限制, 有的干警认为年龄偏大, 职级晋升已到顶, 没有更多的发展空间, 存在在本职岗位“混”到退休的想法;有的以工作岗位需要特殊专业为由, 认为是自己学经济管理的, 就应当到后勤部门, 认为自己是学法律的, 又通过了司法考试, 就应当到业务部门, 没有真正认识到组织上统筹安排的需要。
四、个别岗位匹配度较低的原因分析
1. 缺乏职位分析。
对岗位的职责要求不明晰, 工作任务安排比较随意, 没有人才发展规划和职位分析说明书, 对每一工作岗位的职责、目标、任职条件、工作标准界定模糊, 使得在选择人员时候缺乏标准和依据。干警对个人的发展规划和工作前景不明晰。
2. 对干警个人的整体素质掌握不够全面。
新进检察人员的主要渠道有3种, 一是面向大学生公开招录, 二是军队转业干部, 三是从基层遴选的人员。干部部门了解干警的主要途径是通过笔试、面试和考察等途径, 虽然在招录之前, 对岗位人员的学历、专业等条件作了限制, 但招录结果往往不尽如人意, 常常出现会考的不一定能干的情况, 真正能够符合岗位需求的人员较少。
3. 在职培训缺乏针对性。
新形势下, 人民群众对司法公正的新要求越来越高, 检察工作任务越来越重, 这就要求检察人员必须不断更新现有的知识与技能, 学习新的法律知识, 不断扩充知识面, 才能适应工作岗位不断革新的要求。然而, 有的部门忽视在职培训, 出现能力退化现象, 导致岗位要求的不断提高和干警能力不足之间差距越来越大, 岗位匹配性也随之下降。
4. 公务员工资制度的缺陷。
公务员的工资主要取决于级别和职级, 由于单位规格和职数限制等原因, 公务员晋升途径比较单一, 导致在同一职级的人员, 工资差别不大, 容易出现干多干少一个样的问题, 难以充分调动干警的工作积极性。
五、提高岗位匹配性的对策
1. 提高认识, 加强调研。
良好的思想素质和强烈的事业心、责任感, 是干好工作的前提和基础, 要坚持用邓小平理论、“三个代表”重要思想和科学发展观武装政工干部头脑, 充分认识科学发展在检察工作中的指导地位, 激发干部爱岗敬业的自觉行动, 做到干一行、爱一行、专一行, 踏踏实实做好本职工作。教育引导广大干警正确处理好个人与集体的关系, 树立正确的利益观, 自觉服从大局, 形成不讲得失干事业的良好风气, 营造既有组织原则又有个人心情舒畅的工作氛围。既不能以交流为由, 经常提出变换岗位, 也不能以稳定岗位为由, 固定岗位不变人。必须确立与交流相适应的人才意识和全局意识, 确立与我们所从事的检察事业相适应的竞争观念和成才观念。要牢固树立以人为本的管理理念, 干部部门应经常深入处室、深入干警中了解思想动态和岗位需求, 充分挖掘干警潜力, 培养干警的创造力, 合理调配人员, 营造生动活泼、心情舒畅的工作氛围。
2. 细化职责, 强化岗位匹配。
根据“三定”方案, 将全院的职能、职责分解到各个处室, 细化到每个岗位, 形成岗位职责说明书, 重点完善每一岗位的职责、任务和所需的工作条件及从事这一工作的人员必须具备的知识、技能和达到的工作标准, 使个人与岗位的匹配有了清晰的客观标准。一要适时进行资历分析, 主要通过查阅干部档案, 看其学习经历、工作履历、任职年限等, 分析干警的实际工作经验。二要进行知识分析, 主要根据干警的教育背景、专业基础、法律职称、技术专长、工作业绩等, 看其履行职责能力水平能否适应岗位需求。三要进行潜力分析, 主要根据干警的学习能力、素质缺陷、性格气质等, 看其应对岗位工作挑战、承担急难险重工作任务、弥补自身不足的可能性及职业发展空间大小等。通过以上分析, 努力做到因事用人、依岗取人。
3. 健全干部交流轮岗机制, 激发内在动力。
坚持唯才是举, 量才使用, 用其所长, 充分发挥每个干部的潜力和作用, 使想干事业的给机会, 能干事业的给岗位, 干成事业的给待遇。在统筹安排的原则下, 充分考虑个人意愿, 关心干警思想动态, 帮助实现其内心愿望。应建立定期轮岗交流制度, 对从事同一岗位时间较长的或某些特殊岗位实行定期轮岗交流, 使干警能够有足够的施展空间。流水不腐, 户枢不蠹。轮换工作岗位可以使干部得到多岗锻炼。实践出真知, 经历长才干, 一次经历是一个“老师”, 一个岗位就是一所“学校”, 多一次经历就长一次才干, 多一个岗位就多一分成熟。因此, 一个人在同一岗位上不宜时间过长, 适时交流干部的岗位和职位, 对于提高检察人员的综合素质大有益处。通过扩大人员交流, 可以进一步改善队伍结构, 使队伍处于一个合理的、多维的、不断发展的动态平衡之中。因此, 人员交流是增强岗位匹配性的重要途径之一。人员交流离不开管理, 必须强化监督机制, 要杜绝借交流之名搞“一朝天子一朝臣”、排除异己、拉帮结派等不正之风。要加强干部考核力度, 利用考核激励机制, 增强岗位匹配度。
4. 加大培训力度, 提高整体素质。
匹配度算法 篇5
【关键词】个人—组织匹配度；工作绩效；工作满意度
在科技日新月异、市场环境瞬息万变的经济时代，企业想要成功必须依赖员工的主动工作与积极进取，这是因为员工的努力程度和工作绩效对组织的绩效具有重要作用。因此怎样建立一支与组织共同生存、发展的优秀团队，成为组织愿景和目标实现的关键。企业只有关注个人—组织匹配度对员工个体行为与绩效的影响机制和影响过程，才能知晓个体行为对企业绩效的影响实质，从而更好地进行企业的人力资源管理。针对这一焦点，近年来国内外许多学者和管理者都开始研究人与组织匹配的问题，即组织成员的个体特征与组织特征之间的相容性问题。本文就是在上述背景下，运用理论与实证分析相结合的办法，研究人—组织匹配度与工作绩效之间的关系。
一、相关理论定义和研究假设提出
建立在行为交互理论基础上匹配研究的基本假设是行为结果是个体与环境之间相互作用的函数，即B = f （P ， E ） 该观点认为，良好的匹配会对个体产生积极的结果。即个人特质与所在的环境特性相符，则会产生较为正面的作用，这些好的作用进而引发正向的态度与行为。P—E Fit 包含多种类型：个人—岗位匹配（P—J Fit ）、个人—组织匹配（P—O Fit） 和个人—团体匹配（P—G Fit） 等。学者与管理者都认为，在激烈竞争的商业环境和劳动力紧缺的市场条件下，P—O Fit 是增强组织柔性、提供员工工作满意度和工作绩效的关键因素。
（一）人—组织匹配度（Person—Organization Fit，简称P—O Fit）
P—O Fit存在很多种定义，许多研究者把P—O Fit宽泛地定义为个人与组织之间的相容性。在以往的研究中，P—O Fit目前国外关于该领域的研究有两个方向：一是由 Muchinsky和Monahan（1987）提出的一致性匹配和互补性匹配；另一个是由Caplan（1987）等人提出的需要—供给和要求—能力观点的区分。这两种对P—O Fit的观点虽然已经有了比较深入的研究，但二者很少整合在一起。对此，Kristof在前人研究的基础上整合出了便于理解的人与组织匹配概念模型。
人—组织匹配度与工作绩效之间的相关性研究经济·管理
经济·管理 人—组织匹配度与工作绩效之间的相关性研究
图1 Kristof 人与组织匹配的多维概念模型
在该模型中，一致性匹配 （箭头a） 发生在组织和个体间的基本特征相似时。互补匹配包括两方面：（1）如果组织满足了员工所需要的财务、物质、心理资源以及发展机会，需要—供给匹配就产生了 （箭头b）。（2）当员工在努力、承诺、经验、知识等方面能适合组织的要求时，就实现了要求—能力匹配 （箭头c）。
Kristof将人与组织匹配定义为以下任何一种情况下人们与组织的相容性：（a）人与组织至少有一方面能够提供另一方所需要的资源；（b）人与组织拥有相似的基本特征；（c）或以上两种情况都具备。本文采用的是Kristof的定义。
（二）工作绩效（Job Performance）
关于绩效的定义学者们因其所处的时期不同，研究的对象、侧重点以及目的也存在差异，对工作绩效作出的解释也不同。本文将其归纳总结对绩效定义为：（1）工作绩效就是员工通过其工作而取得的结果；（2）工作绩效是员工工作中表现出的行为；（3）工作绩效并不是对历史的一种反应，而是侧重于员工的素质、潜能与其工作绩效之间的关联，关注于员工的素质，注重其未来的发展。
