申请/专利权人：山东理工职业学院

申请日：2024-04-26

公开（公告）日：2024-06-25

公开（公告）号：CN118114083B

主分类号：G06F18/23211

分类号：G06F18/23211;G06F18/15;G06F18/214;G06Q10/0639;G06Q50/20;G06F18/2413

优先权：

专利状态码：有效-授权

法律状态：2024.06.25#授权;2024.06.18#实质审查的生效;2024.05.31#公开

摘要：本发明公开了基于大数据的学生学业表现预测方法，方法包括数据采集、数据预处理、定义边界样本处理、聚类处理和学业表现预测。本发明属于数据处理技术领域，具体是指基于大数据的学生学业表现预测方法，本方案基于Cauchy核密度和相对Cauchy核密度对样本数据密度评估，通过构建边界检测图来标记边界样本，通过计算潜在边界样本的K个最近邻并检查它们是否属于同一个聚类，判断潜在边界样本是否为噪声数据；基于拉格朗日乘子最小化目标函数得到模糊隶属度、特征权值、可能性隶属度和聚类中心；基于平均类内距离评估聚类紧密度，设置惩罚因子，基于切断阈值修正可能性隶属度，自适应调节优化聚类结果；最终基于聚类结果实现学业表现预测。

主权项：1.基于大数据的学生学业表现预测方法，其特征在于：该方法包括以下步骤：步骤S1：数据采集；步骤S2：数据预处理；步骤S3：定义边界样本处理，基于Cauchy核密度和相对Cauchy核密度对样本数据密度评估，通过构建边界检测图来标记边界样本，通过计算潜在边界样本的K个最近邻并检查它们是否属于同一个聚类，判断潜在边界样本是否为噪声数据；步骤S4：聚类处理，基于拉格朗日乘子最小化目标函数得到模糊隶属度、特征权值、可能性隶属度和聚类中心，设置惩罚因子，基于切断阈值修正可能性隶属度从而完成聚类；步骤S5：学业表现预测；在步骤S1中，所述数据采集是采集历史数据和实时数据；所述历史数据和实时数据都包括学生个人信息、学习成绩数据、学习行为数据、学生课程信息和学生主观态度；历史数据还包括学生学业表现结果；将学生学业表现结果作为数据标签，不参与聚类运算，仅作为检验实时数据的学生学业表现结果用；所述学习成绩数据包括学生的历次考试成绩、期末总评成绩和作业成绩；所述学习行为数据包括学生在课堂上的参与程度、课堂出勤率、作业提交情况和学习时间分布；所述学生课程信息包括学生所学课程的类型、课程难度和课程评价；所述学生主观态度包括学生自我评价、学习目标、学习动机和家庭教育背景；在步骤S3中，所述定义边界样本处理具体包括以下步骤：步骤S31：计算样本数据的Cauchy核密度和相对Cauchy核密度；预先设有密度阈值和相对密度阈值，将Cauchy核密度低于密度阈值或者相对Cauchy核密度低于相对密度阈值的样本数据作为潜在边界样本；步骤S32：通过构建边界检测图来标记边界样本；边界检测图是一个图形表示，其中样本作为节点，边表示样本之间的距离；预先设有距离阈值；如果边的距离大于设定的距离阈值，则将连接的节点标记为边界样本；步骤S33：对于每个潜在的边界样本，计算其K个最近邻并检查它们是否属于同一个聚类；如果K个最近邻都属于同一个聚类，则将潜在的边界样本判定为该聚类的正区域；若K个最近邻属于不同的聚类，则将潜在的边界样本视为噪声簇，不予处理；在步骤S4中，所述聚类处理具体包括以下步骤：步骤S41：初始化，基于模糊均值聚类算法初始化聚类中心并进行一次聚类；步骤S42：设计目标函数，将特征权重因子引入目标函数，表示如下： ； ； ；式中，J是目标函数；c是聚类数量，k是聚类的索引；n是数据点数量，j是数据点索引；d是特征总数，l是特征索引；和分别是数据点xj对于第k个聚类vk的模糊隶属度和可能性隶属度的成员权重，是第k个聚类第l个特征的权重，m、p和θ分别是调节模糊隶属度、可能性隶属度和权重的指数因子，a和b分别是用于调整模糊隶属度和可能性隶属度影响的参数；是数据点j第l个特征；是第k个聚类第l个特征中心；tkj是数据点j对于第k个聚类的可能隶属度；η是惩罚因子；步骤S43：更新聚类中心，基于约束条件利用拉格朗日乘子最小化目标函数后得到模糊隶属度、特征权值、可能性隶属度和聚类中心，表示如下： ； ； ； ；步骤S44：计算平均类内距离，所用公式如下： ；式中，是第-1次迭代中的平均类内距离；步骤S45：设置惩罚因子，根据样本数据的分布特征来设置惩罚因子，所用公式如下： ；式中，是调节惩罚因子的参数；步骤S46：确定切断阈值，切断阈值βk的值决定了聚类中心vk的大小，基于上一次迭代中的平均类内距离自适应确定尺度参数，所用公式如下： ；式中，kβ是调节尺度影响的参数；是当前迭代次数；步骤S47：修正可能性隶属度，对于数据点xj，计算其对于第q类的最大可能性隶属度tqj；将最大可能性隶属度与切断阈值比较，确定数据点xj是否位于第q类的核心内；对聚类核心内的数据点的可能性隶属度进行修改，所用公式如下： ；式中，是修正后的可能性隶属度；步骤S48：分配数据点，基于数据点修正后的可能性隶属度分配非聚类中心的数据点；并进行边界样本处理；步骤S49：聚类判定，预先设有判定阈值ε，若，则停止迭代，和分别是第次迭代和第次迭代的模糊隶属度矩阵；若达到最大迭代次数则重新初始化聚类中心进行聚类；否则迭代次数+1并重新计算聚类中心进行聚类；在步骤S5中，所述学业表现预测是基于聚类结果，将具有最多数量的历史数据标签作为簇标签；将实时数据所属簇的簇标签作为学业表现预测结果。

全文数据：

权利要求：

百度查询： 山东理工职业学院 基于大数据的学生学业表现预测方法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD