基于特征知識(shí)庫(kù)的學(xué)籍預(yù)警與決策支持系統(tǒng)的研究與實(shí)現(xiàn).pdf

1、教育信息化的發(fā)展，導(dǎo)致教育領(lǐng)域的各類數(shù)據(jù)迅速增長(zhǎng)，從而促使了教育數(shù)據(jù)挖掘研究成為熱點(diǎn)。教育數(shù)據(jù)挖掘是一個(gè)將來(lái)自各教育系統(tǒng)的原始數(shù)據(jù)轉(zhuǎn)換為知識(shí)的過(guò)程，這些知識(shí)可為教師、學(xué)生、家長(zhǎng)、教育管理人員以及教育軟件系統(tǒng)開發(fā)人員所利用。教育數(shù)據(jù)挖掘在國(guó)內(nèi)外研究普遍較晚，目前國(guó)內(nèi)仍處于發(fā)展初期。如何把高校存儲(chǔ)的數(shù)據(jù)轉(zhuǎn)變?yōu)橹R(shí)，并為教育決策過(guò)程服務(wù)，已成為教育工作者所關(guān)注的問(wèn)題。
　　本文針對(duì)高校的教學(xué)成績(jī)及一卡通等教育數(shù)據(jù)進(jìn)行挖掘分析，建立了一個(gè)

2、學(xué)籍預(yù)警與決策支持系統(tǒng)。系統(tǒng)采用數(shù)據(jù)倉(cāng)庫(kù)、數(shù)據(jù)挖掘技術(shù)、知識(shí)庫(kù)和多維分析處理對(duì)數(shù)據(jù)進(jìn)行分析處理，從而建立學(xué)籍預(yù)警與決策支持系統(tǒng)框架。該系統(tǒng)定期地從各數(shù)據(jù)源提取教學(xué)相關(guān)信息，經(jīng)過(guò)預(yù)處理后存入數(shù)據(jù)倉(cāng)庫(kù)，在此基礎(chǔ)上應(yīng)用數(shù)據(jù)挖掘技術(shù)和多維分析處理進(jìn)行數(shù)據(jù)深入分析和挖掘，挖掘得到的知識(shí)存入知識(shí)庫(kù)。其中教育數(shù)據(jù)挖掘內(nèi)容為：學(xué)生群體分類及各分類特征分析，學(xué)生成績(jī)影響因素及成績(jī)分類預(yù)測(cè)，包含過(guò)程預(yù)警；多維分析處理是對(duì)課程成績(jī)等數(shù)據(jù)結(jié)合警示級(jí)別規(guī)則庫(kù)進(jìn)行

3、多維分析，展示警示的結(jié)果和發(fā)展趨勢(shì)，包含常規(guī)預(yù)警。本文挖掘結(jié)果以Web可視化，完成交互式查詢和展現(xiàn)，完成學(xué)籍預(yù)警和決策支持。
　　針對(duì)高校數(shù)據(jù)集特點(diǎn)，對(duì)CFSFDP(Clustering by Fast Search and Find of Density Peaks)聚類算法和NBC(Naive Bayes Classifiers)算法進(jìn)行優(yōu)化研究，提出NM-CFSFDP(CFSFDP based on Neighbor Dis

4、tance Curve and Merging Clusters)和NBC-IBA(Na?ve Bayesian Classifier Based on Improved Bat Algorithm)算法。
　?。?）為了提高CFSFDP算法的精準(zhǔn)度和通用性，提出NM-CFSFDP算法。根據(jù)教育數(shù)據(jù)集分布不均勻、簇狀明顯且可能存在多密度峰值的特點(diǎn)，首先參考近鄰距離曲線變化情況自動(dòng)確定數(shù)據(jù)集密度閾值；然后用CFSFDP算法對(duì)數(shù)據(jù)聚類

5、；最后對(duì)各類進(jìn)行合并。實(shí)驗(yàn)及應(yīng)用證明，針對(duì)普通數(shù)據(jù)集及多密度峰值數(shù)據(jù)集，NM-CFSFDP算法的聚類結(jié)果更精準(zhǔn)，應(yīng)用范圍更廣泛。
　?。?）為了讓貝葉斯分類器應(yīng)能用于關(guān)聯(lián)性分析并提高分類器的精準(zhǔn)度，提出NBC-IBA算法。首先為屬性賦予權(quán)值，既削弱條件獨(dú)立性假設(shè)又可以利用權(quán)值進(jìn)行屬性關(guān)聯(lián)性分析；然后為避免陷入局部最優(yōu)解，用禁忌搜索機(jī)制和隨機(jī)擾動(dòng)算子對(duì)蝙蝠算法進(jìn)行改進(jìn)；最后采用改進(jìn)的蝙蝠算法來(lái)自動(dòng)搜索屬性權(quán)值，優(yōu)化樸素貝葉斯分類器。