鲍曼（Borman）将绩效分为任务绩效与周边绩效（又称关联绩效：Contextual Performance）两种。任务绩效是指完成某一工作任务所表现出来的工作行为和所取得的工作结果，其主要表现在工作效率、工作数量与质量等方面；周边绩效包括人际因素和意志动机因素，如保持良好的工作关系、坦然面对逆境、主动加班工作等。周边绩效可以营造良好的组织氛围，对工作任务的完成有促进和催化作用，有利于员工任务绩效的完成以及整个团队和组织绩效的提高。本文就是要在绩效内涵研究的基础上探索任务绩效与关联绩效和个人与组织匹配度的关系。
（三）研究假设
根据研究理论框架，建立如下假设：
H1： 个人属性对组织匹配度存在显著影响
H2： P—O Fit对工作满意度起到显著正向影响
H3： P—O Fit与任务绩效正相关
H4： P—O Fit与关联绩效正相关
H5： 工作满意度对任务绩效正相关
H6： 工作满意度对关联绩效正相关
二、研究方法与工具
（一）研究方法及对象
此次研究的数据统计分析主要采用信度分析、效度分析和相关性分析等统计分析方法。所有数据的分析都使用SPSS13.0统计分析软件进行处理。
本研究以西安一家民营高科技企业为对象，发出问卷120份，回收110份，回收率91.7%，其中有4份因回答不全，剔除出去，有效问卷107份，占89.1%，其中：男性82份，占74.5%，女性38份，占35.5%，年龄：20—25岁有45份占41%，26—35岁有52份占47.2%，36—45岁 13份，占11.8%，46岁以上无人。学历：专科学历占12.7%，本科学历占68.2%，硕士及以上学历19.1%。该公司工作时间：不满1年41.9%，1—5年43.5%，6—10年14.6%。职务：一般员工占68.05%，基层管理人员14.88%，中层管理人员9.76%，高层管理人员7.32%。技术职称：无职称占29.27%初级占43.66%中级占15.26%副高级占7.32%正高级占4.49%。
nlc202309021125
（二）研究工具
本研究的问卷由2个部分3个量表组成，（1）调查员工个人基本情况量表，如：性别。年龄、工作年限、学历等；（2）问卷的主要构成部分， 主要包括个人—组织匹配量表、工作绩效表和个人满意度量表。工作绩效量表，问卷量表均采用Likert 五点计分法。分别为“非常同意”、“比较同意”、“一般”、“不太同意”和“非常不同意”，其中5分代表“非常同意”，逐次递减。
1.人—组织匹配度（P—O Fit）量表
该量表主要是关于个体价值观与组织价值观、在公司中个体能够保持其本身价值观、个体的价值观因为与公司的价值观不相符员工能否适应公司、和同事的关系相处很融洽、企业鼓励员工的个性化发展等方面。
2.工作绩效量表
量表按 Likert五点记分，正向记分。从 1 到 5 分别代表“非常不同意”、“不同意”、“一般”、“同意”、“非常同意”，分数越高，表示绩效越高，反之越低。
该量表主要问题如任务绩效：完成工作的时效性与有效性，关联绩效：工作投入格外努力，具有奉献精神、在工作上积极建议、积极寻找有挑战性的工作、妥善处理工作中的困难以及问题、帮助他人解决工作中的困难和与组织成员通力合作等方面的问题。
三、数据分析
（一）信度分析
信度反映了测验工具所得到的结果的一致性或稳定性，是被测特征真实程度的指标。其目的是控制和减少随机误差。本文采用的是克朗巴哈（Cronbach’α）系数来检验问卷的信度。Cronbach’α系数越大，表明测量的可信程度越大。不同研究者对信度系数的界限值有不同的看法，一般认为，0.60～0.65是不可信；0.65～0.70是最小可接受值；0.70～0.80认为信度相当好；0.80～0.90就是信度非常好。
本
（二）P—O Fit相关性分析
由下表可见，人—组织匹配度与性别、工龄、文化程度和职务进行相关分析，其皮尔逊相关系数分别为-0.59，-0.141，-0.046和0.189，这表明人—组织匹配度与性别、工龄、文化程度呈负相关关系，人—组织匹配度与职务呈正相关关系。
在现实中，职务越高，个人对组织的选择越慎重，与组织的文化越是吻合，组织在选择职务高的人的时候，也会相对慎重，面试或者考核很多轮才能确定；相反，职务低的人，组织相对选拔比较松，个人与组织的匹配性也就越差。
为探讨各变量之间的关系，对几个变量进行了相关分析。本文采用 pearson 相关分析法研究个人与组织属性及其匹配和绩效各维度相关系数及显著性检验，从而明确各研究变量之间的内在关系。
由表2可以看出，个人价值观实现度与任务绩效、关联绩效显著相关 （ P < 0.01，r = 0.284； P <0.01，r = 0.391） ，组织价值观实现度与任务绩效、关联绩效显著相关 （ P <0.01，r =0.290；P <0.01，r = 0.335）；个人—组织价值观实现度匹配与任务绩效、关联绩效显著相关 （ P < 0.01，r = 0.302；P<0.01，r = 0.415）。即本文提出的研究假设H1正确。
（三）P—O Fit与绩效的回归分析
为进一步解释各变量间的具体影响和因果关系，以及验证变量之间的作用大小，本文将通过SPSS13.0里Linear函数进行进一步的分析。
表4回归分析中显著水平在0.01以上且标准化回归系数 （ Beta）为正，说明P—O Fit对任务绩效显著正相关。即假设H3正确。
表5回归分析表明P—O Fit与关联绩效在 0.05水平上显著相关，且标准化回归系数 （ Beta） 均为正，P—O Fit对关联绩效显著正相关。即假设H4正确。
表6分析结果表明个人与组织匹配度对工作满意度有显著的预测力。假设H4得到验证。
表7回归分析结果表明，回归方程的F检验值达到了显著水平，表明回归效应显著，工作满意度可以用来解释任务绩效的变异，它们的校正后总体决定系数为0.316，
说明任务绩效变异的31.6%可以用工作满意度变量加以解释。且工作满意度对于任务绩效是正向的促进作用，假设H5得到了验证。
表8回归分析结果表明，该回归方程的 F 检验值达到了显著水平，表明回归效是显著的，工作满意度可以用来解释任务绩效的变异。它们的总体决定系数（校正后）为0.321，说明关联绩效变异的32.1%可以用工作满意度和组织承诺这两个变量加以解释。且工作满意度对于关联绩效是正向的促进作用，假设H6得到了验证。
四、结论总结
本研究主要将民营中小型高科技公司的员工作为对象进行调查，相对来说员工素质较高，与一般员工群体性质不同，结果可能也会有差异。另外，民营企业与其他国有企业、外资企业不同，员工的工作压力相对较大，工作任务、工作环境等也有差异，都可能会对调查结果有影响。还有样本数量有限，可能对研究结果也有影响。
通过前面的分析得到以下几个结论：（1）员工个人属性对与组织的匹配度有显著的影响，掌握这一规律有利于提高企业招聘中能提高录用的效度；（2）个人—组织匹配度与员工工作绩效成正相关，与员工满意度也有显著影响；（3）工作满意度在P—O Fit 和关联绩效间起到中介作用。这表明P—O Fit并不是直接影响关联绩效的，而是通过影响工作满意度从而对关联绩效产生作用。
【参考文献】
[1]Kelly A. Piasentin， Derek S. Chapman. Subjective Person-organization fit： Bridging the gap between conceptualization and measurement. Journal of Vocational Behavior， 2006. 5： l—20.
[2]Chatman J. Matching people and organizations： Selection and socialization in public accoun ting firms. Administrative Science Quarterly ，1991.36：459—484.
[3]Lauver，K. J.and Kristof-Brown，A. Distinguishing Between Employees’ Perceptions of Person-Job and Person-Organization Fit. Journal of vocational Behavior，59（2001），454—470.
[4]韩翼，刘竞哲.个人—组织匹配、组织支持感与离职倾向[J].经济管理，2009，（02）.
[5]王忠，张琳.个人—组织匹配、工作满意度与员工离职意向关系的实证研究[J].管理学报，2010，（03）.
[6]Cable Daniel M， Judge Timothy A. Person-organization Fit， Job Choice Decisions， and organizational Entry [J].Organizational Behavior and Human Decision Processes， September 1996， 67（3） ：294—311.
【作者简介】
穆春晓（1980— ），陕西渭南人，西安翻译学院讲师，管理学硕士。研究方向：人力资源与网络经济；高纪（1982— ），陕西渭南人，香港理工大学MBA学员，工程师。
匹配度算法 篇6
关键词：增强现实,ARToolKit,图像匹配,相关系数,相对误差
1 概述
增强现实技术(Augmented Reality，简称AR)是在用户所处的现实环境的基础上加载虚拟场景，在现实场景的基础上扩展用户视觉，实现用户与虚拟以及现实之间的交互。因此增强现实技术的研究有着广阔的应用前景和商业价值。
ARToolKit是一套基于C语言及OpenGL的增强现实系统开发包，该工具包是最初由日本大阪大学的Hirokazo Kato博士于1999年在华盛顿大学人机接口实验室(HITLab)设计开发的[1,2,3]。
ARToolKit利用计算机视觉技术来计算观察者视点相对于所检测到的矩形标记的位置和姿态，从而实现对矩形标记的实时跟踪与定位，加载虚拟物体进行增强，并实时显示增强后的视频。
ARToolKit首先初始化摄像机内置参数，导入矩形标记模式文件作为匹配模板，启动摄像头捕获视频，然后根据用户设定的阀值将采集到的一帧彩色图像进行二值化处理，转化为黑白二值图像[7]。对该二值图像进行连通域分析，找出其中所有的矩形区域，对这些矩形区域进行初步处理，如清除过小的矩形区域，将筛选过后的矩形区域在该帧彩色图像中找出相对应的矩形区域作为候选区域，将每一候选区域与模板库中的匹配模板进行图像匹配值的计算，即相似度计算，并记录该候选区域的相关状态信息，对于模板库中的每一个匹配模板而言，候选区域中与之匹配所得到的匹配值最高者并且大于给定相似度参考值，则认为匹配成功，AR-ToolKit找到了一个标记，利用该标记区域的变形来计算摄像机变换矩阵，从而计算出摄像机相对于标记的位置和姿态，这样就可以进行跟踪与定位，叠加虚拟物体。
ARToolKit的矩形标记一般采用封闭的黑色正方形外框、内部为任意图形或图像但非空的矩形标记为标识物，矩形边长一般为80mm，黑色矩形框内标记图像边长一般为40mm[4]。
ARToolKit在进行标记检测时，图像匹配值计算是一个重要的环节，计算的精度直接影响着标记检测的效率与正确性。本文分析了ARToolKit图像匹配值计算的精度与不足，针对这些不足进行了改进，并通过实验进行验证。
2 ARToolKit图像匹配值计算分析
ARToolKit在导入矩形标记模式文件后，将标记模式文件的4个48*16大小的RGB矩阵阵列变换成4个256*3的BGR矩阵阵列，分别代表着矩形标记的4个方向，在提取出矩形候选区域后，ARToolKit提取出候选区域的像素点的RGB值，并最终转换成256*3的BGR矩阵阵列，然后分别与标记模式文件中的4个256*3矩阵阵列进行图像匹配值计算，确定相似度与方向。
假定标记模式文件中的一个256*3矩阵阵列为P(i,j)，假定矩形候选区域的矩阵阵列为Q(i,j)，ARToolKit通过计算图像匹配值CF来确定所提取的矩形区域与标识物模式文件的相似度，见公式(1)：
由公式(1)可知，ARToolKit采用矩阵的相关系数关来计算图像匹配相似度，CF的取值范围为CF≤1,CF值越大，表示该矩形候选区域与匹配模板的某一方向相似度越大。
以图1所示的两张矩形标记为例进行实验，实验环境为：X86 PC兼容系统，NVIDIA Quadro NVS 140M显卡，14.1英寸屏幕，分辨率1400*1050,为采用USB 2.0接口、最大分辨率为1280*960和最大输出速率为30帧/秒的CMOS摄像头，打印机;Windows XP OS,Matalab 7.0,ARToolKit 2.7.1;白纸若干，光照为室内日光灯照射。分别打印80mm,70mm,90mm规格的标记，将80mm的标记通过ARToolKit提供的mk_pattd.exe制作成标记模式文件后，通过Matalab 7.0用相关系数进行匹配值计算，其结果如表1所示。
从表1可以看出利用矩阵相关系数计算图像匹配值，其结果较高，对于多个标记，完全不同的两幅图像其计算出的匹配值CF偏大，容易产生错误判断，这对于实际应用中多标记检测是极其不利的。另外，由公式(1)可知CF=1的充要条件是当Q(i,j)=kP(i,j)，k为常数。当CF=1时，ARToolKit认为此时提取的矩形区域与匹配模板完全匹配，但事实上只有当k=1时，提取的矩形区域与匹配模板才完全匹配，而且当│k-1│越大，提取的矩形区域与匹配差异越大，这样就会产生两个完全不相同的矩阵被认为是完全相同的错误。
3 ARToolKit图像匹配值计算的改进
针对相关系数计算图像匹配值的不足，本文引入相对误差法，并加以改进以提高识别精度。相对误差法多用于直方图相似度计算[5,6]，计算见公式(2)：
将该计算公式用于ARToolKit中图像匹配值计算中，矩阵P和Q为256*3的BGR阵列矩阵，以像素点为横坐标，以每个像素点分别对应的R、G、B值为纵坐标，矩阵P和矩阵Q的相似度计算公式可定义为：
考虑分母为0的情况，可作如下规定:当出现Max(|P(i,j)|,|Q(i,j)|)=0时Max(|P(i,j)|,|Q(i,j)|)=0.1。
由公式(3)可知，由于|P(i,j)-Q(i,j)|≥0,因此Sim(P,Q)=1成立的充要条件是P(i,j)=Q(i,j)，显然，ARToolKit用此公式计算图像匹配值CF=1时，不存在两个并不完全相同的矩阵被认为是完全相同，ARToolKit此时认为提取的矩形区域与标记模式文件匹配成功。
以图1所示标记为例，采用相对误差法，标记模式文件匹配值如表2所示。
从表2可以看出,采用相对误差法计算出的匹配值整体偏低,对于多标记,采用相对误差发计算完全不同的两幅图像其计算出的匹配值则要低得多,但对同一标记识别率较低,为此本文对相对误差法提出改进,以提高对同一标记的识别率。
由公式(3)可知，相对误差求矩阵相似度的基本思想是算出两个矩阵每对对应点的相似度，然后计算相似度的总和，最后取该和的平均值，每一对对应点的相似度各自独立，不受其他点的相似度影响，反过来说，每一对对应点的相似度都会直接影响整个矩阵的相似度，因此相对误差法计算出的相似度受矩阵单个点的相似度影响较大，在考虑矩阵整体相似度方面不如相关系数方法，正是由于这点，导致相对误差法计算出的相似度值较低，因此需要对相对误差法进行改进，改进的一个重要原则是每一对对应点的相似度不再是各自独立，不能直接影响整个矩阵的相似度，改进后的公式见公式(4)。
考虑分母为0的情况，规定当分母为0时，分母值取0.1，显然，改进后的公式Sim(P,Q)取1的充要条件是P(i,j)=Q(i,j)，并且考虑了矩阵的整体性，每对对应点的相似度不再是各自独立，也不能直接影响整个矩阵的相似度。
以图1所示标记为例，采用改进后的公式(4),匹配值计算如表3所示。
从表3可以知道，改进后的算法计算出的匹配值就同一标记而言，比相对误差法明显提高，并且保持了对其它标记的低匹配值，另外相对于相关系数方法计算而言，改进后的公式虽然对同一标记计算出的匹配值要低，但是对其它标记计算出的匹配值却要低得多，并且中间差值总体上要大，这便于开发人员设定相似度参考值，在识别误判的几率上要比相关系数法小得多。
4结论
本文分析了ARToolKit图像匹配值计算的精度，对ARToolKit计算图像匹配值公式提出了改进，提高了ARToolKit识别标记时的精度，今后的主要工作集中在ARToolKit矩形区域提取与应用方面。
参考文献
[1]朱淼良,姚远,蒋云良.增强现实综述[J].中国图像图形学报,2004,9(7):767-774.
[2]沈克.基于ARToolKit平台的增强现实人机交互系统的若干问题研究[D].合肥工业大学硕士论文,2007.
