[转载]myApps柔性定制平台让流程管理“灵动”起来

流程是金

流程是企业智慧的沉淀,是支撑企业运转的基础。对于已经实现了IT系统管理的企业来说,流程则是若干分散的应用系统,苛刻的限制条件,冗长的审批步骤。流程作为企业行为的固化形式,如果不能充分人性化,很容易陷入僵化和教条的陷阱。无论操作员还是管理者都在抱怨流程限制得太死,操作起来不够灵活,无法应付随处可见的突发状况。

 

灵活与规范

人性化与流程化只是两种管理方式,无所谓孰优孰劣,只是各有侧重而已。

人性化管理偏重于灵活性,主张在处理业务时给相关人员充分授权,根据具体情况采取最适当的方式处理问题;而流程化管理则偏重于标准化和规范化,主张用既定的操作规范来约束员工,让员工的行为和产品的质量能够达到企业的预期,并且过程可控。

 

你中有我,我中有你

流程化与人性化之间并不矛盾,我们可以将二者完美的结合起来,让流程化的管理充满灵动,让人性化的管理体现规范。

既要重视制度的标准和规范,用流程来落实企业的管理;也要重视以人为本,在流程中体现对人的尊重。既要发挥流程化带来的管控水平、生产质量的提高,也要发挥人性化带来的业务创新、快速反应的提高。

当然,这两种方式也不是完全没有问题。灵活的过分了,就变成了“随意”,员工想怎么做就怎么做,没有一点约束的授权当然也谈不上管理;规范的过分了,就变成了“教条”,任何事情都要按规矩来,员工习惯于墨守成规,创新的激情遭到无情的打压,企业变成一潭死水,毫无生命力。

 

两者之间的平衡点

然而,市场的瞬息万变,使得以不变应万变的策略再也行不通了,信息系统的建设必须与时俱进,在实现标准和流程的同时,充分考虑系统的灵活性。而myApp柔性软件平台(原myApps快速开发平台)就是规范与灵活之间的平衡点,它具备灵活变通性以满足企业使用,即使业务流程发生改变或出现新的需求也可继续使用该软件,有长期稳定的扩展功能。

 

 

文章转载自:http://blog.sina.com.cn/s/blog_7cbc9d9e0100qwdk.html

 

  • 0
    点赞
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
### 支持向量机非线性回归通用MATLAB程序解析 #### 一、概述 本文将详细介绍一个基于MATLAB的支持向量机(SVM)非线性回归的通用程序。该程序采用支持向量机方法来实现数据的非线性回归,并通过不同的核函数设置来适应不同类型的数据分布。此外,该程序还提供了数据预处理的方法,使得用户能够更加方便地应用此程序解决实际问题。 #### 二、核心功能与原理 ##### 1. 支持向量机(SVM) 支持向量机是一种监督学习模型,主要用于分类和回归分析。对于非线性回归任务,SVM通过引入核技巧(kernel trick)将原始低维空间中的非线性问题转换为高维空间中的线性问题,从而实现有效的非线性建模。 ##### 2. 核函数 核函数的选择直接影响到模型的性能。本程序内置了三种常用的核函数: - **线性核函数**:`K(x, y) = x'y` - **多项式核函数**:`K(x, y) = (x'y + 1)^d` - **径向基函数(RBF)**:`K(x, y) = exp(-γ|x - y|^2)` 其中RBF核函数被广泛应用于非线性问题中,因为它可以处理非常复杂的非线性关系。本程序默认使用的是RBF核函数,参数`D`用于控制高斯核函数的宽度。 ##### 3. 数据预处理 虽然程序本身没有直接涉及数据预处理的过程,但在实际应用中,对数据进行适当的预处理是非常重要的。常见的预处理步骤包括归一化、缺失值处理等。 ##### 4. 模型参数 - **Epsilon**: ε-insensitive loss function的ε值,控制回归带宽。 - **C**: 松弛变量的惩罚系数,控制模型复杂度与过拟合的风险之间的平衡。 #### 三、程序实现细节 ##### 1. 函数输入与输出 - **输入**: - `X`: 输入特征矩阵,维度为(n, l),其中n是特征数量,l是样本数量。 - `Y`: 目标值向量,长度为l。 - `Epsilon`: 回归带宽。 - `C`: 松弛变量的惩罚系数。 - `D`: RBF核函数的参数。 - **输出**: - `Alpha1`: 正的拉格朗日乘子向量。 - `Alpha2`: 负的拉格朗日乘子向量。 - `Alpha`: 拉格朗日乘子向量。 - `Flag`: 标记向量,表示每个样本的类型。 - `B`: 偏置项。 ##### 2. 核心代码解析 程序首先计算所有样本间的核矩阵`K`,然后构建二次规划问题并求解得到拉格朗日乘子向量。根据拉格朗日乘子的值确定支持向量,并计算偏置项`B`。 - **核矩阵计算**:采用RBF核函数,通过`exp(-(sum((xi-xj).^2)/D))`计算任意两个样本之间的相似度。 - **二次规划**:构建目标函数和约束条件,使用`quadprog`函数求解最小化问题。 - **支持向量识别**:根据拉格朗日乘子的大小判断每个样本是否为支持向量,并据此计算偏置项`B`。 #### 四、程序扩展与优化 - **多核函数支持**:可以通过增加更多的核函数选项,提高程序的灵活性。 - **自动调参**:实现参数自动选择的功能,例如通过交叉验证选择最优的`Epsilon`和`C`值。 - **并行计算**:利用MATLAB的并行计算工具箱加速计算过程,特别是当样本量很大时。 #### 五、应用场景 该程序适用于需要进行非线性回归预测的场景,如经济预测、天气预报等领域。通过调整核函数和参数,可以有效应对各种类型的非线性问题。 ### 总结 本程序提供了一个支持向量机非线性回归的完整实现框架,通过灵活的核函数设置和参数调整,能够有效地处理非线性问题。对于需要进行回归预测的应用场景,这是一个非常实用且强大的工具。
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值