[3]黄有群,姬永成,李丹.基于ARToolKit工具的增强现实交互操作研究[J].计算机与现代化,2008,157(9):97-100.
[4]ARToolKit.http://www.hitl.washington.edu/artoolkit/documentation/tutorialmulti.htm.
[5]薛向阳,罗航哉,朱兴全,吴立德.一种新的颜色相似度定义及其计算方法[J].计算机学报,1999,22(9):918-922.
[6]高美真,申艳梅.基于颜色直方图的图像检索技术[J].微电子学与计算机,2008,25(4):25-27.
匹配度算法 篇7
支持向量机是在统计学习理论的VC维理论和结构风险最小化原理的基础上发展起来的一种新的机器学习方法。它具有理论严密、适应性强、全局优化、训练效率高和泛化性能好等优点，非常适合于建立后方油库业务人员岗位度匹配模型。
1. 支持向量机（SVM)
设线性可分样本集 (xi, yi) 1≤i≤N, xi∈Rd, yi∈-, 11是类别符号，d维空间中线性判别函数的一般形式为g (x) =wTx+b，分类面方程是wTx+b=0，我们将判别函数进行归一化，使两类所有样本都满足，此时离分类面最近样本的，而要求分类面对所有样本都能正确分类，就是要求它满足
最优分类面问题可以表示成如下的约束优化问题，即在条件(1)的约束下，求函数的最小值。
为此，可以引入Lagrange函数把原问题转化为凸二次规划的对偶问题，存在唯一最优解。若αi*为最优解，则αi*不为零的样本即为支持向量。b*可由约束条件求解。
对于线性不可分情况，SVM通过非线性变化将输入空间变换到高维空间，然后在新空间中分解最优分类面，线性可分情况下的点积运算变为，称为核函数，这样最终得到的分类函数为
其中为支持向量，为未知向量， (3) 式就是SVM。
2. 油库人员岗位匹配度模型的建立
2.1 人员岗位匹配度评价指标体系的建立
油库业务人员岗位匹配指标体系是匹配度评价工作得以开展的基础，科学构建指标体系是油库业务人员岗位匹配度评价的重要工作内容。本文建立的指标体系如图1所示。
2.2 人员岗位匹配度标准的构建
根据油库业务人员岗位的具体要求确定岗位各因素的评定等级。将其匹配程度分为5个标度等级:好、较好、一般、较差、差，依次对应的数值表示为1、2、3、4、5。各等级评定指标标准值如表1所示。
2.3 模型的建立
本文通过将表1中的数据通过matlab中的rands () 函数在每个等级规定的范围内进行随机取值，共生成1500组数据，其中随机选取1000个样本作为训练样本，余下500个样本作为检测样本，5个岗位匹配度等级分别用“标签”{1, 2, 3, 4, 5}代替(1表示匹配度好，以此类推)。
采用Libsvm2.9工具箱，借助gnuplot工具对支持向量机参数进行优选，最终选取参数如下：C=100, gamma=0.02, degree=5，核函数选取径向基核函数，用svm-train工具对随机生成的1000个样本进行训练，用svm-predict工具对余下的500个样本数据做检测。
通过实际输出的准确性发现，对随机选取的500个测试样本的判别正确率达到100%。因此说明，建立的支持向量机是适用于后方油库业务人员人岗匹配度测算的。
3.结论
本文构建了基于支持向量机的后方油库业务人员人岗匹配的测算模型, 在一定程度上避免了主观因素的影响, 提高了人岗匹配模型准确性。实际计算表明, 基于支持向量机建立的后方油库业务人员人岗匹配度模型是比较有效的。
参考文献
[1]顾亚祥, 丁世飞.支持向量机研究进展[J].计算机科学.2001.2.
[2]严俊龙, 李铁源.基于SVM的网络安全风险评估模型及应用[J].2012.1.
[3]李波.支持向量机在高校教学质量评价中的应用研究[J].2011.10.
BM串匹配算法与改进算法的研究 篇8
关键词：BM算法,模式串,改进算法,模式匹配
0、引言
串匹配是字符串的一个基本运算，对于给出的长度为n的正文字符T=T1……Tn和长度为m的模式串P=P1……Pm (n>>m），要找出模式P在正文T中的首次出现，一旦模式P在正文中找到，则匹配成功，否则匹配失败。字符串匹配应用广泛，在数字通信、文本编辑、图像处理、数据压缩、模式识别等应用中，都需要进行串匹配。近年来对于一维字符串的匹配问题研究较多。1970年，S.A.Cook从理论上证明了一维模式匹配问题可以在O (m+n）时间内解决，为串匹配算法的进一步发展奠定了坚实的理论基础，其中n、m分别为正文和模式的长度；D.E.Knuth, V.R.Pratt和T.H.Morris仿照Cook的证明构造了KMP算法[1]；R.S.Boyer和J.S Moore设计了BM算法[2]；Karp和Rabin给出了RK算法和随机算法，这些算法都是精确的串匹配算法。本文主要介绍BM算法及其改进算法。
1、现有模式匹配算法的分析
目前关于模式匹配的算法很多，其中最著名的两个是KMP算法[1]和BM算法[2]。两个算法在最坏情况下均具有线性的搜索时间。
1.1 KMP算法
KMP算法的基本思想[3]是将正文T和模式P左端对齐进行比较，匹配Ti和Pj时，若Ti=Pj，则继续往前匹配比较；若Ti≠Pj，则正文中i不变，模式中j指向Next[j]所指示的位置。Next[j]表示当模式中第j个字符与正文中相应字符匹配失败时，在模式中需重新和正文中该字符进行比较的字符的位置，这一位置只与模式本身有关，而与正文无关。
KMP算法虽然能使样本右移若干位，但存在一个局限，即移动距离不可能大于一次匹配操作所进行的字符比较次数j，存在这一局限的根本原因是KMP算法的匹配操作必须从左向右进行。由Boyer R和Moore J共同设计的快速字符串匹配算法--BM算法打破了这种限制，实践证明BM算法往往比KMP算法快上3～5倍[4]。当然BM算法还不是最快的算法，还有很多改进的BM算法存在，如BMH算法[5]、BMHS算法[6]、BMG算法[7]等等。
1.2 BM算法
BM算法的基本思想是从右向左的将模式串同文本做比较。开始时仍是P的最左边与T的最左边对齐，当在某一趟比较中出现不匹配时，计算模式串右移的距离，将模式串向右移动该距离，再进行从右至左的匹配；当与最右的模式符号做比较的文本符号在模式中根本就没有出现，则模式可以在这个文本符号之后移位m个位置，这种情况在KMP算法中是不可能出现的。
表1是对文本串T="pghshehneshathdbpsapurchased"和模式串P="purchased"，用BM算法进行匹配的过程（加粗部分为匹配失败的字符）。
下面我们对表1中的BM模式匹配过程作一简单分析：
(1）第一次匹配是模式串的P与文本中的T首字符对齐，然后从模式串的最后一个字符开始从右向左比较，即先将P[9]与T[9]进行比较，匹配失败，因此模式串向右移动，同时T[9]位置的字符"e"在模式串P中仅出现1次，模式串移动1个字符，即P[8]与T[9]对齐，从而完成第二次匹配。
(2）第三次匹配是将P[9]与T[10]先作比较，发现匹配失败，且T[10]字符"s"仅在模式串P[7]位置出现一次，模式串向右移动2个字符，使P[7]与T[10]；同理，第四次匹配后模式串再向右移动3个字符，使P[9]与T[15]对齐，准备第五次匹配。
(3）在完成第四次匹配后，P[9]与T[15]进行比较，匹配成功，然后P[8]与T[14]进行比较，匹配失败，模式串向右移动。
(4）第六次匹配时，由于上一次匹配后P[9]与T[18]对齐，经比较发现不匹配，模式串再次向右移动2个字符。
(5）同理，第七次匹配时，模式串向右移动8个字符，使P[1与T[20]对齐，然后从右向左进行比较，发现每个字符都能够匹配，最终匹配成功。
2、现有的改进算法
2.1 BMH算法
一般情况下，在BM算法实际应用中每个字符匹配失败的应用次数要远远超过匹配成功的次数。因此应用失配字符的相关函数在匹配过程中起到的是主导作用，因此，1980年Horspoo提出了BM算法的改进算法，即BMH算法。算法将匹配失败与计算右移量独立计算，计算右移量时不关心文本中哪个字符匹配失败，而是使用与模式串最右端的字符对齐的那个文本字符来决定右移量。一般情况下BMH算法比BM算法有更好的性能。
2.2 BMHS算法
1990年，Sunday在BMH的基础上提出了BMHS算法，该算法的主要思想是在字符匹配失败时考虑下一个字符T[m+j]的情况，利用与模式串最后一个字符对齐的文本字符的下一个字符来决定右移量的多少。如果下一个字符不在模式串中出现时，则直接跳过该字符，即将模式串最后一个字符向右移动m+1个字符；如果下一个字符出现在模式串中，则将模式串中的出现该字符与文本中的T[m+j]字符对齐。
表2为利用BMHS算法实现的模式匹配过程，具体如下：
(1）首先将模式串的P与文本中的T首字符对齐。
(2）第二次匹配时，将前一次的P[9]与T[9]进行比较，匹配失败，且文本中的下一个字符T[10]出现在了模式串中，于是模式串右移，将P[7]与T[10]对齐。
(3）第三次匹配，将第二次比较结果中的P[9]与文本中的T[12]比较，匹配失败，且文本中的下一个字符T[13]没有出现在模式串中，因此模式串直接划过10个字符，使P[9]与T[22]对齐。
(4）同理，P[9]与T[22]比较，匹配失败，且T[23]字符出现在模式串中，右移模式串，将P[4]与T[23]对齐，同时从右向左对比每个字符，匹配成功。
2.3 BMG算法
文献[7]结合了BM算法和BMHS算法的优点，同时考虑字符串后一位字符的唯一性，提出了一种快速的模式匹配算法--BMG算法。该算法避免了死循环问题，同时大大提高了最大位移m+1的出现概率。BMG算法中产生m+1位移主要有两种情况，一是下一位字符T[m+j]不在模式串P中，这与BMHS算法相同；二是下一个字符T[m+j]在模式串中唯一，且与模式串末位P[m]对齐的那个文本串字符T[m+j-1]决定的移动量比下一个字符T[m+j]决定的移动量大。
BMG算法过程是：当比较进行到文本T的j处，首先计算出由模式串P末端对应文本串字符T[j+m-1]得到的右移位置k1和T[j+m-1]后一位置字符T[j+m]得到的右移位置k2，再判断k1和k2的大小。如果k1>k2，再判断T[j+m]在模式串出现频次，用函数Q (X) 判断T[j+m]在模式串出现的频次。若Q (T[j+m]) =1，即T[j+m]在模式串只出现一次，则将模式串移动m+1位进行新一轮匹配；若Q (T[j+m]) =0，即T[j+m]在模式串出现大于一次，则将模式串末端和T[k1]处对齐进行新一轮匹配；如果k2≥k1，则将模式串末端和T[k2]处对齐进行新一轮匹配。
其移动过程见表3所示。
2.4 PBM算法
文献[8]中提出PBM算法，其基本思想是：在长为m的模式串P中找出一个最长的前缀子串S, k是S长度，n是正文串的长度，令该子串的末字符Pk为模式串所有字符中最后一个首次出现的字符，根据S末字符Pk的惟一性，确定Pk在正文T中每次出现的位置，并对Pk的位置加以标注，在正T中仅就每两个被标注的相邻Pk之间长度不小于S的字段，对S进行模式匹配。若S匹配成功，则对模余下的部分E=P-S进行匹配；若匹配不成功，则在正T中寻找下两个相邻的被标注的Pk之间长度不小于S的长度的字段，这样模式P从正文中每次滑过的字段长度不小于S的长度。
3、BM算法与改进算法的比较
BM算法执行效率较高，但BM算法在匹配时的尝试中，采用从后向前比较的方式，对模式串的后缀进行匹配，在完成一次尝试 (包括匹配失败或者成功) 后，利用两个根据模式串预处理好的移动表坏字符移动与好后缀移动来尝试位置后移，但是由于它没有考虑已匹配的后缀与导致匹配失败的当前字符之间的相邻关系，使得算法的效率不够高。BM算法时间复杂度却为O (mn) ，大大高于KMP算法的时间复杂度O (m+n) 。
BMH算法在匹配过程中不管坏字符在哪个位置，只根据与模式串P末字符对应的字符在模式串中出现最大的位置来移动模式串，进行下一轮匹配，其在最好的情况下的时间复杂度为O (n/m) 。但该算法未考虑T[m+1]在模式串中是否存在，以及T[m+1]与T[m]在模式串P中的关系，同时也未考虑T[m+1]是否在模式串P的串首等特性。
BMHS算法的在最好的情况下的时间复杂度为O (n/m+1) ，其右移量比BMH算法的右移量大，BMHS算法最大移动距离为m+1位，BMH算法最大的移动量为m位。所以通常情况下，BMHS算法比BMH算法快，但当与模式串最后一个字符对齐的文本字符不出现在模式串中，而下一个字符出现在模式串中时，BMHS算法的效果就不如BMH算法了。
BMG算法的最大右移量为m+1位，时间复杂度为O (n/m+1) 。同时在综合最大移动量、产生最大位移的概率、模式串跳跃位置、时间复杂度等方面因素，BMG算法在提高匹配速度上要比BM、BMH和BMHS算法要高。但当下一个字符T[m+j]出现多次时，只是将模式串移动最小距离，而没有考虑到该字符在串中出现时，其前一个字符T[m+j-1]如果不在模式串中则可以直接跳过，减少匹配次数。
4、一种改进的BM算法
通过几种改进算法的比较，各种改进算法各有优缺点，但这几种改进算法都有一个共同的缺点，就是在模式串P和文本T对比时，如果对比字符在P中多次出现时，这几种算法的效率就没有大的差别。针对这一问题，说明BM的改进算法中还是有可以改进的地方。因为BMG算法在字符重复率不高的情况下的匹配速度相对较高，在此基础上提出了对BMG算法的一点改进。改进思路是将BMH算法与BMG算法结合起来，当下一个字符T[m+j]在模式串中多次出现时，则去判断前一个字符T[m+j-1在模式串中是否存在，若存在则与原有BMG算法相同，若不存在，则说明用BMG算法得到的下一次比较肯定是不成功的，同时判断T[m+j]是否是模式串的首字符，模式串可以最大划过m+1个字符。
算法思路过程如下（比较进行到文本T的j处）：
(1）首先计算出由模式串P末端对应文本串字符T[j+m-1得到的右移位置k1和T[j+m-1]后一位置字符T[j+m]得到的右移位置k2，其中k1=j+m-1+Miss[T[j+m-1]]；k2=j+m-1+Miss[T[j+m]]。
(2）若k1>k2，则判断T[j+m]在模式串出现频次，用函数G (X) 判断T[j+m]在模式串出现的频次。
若G (T[j+m]) =1，即T[j+m]在模式串中只出现一次，则将模式串移动m+1位进行新一轮匹配。
若G (T[j+m]) =0，即T[j+m]在模式串中出现大于一次，则判断T[j+m-1]是否存在于模式串P中。如果T[j+m-1]存在于模式串P中，则模式串末端移到和T[k1]处对齐进行新一轮匹配，如果T[j+m-1]不在模式串P中，则再判断T[j+m]是否是模式串的首字符，如果是首字符则模式串移动m位，若不是首字符，则模式串可移动m+1位。
(3）若k2≥k1，则将模式串末端和T[k2]处对齐进行新一轮匹配。
表4中，先将P[8]与T[8]对齐，对于BM算法P[8]与T[8]不匹配，且T[8]不在模式串中，向右移动8个字符。用BMG算法时，先比较P[8]与T[8]，发现不匹配，则计算k1和k2, k1=8+（8-0）=16, k2=8+（9-8）=9，结果为k1>k2，然后T[9]在模式串P中出现的次数大于一次，因此模式串末端向右移动到T[16]处。改进的BM算法中，当得到k1>k2，且T[9]在模式串P中出现的次数大于一次，则判断T[9]是否是模式串的首字符，发现不是首字符，则可以跳过T[9]，模式串末端移到T[17]位置。这种改进的算法相比BMG算法进一步提高了模式串移动m+1为的概率。
5、结论
通过对相同纯英文文本（文本长约1K，模式串长9）采用不同方的BM算法，改进的BMG算法相比BM算法比较次数减小约50%，比BMH算法的比较次数约减少35%，比BMHS算法的比较次数减少约22%，相比BMG算法的比较次数约减少1%。改进的BM算法相比BMG算法虽然没有大幅减少比较的次数，但也有所改善，主要是在普通文本中在模式串长度范围内字符出现重复概率相对比较小。如果文本中存在较多的重复字符时，改进的BM算法性能将有较为明显的改善。
6、结束语
目前对于BM算的改进算法有很多，各有特点，在对不同文本模式进行匹配时也有各自的优势。本文在BMG算法的基础上提出的改进算法，进一步提高了匹配过程中产生m+1位移动的概率。由于时间关系，并未对改进算法进行大量的匹配实验，该算法的实际效果还没有得到有效的验证，但通过简单文本的验证，改进的BM算法的性能已得到初步验证，具有一定的实用性。
参考文献
[1]KNUTH DE, MORRIS J H, PRATT VR Fast pattern matching instring[J].SIAMJournal on Computing, 1977, (6) :323-350.
[2]BOYER RS, MOORE J S.A fast string searching algorithm[J].Commu-nications of ACM, 1977, 20 (10) :762-772.
[3]闵联营, 赵婷婷.BM算法的研究与改进[J].武汉理工大学学报 (交通科学与工程版) , 2006, 30 (3) :528-530.
[4]王建国, 郑家恒.BM串匹配算法的一个改进算法[J].计算机工程与科学, 2007, 29 (5) :94-95.
[5]Nigel H R.Practical fast searching in st rings[J].Software2 Practice andExperience, 1980, 10:501-506.
[6]Daniel M S.A very fast subst ring search algorithm[J].Communications ofthe ACM, 1990, 33 (8) :132-142.
[7]张娜, 侯整风.一种快速的BM模式匹配改进算法[J].合肥工业大学学报 (自然科学版) , 2006, 29 (7) :834-838.
匹配度算法 篇9
在科技日新月异、市场环境瞬息万变的经济时代,企业想要成功必须依赖员工的主动工作与积极进取,企业只有关注个人-组织匹配度对员工个体行为与绩效的影响机制和影响过程,才能知晓个体行为对企业绩效的影响实质从而更好地进行企业的人力资源管理。本文就是在上述背景下,运用理论与实证分析相结合的办法,研究人-组织匹配度与工作绩效之间的关系。
1 相关理论定义和研究假设提出
1.1 人—组织匹配度(Person-Organization Fit,简称P-O Fit)
P-O Fit存在很多种定义,许多研究者把P-O Fit宽泛地定义为个人与组织之间的相容性。在以往的研究中,P-O Fit目前国外关于该领域的研究有两个方向:(1)一是由Muchinsky和Monahan(1987)[2]提出的一致性匹配和互补性匹配;(2)另一个是由Caplan(1987)[3]等人提出的需要-供给和要求-能力观点的区分。这两种对P-O Fit的观点虽然已经有了比较深入的研究,但二者很少整合在一起。对此,Kristof在前人研究的基础上整合出了便于理解的人与组织匹配概念模型,将人与组织匹配定义为以下任何一种情况下人们与组织的相容性:1)人与组织至少有一方面能够提供另一方所需要的资源;2)人与组织拥有相似的基本特征;3)或以上两种情况都具备。本文采用的是Kristof的定义。
1.2 工作绩效(Job Performance)
关于绩效的定义学者们因其所处的时期不同,研究的对象、侧重点以及目的也存在差异,对工作绩效作出的解释也不同。本文将其归纳总结对绩效定义为:(1)工作绩效就是员工通过其工作而取得的结果;(2)工作绩效是员工工作中表现出的行为;(3)工作绩效并不是对历史的一种反应,而是侧重于员工的素质、潜能与其工作绩效之间的关联,关注于员工的素质,注重其未来的发展。
鲍曼(Borman)将绩效分为任务绩效与周边绩效(又称关联绩效:Contextual Performance)两种。任务绩效是指完成某一工作任务所表现出来的工作行为和所取得的工作结果,其主要表现在工作效率、工作数量与质量等方面;周边绩效包括人际因素和意志动机因素,如保持良好的工作关系、坦然面对逆境、主动加班工作等。周边绩效可以营造良好的组织氛围,对工作任务的完成有促进和催化作用,有利于员工任务绩效的完成以及整个团队和组织绩效的提高。本文就是要在绩效内涵研究的基础上探索任务绩效与关联绩效和个人与组织匹配度的关系。
1.3 研究假设
根据研究理论框架,建立如下假设:
H1:个人属性对组织匹配度存在显著影响
H2:P-O Fit对工作满意度起到显著正向影响
H3:P-O Fit与任务绩效正相关
H4:P-O Fit与关联绩效正相关
H5:工作满意度对任务绩效正相关
H6:工作满意度对关联绩效正相关
2 研究方法与工具
2.1 研究方法及对象
此次研究的数据统计分析主要采用信度分析、相关性分析和回归分析等统计分析方法。所有数据的分析都使用SPSS13.0统计分析软件进行处理。
本研究以深圳一家民营高科技企业为对象,发出问卷120份,回收110份,回收率91.7%,其中有4份因回答不全,剔除出去,有效问卷107份,占89.1%,其中:男性82份,占74.5%,女性38份,占35.5%,年龄:20-25岁有45份占41%,26-35岁有52份占47.2%,36-45岁13份,占11.8%,46岁以上无人。学历:专科学历占12.7%,本科学历占68.2%,硕士及以上学历19.1%。该公司工作时间:不满1年41.9%,1-5年43.5%,6-10年14.6%。职务:一般员工占68.05%,基层管理人员14.88%,中层管理人员9.76%,高层管理人员7.32%。技术职称:无职称占29.27%初级占43.66%中级占15.26%副高级占7.32%正高级占4.49%。
2.2 研究工具
本研究的问卷由2个部分3个量表组成,(1)调查员工个人基本情况量表,如:性别。年龄、工作年限、学历等;(2)问卷的主要构成部分,主要包括个人-组织匹配量表、工作绩效表和个人满意度量表。工作绩效量表,问卷量表均采用Likert五点计分法。分别为“非常同意”、“比较同意”、“一般”、“不太同意”和“非常不同意”,其中5分代表“非常同意”,逐次递减。
2.2.1 人-组织匹配度(P-O Fit)量表
该量表主要是关于个体价值观与组织价值观、在公司中个体能够保持其本身价值观、个体的价值观因为与公司的价值观不相符员工能否适应公司、和同事的关系相处很融洽、企业鼓励员工的个性化发展等方面。
2.2.2 工作绩效量表
该量表主要问题如任务绩效:完成工作的时效性与有效性,关联绩效:工作投入格外努力,具有奉献精神、在工作上积极建议、积极寻找有挑战性的工作、妥善处理工作中的困难以及问题、帮助他人解决工作中的困难和与组织成员通力合作等方面的问题。
3 数据分析
3.1 信度分析
信度反映了测验工具所得到的结果的一致性或稳定性,是被测特征真实程度的指标。其目的是控制和减少随机误差。本文采用的是克朗巴哈(Cronbach’α)系数来检验问卷的信度。Cronbach’α系数越大,表明测量的可信程度越大。不同研究者对信度系数的界限值有不同的看法,一般认为,0.60~0.65是不可信;0.65~0.70是最小可接受值;0.70~0.80认为信度相当好;0.80~0.90就是信度非常好。本调查问卷除基本个人情况量表外,用于分析研究的36个问题的克朗巴哈α系数为0.838,结果较为理想,故认为量表的内在信度是可以接受的。
3.2 P-O Fit相关性分析
由表1可见,人-组织匹配度与性别、工龄、文化程度和职务进行相关分析,其皮尔逊相关系数分别为-0.59,-0.141,-0.046和0.189,这表明人-组织匹配度与性别、工龄、文化程度呈负相关关系,人-组织匹配度与职务呈正相关关系。
在现实中,职务越高,个人对组织的选择越慎重,与组织的文化越是吻合,组织在选择职务高的人的时候,也会相对慎重,面试或者考核很多轮才能确定;相反,职务低的人,组织相对选拔比较松,个人与组织的匹配性也就越差。本文提出的研究假设H1正确。
为探讨各变量之间的关系,对几个变量进行了相关分析。本文采用pearson相关分析法研究个人与组织属性及其匹配和绩效各维度相关系数及显著性检验,从而明确各研究变量之间的内在关系。
由表2可以看出,个人价值观实现度与任务绩效、关联绩效显著相关(P<0.01,r=0.284;P<0.01,r=0.391),组织价值观实现度与任务绩效、关联绩效显著相关(P<0.01,r=0.290;P<0.01,r=0.335);个人-组织价值观实现度匹配与任务绩效、关联绩效显著相关(P<0.01,r=0.302;P<0.01,r=0.415)。即本文提出的研究假设H2正确。
注:**在.01水平(双侧)上显著相关.
3.3 P-O Fit与绩效的回归分析
为进一步解释各变量间的具体影响和因果关系,以及验证变量之间的作用大小,本文将通过SPSS13.0里Linear函数进行进一步的分析。
表3回归分析中显著水平在0.01以上且标准化回归系数(Beta)为正,说明P-O Fit对任务绩效显著正相关。即假设H3正确。
注:任务绩效为因变量.
表4回归分析表明P-O Fit与关联绩效在0.05水平上显著相关,且标准化回归系数(Beta)均为正,P-O Fit对关联绩效显著正相关。即假设H4正确。
注:关联绩效为因变量.
表5分析结果表明个人与组织匹配度对工作满意度有显著的预测力。假设H4得到验证。
注:工作满意度为因变量.
表6回归分析结果表明,回归方程的F检验值达到了显著水平,表明回归效应显著,工作满意度可以用来解释任务绩效的变异,它们的校正后总体决定系数为0.316,说明任务绩效变异的31.6%可以用工作满意度变量加以解释。且工作满意度对于任务绩效是正向的促进作用,假设H5得到了验证。
注:任务绩效为因变量;回归方程为:任务绩效=2.957+0.574×工作满意度.
表7回归分析结果表明,该回归方程的F检验值达到了显著水平,表明回归效是显著的,工作满意度可以用来解释任务绩效的变异。它们的总体决定系数(校正后)为0.321,说明关联绩效变异的32.1%可以用工作满意度和组织承诺这两个变量加以解释。且工作满意度对于关联绩效是正向的促进作用,假设H6得到了验证。
注:关联绩效为因变量;回归方程为:关联绩效=2.923+0.581×工作满意度.
4 结论总结
通过前面的分析得到以下几个结论:(1)员工个人属性对与组织的匹配度有显著的影响,掌握这一规律有利于提高企业招聘中能提高录用的效度;(2)个人-组织匹配度与员工工作绩效成正相关,与员工满意度也有显著影响;(3)工作满意度在P-O Fit和关联绩效间起到中介作用。这表明P-O Fit并不是直接影响关联绩效的,而是通过影响工作满意度从而对关联绩效产生作用。
摘要：人-组织匹配(P-O Fit)已成为当今国内外企业管理者和学者研究的热点领域,也是人力资源管理与组织行为学研究的热点问题。主要是因为二者的匹配度能很好地预测个人的工作态度和行为结果,从而影响组织绩效。本文以深圳一民营高科技企业为调查对象,分析研究了个人、组织价值观及其匹配与工作满意度、工作绩效的关系与影响。
关键词：个人—组织匹配度,工作绩效,工作满意度
参考文献
[1]Kelly A.Piasentin,Derek S.Chapman.Subjective Person-organization fit:Bridging the gap between conceptualization and measurement.Journal of Vocational Behavior,2006.5:l-20.
[2]Chatman J.Matching people and organizations:Selection and socialization in public accoun ting firms.Administrative Science Quarterly,1991.36:459-484.
[3]Lauver,K.J.,and Kristof-Brown,A.Distinguishing Between Employees’Perceptions of Person-Job and Person-Organization Fit.Journal of vocational Behavior,59(2001),454-470.
匹配度算法 篇10
摘要：为了解决高速铁路轨道表面缺陷机器视觉检测系统中采集图像的冗余问题，本文提出一种钢轨表面图像冗余信息的模糊匹配算法。该种算法首先采用竖直投影法提取钢轨表面区域；之后对钢轨表面区域进行预处理并二值化，得到缺陷的位置信息；然后通过感知哈希算法，得到钢轨表面缺陷的形态信息；最后计算缺陷的位置误差和形态相似度，基于模糊匹配算法，得到匹配结果。通过实验验证，该算法能有效识别系统图像中的冗余部分，准确率达到97.5%。
关键词：机器视觉；钢轨；表面缺陷；模糊匹配
中图分类号：U213.4 文献标识码：A
随着铁路列车的不断提速，重载列车和城市地铁轻轨运营的增加，对铁路安全性、可靠性的要求日渐提高。由于受到天气状况恶劣、负载过大、行车速度快等因素影响，钢轨表面容易产生各种类型的缺陷，常见的有疤痕、裂纹、波纹擦伤、褶皱、剥落等。如果不及时对钢轨进行维护和更换，会发展成内部缺陷，造成严重的列车事故。因此，钢轨表面缺陷检测对维护铁路系统的安全运行非常重要。
目前钢轨表面缺陷检测主要依靠有经验的铁道工人目测巡检。这种检测方法不仅效率低、危险性大，还受人为和天气因素影响。随着技术的进步，超声、磁感应、电涡流感应、机器视觉等无损检测技术不断出现，尤其是机器视觉检测技术，已有一些研究人员进行了相应的研究并取得了一定成果。湖南大学采用线扫描相机采集钢轨图像，应用数字图像技术对钢轨表面缺陷进行检测，检测效率高，实时性好。中国铁道科学研究院研究了一种鲁棒实时钢轨表面擦伤检测算法，检测性能较高、速度快。
但是，上述算法仅对缺陷的识别做出了相应研究，对检测系统在采集过程中可能出现的冗余问题没有关注。由于在铁路维护过程中，一段钢轨可能要多次检测，因此会造成钢轨图像的重复采集。在钢轨分段维护中，路段与路段连接处也可能存在冗余信息。
钢轨表面缺陷的检测系统均采用线扫描相机采集钢轨图像，线扫描相机分辨率高，图像数据量大。以本文采集系统为例，若每次检测1000km铁路线路将采集至少25万张图像。所以，在使用大容量存储设备的同时，为了减少钢轨缺陷检测和分析的运算量，增加单次检测的里程，需要减少冗余图像。
在检测系统中图像采集的开始里程由人工输入，而后续里程则通过图像的采集量由系统自动计算，因此图像的冗余会影响采集系统中里程信息的准确性。为了提高钢轨缺陷定位的精度，冗余信息的去除也是非常有必要的。
钢轨缺陷的检测结果是铁路部门制定铁路维护计划的主要参考数据以及铁路损伤相关研究的资料，冗余信息的出现可能会造成缺陷识别结果的重复，影响检测结果的准确性，给后续的工作和研究带来不必要的问题。
因此需要研究一种识别冗余信息的匹配算法，以达到去除冗余信息的目的。由于无缺陷的钢轨图像高度相似，因此钢轨特征信息非常少，基于灰度和梯度信息都很难识别冗余信息。针对钢轨图像的高度相似性，本文通过钢轨缺陷的位置和形态的特异性，提出了一种钢轨表面图像冗余信息的模糊匹配算法，实现了冗余图像的识别功能。
1 成像设备
成像系统由线扫描相机和镜头、光源、控制设备3部分组成。相机选用DSLSA Spyder3GigE Vision线扫描相机，分辨率为1024像素，线扫描频率最高为68kHz，通过千兆以太网接口将图像数据传输到工控机。镜头接口为C口，焦距为25mm，光圈可调。采用超高亮度LED条形光源，对称安装于相机两侧对钢轨进行照明，以减少外界光线影响，提高成像质量。在轨检车车轮上安装旋转编码器，利用编码器信号控制相机的采集频率。轨道检测实验车如图1（a）所示，成像系统如图1（b）所示。
2 模糊匹配算法
匹配算法是将成像系统采集的钢轨图像运用图像处理技术，得到两幅图像中缺陷的位置误差和相似度，通过模糊控制算法，得到匹配结果。由于普通钢轨表面图像的无差别性，只能根据钢轨表面的缺陷识别图像的冗余。体现钢轨缺陷特异性的因素主要有两个：位置和形态。
因为采集过程中图像受光线、震动、噪音等影响，在不同采集情况下采集的缺陷经过图像处理后提取的位置信息不尽相同，因此，仅采用缺陷的位置信息难以判断两缺陷是否相同。缺陷的形态学信息也存在这种问题。故本文采用模糊匹配算法，计算缺陷位置误差及形态相似度并作为模糊匹配算法的两个输入，既可以充分利用缺陷的位置和形态这两个特异性特征，又能弥补单个特征单独使用准确性不足的问题。
匹配算法流程图如图2所示。
匹配算法包括以下步骤：1）钢轨表面区域提取；2）图像预处理、二值化及形态学操作；3）缺陷形态信息和位置信息获取；4）位置误差和相似度计算；5）位置与相似度模糊匹配。
匹配算法步骤中钢轨效果图如图3所示。图中（a）为成像系统采集到的钢轨图像，图像大小为1024×1024；（b）为采用竖直投影法提取到的钢轨表面区域图像；（c）为图像预处理后的钢轨表面区域图像；（d）为二值化后钢轨表面区域图像；（e）为形态学操作后的钢轨表面区域图像。
2.1 钢轨表面区域提取
成像系统采集到的图像如图3（a）所示，钢轨表面区域只占据图像中央一部分，钢轨两侧有很多石子、道钉等干扰物体，这些物体的存在不利于后续处理。因此为了降低后续处理的难度，需要提取钢轨表面区域如图3（b）所示。通过观察，钢轨表面区域与两侧区域的灰度值有明显的差别，因此本文提出了竖直投影法（Vertical Projection，VP）提取钢轨表面区域，主要步骤如下：
1）逐列累加图像f（x，y）中各像素的灰度值，并计算均值，得到图像的各列灰度均值数组Avg（i），Avg（i）如图4所示。
2）统计全部图像的灰度均值Avg_mean。
3）Avg（i）数组二值化，将Avg（i）数组依次与灰度均值Avg_mean比较，大于Avg_mean设为1，小于Avg_mean设为0，得到数组Avg_Val（i）。
在Avg_Val（i）数组中找到第一个连续10个值都是1的点，该点便是钢轨表面图像开始的边缘点Begin_Point；在Avg_Val（i）数组Begin_Point之后找到第一个连续10个值都是0的点，该点便是钢轨表面图像结束的边缘点End_Point，截取钢轨图像Begin_Point列到End_Point列之间的图像即可得到钢轨表面区域图像f1（x，y）。得到的钢轨表面区域图像如图3（b）所示。
2.2 图像预处理、二值化及形态学操作
在钢轨图像的获取过程中，容易受到现场环境、相机质量等因素干扰而产生噪声，影响匹配结果，因此，对钢轨图像f1（x，y）进行3×1中值滤波。为了克服钢轨表面光线反射不均匀的缺点，采用局部零均值法图像增强，得到钢轨图像f2（x，y），如图3（c）所示。采用文献中提出的PEMCV法得到图像的最佳分割阈值T，对滤波及增强后的钢轨图像f2（x，y）进行二值化，得到二值图像f2（x，y），如图3（d）所示。
由于钢轨缺陷周围存在一些亮点噪声，影响位置信息的准确性，使用形态学操作可以去除这些噪声点，而操作过度会导致缺陷的某些结构信息被消除影响形态信息的准确性。经过实验验证，本文使用9×9的椭圆结构元素对二值图像。f3（x，y）进行形态学操作得到图像f4（x，y），如图3（e）所示。
2.3 缺陷形态信息和位置信息获取
由于图像的冗余，在系统中记录钢轨图像采集位置的里程信息将不再准确，但缺陷相对于钢轨两侧边缘的位置不会改变，不同缺陷的位置具有特异性。因此获取缺陷的外接矩形就能得到缺陷相对于钢轨两侧边缘的位置信息。
寻找二值图像f4（x，y）中缺陷的外接矩形，得到钢轨表面第m个缺陷的位置信息Pm（LX，RX，XW，YH），其中，LX为缺陷外接矩形的左侧行坐标，RX为缺陷外接矩形的右侧行坐标，XW为缺陷的宽度即缺陷所跨列数，YH为缺陷的高度即缺陷所跨行数。
通过感知哈希算法，可以得到缺陷的形态数组。感知哈希算法以其高效、快速的优点在图像识别中应用非常广泛。在图像采集过程中，当采集方向不同时，缺陷的图像会发生180°的翻转，因此计算形态数组时需要将缺陷图像翻转180°计算两次。
具体步骤如下：
1）截取缺陷外接矩形内的图像f5（x，y），并将图像归一化到8×8尺寸。
2）计算图像f5（x，y）的哈希值作为缺陷的形态数组Dm1，形态数组是一组64位0或1数组。
3）将图像f5（x，y）翻转180。得到图像f5（x，y）。
4）计算图像f5（x，y）的哈希值作为缺陷的形态数组Dm2。
在钢轨图像中，除缺陷外还有钢轨的缝隙，在缺陷的匹配中钢轨连接缝隙会对匹配结果产生影响，因此需要在匹配前将钢轨缝隙剔除。因为钢轨缝隙为横向细缝，而钢轨缺陷不存在横向擦伤，所以形态数组数值全为1的必是钢轨缝隙。得到缺陷形态数组后检查是否数值全为1，若存在数值全为1的数组，则剔除该缺陷。
2.4 位置误差和相似度计算
对比两个缺陷的位置信息可以得到这两个缺陷的位置误差。对于位置差别较大的缺陷，在求取位置误差之前通过计算缺陷的高度差和宽度差便可初步判断两缺陷是否为同一缺陷，对于高度差或宽度差较大的一组缺陷，匹配算法可以在此结束，以减少匹配步骤，提高效率。
取带有缺陷的两幅缺陷图像Def1和Def2，分别计算得到形态数组Dt1，Dt2，Do1，Do2，及位置信息R（LX，RX，XW，YH），P0（LX，RX，XW，YH）。通过位置信息的对比初步判断两个缺陷是否为同一缺陷；对有可能为同一缺陷的数据进行下一步计算，得到两个缺陷的位置误差和形态相似度。
若Ep>0.2，则Def1与Def2不是同一缺陷，否则计算Def1与Def2的形态相似度S。
3）计算Def1与Def2的形态相似度S。
步骤a：统计形态数组Dt1与Do1中不同位的个数n1。
步骤b：计算Def1与Def2的形态相似度S1，相似度计算公式如下所示：
步骤c：统计形态数组Dt1与Do2中不同位的个数n2，根据公式（4）计算Def1与Def2的形态相似度S2。
步骤d：取S1和S2的最大值为S，若S<0.8则说明Def1与Def2不可能为同一缺陷。
2.5 位置与相似度模糊匹配
模糊匹配算法的输入量为钢轨表面缺陷的位置误差Ep及相似度s，语言模糊子集为{大（L），中（M），小（P）}，位置误差的论域为[0，0.2]，相似度的论域为[0.8，1]。隶属度函数如公式（5）和（6）所示。模糊控制器的输出量为匹配结果，用U表示，模糊子集为{是（Y），否（N）}，由于本算法的匹配结果为是和否两个离散量，因此模糊输出变量不需要反模糊化，N表示实时获取缺陷与已存储缺陷不是同一缺陷，Y表示实时获取缺陷与已存储缺陷是同一缺陷。
模糊逻辑推理规则的结构为：If Sand Ep thenU。当缺陷的位置误差较大时，表明这组缺陷根据位置信息判断为同一缺陷的概率较小，因此只有当相似度也很大时，这组缺陷才可能是同一缺陷。当缺陷位置误差较小时，表明这组缺陷根据位置信息判断为同一缺陷的概率较大，因此只要相似度不是很小，这组缺陷就很有可能是同一缺陷。得到模糊规则如表1所示。
3 实验结果与分析
本文选取了40组带有疤痕缺陷的图像，其中，相同缺陷和不同缺陷的图像各占一半。实验数据如表2所示，表2中1～20组数据为相同缺陷的图像得到的数据，21～40组数据为不同缺陷的图像得到的数据。实验图像举例如图5所示。
由表2中实验数据可知：大部分相同缺陷的位置误差在0.05以下，相似度在0.95以上，如图5（a）所示。大部分不同缺陷的位置误差在0.2以上，相似度在0.8以下，如图5（b）所示。不同缺陷图像第39组位置误差较小，而且相似度较高导致匹配出现错误，这是因为感知哈希算法只保留了图像的低频信息，去除了高频的细节信息，当遇到形状结构相似的两个缺陷时，容易得到一个较高的相似度。
实验结果如表3所示。
实验表明：在实验的图像中，相同缺陷的图像全部被检出，而不同缺陷的图像有一组被检测，说明本文算法对于相同缺陷的冗余图像有很高的检出率，对不同缺陷的图像有一定的误检率。本文算法准确率为97.5%，能有效识别出钢轨图像中的冗余部分，而且误检率和漏检率较低，分别为5%和0%。
4 结论
【匹配度算法】相关文章：
双向匹配算法05-08
MBR匹配检测算法06-03
基于区域的匹配算法08-09
基于眼睛特征定位的人脸模板匹配算法研究09-12
地震信号谱分解匹配追踪快速算法及其应用07-05
串匹配算法在生物信息学中的应用03-01
对字符串模式匹配KMP算法的教学方法设计09-11
匹配度(相似度)06-19
最大匹配度09-08
匹配战略05-05